Математика Дата саентиста

🌟 Hierarchical Reasoning Model: иерархическая модель рассуждений, имитирующая работу мозга человека. Hierarchical Reasoning Model, (HRM) - рекуррентная архитектура, которая черпает вдохновение в принципах работы человеческого мозга. В ее основе лежат 2 взаимозависимых рекуррентных модуля: 🟢Первый, высокоуровневый модуль (H-модуль), отвечает за медленное, абстрактное планирование, подобно тета-волнам в мозге. 🟢Второй, низкоуровневый модуль (L-модуль), занимается быстрыми и детализированными вычислениями, аналогично гамма-волнам. Эта структура дает модели достигать вычислительной глубины, необходимой для сложных рассуждений, при этом сохраняя стабильность и эффективность во время обучения, чего так не хватает стандартным трансформерам. 🟡Взаимодействие модулей назвали "Иерархической конвергенцией". Процесс кардинально отличается от того, что происходит в обычных рекуррентных сетях, которые склонны к преждевременной сходимости, когда их скрытое состояние быстро стабилизируется, и дальнейшие вычисления практически прекращаются. В HRM все иначе: 🟠Сначала быстрый L-модуль выполняет серию итераций, находя локальное равновесие для текущего шага задачи. Его итоговое состояние передается медленному H-модулю. 🟠H-модуль, в свою очередь, осмысливает полученный результат, выполняет один шаг собственного, более абстрактного обновления и задает совершенно новый контекст для L-модуля. Таким образом, вычислительный путь низкоуровневого модуля перезапускается, направляя его к новой точке локального равновесия. Механизм не дает системе застрять и позволяет ей последовательно выполнять множество различных, но взаимосвязанных этапов решения, выстраивая длинные логические цепочки. Тестовая модель HRM с 27 млн. параметров, обученная всего на 1000 примерах без какого-либо претрейна или CoT-пар, показала неожиданно высокие результаты . На задачах, требующих глубокого поиска и перебора вариантов ( Sudoku-Extreme ) и поиск оптимального пути ( Maze 30x30 ), HRM достигла почти идеальной точности, а вот CoT-методы полностью провалились с результатом 0%. На бенчмарке ARC-AGI-1, HRM показывает точность в 40.3%. Для сравнения, o3-mini-high показала 34.5%, а Claude 3.7 с контекстом 8K - 21.2%. ▶️ Веса моделей для самостоятельного воспроизведения тестов: 🟢ARC-AGI-2; 🟢Sudoku 9x9 Extreme (1000 examples); 🟢Maze 30x30 Hard (1000 examples); 📌Лицензирование: Apache 2.0 License. 🟡Статья 🟡Arxiv 🖥Github @ai_machinelearning_big_data #AI #ML #HRM #SapientInc

⚛️ Краткая история квантовой физики в одном посте✍️ 1900 — Planck вводит квантовую гипотезу: энергия излучается дискретно. 1905 — Эйнштейн объясняет фотоэффект через "кванты света" (фотоны). 1924 — де Бройль: частицы могут вести себя как волны. 1925 — Гейзенберг формулирует матричную механику — первую версию КМ. 1926 — Шрёдингер создаёт уравнение волновой функции. 1927 — Принцип неопределённости: нельзя точно измерить и импульс, и координату. 1928 — Дирак объединяет квантовую механику и релятивизм, предсказывает антиматерию. 1935 — Парадокс ЭПР: квантовая механика вроде бы "неполна". 1947 — Фейнман, Швингер и Томонага создают Квантовую Электродинамику (QED). 1954 — Ян и Миллс вводят неабелевы калибровочные теории → фундамент QCD. 1961 — Глэшоу объединяет электромагнитное и слабое взаимодействие. 1964 — Белл формулирует теорему: запутанность нельзя объяснить скрытыми переменными. 1964 — Гелл-Манн и Цвейг предлагают кварковую модель. 1973 — Гросс, Вильчек и Полицер открывают "асимптотическую свободу" в QCD. 1979 — Нобелевка: Глэшоу, Салам и Вайнберг за объединение взаимодействий. 1982 — Ален Аспе экспериментально подтверждает квантовую запутанность. 🔬 От кванта энергии — к Стандартной модели. За 80 лет квантовая физика изменила всё.

