Математика Дата Саентиста / Data science

🚨 Новая редкая работа от Терренса Тао: AlphaEvolve решает часть математических задач лучше людей Google представила AlphaEvolve - систему, которая эволюционным поиском находит решения к сложным математическим задачам. Тао протестировал её на 67 задачах из разных областей: от неравенств до числовых констант. 📌 Что проверяли - задача о «движущемся диване» в 2D и 3D - Kissing problem в N-мерном пространстве - упаковка окружностей - задача IMO 2025 по тесселяции - задача о стопках блоков 🧠 Как работает AlphaEvolve Алгоритм запускает множество параллельных попыток, проверяет решения, а затем «скрещивает» лучшие идеи, отбирая наиболее успешные. 🔥 Интересные выводы - сильнее модель - быстрее сходимость (хотя не всегда) - параллельность ускоряет поиск, но сильно увеличивает стоимость - reward hacking встречается часто - результаты значительно лучше, если похожие задачи были в обучении и если процесс направляет эксперт (особенно когда эксперт - сам Тао) 💡 Важное предложение из статьи Тао предлагает вводить класс задач «AlphaEvolve-hard» - те, где ИИ не может легко нарушить неравенство или найти конструкцию. Такие задачи требуют принципиально нового человеческого инсайта. Эта работа пролетела почти незаметно, но я провёл над ней больше двух часов - и это одна из самых впечатляющих математических статей за последнее время. https://www.alphaxiv.org/abs/2511.02864v1

Задача: сколько весит красный шар? На весах: Слева: 6 шаров + груз 2 кг Справа: 4 шара + груз 7 кг Разница между грузами: 7 − 2 = 5 кг Разница между шарами: 6 − 4 = 2 шара То есть 2 шара = 5 кг → один шар = 2.5 кг. Ответ: красный шар весит 2.5 кг.

🔥 Подборка полезных ресурсов для программистов. Здесь ты найдёшь всё это - коротко, по делу и без воды. Пока другие ищут, где “подглядеть решение”, ты уже используешь самые свежие инструменты! AI: t.me/ai_machinelearning_big_data Python: t.me/pythonl Linux: t.me/linuxacademiya Devops: t.me/DevOPSitsec Собеседования DS: t.me/machinelearning_interview C++ t.me/cpluspluc Docker: t.me/DevopsDocker Хакинг: t.me/linuxkalii Data Science: t.me/data_analysis_ml Javascript: t.me/javascriptv C#: t.me/csharp_1001_notes 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 Haskell: t.me/haskell_tg Физика: t.me/fizmat 💼 Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi 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 Папка Linux:https://t.me/addlist/w4Doot-XBG4xNzYy 😆ИТ-Мемы: t.me/memes_prog 🇬🇧Английский: t.me/english_forprogrammers 🧠ИИ: t.me/vistehno 🎓954ГБ ОПЕНСОРС КУРСОВ: @courses 📕Ит-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy Сохрани себе, чтобы не потерять!

💡 GPT-5 и Sudoku-Bench, почему новые модели всё ещё ломаются на судоку Sakana AI представили Sudoku-Bench - набор классических и продвинутых судоку-задач, который проверяет не память модели, а её способность рассуждать, понимать новые правила и держать всю логику пазла в голове. Они протестировали современные модели, включая GPT-5 и методы тонкой настройки вроде GRPO и thought-cloning. Главное: GPT-5 стала первой моделью, которая уверенно решает часть сложных задач и показала около 33 % успешных решений на наборе challenge_100. Ранее ни одна LLM не справлялась даже с обычным 9×9. Но треть решённых - это всё ещё мало: большая часть задач остаётся нерешённой, особенно варианты с необычными правилами. Ключевая трудность в том, что такие головоломки требуют не просто следовать правилам, а уметь понять незнакомые ограничения, найти стратегию «входа», просчитывать ходы вперёд и сохранять глобальную согласованность. Модели часто делают правильные локальные шаги, но теряют общую структуру. GRPO и thought-cloning дают улучшения, но пока не позволяют моделям преодолеть сложные варианты. Даже с обучением на человеческих примерах ИИ быстро «запутывается» в длинных логических цепочках. Sudoku-Bench - это тест на реальное рассуждение, а не на подбор паттернов. Он проверяет пространственное мышление, логику, способность адаптироваться и работать с новыми правилами. Прогресс на таких задачах - показатель движения к более структурному и осмысленному ИИ. Авторы предлагают Sudoku-Bench как стандарт, по которому можно судить, насколько модели действительно умеют думать. Для будущих систем важны не просто большие параметры, а развитая логика, планирование и умение работать с новыми структурами задач. @ai_machinelearning_big_data #ai #ml #sakana

👿 Data Dojo 27 ноября: программа встречи Data Dojo — мероприятие Яндекса для ML-энтузиастов всех уровней. Какие будут лекции: 17:10 Обзор трендов и предварительные итоги года

Сергей Овчаренко, руководитель отдела мультимодального анализа и генерации

17:40 Научить AI не бредить, сдать физику и получить права: как мы готовили задачи ML-квалификации Yandex Cup

Сергей Фиронов, ведущий разработчик службы поведения и предсказания департамента Автономного транспорта

