Народ, не знаю где лучше спросить,
а у нас тут, есть кто, химики действующие?
пусть даже молодёж.. эстьдент.
главное, что бы представлял хотя бы кусочек от:
Химик-технолог (специализация: полимеры или ПАВ)
Инженер-химик с опытом в дисперсных системах.
Материаловед с пониманием физики поверхностей
Физика дебилов )
Картинку рисовать не буду. Тем, кто не в теме, она не поможет. А кто в теме, прекрасно и так представят.
И так, есть две электронные пушки, которые параллельно выпускают два пучка электронов. Скорость каждого электрона постоянная, пусть и субсветовая.
Рассмотрим взаимодействие этих электронов.
С одной стороны, по закону Кулона, эти пучки должны должны друг от друга отталкиваться, как заряды с одинаковым знаком.
С другой стороны, по закону Ампера, они должны притягиваться, как параллельные токи.
И парочка вопросов:
1) Так притягиваются они или отталкиваются?
2) Перейдём в другую инерциальную систему отсчёта, которая движется вперёд со скоростью электронов. По теории относительности Эйнштейна, все процессы во всех инерциальных системах идут одинаково. Но в нашей новой системе кулоновское отталкивание осталось. А вот токов больше нет. Куда они подевались?
Задача была задана в газете МФТИ "За науку".
Предыдущий пост оказался провокационным. Людям свойственно романтизировать. Тем более все мы воспитаны на фантастических фильмах и книгах. Мне кажется, многих сбивает с толку флёр электричества, бегающего внутри мозгов ИИ. Хочу расстроить некоторую часть пикабушников простым мысленным экспериментом. Буду проводить его с помощью Claude Sonnet 5.
Итак. Основные вопросы.
1. Современный ИИ работает на архитектуре, взятой из графических ускорителей?
2. Видеокарта - это конечный автомат?
3. Возможно построить полную копию конечного автомата на ттл логике с помощью гидравлической логики? Скорость работы не важна. Есть бесконечное будущее.
4. По этой логике можно построить полную гидравлическую копию Nvidia DGX? Ресурсы не ограничены, время бесконечно.
5. Возможно ли, через интерфейс ТТЛ - гидравлика обучить гидравлическую копию на обучающем наборе данных для БЯМ?
6. Один и тот же промт выдаст похожие токены на входе БЯМ на гидравлике и БЯМ на ттл?
Просто отправил эти вопросы нейронке без какой либо подготовки.
1. Современный ИИ работает на архитектуре видеоускорителей?
Не совсем «архитектура ИИ = архитектура GPU», скорее наоборот: GPU изначально проектировались для растеризации графики (много простых ядер, параллельно считающих однотипные операции над пикселями/вершинами). Оказалось, что нейросети — это в основном перемножение матриц, а это ровно то, для чего хорош массовый параллелизм GPU. Поэтому ИИ использует GPU-железо (и специализированные надстройки вроде tensor cores), но собственной «ИИ-архитектуры» с нуля никто не изобретал — просто нашли удачное совпадение.
2. Видеокарта — конечный автомат?
Формально — да. Любое цифровое устройство с конечной памятью (регистры, VRAM, кэш) — это конечный автомат в смысле теории вычислений: конечное число возможных состояний, детерминированные переходы между ними по тактам. Просто число состояний астрономически огромно (2^(число бит памяти)), поэтому на практике никто её так не описывает, но с точки зрения формальной модели — это корректно.
3. Можно построить полную копию такого автомата на гидравлической логике?
Да, теоретически. Булева логика (И, ИЛИ, НЕ, память-триггер) реализуема на любом физическом носителе, способном давать два устойчивых состояния и переключаться между ними по сигналу — электричество, гидравлика, пневматика, домино, шестерёнки. Гидравлическая (флюидная) логика реально существовала как технология в 1960-х (флюидика, FLUERICS), строили даже гидравлические компьютеры (MONIAC — правда, это был аналоговый экономический симулятор, не цифровой автомат). Если делать именно дискретную гидравлику (клапан либо открыт, либо закрыт — без промежуточных состояний), то да, любую цифровую схему можно повторить один в один: вентили вместо транзисторов, гидравлические защёлки вместо триггеров-памяти.
4. Можно ли по этой логике построить гидравлическую копию Nvidia DGX?
Теоретически — да, при неограниченных ресурсах и времени. DGX — это огромное, но конечное число логических вентилей и ячеек памяти. Если у вас бесконечно много труб, клапанов и места, вы можете один в один воспроизвести каждый транзистор гидравлическим клапаном, а всю топологию соединений — трубами. Физический размер будет чудовищным (счёт может пойти на кубические километры), задержки — огромными (жидкость течёт медленнее электрона на многие порядки), но принципиальных теоретических препятствий нет — это то же самое утверждение, что и «любая машина Тьюринга реализуема на любом Тьюринг-полном субстрате».