🌟 OpenReasoning-Nemotron: набор ризонинг-моделей от NVIDIA. OpenReasoning-Nemotron - набор LLM на архитектуре Qwen 2.5 и дистиллированных из DeepSeek-R1-0528 ( 671 млрд. параметров): 🟠OpenReasoning-Nemotron-1.5B; 🟠OpenReasoning-Nemotron-7B; 🟠OpenReasoning-Nemotron-14B; 🟢OpenReasoning-Nemotron-32B; Семейство было обучено на 5 млн. примеров рассуждений в математике, естественных науках и программировании. Модели показали достойные результаты pass@1 на бенчах GPQA, MMLU-PRO, AIME, HMMT и LiveCodeBench - без использования RL. Старшая модель, 32B, выбила 96,7% по HMMT с декодированием GenSelect. 📌Лицензирование: CC-BY-4.0 License. 🟡Статья 🟡Набор моделей @ai_machinelearning_big_data #AI #ML #LLM #Reasoning #Nemotron #NVIDIA

🧠 Джон фон Нейман — математик, инженер, создатель теории игр и один из отцов современного компьютера. Но его история началась ещё до школы: — В 6 лет он бегло говорил на 8 языках, включая латинский и древнегреческий — В уме делил восьмизначные числа — В 8 лет освоил дифференциальное и интегральное исчисление — В 15 поступил в Университет Будапешта — В 19 стал инженером‑химиком — В 22 — защитил PhD по математике в Берлине Гений не только теоретический: он стал одним из архитекторов вычислительной эпохи.

E-CUP возвращается. Реальные данные. Масштабные проекты. Большие призы Решайте ML-задачи в стиле Ozon Tech и узнайте, как работают ML-инженеры в e-com бигтехе. Девять победителей разделят призовой фонд — 7 200 000 рублей 🔥 🗓 Регистрация: https://cnrlink.com/ecup25datamath 💻 Формат участия: онлайн 👥 Команда: от 1 до 5 человек 🎯 Для кого: Data Scientists, ML-специалисты, аналитики данных, дата-инженеры, специалисты Big Data и разработчики, которые интересуются ML/DS. Что вас ждёт: 🔹 Работа над проектом для миллионов пользователей на основе данных от ведущего e-com в России. 🔹 Обмен опытом с экспертами Ozon Tech. 🔹 Питчинг — 13 сентября на конференции E-CODE. Ozon Tech предоставит финалистам билеты и оплатит поездку. Каждый трек E-CUP — реальная e-com задача, как в настоящей продуктовой ML-команде. 1️⃣ Рекомендации: предсказание следующей покупки пользователя 2️⃣ Логистика: автопланирование курьеров 3️⃣ Контроль качества: автоматическое выявление поддельных товаров Регистрация на платформе Codenrock: https://cnrlink.com/ecup25datamath

🏅 OpenAI взяли золото на Международной математической олимпиаде 2025 — самое громкое AI-событие года! И это не была модель для математики. Просто внутренняя разработка общего назначения… случайно показала уровень золотой медали на самой престижной олимпиаде в мире. 📉 Ещё пару месяцев назад их модели были внизу рейтингов. Сейчас — вершина. 📈 Эксперименты с “test-time compute” (как в Strawberry/Q*) дали в итоге универсального reasoner'а, который думает лучше большинства людей. 💥 Шансы на победу вчера — 20%. Сегодня — уже 86%. Никто не ожидал. Даже внутри OpenAI были в шоке. Почему это важно: • Математика — фундамент всей науки: физика, квант, инженерия • AI, который умеет думать в числах — это новый уровень • Самоулучшающийся ИИ → доступный PhD-тренер по математике у каждого в кармане Добро пожаловать в эру AI, который *действительно* понимает. #OpenAI #MathOlympiad #AI #GPT #PostLabor

🧮 Результаты IMO‑2025 для LLM-моделей: кто решает задачи по-настоящему MathArena опубликовала итоги тестирования LLM на задачах Международной математической олимпиады (IMO 2025) — самых сложных школьных задач, которых модели точно не видели в обучении. 📌 Что важно: • Каждая модель решает каждую задачу 4 раза • Баллы усредняются, чтобы сгладить "рандомность" • Результаты не зависят от конкретного API — единая система оценивания • Учитывается стоимость выполнения (в долларах) 🎯 Цель бенчмарка — честно сравнить способность моделей к рассуждению и обобщению на новых задачах, а не на выученных паттернах. Ждём графики — интересно, кто справился лучше: GPT-4, Claude, Gemini или Mistral? Следим за апдейтами от MathArena. matharena.ai

