About this listing
Анализ данных (Data analysis) | ИИ и наука is a Telegram channel listed on TeleHub. View its description, category, member count, and Telegram join link.
Telehub🔍 Обсуждение последних трендов в Data Science и ИИ. Новости, аналитика, разработки! Это сообщество для всех заинтересованных.
Анализ данных (Data analysis) | ИИ и наука is a Telegram channel listed on TeleHub. View its description, category, member count, and Telegram join link.
Добро пожаловать в мир анализа данных и искусственного интеллекта! 🚀 Мы — активно развивающееся сообщество, посвященное самым последним достижениям в области науки о данных. Подписавшись на наш канал, вы будете первыми узнавать о 🧠 новых моделях ИИ, выдающихся прорывах в программировании и полезных инструментах для автоматизации бизнес-процессов. В нашем канале мы делимся свежими новостями о значимых событиях: от выпуска новых моделей ИИ до анализа безопасностных угроз в кибернетике. Например, недавнее открытие Google об их флагманской модели Gemini 4 Argon подчеркивает важность многоэтапного планирования задач. Какие технологии сейчас особенно интересуют? Мы освещаем темы: - Программирование: разработка и оптимизация сложных систем - Бизнес-аналитика: исследование финансовых потоков или юридических документов 🤖 - Кибербезопасность: как перехватить потенциальные угрозы с помощью AI 🔒 Контент включает учебные материалы, посты об актуальных событиях индустрии и даже спецификацию по новым моделям локальной обработки текста! 💾 Не упустите шанс погрузиться в настоящее будущее технологий. Присоединяйтесь к обсуждениям наших участников, обмен опытами идет по всем фронтам!
Loading recent Telegram analytics…
TeleHub helps users discover Telegram communities, but users should review each community before joining. Report misleading, unsafe, or inappropriate listings.
Report a listingClick the join button to open Анализ данных (Data analysis) | ИИ и наука on Telegram.
No, Анализ данных (Data analysis) | ИИ и наука is not marked as NSFW. Users should still review the community before joining.
Анализ данных (Data analysis) | ИИ и наука is listed under Data Science, Artificial Intelligence, Programming, Cybersecurity on TeleHub.
Statistics updated October 17, 2026
Post frequency is estimated from the latest 30 stored public posts and may undercount activity.
Claude Mythos 5 сам придумал квантовые схемы, которые в разы эффективнее лучших опубликованных В Anthropic дали Claude описания восьми базовых квантовых примитивов простым языком: химия, оптимизация, симуляция, теория чисел, численные методы. Дальше замкнутый цикл без участия человека. Модель предлагает схему, автоматический оценщик проверяет корректность и считает стоимость как число кубитов, умноженное на число гейтов, после чего Claude переделывает дизайн. По всем восьми примитивам модель нашла схемы с меньшим числом кубитов и гейтов, чем лучшие известные алгоритмы. В отдельных случаях выигрыш достигал порядка и более. Самый показательный пример с эллиптическими кривыми. За 53 часа работы Claude придумал новый способ обратимой модульной инверсии на основе divsteps, где не нужно хранить историю ветвлений. Модель вывела новые алгебраические тождества и формулу, которая восстанавливает информацию о ветвях из самих чисел, а результат формализован в Lean. Один из дизайнов использует на 12% больше кубитов, чем самый компактный предшественник, но в 17 раз меньше гейтов. Второй результат касается декодера для Decoded Quantum Interferometry. Claude перешёл на декодирование Берлекэмпа-Мэсси и стал пересчитывать промежуточные значения вместо хранения. Число гейтов упало примерно в 12 раз относительно конструкции Google. Резерв памяти вместо худшего случая в 665 кубитов сократился до 19, по результатам 403 миллионов симуляций. Примерно один запуск из 10 тысяч потребует больше места и провалится, но это укладывается в допустимую ошибку задачи. Для контекста по FeMoco: оценка 2017 года в 50 триллионов гейтов Тоффоли сегодня составляет около 340 миллионов, то есть в 150 тысяч раз меньше. Авторы честно отмечают, что это заслуга алгоритмических улучшений многих групп, а не только Claude. Ограничения тоже названы. Модель была излишне консервативной, перепроверяла уже подтверждённое и тяготела к известным подходам. Метод работает только там, где корректность дёшево проверяется на классическом компьютере. А сама схема это лишь один слой отказоустойчивого квантового компьютера, коррекция ошибок и управление железом остались за кадром. Работу вёл Энди Гу в рамках программы STEM Fellows Program, наставник Алек Кемени, соавторы из Гарварда Сьюзен Елин и Михаил Лукин. Статья: https://arxiv.org/abs/2610.22367 Источник: https://www.anthropic.com/research/designing-efficient-quantum-circuits
📍 Polars 2.0 вышел: стриминг по умолчанию, spill на диск и обгон DuckDB на больших данных 6 октября Ритчи Винк выпустил Polars 2.0. Главное: collect на LazyFrame теперь по умолчанию использует streaming-движок, что даёт заметный выигрыш по памяти и скорости на большинстве запросов. Вместе с ним включён out-of-core: спил на диск начинается примерно при 80% оперативной памяти, бюджет диска по умолчанию 64 ГБ. Сортировка, оконные функции и многие выражения это уже умеют, внешние join и group by в планах. SQL стал полноценным интерфейсом, а оптимизатор получил перестановку join, лучшее устранение общих подпланов и динамические предикаты с фильтрами Блума. Появился нативный dtype Map вместо List(Struct(key, value)) с выражениями map.get, map.contains_key, map.keys и map.values. Бенчмарки на основе TPC-H и TPC-DS (не сравнимы с официальными результатами) показывают, что на SF100 при росте с 16 до 192 vCPU Polars ускоряется в 3,8 раза на TPC-H и в 2,2 раза на TPC-DS, DuckDB 1.5.6 в 3,2 и 1,9 раза, DataFusion в 1,7 и 1,0. Но на SF10 картина честнее: на TPC-H Polars на уровне, а на TPC-DS медленнее в 1,8 раза. Виной постоянный оверхед на 192 потоках, при ограничении 32 ядрами Polars конкурентен везде, исправление обещают в следующем релизе. Самое важное для миграции: streaming-движок по умолчанию не гарантирует порядок строк в join, group_by и unpivot, нужен maintain_order=True. Ошибки теперь всплывают раньше, а неявная обработка несоответствий данных стала опцией. Гайд по апгрейду есть на docs.pola.rs. https://pola.rs/posts/release-polars-2/
⚛️ Google показала, как снизить ошибки в одном из ключевых ресурсов квантовых вычислений в 40 раз. На процессоре Willow исследователи продемонстрировали *magic state cultivation*: подготовку специальных квантовых состояний с точностью около 99,99%. Зачем это нужно? Такие состояния позволяют выполнять операции, необходимые универсальному квантовому компьютеру. При использовании они расходуются, поэтому их приходится постоянно создавать. И это дорого: по некоторым оценкам, их производство может занимать до 95% ресурсов квантового компьютера. Метод Google работает как фильтр: последовательность измерений выявляет ошибки, а неудачные попытки отбрасываются. На реальном чипе удалось получить состояния с примерно 40-кратно меньшей ошибкой, чем без этой процедуры. Следующий этап: масштабирование. До полезных квантовых вычислений ещё остаются инженерные задачи, но один из важных методов теперь подтверждён экспериментально. Работа опубликована в Science. https://blog.google/innovation-and-ai/models-and-research/quantum-computing/magic-state-cultivation-quantum-computing/