За последние годы стоимость литиевых аккумуляторов, используемых для питания электромобилей, заметно снизилась, но она по-прежнему может составлять до трети цены машины на электротяге. Беспокойство автовладельцев по поводу долговечности тяговых батарей призвано умерить новое исследование американских учёных.

Источник изображения: BYD

Исследователи Стэнфордского университета обнаружили, что реальные условия эксплуатации большинства электромобилей влияют на ресурс тяговых аккумуляторов не совсем так, как прогнозировали их разработчики, опирающиеся на результаты лабораторных испытаний. Нагрузочные циклы испытаний сокращают эксплуатационный ресурс тяговых батарей не совсем так, как показала модифицированная методика тестов, предложенная учёными Стэнфорда.

Они утверждают, что рваный ритм движения электромобилей в условиях городского трафика, короткие поездки, чередующиеся с длительными стоянками, и даже периодические резкие ускорения в действительности влияют на эксплуатационный ресурс тяговых аккумуляторов значительно благоприятнее, чем считалось ранее. При эксплуатации электромобилей частными лицами в условиях города тяговые батареи могут служить на 40 % дольше, чем предполагалось до этого.

Более того, даже короткие резкие ускорения, провоцирующие быструю отдачу заряда тяговыми аккумуляторами в действительности увеличивают их ресурс, а не сказываются на нём губительно, как считалось ранее. Авторы исследования в течение двух лет испытывали 92 образца серийно выпускаемых литийионных тяговых аккумуляторов с использованием профилей нагрузки и зарядки, приближённых к условиям использования электромобилей в городе.

Прежние методики более равномерной нагрузки и зарядки способны имитировать эксплуатацию коммерческого электротранспорта, они в какой-то степени позволяют прогнозировать ресурс тяговых батарей при интенсивной эксплуатации, но у частных владельцев главным врагом батарей становится не количество циклов зарядки и разрядки, а время само по себе. Полученные в ходе исследования результаты можно учитывать при разработке управляющего программного обеспечения для силовых систем электромобилей. Формируемые профили зарядки и разрядки способны серьёзно влиять на продолжительность службы аккумуляторов.

Группа исследователей Стэнфордского университета (США) разработала новую технологию создания голографического изображения, реализуемую при помощи алгоритмов искусственного интеллекта. Она предполагает компактные габариты необходимого оборудования — эта технология может лечь в основу нового поколения очков дополненной реальности (AR).

Источник изображения: news.stanford.edu

Лабораторная версия голографической системы нового поколения имеет существенные ограничения — она обеспечивает поле зрения всего в 11,7°, и это намного меньше, чем предлагают AR-гарнитуры Magic Leap 2 и Microsoft HoloLens. Но даже сейчас это компенсируется достоинствами решения: голографические компоненты системы почти помещаются в стандартные оправы для очков и могут производить реалистичные полноцветные движущиеся изображения с разной глубиной.

Как и в других AR-очках, здесь используются волноводы — компоненты, направляющие свет через очки в глаза пользователя. Авторы проекта уточняют, что они создали уникальный «нанофотонный метаповерхностный волновод», который «устраняет потребность в громоздкой коллимационной оптике», а радикальное повышение качества изображения достигается за счёт алгоритмов ИИ. Модели «автоматически калибруются используя обратную связь с камер».

В современной реализации технология представлена прототипом в корпусе, который был создан на 3D-принтере, но авторы проект считают, что он способен перевернуть нынешний рынок «пространственных компьютеров» — сейчас здесь господствуют громоздкие Apple Vision Pro и Meta✴ Quest 3. Учёные указывают, что сегодня не существует систем дополненной реальности, сравнимых с их изобретением по возможностям и компактности.

Руководство Стэнфордского университета (США) сообщило об инциденте в области кибербезопасности, с которой учебное заведение столкнулось в прошлом году. Системы учебного заведения подверглись атаке вируса-вымогателя Akira, который оставался незамеченным в течение более чем четырёх месяцев.

Источник изображения: Gerd Altmann / pixabay.com

В конце октября 2023 года хакерская группировка Akira поместила Стэнфордский университет на «доску позора» своего сайта, а руководство учебного заведения впоследствии опубликовало заявление, в котором сообщило, что расследует инцидент, но не упомянуло вирус-вымогатель. Теперь стало известно, что в результате инцидента пострадали персональные данные 27 000 человек, которые получили об этом официальные уведомления.

Вторжение в системы произошло 12 мая 2023 года, основной целью злоумышленников стал сегмент Департамента общественной безопасности университета. Но руководству Стэнфорда стало известно о вторжении лишь 27 сентября, говорится в документах, поданных в Генпрокуратуру штата Мэн. Пояснений по вопросу, почему потребовалось так много времени на обнаружение вторжения, и находился ли злоумышленник в сети всё это время, не последовало.