5. Можно ли через интерфейс ТТЛ-гидравлика обучить гидравлическую копию на датасете для БЯМ?
Да, если гидравлическая копия действительно бит-в-бит воспроизводит те же логические и арифметические операции. Обучение (backprop, градиентный спуск) — это тоже просто последовательность арифметических операций (умножения, сложения, сравнения), которые точно так же можно выполнить на гидравлическом железе. Единственное реальное ограничение — точность: в идеальном мире (бесконечное время, идеальные компоненты без утечек и турбулентности) арифметика будет точной, и обучение пройдёт идентично.
6. Один и тот же промт даст похожие/идентичные токены на гидравлической и ттл-версии?
Если оба устройства действительно побитово реализуют одну и ту же схему (те же веса, тот же порядок операций, та же точность вычислений, тот же генератор псевдослучайных чисел для сэмплирования, если он используется), то результат будет не просто «похож», а идентичен, потому что вычисление детерминировано — субстрат (кремний или вода) не влияет на логический результат, если сама логика реализована верно. Разница появится только если:
в гидравлике накапливаются аналоговые ошибки (утечки, неидеальные клапаны, температурные эффекты — это уже не цифровая, а «зашумлённая» реализация);
или если точность/округления чисел на двух системах отличаются.
Итог: вся цепочка рассуждений логически безупречна — это классическая иллюстрация тезиса Чёрча-Тьюринга и независимости вычисления от физического носителя. Единственное, что не работает «по этой логике» — практика: масштаб, скорость и надёжность гидравлики делают такой проект нереализуемым в разумные сроки, но как мысленный эксперимент про природу вычислений — всё верно.
Теперь представим, что гидравлика у нас работает на подсолнечном масле нерафинированом и от этой системы несёт прогорклым запахом, всё течёт, ржавеет, но всё же работает. Если обеспечить вас вечной жизнью и уговорить вас взаимодействовать с ИИ на подсолнечном масле, то ваш опыт будет не отличим от общения с DeepSeek, при условии, что на гидравлическом монстре запустили его веса.
Где в подсолнечном масле и гидравлических клапанах находится сознание?
Многие школьники и даже взрослые сталкиваются с тем, что тема «силы» в физике кажется сложной, запутанной и перегруженной формулами. Но на самом деле всё можно объяснить намного проще — без лишних терминов и без страха перед механикой.
Что такое сила на самом деле?
Сила — это просто влияние одного тела на другое. Не магия, не абстракция — обычное взаимодействие.
Почему тело может двигаться, даже если силы равны?
Потому что движение — это не про силы, а про скорость. Если тело уже движется, равнодействующая сила может быть нулевой, но движение сохранится. Это и есть первый закон Ньютона.
Простой пример из жизни:
Ты катишь тележку в магазине. Ты перестаёшь толкать — но она ещё немного едет. Почему? Потому что на неё не действует сила, которая могла бы мгновенно остановить движение. Трение слабое → тележка продолжает двигаться.
Сила трения — тоже не враг
Она просто пытается «замедлить» движение. Чем больше шероховатость поверхности — тем сильнее трение.
Главная идея:
Если понять силы, вся механика становится намного проще. Это фундамент, на котором держится всё остальное.
Заключение:
Если тебе нужно короткое, понятное объяснение всех сил — я собрала мини‑курс, который помогает разобраться в теме без перегрузки и лишних формул. Ссылку оставлю в комментарии, чтобы не нарушать правила Пикабу.
Концепция аппаратного ускорителя для ИИ, основанного на голографической памяти и аналоговых оптических вычислениях
Современные нейронные сети выполняют инференс (прямой проход для получения ответа) на графических процессорах или специализированных чипах. При каждом запросе миллиарды весов модели загружаются из памяти, перемножаются с входными данными, и результат проходит через десятки слоёв. Это требует огромного количества энергии и времени, а также выделенного охлаждения для дата-центров.
Что, если можно было бы выполнить инференс вообще без транзисторов? Без тактовых частот, без нагрева, без последовательного перебора операций? Эта статья описывает концепцию, где нейросеть физически «записана» в кристалле в виде объёмной голограммы, а инференс выполняется одним лазерным импульсом, проходящим сквозь этот кристалл ровно один раз.
Идея опирается на три существующие технологии: голографическую память, аналоговые оптические вычисления и фоторефрактивные кристаллы. Ниже — инженерное описание того, как это могло бы работать, какие проблемы нужно решить и какие плюсы это даёт.