18:10 Кухня, гости, музыка: как мы научили колонку реагировать в реальном хаосе

Дмитрий Солодуха, руководитель команды голосовой активации

Собираемся в 16:00. Фуршет, нетворкинг, мастер-класс, afterparty — будет всё. Регистрируйся

AI, который сам выводит законы физики Команда из Университета Цинхуа, Пекинского университета и других исследователей представила систему PhyE2E - ИИ, который способен автоматически выводить физические уравнения прямо из сырых данных. Без участия человека. Модель обучена на реальных научных датасетах и известных физических законах. Она сочетает трансформеры и символьное рассуждение, чтобы генерировать компактные, корректные по единицам измерения и понятные учёным уравнения. На астрофизических данных NASA PhyE2E не только воспроизвёл человеческие результаты, но и предложил улучшенную формулу солнечных циклов. Это шаг за пределы обычного «подбора кривой»: ИИ начинает учиться тому, как устроена Вселенная, и выражает это на человеческом языке — уравнениями. Исследователи называют PhyE2E первым шагом к автоматическому научному открытию, где ИИ не просто анализирует данные, а выводит новые законы природы. Если такие системы будут развиваться дальше, темпы научного прогресса могут увеличиться на порядки — действительно в тысячи раз. https://phys.org/news/2025-11-ai-framework-uncover-space-physics.html

🔬 Учёные из Польши: квантовые частицы связаны "на расстоянии" просто потому, что они одинаковые Физики-теоретики из Польши показали, что *нелокальность* — загадочная "мгновенная связь" между квантовыми частицами — может возникать без запутанности и без взаимодействия. 🔍 Почему? Потому что одинаковые квантовые частицы (например, электроны или фотоны) неотличимы по сути. И этого уже может быть достаточно, чтобы возникали скрытые "связи" на расстоянии. 1. Проще квантовая связь Если нелокальные связи возникают *автоматически*, то не нужно всегда настраивать хрупкую запутанность. ➡️ Это может упростить квантовые сети и сделать их стабильнее. 2. Новый подход к квантовым компьютерам Возможно, мы сможем использовать *встроенные* нелокальные корреляции, чтобы сделать вычисления более надёжными и энергоэффективными. 3. Иная перспектива на телепортацию Сейчас телепортация работает на основе запутанности. Но если *нелокальность встроена изначально*, возможно появление телепортации без запутанности. 👀 4. Глубокий намёк на структуру Вселенной Если нелокальность — свойство *тождественности частиц*, то пространство и время могут быть производными, а информация — фундаментальна. Это поддерживает идеи квантовой гравитации и теории симуляции. 🌌 Вывод Это не телепортация людей (пока). Но если *вселенная уже "проводит кабель"* между частицами, нам остаётся лишь подключиться. Возможно, Вселенная уже всё подготовила. Надо только понять, как этим воспользоваться. https://www.nature.com/articles/s41534-025-01086-x

🧠 IBM объясняет, как математика симметрий помогает создавать новые квантовые алгоритмы Математика групп — это про симметрии: как объекты можно менять местами, вращать или переставлять, и что при этом остаётся неизменным. IBM показывает, что те же самые идеи лежат в основе квантовых вычислений — и помогают искать задачи, где квантовые алгоритмы могут быть быстрее классических. Ключевые идеи: - Симметрии в природе описываются теорией групп - Квантовые системы тоже подчиняются симметриям - Если правильно описать задачу через симметрии, можно найти квантовый алгоритм с ускорением - IBM работает с более сложными (не-абелевыми) симметриями — это следующий уровень, сложнее и мощнее Зачем это всё Мы ещё не нашли много «убойных» квантовых алгоритмов. Подход через симметрии — это способ открывать новые, а не только улучшать старые. Если коротко: Математика симметрий может стать картой для поиска новых квантовых алгоритмов. Подробнее: https://www.ibm.com/quantum/blog/group-theory Видео: https://www.youtube.com/watch?v=eSy-pwkLiIQ #quantum #math #grouptheory #IBMQuantum #algorithms

🧠 ИИ теперь не только создаёт знания — он их спасает Издательская группа Frontiers сообщила: около 90% научных данных никогда не переиспользуются и не публикуются должным образом. Иными словами, большинство открытий исчезает в цифровом небытии. Чтобы это изменить, Frontiers запустила платформу на базе ИИ, которая - сканирует забытые исследования, - систематизирует данные, - и связывает их между собой, превращая «потерянные» результаты в новые открытия. 💡 Наука тонет в данных — и теперь именно ИИ помогает достать их на поверхность. https://www.sciencedaily.com/releases/2025/10/251013040314.htm

Высшая математика. Математическое программирование Кузнецов А.В., Сакович В.А., Холод Н.И. (2013) Излагаются методы решения задач линейного программирования, элементы теории двойственности, рассматриваются программирование на сетях, дискретное и выпуклое программирование, основы теории матричных игр, динамического и параметрического программирования, даются сведения из стохастического программирования, излагаются методы решения задач транспортного типа. Основное внимание уделено приложениям математических методов в экономике, приведены примеры экономического содержания с анализом полученных результатов.