STEM

[Cadavre Exquis]

Could AI Speed Up the Design of Nuclear Reactors?
Posted by EditorDavid on Saturday August 03, 2024 @10:34AM from the getting-a-reaction dept.

A professor at Brigham Young University "has figured out a way to shave critical years off the complicated design and licensing processes for modern nuclear reactors," according to an announcement from the university.

"AI is teaming up with nuclear power."

The typical time frame and cost to license a new nuclear reactor design in the United States is roughly 20 years and $1 billion. To then build that reactor requires an additional five years and between $5 and $30 billion. By using AI in the time-consuming computational design process, [chemical engineering professor Matt] Memmott estimates a decade or more could be cut off the overall timeline, saving millions and millions of dollars in the process — which should prove critical given the nation's looming energy needs.... "Being able to reduce the time and cost to produce and license nuclear reactors will make that power cheaper and a more viable option for environmentally friendly power to meet the future demand...."

Engineers deal with elements from neutrons on the quantum scale all the way up to coolant flow and heat transfer on the macro scale. [Memmott] also said there are multiple layers of physics that are "tightly coupled" in that process: the movement of neutrons is tightly coupled to the heat transfer which is tightly coupled to materials which is tightly coupled to the corrosion which is coupled to the coolant flow. "A lot of these reactor design problems are so massive and involve so much data that it takes months of teams of people working together to resolve the issues," he said... Memmott's is finding AI can reduce that heavy time burden and lead to more power production to not only meet rising demands, but to also keep power costs down for general consumers...

Technically speaking, Memmott's research proves the concept of replacing a portion of the required thermal hydraulic and neutronics simulations with a trained machine learning model to predict temperature profiles based on geometric reactor parameters that are variable, and then optimizing those parameters. The result would create an optimal nuclear reactor design at a fraction of the computational expense required by traditional design methods. For his research, he and BYU colleagues built a dozen machine learning algorithms to examine their ability to process the simulated data needed in designing a reactor. They identified the top three algorithms, then refined the parameters until they found one that worked really well and could handle a preliminary data set as a proof of concept. It worked (and they published a paper on it) so they took the model and (for a second paper) put it to the test on a very difficult nuclear design problem: optimal nuclear shield design.

The resulting papers, recently published in academic journal Nuclear Engineering and Design, showed that their refined model can geometrically optimize the design elements much faster than the traditional method.

In two days Memmott's AI algorithm determined an optimal nuclear-reactor shield design that took a real-world molten salt reactor company spent six months. "Of course, humans still ultimately make the final design decisions and carry out all the safety assessments," Memmott says in the announcement, "but it saves a significant amount of time at the front end....

"Our demand for electricity is going to skyrocket in years to come and we need to figure out how to produce additional power quickly. The only baseload power we can make in the Gigawatt quantities needed that is completely emissions free is nuclear power."

Thanks to long-time Slashdot reader schwit1 for sharing the article.

Saludos.

[sudden and sharp]

Buena excusa... para hacer lo que se sabe desde hace ochenta años, como mínimo.









A mí me valen las excusas...   Why not?     

[Cadavre Exquis]

Revolutionary Dual Action Antibiotic Makes Bacterial Resistance Nearly Impossible
Posted by EditorDavid on Sunday August 04, 2024 @02:04PM from the two-targets dept.

A new type of antibiotic "targets bacteria in two ways," writes SciTechDaily, which "could make it 100 million times harder for bacteria to develop resistance, according to recent research from the University of Illinois Chicago."

Their experiments demonstrate that [a class of synthetic drugs called] macrolones can work two different ways — either by interfering with protein production or corrupting DNA structure. Because bacteria would need to implement defenses to both attacks simultaneously, the researchers calculated that drug resistance is nearly impossible. "The beauty of this antibiotic is that it kills through two different targets in bacteria," said Alexander Mankin, distinguished professor of pharmaceutical sciences at UIC. "If the antibiotic hits both targets at the same concentration, then the bacteria lose their ability to become resistant via the acquisition of random mutations in any of the two targets."

Macrolones are synthetic antibiotics that combine the structures of two widely used antibiotics with different mechanisms. Macrolides, such as erythromycin, block the ribosome, the protein manufacturing factories of the cell. Fluoroquinolones, such as ciprofloxacin, target a bacteria-specific enzyme called DNA gyrase.... "The main outcome from all of this work is the understanding of how we need to go forward," Mankin said. "And the understanding that we're giving to chemists is that you need to optimize these macrolones to hit both targets."

Thanks to long-time Slashdot reader schwit1 for sharing the news.

Saludos.

[Cadavre Exquis]

SpaceX presenta el Raptor 3, la versión más reciente y mejorada del motor del Starship
Por @Wicho — 5 de Agosto de 2024

La evolución del Raptor en una imagen – SpaceX

Este fin de semana SpaceX ha mostrado una foto del que se supone que es el primer motor Raptor 3 de producción. Lo ha hecho mostrándolo al lado de los Raptor 1 y 2 para hacer mucho más evidente la simplificación que supone esta nueva versión. El Raptor es el motor que impulsa ambas etapas del Starship.