✔️ Эмбеддинг-модель Gemini от Google стала общедоступной. Google объявила о выходе в общий доступ модели для создания текстовых эмбеддингов - Gemini-Embedding-001. Она доступна разработчикам через Gemini API и Vertex AI. С момента своего экспериментального запуска модель стабильно занимает лидирующие позиции в бенчмарке MTEB и поддерживает более 100 языков. Gemini Embedding использует технику Matryoshka Representation Learning. Она позволяет разработчикам гибко настраивать размерность выходных векторов, чтобы оптимизировать производительность и затраты на хранение. Максимальная длина входных данных составляет 2048 токенов. Стоимость использования модели : $0.15 за 1 миллион входных токенов. Доступ к ней можно получить через Gemini API, а бесплатно протестировать - в Google AI Studio. 📌 developers.googleblog.com @data_math

Вас интересует, как искусственный интеллект может повысить эффективность вашего бизнеса? Большие языковые модели уже давно вышли за рамки экспериментов и сегодня работают в реальных бизнес-процессах. На вебинаре “Будущее бизнеса с RAG и LLM: автоматизация, выгоды и новые возможности искусственного интеллекта” вы узнаете, как современные технологии помогают автоматизировать и ускорять поддержку, аналитику и работу с корпоративными знаниями, повышая точность бизнес-решений. Мы сравним облачные и локальные решения, разберем конкретные кейсы и выгоды, а также обсудим шаги по внедрению в компанию ИИ. Узнаете, как правильно, а главное – эффективно начать цифровую трансформацию! 📅 17 июля в 14:00 по Москве ➡️ Зарегистрироваться Все слушатели вебинара получат запись и презентацию выступающего, которые можно использовать в работе! Реклама. ООО "ДССЛ-ПЕРВЫЙ". ИНН 7701081730. erid: 2W5zFJ5cQic

🧮 Epoch AI представила FrontierMath Tier 4 — новый бенчмарк для оценки границ математических способностей ИИ Tier 4 — это расширение серии FrontierMath, включающее 50 задач исследовательского уровня, разработанных постдоками и профессорами математики. Все задания тщательно проверены экспертами и считаются исключительно сложными: они требуют не только глубокой математической подготовки, но и нестандартного мышления и продвинутых навыков рассуждения. 📉 Результаты: Лишь 3 из 50 задач были решены хоть одной из протестированных ИИ-моделей. И даже эти решения были получены за счёт упрощений и неаргументированных допущений. 🧠 Задачи были сконструированы так, чтобы исключить возможность угадывания или использования обходных приёмов. Epoch AI продолжит совместную работу с математиками, чтобы отслеживать, *как именно* ИИ-модели справляются с этими задачами. 📊 Tier 4 был заказан OpenAI. Компания получила доступ к условиям и решениям 30 задач, тогда как решения к оставшимся 20 были специально скрыты — для контроля переобучения и утечек. Epoch AI планирует продолжить регулярные тестирования топовых моделей на задачах FrontierMath Tier 1–4. 🔗 Подробнее о бенчмарке и результатах: https://epoch.ai/frontiermath

🛢 В мире, где данные — новая нефть, растёт спрос на дата-инженеров. Ведь именно они знают, как такую нефть добывать, обрабатывать и хранить. И пока компании осознают потребность в этих специалистах, конкуренция на рынке низкая, а зарплаты — высокие. Освоить ключевые компетенции дата-инженера поможет онлайн-магистратура Нетологии и НИУ ВШЭ «Инженерия данных». За 2 года вы на практике: — изучите Python, Java, Scala, Kotlin и SQL, — научитесь проектировать пайплайны и обрабатывать данные, — научитесь работать с системами хранения данных и базами данных в облаке. Программа даёт широкий простор для переквалификации, поэтому после учёбы сможете перейти в MLOps, DevOps или менеджмент. Онлайн-формат позволяет учиться без отрыва от привычной жизни и совмещать занятия с работой. При этом у вас будет отсрочка от армии, льготы на проезд и все остальные бонусы очного обучения. Станьте магистром программной инженерии с дипломом одного из лучших вузов страны и получите веское преимущество при приёме на работу: https://netolo.gy/efQG Реклама. ООО "Нетология". ИНН 7726464125 Erid: 2VSb5yx44tY

