Реплика первого транзистора, изобретенного в 1947 году в Bell Labs, напоминает шедевры навесной пайки Мохита Бхойта (Mohit Bhoite) или ферритовую память, которая сама по себе выглядит как предмет искусства. На этом фоне микрочипы выглядят завораживающе сложными. Их создание, это история, полная компромиссов, где на каждом технологическом этапе можно столкнуться с непреодолимыми проблемами.
Текла Перри (Tekla Perry) из IEEE Spectrum написала подробный рассказ о разработке первого чипа Intel с миллионом транзисторов. Он будет особенно полезен тем, кто работает над чем-то технически сложным в большой команде. А еще эта статья — напоминание о том, что закон Мура — не отдельное выдающееся достижение, а серия побед, которая тянется десятилетиями. И чем мельче становятся транзисторы, тем удивительней победы.
Одна из проблем, с которыми сталкиваются современные чипмейкеры, — нехватка изоляционной ABF-пленки. Это прослойка, которой накрывают чип между этапами травления. Ajinomoto, компанию-производителя ABF, основал химик Икэда Кикунаэ, первооткрыватель умами, чтобы делать специи на базе глутамата натрия. Название компании буквально переводится как "сущность вкуса". ABF-пленку делают с использованием той же аминокислотной технологии, что и приправы, поэтому в дефиците чипов отчасти виновата нехватка специй.
_______
Источник | #SantryBlog
@F_S_C_P
Узнай судьбу картами Таро:
✨Anna Taro bot
Текла Перри (Tekla Perry) из IEEE Spectrum написала подробный рассказ о разработке первого чипа Intel с миллионом транзисторов. Он будет особенно полезен тем, кто работает над чем-то технически сложным в большой команде. А еще эта статья — напоминание о том, что закон Мура — не отдельное выдающееся достижение, а серия побед, которая тянется десятилетиями. И чем мельче становятся транзисторы, тем удивительней победы.
Одна из проблем, с которыми сталкиваются современные чипмейкеры, — нехватка изоляционной ABF-пленки. Это прослойка, которой накрывают чип между этапами травления. Ajinomoto, компанию-производителя ABF, основал химик Икэда Кикунаэ, первооткрыватель умами, чтобы делать специи на базе глутамата натрия. Название компании буквально переводится как "сущность вкуса". ABF-пленку делают с использованием той же аминокислотной технологии, что и приправы, поэтому в дефиците чипов отчасти виновата нехватка специй.
_______
Источник | #SantryBlog
@F_S_C_P
Узнай судьбу картами Таро:
✨Anna Taro bot
Астрологи объявили взрывной рост объемов 3D-контента — ситуация стремительно набирает обороты. За конец марта опубликовано 13 статей про генерацию трехмерных объектов из текста и изображений.
SV3D: Stability AI показала новую модель для реконструкции изображения в 3D с высоким разрешением.
LATTE3D от NVIDIA: новый метод преобразования текста в 3D, позволяющий генерировать текстурированные сетки из текста всего за 400 мс.
Isotropic3D: генерация изображения в 3D на основе создания многоракурсных плоских изображений.
MVControl: преобразование текста в 3D с управлением по типу ControlNet (резкость, глубина и т. д.).
Make-Your-3D: преобразование изображения в 3D с возможностью управления генерацией с помощью текстовых подсказок.
MVEdit: поддерживает преобразование текста в 3D, изображения в 3D и 3D в 3D с генерацией текстур.
VFusion3D: преобразование изображения в 3D на базе предварительно обученных моделей видеодиффузии.
GVGEN: преобразование текста в 3D с объемным представлением.
GRM: эффективное преобразование текста в 3D и изображения в 3D за 100 мс.
FDGaussian: преобразование изображения в 3D с предварительной генерацией разных ракурсов в 2D.
Ultraman: преобразование изображения в 3D с упором на человеческие аватары.
Sculpt3D: и снова преобразование текста в 3D.
ComboVerse: преобразование картинок в 3D с комбинированием моделей и созданием сцен.
Не везде доступен код, так что сравнивать сложно, но первые результаты уже есть — пара божественных мезоамериканских нейролягушек.
