Когда ждёшь, что в мире всё предсказуемо, как у тебя в голове
Когда ждёшь, что в мире всё предсказуемо, как у тебя в голове.
0 просмотренных постов скрыто
Сложный молекулярный процесс, часто интерпретируемый как репарация ДНК (восстановление)
Процесс включает обнаружение повреждений, их удаление и восстановление целостности молекулы ДНК с высокой точностью.
Специализированные белки (показаны голубым и фиолетовым цветом) находят соответствующую неповрежденную цепочку ДНК, чтобы использовать её в качестве шаблона для копирования недостающей информации, вместо того чтобы просто сшивать сломанные концы вместе.
Этот визуальный материал создал 3D-аниматор Дрю Берри (Drew Berry) из специализированной студии при Институте медицинских исследований Уолтера и Элизы Холл (Walter and Eliza Hall Institute of Medical Research, WEHI) в Мельбурне, Австралия.
Показать полностью
Песня на Стихи из названий Рассказов А.П.Чехова
Это стихи написанные названиями рассказов Чехова.
Наткнулся на них в соцсетях и решил проверить, как они зазвучат в Suno. Результат интересный — ритм сам ложился на музыку. Тогда создал визуальный ряд: 16 иллюстраций в технике цветного карандаша, каждая из которых собирает в коллаж сцены из упомянутых произведений. Всего в клипе визуализировано более 100 рассказов, пьес и очерков Чехова — от «Иванова» и «Чайки» до «О вреде табака».
Атмосфера России конца XIX века, приглушённая палитра охры и сепии, эффект старых фотографий и дневниковых записей.
Стихи:
Иванов. Чайка. Дядя Ваня.
Муж. Три сестры. Архиерей.
Вишневый сад. Сирена. В бане.
Медведь. Три года. Юбилей.
Агафья. Свадьба. Орден. Горе.
Оратор. Ночь перед судом.
Анюта. Бабы. Ванька. В море.
В потёмках. Верочка. Альбом.
Кривое зеркало. Ворона.
Злой мальчик. То была она!
Талант. Мечты. Дочь Альбиона.
Налим. Пари. Кошмар. Жена.
Припадок. Пьяные. Задача.
Студент. Супруга. Тиф. Враги.
Страдальцы. Старость. Неудача.
Святою ночью. Сапоги.
Актёрская гибель. Ненастье.
Беда. Белолобый. Отец.
Красавицы. Устрицы. Счастье.
Несчастье. Хороший конец.
Роман с контрабасом. Мыслитель.
Хористка. Экзамен на чин.
Художество. Нищий. Учитель.
Письмо. Печенег. Сахалин.
Каштанка. Княгиня. Крыжовник.
Нахлебники. Певчие. Страх.
Ну,публика! Первый любовник.
Аптекарша. Черный монах.
Беглец. Беззаконие. Дамы.
Ионыч. Мороз. Клевета.
На святках. Приданое. Драма.
В суде. Накануне поста.
Заблудшие. Мёртвое тело.
Весной. В номерах. Канитель.
В усадьбе. Недоброе дело.
В цирюльне. Счастливчик. Свирель.
Событие. Много бумаги.
Володя. В сарае. Тоска.
Винт. Женское счастье. В овраге.
Дуэль. О вреде табака.
Автор стихов неизвестен.
Показать полностью
Ответ на пост «Инженерная логика устойчивости знаменитого смотрового комплекса "The Vessel" (Судно) в Нью-Йорке»
Как правильно проектировать ТЦ:
В ответ на:
Инженерная логика устойчивости знаменитого смотрового комплекса «The Vessel» (Судно) в Нью-Йорке.
Извиняюсь, что отдельным постом, но искать исходный пост на Пикабу нет охоты, проще загрузить из сохранений.
Показать полностью
Как бактерии передвигаются: бактериальный жгутик
На этом видео показана реалистичная 3D-анимация работы бактериального жгутикового мотора (наномашины внутри живой клетки). Она детально иллюстрирует процесс генерации крутящего момента и управления движением бактерии.
Данное видео создано научной студией Smart Biology
⚙️ Устройство бактериального мотора
Этот биологический двигатель работает за счет энергии протонов или ионов натрия и состоит из нескольких ключевых частей:
Ротор: Центральная вращающаяся часть (на модели выделена желтыми, оранжевыми и красными элементами).
Статор: Неподвижные белковые комплексы, встроенные в мембрану клетки, которые генерируют крутящий момент.
Вал: Передает вращение от ротора наружу, к самому жгутику.