🎯 Как молодой статистик спас тысячи жизней, заметив ошибку мышления, которая встречается до сих пор — "ошибку выжившего" Во время Второй мировой войны аналитики ВВС США анализировали возвращающиеся с боевых вылетов бомбардировщики. Они отмечали на схемах, где на самолётах были пробоины от пуль и снарядов — чаще всего в крыльях, хвосте и фюзеляже. Логичный вывод? Усилить броню именно там. Но молодой статистик Абрахам Вальд сказал: это фатальная ошибка. Он заметил, что все анализируемые самолёты — это *выжившие*. Мы не видим те, которые не вернулись. 💡 Его ключевая идея: *Те зоны, где нет пробоин у выживших — это, скорее всего, фатальные места попадания для тех, кто не вернулся.* То есть уцелевшие самолёты как раз могли выдержать попадания в крылья и хвост. А вот попадания в двигатель или кабину пилота были смертельны — и их не видно, потому что такие самолёты не вернулись. На основе этой логики армия изменила стратегию и усилила двигатели, кабину и топливную систему. Это решение спасло тысячи жизней. Так Вальд сформулировал ключевую идею — ошибку выжившего: > Когда мы делаем выводы, основываясь только на тех, кто «выжил» или «успешен», и игнорируем тех, кто не дошёл до этой точки. ❗️ Эта ошибка повсюду — в бизнесе, в стартапах, в инвестициях, в образовании. Мы читаем только об успешных компаниях и копируем их шаги, не понимая, что за кадром остались сотни провалов, которые двигались точно так же. Истинная уязвимость часто скрыта в невидимом.

🧠 ** Phi-4-mini-flash-reasoning —новая компактная модель от Microsoft с мощной математической логикой** Модель Phi-4-mini-flash-reasoning — это часть семейства Phi‑4 от Microsoft. Она специально создана для глубокого математического мышления, при этом остаётся лёгкой, быстрой и экономной по ресурсам. 🔍 Что делает её особенной - Модель на 3.8B параметров, но приближается по качеству к 7B–8B аналогам. - Контекст до 64K токенов — идеально для задач с длинной цепочкой логики. - Оптимизирована под математику: подходит для доказательств, символьных вычислений, задач с несколькими шагами и сложных текстовых задач. 🚀 Достижения: | Модель | AIME24 | AIME25 | Math500 | GPQA | |----------------------------------|--------|--------|---------|------| | Phi-4-mini-**Flash**-Reasoning | **52.29** | **33.59** | **92.45** | **45.08** | | Phi-4-mini-Reasoning | 48.13 | 31.77 | 91.20 | 44.51 | | DeepSeek-R1-Qwen-1.5B | 29.58 | 20.78 | 84.50 | 37.69 | | DeepSeek-R1-LLaMA-8B | 43.96 | 27.34 | 87.48 | 45.83 | | Bespoke-Stratos-7B | 21.51 | 18.28 | 80.73 | 38.51 |

📈 *Модель превосходит другие по точности, несмотря на компактный размер.*

⚙️ Производительность - Модель построена на гибридной архитектуре decoder + SSM, что даёт: - модель способна генерировать длинные ответы примерно в 10 раз быстрее, чем её базовая версия - почти линейный рост задержки (в отличие от квадратичного у обычных моделей) - Тестировалась на A100-80GB, без tensor parallelism. 📌 *Идеальна для мобильных устройств и приложений с ограниченными ресурсами.* ⚠️ На что стоит обратить внимание - Оптимизирована только под математическое мышление, не предназначена для общего NLP. - Из-за размера ограничена в фактических знаниях — желательно использовать с поиском или RAG. Phi-4-mini-flash-reasoning — это пример того, как небольшая модель может быть очень умной, если её правильно обучить и оптимизировать под конкретные задачи. 📌 Модель: https://huggingface.co/microsoft/Phi-4-mini-flash-reasoning

Нашли сайт, где десятки наглядных, интерактивных схем помогают понять, как работает всё вокруг нас. Энергия, гравитация, электричество, клетки, ДНК, химические реакции, числа — всё показано просто, ясно и без лишнего текста. Можно щёлкать, изучать, двигать элементы и разбираться в темах, которые обычно объясняют скучно и непонятно. Подходит и для школьников, и для взрослых, которым интересно понять устройство мира на практике. Сохрани себе — пригодится. 🔬🧪⚡ Учимся здесь.

