А вот так выглядит распространение звукового импульса по твердому телу.

Решил проверить, как будет выглядеть совмещенная симуляция падающих частиц и распространяющихся волн.
По-моему, выглядит довольно прикольно. "Волнующаяся среда" разделена на две половинки, у левой масса в 5 раз больше, чем у правой, поэтому можно наблюдать, как волны пересекают линию раздела сред и меняют свое направление.

https://youtu.be/06_Z76YTWLc

Добавил физику твердых тел в симулятор. Работает с переменным успехом, но выглядит неплохо)
https://youtube.com/shorts/XXqIpM46p3k

https://www.youtube.com/watch?v=6sPSIn_MJj8
А вот тут на симуляцию наложены очень классные текстурки, которые сгенерил ручной ИИ CarbonLifef0rm [ https://www.deviantart.com/carbonlifef0rm ], за что ей огромное спасибо.

https://youtu.be/kjc4oqxrU78

Вот он, паровой движок, полностью состоящий из частичек) Прямо в пеинте нарисовал стартовые позиции, загрузил в симулятор - и он завелся! После некоторой корректировки длин кривошипов, клапана и т.п.

Да, видюшка со звуком! Я специально добавил симуляцию распространения волн, которую использовал для генерации звука.

Как всегда, спасибо CarbonLifef0rm за генеренные ИИ текстурки)

https://youtube.com/shorts/boXMzi1oim4

А вот вертикальная короткая версия.

Три ракеты с разными формами сопла, заполненные частицами
https://youtube.com/shorts/cD5KAbOUas4?feature=share

Они же, но без пережатия ютубом.

Не очень понимаю, кто те люди, что рассказывают, как они круто и быстро что-то там накодили вместе с ChatGPT.
Нет, я, конечно, безмерно уважаю ChatGPT, но кодит он не просто плохо, а ПОДЛО.

То есть он выдает код, который очень похож на правильный, но в большинстве случаев содержит ошибки. И не те "детские" ошибки, о которых сообщит компилятор, типа пропущенных скобочек. У него адовые ошибки в логике.

Вот, например. Я попросил его выдать мне код интегратора, он выдал. Но меня смутило, что в интеграторе высокого порядка только один раз вычисляется сила, действующая на частицу.

- Сколько должно быть таких вычислений в этом интеграторе?
- Пять! - отвечает ИИ.
- А у тебя почему одно?
- Ах, простите, вот исправленный код.

И так каждый. гребанный. раз. Он будет постоянно писать черти что, и радостно исправлять свой код, стоит указать ему на ошибку явно. Сажая новые ошибки.

В итоге куда быстрее выходит написать код самому, чем раз за разом выискивать места, в которых ИИ в очередной раз начал галлюцинировать.

https://youtu.be/cP5zGh2fui0
Великолепное видео про ИИ, про то, насколько они понимают реальность, про то, насколько мы сами понимаем реальность (в контексте квантовой физики) и то, стоит ли ждать ИИ с сознанием.

Сабина озвучивает многие из тезисов, которые я сам всегда выдвигал в спорах с людьми, утверждающими, что современные технологии ИИ - не ИИ вовсе, а так (тут, видимо, полагается пренебрежительно хмыкнуть), просто статистические алгоритмы, перемножающие матрицы.

В общем, 12/10, всем рекомендую к просмотру.

https://youtube.com/shorts/bc0mn6bNb8s

Нейросетка выучивает SDF куба.

SDF - signed distance function, такое хитрое представление объектов в виде функции от координат. На входе координаты точки, на выходе - расстояние от этой точки до объекта со знаком +, если точка расположена вне него и -, если точка внутри. Таким образом, SDF как бы делит пространство на два класса "вне объекта" и "внутри объекта".
И есть алгоритм под названием ray marching, который позволяет рассчитать, как будут распространяться лучи света в сцене, собранной из таких объектов.

Я решил посмотреть, как небольшая нейросетка будет учить эту SDF для сцены, построенной из одного куба.

Поменял функцию активации на tanh, кубик из "полигонального" превратился в "пластилиновый")

Процесс обучения сетки с tanh активацией идет медленнее, но выглядит куда занятнее, чем у сетки с ReLU.

https://youtube.com/shorts/fRY6SrR9j0c?feature=share

Он же на ютубе.

https://youtu.be/qSwCZg962l0

А вот и новое видео)
На этот раз я взял три нейронные сетки, которые отличаются только функциями активации и обучил их более сложной 3д-сцене. Отлично видно, насколько отличается динамика обучения и выученная SDF (signed distance function), представляющая сцену - быстрее всего учится сеть с Leaky ReLU, но функция выглядит низкополигональной моделью, при том, что ни одного полигона в ней нет и никогда не было)
Сетка с активацией Tanh учится медленнее всего, но зато и на выходе моделька гладкая, а объекты плавно перетекают друг в друга.
Ну и наконец новая для меня функция Mish, которая выглядит как гладкий Leaky ReLU. И ведет себя, как гладкий Leaky ReLU. В том смысле, что учится быстрее Tanh (хоть и медленнее ReLU), но на выходе - гладкие, перетекающие друг в друга формы.

Слышали выражение "Умер Клим, и хуй бы с ним"?

Предлагаю перевод (правда, чуть более цензурный):

Dead is Klim,
So to hell with him!

https://youtu.be/-8K-xbx7jBM

Рекламный фильм 1957го года. Рекламируют компьютер для решения задач бизнеса, рассказывают, насколько проще станет жизнь после автоматизации)

Очень люблю читать и смотреть, как люди решали сложные задачи и автоматизировали вычисления настолько ограниченными средствами. Подчеркивает невероятный путь, пройденный человечеством.

Этой машине несколько больше полувека, у нее 2 килобайта оперативной памяти на ртутных линиях задержки, ошеломительная частота процессора 500 КГц и быстрый перфоратор. Чего еще желать серьезному бизнесмену конца 50х?)