Руководство университета не сообщило, какая информация была скомпрометирована, но в документах указано, что утечка коснулась трёх видов данных, включая имена и номера социального страхования. Пострадавшим предложены 24 месяца бесплатного кредитного мониторинга, полис страхового возмещения на сумму в $1 млн и услуги по возмещению ущерба после кражи персональных данных.

Группировка Akira сообщила, что похитила 430 Гбайт данных, включая личную информацию и конфиденциальные документы. Всё это доступно для скачивания любому желающему через torrent-файл, а значит, университет, вероятно, отказался платить выкуп. Akira действует с марта 2023 года, и её жертвы получали различные требования выкупа за похищение данных: от относительно небольших шестизначных сумм до нескольких миллионов долларов. Она взяла на себя ответственность за крупные атаки на такие организации как зоопарк Торонто, австралийский филиал Nissan, Университет Мерсера и компанию Lush — производителя бомбочек для ванн. Группировкам Akira и 8Base в 2024 году следует уделять особое внимание, говорят эксперты по кибербезопасности.

Учёные Стэнфордского университета доложили о создании нового материала, который поможет создать оперативную память с более высокой скоростью работы и энергоэффективностью. Соединение имеет формулу MnPd₃ (марганец-палладий-3). Оно позволит создавать быстрые модули памяти, поддерживающие обучение систем искусственного интеллекта локально, а не на удалённых серверах.

Источник изображения: Gerd Altmann / pixabay.com

Авторы проекта считают, что человечество переходит от эпохи интернета к эпохе ИИ, и актуальной задачей становится запуск ИИ-алгоритмов на периферии — на домашнем компьютере, смартфоне или даже смарт-часах. Это позволит, например, обнаруживать признаки проблем со здоровьем или распознавать естественную речь, но такие приложения требуют более эффективного оборудования, чем существующее, в том числе более быстрой оперативной памяти.

В данном случае речь идёт о памяти типа SOT-MRAM (spin-orbit torque MRAM) — магниторезистивной оперативной памяти с записью данных с помощью спин-орбитального вращательного момента. В её основе лежит внутреннее свойство электронов — его спин. Спин можно описать как нечто напоминающее баскетбольный мяч, вращающийся на кончике пальца спортсмена. Но поскольку электрон является заряженной частицей, он при вращении превращается в крошечный магнит, с поляризацией вдоль оси вращения — возвращаясь к аналогии с баскетбольным мячом, это линия, продолжающая линию пальца у спортсмена. Направляя эти линии вверх или вниз, можно добиться представления нулей или единиц, формируя в массиве байты компьютерных данных. При этом такая память в отличие от применяемой сейчас повсеместно оперативной памяти является энергонезависимой.

Источник изображения: news.stanford.edu

В модулях памяти SOT-MRAM через слой материала спин-орбитального момента (SOT) проходит спин-поляризованный ток, из-за которого производится переключение спинов частиц в соседнем магнитном материале. В идеале правильно подобранные вещества обеспечивают запись данных простым переключением тока в слое SOT. Однако найти подходящий материал для такого слоя непросто, и здесь снова требуется аналогия. Если взять за систему отсчёта лежащий на тарелке ломтик хлеба, а по его краям отложить оси X и Y, то при прохождении тока по оси X у большинства материалов спиновая поляризация производится по оси Y, тогда как максимальной плотности данных можно добиться при поляризации по оси Z — оси, продолжающей линию перпендикулярно воткнутой в ломтик хлеба зубочистки. Обойти это ограничение в общем случае получается при помощи внешнего магнитного поля, которое требует дополнительного пространства и дополнительных расходов энергии.

Нужными свойствами обладает полученное американскими учёными соединение MnPd₃ — его внутренняя структура лишена кристаллической симметрии, которая заставила бы все электроны выстраивать спины вдоль одной линии. При помощи этого материала исследователи продемонстрировали переключение поляризации как в направлении Y, так и в направлении Z без необходимости во внешнем магнитном поле — её можно выстраивать даже в направлении X, уточнили учёные, хотя этот нюанс в основную работу и не вошёл.

Помимо асимметричной кристаллической структуры, MnPd₃ обладает рядом иных свойств, которые помогут быстро внедрить его в массовое производство модулей SOT-MRAM. В частности, он выдерживает производимый при выпуске электроники отжиг (400 °C на 30 минут), а его слой создаётся при помощи магнетронного напыления — этот процесс уже используется при производстве других компонентов для хранения данных. Иными словами, для его внедрения в производство не потребуется новых инструментов или новых методов — материал обладает новыми свойствами, но идеально вписывается в современные технологии производства. Учёные уже работают над прототипам модулей SOT-MRAM на базе марганца-палладия-3, которые можно будет интегрировать в реальные устройства.