_______
Источник | #SantryBlog
@F_S_C_P
Генерируй картинки с ⛵️MIDJOURNEY в Telegram
SV3D: Stability AI показала новую модель для реконструкции изображения в 3D с высоким разрешением.
LATTE3D от NVIDIA: новый метод преобразования текста в 3D, позволяющий генерировать текстурированные сетки из текста всего за 400 мс.
Isotropic3D: генерация изображения в 3D на основе создания многоракурсных плоских изображений.
MVControl: преобразование текста в 3D с управлением по типу ControlNet (резкость, глубина и т. д.).
Make-Your-3D: преобразование изображения в 3D с возможностью управления генерацией с помощью текстовых подсказок.
MVEdit: поддерживает преобразование текста в 3D, изображения в 3D и 3D в 3D с генерацией текстур.
VFusion3D: преобразование изображения в 3D на базе предварительно обученных моделей видеодиффузии.
GVGEN: преобразование текста в 3D с объемным представлением.
GRM: эффективное преобразование текста в 3D и изображения в 3D за 100 мс.
FDGaussian: преобразование изображения в 3D с предварительной генерацией разных ракурсов в 2D.
Ultraman: преобразование изображения в 3D с упором на человеческие аватары.
Sculpt3D: и снова преобразование текста в 3D.
ComboVerse: преобразование картинок в 3D с комбинированием моделей и созданием сцен.
Не везде доступен код, так что сравнивать сложно, но первые результаты уже есть — пара божественных мезоамериканских нейролягушек.
_______
Источник | #SantryBlog
@F_S_C_P
Генерируй картинки с ⛵️MIDJOURNEY в Telegram
Пока что технология image-to-3d находится в зачаточном состоянии и напоминает результаты, которые выдавали первые версии stable diffusion. Реконструкции поддаются только сравнительно простые изображения монолитных предметов.
Да, сравнивать 3d.csm, tripo3d с демо на huggingface нечестно, так как это демонстрационные версии коммерческих сервисов, которые используют более сложные пайплайны и генерируют в несколько этапов. Однако сейчас именно они юзабельнее. Более детальные текстуры - заметное преимущество, так как их можно преобразовать в карту высот и перенести часть деталей в меш.
Вряд ли результаты их работы подойдут для нужд 3D-художников, однако уже сейчас они могут быть основой для скульптинга и годятся для распечатки на FDM-принтере.
P.S. Бюст штурмовика создан при помощи Dall-E и tripo3d.
_______
Источник | #SantryBlog
🐾 @F_S_C_P
-------
поддержи канал
-------
Да, сравнивать 3d.csm, tripo3d с демо на huggingface нечестно, так как это демонстрационные версии коммерческих сервисов, которые используют более сложные пайплайны и генерируют в несколько этапов. Однако сейчас именно они юзабельнее. Более детальные текстуры - заметное преимущество, так как их можно преобразовать в карту высот и перенести часть деталей в меш.
Вряд ли результаты их работы подойдут для нужд 3D-художников, однако уже сейчас они могут быть основой для скульптинга и годятся для распечатки на FDM-принтере.
P.S. Бюст штурмовика создан при помощи Dall-E и tripo3d.
_______
Источник | #SantryBlog
🐾 @F_S_C_P
-------
поддержи канал
-------
ИИволюция в биотехе случилась шесть лет назад
В 2018 году DeepMind показала AlphaFold — алгоритм машинного обучения, берущий последовательность аминокислот и реконструирующий белок, который из них получится. К 2022 году эта компания смоделировала 200 миллионов всевозможных белков для открытой базы. Некоторые из них я даже использовал в опытах с молекулярной визуализацией.
Несмотря на громкие заголовки, in silico и in vivo не одно и то же. Предсказания AlphaFold приходится тщательно проверять, но тогда машинное обучение начало серьезно менять биологию. Теперь оно, вероятно, спасет человечество как минимум от одного экзистенциального риска — бактерий, устойчивых к антибиотикам.
От таких бактерий умирает больше миллиона человек в год, к 2050 году эта цифра может достигнуть 10 миллионов. В то время как на открытие одного нового антибиотика уходит около десяти лет. Точнее, уходило.