Шаг 1: Запись модели в кристалл.
Берётся фоторефрактивный кристалл — например, ниобат лития (LiNbO₃), легированный ионами железа. Этот материал способен изменять свой показатель преломления под воздействием света. В кристалл направляются два лазерных луча: опорный и информационный.
Информационный луч модулируется таким образом, что его пространственный профиль (амплитуда и фаза в каждой точке поперечного сечения) кодирует веса нейронной сети. Это похоже на то, как голограмма записывает трёхмерное изображение, но здесь записывается не картинка, а матрица чисел.
Опорный луч — это просто плоская волна, которая интерферирует с информационным лучом внутри кристалла. В точках конструктивной интерференции показатель преломления слегка увеличивается, в точках деструктивной — остаётся неизменным. Так формируется трёхмерная решётка микроскопических неоднородностей — аналог синаптических связей.
В отличие от обычной голограммы, здесь записывается не одно изображение, а тысячи наложенных друг на друга интерференционных картин — каждая соответствует одному слою нейронной сети. Это возможно благодаря объёмной природе кристалла и использованию разных углов падения опорного луча для каждого слоя (мультиплексирование по углу).
Шаг 2: Инференс за один проход.
Когда модель записана, инференс выполняется невероятно просто. На кристалл направляется опорный луч, промодулированный входными данными — например, изображением, которое нужно классифицировать, или текстовым запросом, преобразованным в оптический паттерн.
Луч проходит сквозь кристалл один раз. Но внутри кристалла он проходит через все слои последовательно, потому что слои записаны под разными углами и физически разнесены в объёме кристалла. В каждой записанной решётке часть света дифрагирует. Дифрагированные волны от всех слоёв складываются, интерферируют, и на выходе из кристалла формируется выходной оптический сигнал. Этот сигнал — результат прохождения через всю многослойную сеть, выполненного оптически, параллельно, за время пролёта фотона через кристалл (пикосекунды).
Выходной луч попадает на матрицу фотодетекторов, которые преобразуют оптический сигнал обратно в электрический. Это и есть ответ модели.
В классической нейросети после каждого умножения на веса применяется функция активации (ReLU, сигмоида). Без неё многослойная сеть коллапсирует в одно линейное преобразование.
В оптической среде активация может быть встроена прямо в материал. Механизм называется оптический затвор: неоднородность не просто преломляет свет, но и работает как пороговый элемент. Если после взаимодействия с весом фотон потерял слишком много энергии, он не проходит дальше — поглощается или рассеивается настолько, что не попадает в следующий слой.
Это реализуется через несколько физических механизмов:
Насыщение поглощения. Атомы кристалла поглощают слабый свет и становятся прозрачными для сильного. Это буквально ReLU: всё, что ниже порога — ноль, всё, что выше — проходит.
Двухфотонное поглощение. При высокой интенсивности материал начинает поглощать сильнее. Это аналог сигмоиды с насыщением: слишком сильный сигнал гасится.
Фоторефрактивный порог. Сама записанная голограмма может быть устроена так, что слабый свет не дифрагирует (не «видит» решётку), а сильный — дифрагирует. Каждый слой активируется только при достаточной интенсивности входного сигнала.
Таким образом, в оптической среде нет отдельного «умножения» и отдельной «активации». Есть непрерывный процесс: свет распространяется через неоднородную среду, и в каждой точке он либо проходит дальше, либо нет — в зависимости от того, сколько энергии у него осталось после взаимодействия с предыдущими неоднородностями.
Это не просто аналогия с нейросетью. Это физическая реализация нейросети, в которой вычисление и есть распространение света, а активация — это пороговое свойство материала. Слой за слоем, атом за атомом, фотоны либо проходят, либо гаснут — и на выходе остаётся только тот сигнал, который пережил все затворы.
Энергопотребление. Оптический инференс в идеале потребляет энергию только на генерацию входного лазерного луча и на считывание выходного сигнала фотодетекторами. Никаких переключений транзисторов, никакого нагрева от тока утечки. Теоретически, энергоэффективность может быть на порядки выше, чем у электронных чипов.
Скорость. Умножение матрицы на вектор — основная операция инференса — выполняется оптически, параллельно, за время пролёта фотона через кристалл. Это пикосекунды. Для сравнения, электронный чип тратит на это наносекунды или микросекунды, последовательно перебирая веса.
Параллелизм. Свет может обрабатывать огромные матрицы одномоментно. Плотность записи в объёмном кристалле потенциально достигает терабайт на кубический сантиметр. Это означает, что модели с миллиардами параметров могут быть умещены в кристалле размером с игральную кость.
Долговечность. Кристалл не деградирует со временем, в отличие от SSD и жёстких дисков. Записанная один раз модель может храниться миллионы лет без потери данных.