📊 Основные характеристики наномотора
Скорость вращения: Может достигать от 10 000 до 100 000 оборотов в минуту.
КПД: Близок к 100%, что делает его одним из самых эффективных двигателей в природе.
Реверс: Способен мгновенно менять направление вращения (по часовой стрелке или против) для изменения направления движения бактерии.
Показать полностью
Сравнение космических маршрутов к Луне
Что показывают линии на схеме
Аполлон-11: Путь первых людей, которые сели на Луну. Корабль подлетел близко и кружился по низкой орбите.
Аполлон-13: Маршрут спасения. На корабле случился взрыв, поэтому сесть на Луну не вышло. Луна притянула корабль и сама бросила его обратно к Земле.
Артемида-2: Самый далекий полет человека в космос. В апреле 2026 года четверо астронавтов облетели Луну по большой петле. Они не выходили на орбиту, но улетели от Земли дальше всех в истории.
Показать полностью
Propagate: как ML-задача внезапно разрослась до orbital dashboard
Продолжение прошлого поста. Ниже — версия, где главный герой не глобус, а нейросеть поверх SGP4.
Изначально я вообще не планировал делать глобус.
Не было идеи “сделать красивую визуализацию спутников” или “нарисовать sci-fi dashboard”.Я хотел решить гораздо более узкую задачу:можно ли улучшить прогноз SGP4 с помощью маленькой нейросети?
SGP4 — это алгоритм, который считает положение спутника по TLE.
TLE — это набор орбитальных данных. Но у него есть проблема: он стареет.
Чем больше времени проходит после эпохи TLE, тем сильнее прогноз начинает расходиться с реальностью. Когда появляется новый TLE, можно увидеть, насколько старый прогноз ошибся.
Идея была простая: не заменять SGP4, а добавить поверх него небольшую ML-поправку.
То есть:
* SGP4 считает базовую позицию;
* модель предсказывает ошибку;
* результат немного корректируется.
На бумаге это выглядело как компактный ML-эксперимент.Но почти сразу оказалось, что модель нельзя нормально обучать “вслепую”.
Нужны:
история TLE;
пары старый TLE → новый TLE;
сравнение прогнозов;
фильтрация плохих примеров;
понимание, где именно модель ошибается.
Так появился архив TLE. Потом появился анализ переходов между TLE. Потом — метрики ошибок. Потом — replay. Потом — визуальная проверка орбит. Потом — 3D-сцена. И только потом я понял, что у меня уже получается не просто ML-скрипт, а полноценный orbital dashboard. Не потому что я хотел “красивый глобус”. А потому что без визуального контроля данных невозможно понять, чему вообще учится модель. ML-задача сама потащила за собой интерфейс. Сначала мне нужно было видеть только одно: насколько старый TLE промахнулся к моменту появления нового. Потом захотелось понять: это нормальный drift или битые данные? Потом: а что происходит между двумя TLE? Потом: а как это выглядит на орбите? Потом: а какие спутники дают самые странные ошибки?
Так маленький эксперимент начал превращаться в систему.
Сейчас в Propagate уже есть:
сбор и хранение TLE;
построение пар между обновлениями;
расчёт ошибок;
обучение residual-модели;
экспорт модели;
inference на Rust;
replay орбит;
визуальный handoff-анализ;
dashboard для мониторинга.
При этом центральная идея осталась той же:
SGP4 даёт базовый прогноз, а нейросеть пытается предсказать остаточную ошибку. Не магия. Не “AI управляет спутниками”. Просто маленькая модель, которая учится на том, как новые TLE исправляют старые прогнозы. Пока это исследовательский проект. Данных ещё мало, чистота датасета важнее красивых цифр, и я не обещаю, что модель “улучшает всё на 40%”. Но уже видно, что ошибка не случайная. В ней есть структура. А значит, её можно изучать. Самое интересное для меня оказалось не в том, что модель что-то предсказывает. А в том, что для честной работы с моделью пришлось построить вокруг неё целую систему наблюдения.
Я начал с вопроса: “Можно ли дообучить SGP4 маленькой нейросетью?” А пришёл к orbital dashboard, который показывает, где данные хорошие, где модель ошибается, а где орбитальная механика всё ещё сильнее моих экспериментов. И да — пока это всё не какой-то “облачный космический стартап”.
Весь проект сейчас живёт у меня локально:
Docker;
локальная база;
локальные сервисы;
локальный inference;
и огромный orbital dashboard, который крутится на моей машине.
Показать полностью