🌟 HumanOmniV2: модель, которая понимает контекст видео. Alibaba Group разработали HumanOmniV2, модель на базе Qwen2.5-Omni-7B-thinker, которая получила навык осмысления визуального контекста за счет изменения самого процесса мышления модели. Ее научили следовать строгому формату: сначала описать контекст, потом рассуждать и только затем давать ответ. Теперь, прежде чем отвечать на вопрос, модель генерирует подробное описание сцены в теге <context>. На этом этапе она фиксирует, кто что делает, какой фон, какие звуки слышны. Только после этого в теге <think> она строит логическую цепочку рассуждений, связывая вопрос с собранным контекстом. И лишь в конце выдает результат в теге <answer> . Чтобы этот подход работал, его усилили системой вознаграждений на основе RL. За точность и правильный формат модель получает стандартные награды, но были введены и две новых: 🟢«Награда за контекст» дается, если его описание полное и релевантное, причем качество этого описания оценивает другая, более мощная LLM; 🟢«Логическая награда» проверяет, что в своих рассуждениях модель действительно использовала данные из видео и аудио, а не проигнорировала их. Для оценки HumanOmniV2 создали бенчмарк IntentBench (633 видео, 2689 вопросов) на основе Social-IQ 2.0, EMER и MDPE. Его фишка в том, что вопросы требуют одновременного анализа: видеоряда (жесты, микровыражения), диалогов (тон, смысл реплик) и социального контекста (ирония, обман, скрытые намерения). Тестовая модель обошла открытые аналоги на 3 бенчмарках: 🟠Daily-Omni: 58.47% (53.13% у MiniCPM-o 2.6); 🟠WorldSense: 47.1% (45.4% у Qwen2.5-Omni); 🟠IntentBench: 69.33% (64.20% у Qwen2.5-Omni). 📌Лицензирование: Apache 2.0 License. 🟡Модель 🟡Arxiv 🖥GitHub @ai_machinelearning_big_data #AI #ML #MMLM #HumanOmniV2 #Alibaba

🧠 Теперь можно вычислять LLM, которые «накрутили» баллы на бенчмарказ по математике, но не умеют больше ничего. В свежем исследовании *“Does Math Reasoning Improve General LLM Capabilities?”* показано, что модели, обученные на математике с помощью SFT, часто не улучшаются вне математики — а иногда даже деградируют. 📊 Что выяснили: • SFT на математике → ухудшение на нематематических задачах • RL на математике → перенос улучшений в другие домены • SFT вызывает сильное смещение представлений и токен-дистрибуций • RL наоборот — сохраняет топологию модели и двигает только логические оси 🧪 Авторами разработан новый инструмент — Transferability Index: Это простое соотношение между улучшением на математике и изменением на сбалансированном наборе задач. Помогает понять: ✔️ где модель реально умнее ❌ а где — просто бенчмарк‑максинг 📌 Вывод: RL-постобучение лучше предотвращает «забвение» и делает LLM более универсальными. SFT — может казаться эффективным, но часто ухудшает общие способности модели. 📌 Подробнее

⚡️ Почему лучшие разработчики всегда на шаг впереди? Потому что они знают, где брать настоящие инсайд! Оставь “программирование в вакууме” в прошлом, выбирай свой стек — подпишись и погружайся в поток идей, лайфхаков и знаний, которые не найдёшь в открытом доступе. ИИ: t.me/ai_machinelearning_big_data Python: t.me/pythonl Linux: t.me/linuxacademiya Мл собес t.me/machinelearning_interview C++ t.me/cpluspluc Docker: t.me/DevopsDocker Хакинг: t.me/linuxkalii МЛ: t.me/machinelearning_ru Devops: t.me/DevOPSitsec Data Science: t.me/data_analysis_ml Javascript: t.me/javascriptv C#: t.me/csharp_ci Java: t.me/java_library Базы данных: t.me/sqlhub Python собеседования: t.me/python_job_interview Мобильная разработка: t.me/mobdevelop Golang: t.me/Golang_google React: t.me/react_tg Rust: t.me/rust_code ИИ: t.me/vistehno PHP: t.me/phpshka Android: t.me/android_its Frontend: t.me/front Big Data: t.me/bigdatai МАТЕМАТИКА: t.me/data_math Kubernets: t.me/kubernetc Разработка игр: https://t.me/gamedev Физика: t.me/fizmat Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy Папка FRONTEND: https://t.me/addlist/mzMMG3RPZhY2M2Iy 🎓954ГБ ОПЕНСОРС КУРСОВ: @courses 😆ИТ-Мемы: t.me/memes_prog 🇬🇧Английский: t.me/english_forprogrammers 🧠ИИ: t.me/vistehno 🖥 Chatgpt для кода в тг: @Chatgpturbobot - 📕Ит-книги: https://t.me/addlist/BkskQciUW_FhNjEy 💼ИТ-вакансии t.me/addlist/_zyy_jQ_QUsyM2Vi Подпишись, чтобы всегда знать, куда двигаться дальше!