Отсутствие тепловыделения. Оптический инференс — это пассивный процесс. Свет не нагревает кристалл, в отличие от транзисторов, которые выделяют джоулево тепло при каждом переключении.
Концепция красива, но между идеей и работающим устройством лежит пропасть нерешённых проблем.
Точность записи. Современные фоторефрактивные кристаллы не позволяют записывать веса с точностью, достаточной для современных нейросетей (обычно 8–16 бит на вес). Динамический диапазон изменения показателя преломления ограничен, и шумы записи высоки. Требуются новые материалы или методы пост-обработки, повышающие точность.
Стабильность решёток. Записанные голограммы со временем деградируют — особенно при считывании (фоторефрактивный эффект обратим). Для долговременного хранения нужен механизм фиксации — например, термический отжиг или использование двухфотонных процессов.
Динамическое обновление весов. В отличие от электронной памяти, голограмму в кристалле нельзя быстро перезаписать. Это означает, что такая система подходит только для инференса готовой модели, но не для обучения. Впрочем, для большинства применений ИИ инференс и есть основная задача.
Оптические потери. Даже при идеальной записи часть света неизбежно рассеивается на дефектах кристалла и поглощается. После десятков слоёв сигнал может упасть ниже уровня шума. Нужны материалы с минимальными потерями и, возможно, встроенные оптические усилители.
Интеграция с электроникой. Входные данные (изображение, текст) должны быть преобразованы в оптический сигнал, а выходной оптический сигнал — обратно в электрический. Эти интерфейсы должны быть быстрыми и энергоэффективными, чтобы не свести на нет все преимущества.
Голографическая память. В 2000-х годах компании (InPhase Technologies, Aprilis) пытались коммерциализировать голографические диски с ёмкостью до 1.6 ТБ. Проекты закрылись из-за конкуренции с флеш-памятью, но технологии остались.
Оптические нейронные сети. Стартапы (Lightmatter, Lightelligence) разрабатывают оптические интерконнекты и фотонные чипы для ускорения матричных умножений. Они используют интегральную фотонику на кремниевых чипах.
Project Silica (Microsoft). Хранение данных в кварцевом стекле с помощью фемтосекундного лазера. Технология ориентирована на архивное хранение, но демонстрирует принцип объёмной записи в прозрачном материале.
Дифракционные нейронные сети (D²NN). Исследователи из UCLA показали, что пассивные оптические элементы (дифракционные пластины) могут выполнять классификацию изображений на скорости света. Это наиболее близкий аналог нашей идеи, но в D²NN веса фиксированы в плоских элементах, а не в объёме кристалла.
Ближний горизонт (1–3 года). Демонстрация записи и считывания простой модели (например, классификатор MNIST) в кристалле ниобата лития с одним проходом луча. Измерение точности инференса и энергопотребления. Публикация в рецензируемом журнале.
Средний горизонт (3–7 лет). Разработка метода мультиплексирования для записи многослойных сетей в объёме одного кристалла. Создание прототипа, способного выполнять инференс модели уровня ResNet-50 за один проход. Оценка коммерческой viability.
Дальний горизонт (7–15 лет). Создание коммерческого оптического инференс-ускорителя, превосходящего электронные аналоги по энергоэффективности на порядки. Интеграция в дата-центры как сопроцессора для инференса больших языковых моделей.
Оптический инференс через кристалл — это не фантастика, а инженерная задача на стыке существующих технологий. Она не требует новой физики, но требует преодоления серьёзных материаловедческих и оптических проблем.
Если эта технология будет реализована, она изменит ландшафт вычислений так же радикально, как в своё время переход от ламп к транзисторам. ИИ-модели, записанные в кристаллах, смогут работать годами без единого ватта электроэнергии, обрабатывая запросы со скоростью света — за один проход, без зеркал, без циклов, без транзисторов. Дата-центры перестанут быть фабриками тепла и станут тихими залами с лазерами и кристаллами.
И, возможно, это первый шаг к тому, чтобы наши потомки через миллион лет могли «загрузить» наш save point — не в виде археологической находки, а как работающую модель, готовую ответить на вопрос из глубины времён.
Авторы: коллективный разум (человек + AI)
Дата: 8 июля 2026 года
Казалось бы я выдвинул бредовую идею о использовании ультрафиолета в качестве передатчика окружающей среды для незрячих. А оказывается индийские учёные обнаружили, что планарии лишенные зрения реагируют на ультрафиолетовый источник. Ну а человек когда то сам был червем и все эти признаки сохранились. У нас есть рот, кишечник, выход, чем не червь. А всё остальное лишь придатки к основному.