Ученные Стэнфордского университета разработали модель искусственного интеллекта Alpaca AI, которая во многих задачах работает аналогично ChatGPT. Отличие состоит в том, что построили её на основе платформы с открытым исходным кодом, а обучение обошлось менее чем в $600. Иными словами, современные продвинутые системы ИИ можно легко воспроизвести, причём с довольно скромными затратами.

Источник изображения: Gerd Altmann / pixabay.com

Всего полгода назад за эволюцией больших языковых моделей следили разве что учёные и энтузиасты, но с запуском ChatGPT стало очевидным: машины могут общаться так же, как люди. Они за считаные секунды пишут тексты из множества предметных областей, зачастую демонстрируя очень высокий уровень. Последующий выход GPT-4 показал, что и развиваются они с головокружительной скоростью, обещая в скором времени коренным образом преобразовать всё человечество. Собственные аналоги уже есть у Google, Apple, Meta✴, Baidu и Amazon — ИИ-системы скоро наводнят рынок, появившись в поисковых системах, автомобилях и даже смарт-часах.

Как выяснилось, чтобы построить аналог ChatGPT, не нужно ресурсов технологического гиганта — достаточно определённой базы знаний и бюджета в $600. Это на деле подтвердили учёные Стэнфордского университета, взяв за основу разработанную Meta✴ открытую языковую модель LLaMA 7B — самую доступную из линейки LlaMA. Будучи обученной на триллионе примеров, она обладает ограниченными возможностями и в большинстве задач значительно отстаёт от ChatGPT. Основные материальные затраты и главное конкурентное преимущество моделей OpenAI GPT заключаются в огромном количестве времени и человеческих ресурсов, которые разработчик вложил в обучение модели: одно дело прочитать несколько миллиардов книг и совсем другое — усвоить большое число пар вопросов и ответов, готовящих ИИ к предстоящей работе.

Источник изображения: github.com/tatsu-lab

Запустив модель LLaMA 7B, учёные Стэнфорда дали GPT образец из созданных человеком пар вопросов-ответов и предписали ей генерировать по этому образцу новые данные, выдавая по 20 пар за итерацию. Автоматизировав задачу через открытые OpenAI средства OpenAI, они за короткое время получили в распоряжение 52 000 образцов диалога, подходящих для обучения LlaMA, что обошлось учёным менее чем в $500. Далее последовал этап тонкой настройки LlaMA — для этого потребовались ресурсы восьми компьютеров с 80-Гбайт ускорителями NVIDIA A100 на три часа. В облачной инфраструктуре эта услуга обошлась менее чем в $100. По окончании обучения исследователи протестировали свою модель, которой дали имя Alpaca, и сравнили её с ChatGPT в таких задачах как написание электронной почты, публикаций для соцсетей и помощь в работе. Alpaca успешно справилась с 90 тестами, а ChatGPT преодолел лишь 89.

Авторы проекта отметили, что, вероятно, могли бы достичь того же результата с меньшими материальными затратами, если бы поставили цель оптимизировать процесс. При наличии доступа к GPT-4 и более мощным моделям LlaMA, которые можно взять за основу, любой подготовленный специалист смог бы повторить опыт и даже достичь более весомых результатов, не останавливаясь на 52 000 пар вопросов и ответов, тем более, что свой набор учёные Стэнфорда опубликовали на Github. Они также предупредили, что пока не занимались важнейшим из вопросов для современных ИИ — не провели дополнительной тонкой настройки, чтобы обеспечить безопасную и этичную работу модели, поэтому тех, кто будет использовать их наработки, попросили сообщать о выявленных сбоях.

Повторить опыт стэнфордских учёных теоретически может любой желающий при наличии технической подготовки и суммы в $600, однако остаются некоторые препятствия. Лицензия OpenAI не разрешает использовать данные её моделей для разработки конкурирующих систем, а Meta✴ пока разрешила академическим исследователям пользоваться только некоммерческими лицензиями — виной всему утечка LlaMA на имиджборд 4chan через неделю после анонса. С другой стороны, ещё одна сторонняя группа разработчиков нашла способ запустить Alpaca AI на одноплатных компьютерах Raspberry Pi с возможностью масштабирования до более продвинутых LlaMA-13B, 30B и 65B и не прибегать в услугам облачных провайдеров на этапе тонкой настройки — достаточно ресурсов всего одной бытовой, пусть и чрезвычайно мощной видеокарты NVIDIA GeForce RTX 4090 на пять часов.