➰ О свойствах параболы ➿ ▪️ Вершина параболы — точка, в которой она меняет направление (самая высокая или низкая точка). Координаты вершины можно найти по формуле: x = −b / (2a), y = f(x). Точка параболы, ближайшая к её директрисе, называется вершиной этой параболы. Вершина является серединой перпендикуляра, опущенного из фокуса на директрису. ▪️ Парабола (греч. παραβολή — приближение) — плоская кривая, один из типов конических сечений. ▪️ Античные математики определяли параболу как результат пересечения кругового конуса с плоскостью, которая не проходит через вершину конуса и параллельна его образующей (см. рисунок). В аналитической геометрии удобнее эквивалентное определение: парабола есть геометрическое место точек на плоскости, для которых расстояние до заданной точки (фокуса) равно расстоянию до заданной прямой (директрисы). Если фокус лежит на директрисе, то парабола вырождается в прямую. ▪️Каноническое уравнение параболы в прямоугольной системе координат: y² = 2⋅p⋅x, где p — фокальный параметр, равный расстоянию от фокуса до директрисы ▪️В общем случае парабола не обязана иметь ось симметрии, параллельную одной из координатных осей. Однако, как и любое другое коническое сечение, парабола является кривой второго порядка и, следовательно, её уравнение на плоскости в декартовой системе координат может быть записано в виде квадратного многочлена: A⋅x² + B⋅x⋅y + C⋅y² + D⋅x + E⋅y + F = 0 ▪️Парабола в полярной системе координат (ρ,ϑ) с центром в фокусе и нулевым направлением вдоль оси параболы (от фокуса к вершине) может быть представлена уравнением ρ⋅(1 - cos(ϑ)) = p, где p — фокальный параметр ▪️Оптическое свойство. Пучок лучей, параллельных оси параболы, отражаясь в параболе, собирается в её фокусе. И наоборот, свет от источника, находящегося в фокусе, отражается параболой в пучок параллельных её оси лучей. Сигнал также придет в одной фазе, что важно для антенн. ▪️Если фокус параболы отразить относительно касательной, то его образ будет лежать на директрисе. Множество всех точек, из которых парабола видна под прямым углом, есть директриса. Отрезок, соединяющий середину произвольной хорды параболы и точку пересечения касательных к ней в концах этой хорды, перпендикулярен директрисе, а его середина лежит на параболе. ▪️Все параболы подобны. Расстояние между фокусом и директрисой определяет масштаб. ▪️Траектория фокуса параболы, катящейся по прямой, есть цепная линия ▪️Описанная окружность треугольника, описанного около параболы, проходит через её фокус, а точка пересечения высот лежит на её директрисе

🧠 Одно из величайших уравнений в истории — на грани разгадки Испанский математик Хавьер Гомес Серрано совместно с Google DeepMind приблизился к решению уравнений Навье — Стокса — одного из семи Millennium Prize Problems, за которое обещан $1 000 000. 📌 Эти уравнения описывают поведение жидкостей и газов: от движения воздуха и волн — до потока крови в капиллярах. ⏳ Учёные не могут доказать, существует ли гладкое решение в 3D — уже 200 лет. 🤖 Что изменилось? • Серрано и DeepMind используют современные нейросети для численного анализа • Команда утверждает: модель на грани открытия • ИИ помогает выявить структуры и закономерности, которые сложно уловить вручную 🌊 Что даст решение: • Улучшенные модели погоды и климата • Прогнозирование цунами и турбулентности • Прорыв в медицине: моделирование кровотока и работы сердца • Новый фундамент в прикладной математике и физике 📌 Вывод: Если им удастся — это будет не просто научная победа. Это будет момент, когда ИИ помог человечеству решить задачу, с которой оно не справлялось столетиями. #ai #математика #deepmind #наука #навиестокс 👉 Подробнее @data_math