В начале месяца биофизики рассказали, как при помощи машинного обучения проанализировали десятки тысяч микробных геномов из еще одной открытой базы данных. В результате алгоритм нашел более 800 тысяч фрагментов ДНК, которые кодируют потенциальные антимикробные соединения. Более 90% из них не были описаны прежде. Три из 100 соединений, синтезированных исследователями, действительно вылечили лабораторных мышей. Осталось проверить еще 799 900 — работы хватит на всю жизнь.
Машинное обучение позволило буквально перетряхнуть все известное микробное разнообразие в поисках нужных соединений, но самое удивительное, что мы не ограничены живущими сейчас организмами. Похожим образом антибиотики ищут, например, в иммунной системе неандертальцев.
Синтезом найденных соединений пока что занимаются люди, но Science уже пишет о создании шести автоматизированных лабораторий. Такие системы будут оперативно проверять результаты работы нейросетей. Этот подход уже используют для создания светоизлучающих материалов. Биотех и фармацевтика на очереди.
К тому же, согласно первым исследованиям, препараты, открытые ИИ, показывают 80-90% успешности на первой фазе испытаний, по сравнению с обычными 40-60%. Вероятно, по крайней мере в среднесрочной перспективе, будет открыто больше успешных терапевтических препаратов, чем во всей истории биотехнологий.
На фото: метициллинрезистентный золотистый стафилококк, от которого точно стоит избавиться.
#футурология #биотех #машинное_обучение #будущее #ИИ #технологии #антибиотики
_______
Источник | #SantryBlog
@F_S_C_P
Узнай судьбу картами Таро:
✨Anna Taro bot
В 2018 году DeepMind показала AlphaFold — алгоритм машинного обучения, берущий последовательность аминокислот и реконструирующий белок, который из них получится. К 2022 году эта компания смоделировала 200 миллионов всевозможных белков для открытой базы. Некоторые из них я даже использовал в опытах с молекулярной визуализацией.
Несмотря на громкие заголовки, in silico и in vivo не одно и то же. Предсказания AlphaFold приходится тщательно проверять, но тогда машинное обучение начало серьезно менять биологию. Теперь оно, вероятно, спасет человечество как минимум от одного экзистенциального риска — бактерий, устойчивых к антибиотикам.
От таких бактерий умирает больше миллиона человек в год, к 2050 году эта цифра может достигнуть 10 миллионов. В то время как на открытие одного нового антибиотика уходит около десяти лет. Точнее, уходило.
В начале месяца биофизики рассказали, как при помощи машинного обучения проанализировали десятки тысяч микробных геномов из еще одной открытой базы данных. В результате алгоритм нашел более 800 тысяч фрагментов ДНК, которые кодируют потенциальные антимикробные соединения. Более 90% из них не были описаны прежде. Три из 100 соединений, синтезированных исследователями, действительно вылечили лабораторных мышей. Осталось проверить еще 799 900 — работы хватит на всю жизнь.
Машинное обучение позволило буквально перетряхнуть все известное микробное разнообразие в поисках нужных соединений, но самое удивительное, что мы не ограничены живущими сейчас организмами. Похожим образом антибиотики ищут, например, в иммунной системе неандертальцев.
Синтезом найденных соединений пока что занимаются люди, но Science уже пишет о создании шести автоматизированных лабораторий. Такие системы будут оперативно проверять результаты работы нейросетей. Этот подход уже используют для создания светоизлучающих материалов. Биотех и фармацевтика на очереди.
К тому же, согласно первым исследованиям, препараты, открытые ИИ, показывают 80-90% успешности на первой фазе испытаний, по сравнению с обычными 40-60%. Вероятно, по крайней мере в среднесрочной перспективе, будет открыто больше успешных терапевтических препаратов, чем во всей истории биотехнологий.
На фото: метициллинрезистентный золотистый стафилококк, от которого точно стоит избавиться.
#футурология #биотех #машинное_обучение #будущее #ИИ #технологии #антибиотики
_______
Источник | #SantryBlog
@F_S_C_P
Узнай судьбу картами Таро:
✨Anna Taro bot