Según Elon Musk eso es debido al uso de la impresión en 3D –la más avanzada del mundo, dice– de tal forma que muchos componentes ya salen impresos en el interior del motor. Eso sí, aunque simplifica cosas y reduce peso y es de esperar que lo haga más fiable complica su mantenimiento.

Pero aparte de eso las cifras del Raptor 3 son impresionantes comparadas con las de sus predecesores: proporciona 280 toneladas de empuje al nivel del mar con un peso de 1.525 kilos frente a las 230 toneladas y 1.630 kilos del Raptor 2 y las 185 toneladas y 2.080 kilos del Raptor 1.

Además el Raptor 3 no necesita un escudo térmico ni un sistema antiincendios, con lo que el peso de los sistemas asociados necesarios a bordo del cohete es mucho menor, con lo que la diferencia de peso es aún mayor. Un Raptor 1 con sus equipos asociados pesa 3.630 kilos; un Raptor 2 pesa 2.875; y el Raptor 3 se queda en tan sólo 1.720 kilos.

Si echamos cuentas eso es un ahorro de 1.155 kilos por motor. Y el Starship, en su versión actual, monta 39, 33 en el Super Heavy y 6 en el Starship propiamente dicho. Así que es un ahorro de algo más de 45 toneladas por cohete. Lo que viene bien para compensar los refuerzos estructurales que ha habido que hacerle. Y cada kilo que se ahorra al final es un kilo más que se puede poner en órbita.

No sabemos cuándo volará el primer Starship con motores Raptor 3, pero es de suponer que gastarán el stock de Raptor 2 en los próximos lanzamientos de prueba. Tras un cuarto lanzamiento razonablemente exitoso aún no hay fecha fijada para el quinto. Pero todo apunta a que será a finales de agosto o principios de septiembre.

Saludos.

[Saturio]

SpaceX presenta el Raptor 3, la versión más reciente y mejorada del motor del Starship
Por @Wicho — 5 de Agosto de 2024

La evolución del Raptor en una imagen – SpaceX

Este fin de semana SpaceX ha mostrado una foto del que se supone que es el primer motor Raptor 3 de producción. Lo ha hecho mostrándolo al lado de los Raptor 1 y 2 para hacer mucho más evidente la simplificación que supone esta nueva versión. El Raptor es el motor que impulsa ambas etapas del Starship.

Según Elon Musk eso es debido al uso de la impresión en 3D –la más avanzada del mundo, dice– de tal forma que muchos componentes ya salen impresos en el interior del motor. Eso sí, aunque simplifica cosas y reduce peso y es de esperar que lo haga más fiable complica su mantenimiento.

Pero aparte de eso las cifras del Raptor 3 son impresionantes comparadas con las de sus predecesores: proporciona 280 toneladas de empuje al nivel del mar con un peso de 1.525 kilos frente a las 230 toneladas y 1.630 kilos del Raptor 2 y las 185 toneladas y 2.080 kilos del Raptor 1.

Además el Raptor 3 no necesita un escudo térmico ni un sistema antiincendios, con lo que el peso de los sistemas asociados necesarios a bordo del cohete es mucho menor, con lo que la diferencia de peso es aún mayor. Un Raptor 1 con sus equipos asociados pesa 3.630 kilos; un Raptor 2 pesa 2.875; y el Raptor 3 se queda en tan sólo 1.720 kilos.

Si echamos cuentas eso es un ahorro de 1.155 kilos por motor. Y el Starship, en su versión actual, monta 39, 33 en el Super Heavy y 6 en el Starship propiamente dicho. Así que es un ahorro de algo más de 45 toneladas por cohete. Lo que viene bien para compensar los refuerzos estructurales que ha habido que hacerle. Y cada kilo que se ahorra al final es un kilo más que se puede poner en órbita.

No sabemos cuándo volará el primer Starship con motores Raptor 3, pero es de suponer que gastarán el stock de Raptor 2 en los próximos lanzamientos de prueba. Tras un cuarto lanzamiento razonablemente exitoso aún no hay fecha fijada para el quinto. Pero todo apunta a que será a finales de agosto o principios de septiembre.

Saludos.

Que no digo yo que sea mentira. Pero todos sabemos cómo son los "unveils" de Elon.
A lo largo de los años, sus afirmaciones van reduciéndose poco a poco, de tal forma que salvo que tengas un interés especial es casi imposible recordar cómo empezó todo y al final de los finales te suelta un rebajón de sus últimas promesas.

Hay que tener en cuenta que este proyecto empezó llamándose Mars Colonial Transporter, luego pasó a ser el Interplanetary Transpor System (en 2016) e iba a estar hecho de composite de carbono con capacidad para 300 toneladas (ni más ni menos) a órbita baja y por supuesto a un precio tiradísimo por lanzamiento. En 2017 ya pasó a llamarse BFR (Big Falcon Rocket) y Elon dijo que las dos primeras misiones de transporte de carga a Marte serían en  2022 y que llevarían una especie de plantas robóticas y que a eso le seguirían cuatro lanzamientos en 2024, de ellos, dos tripulados. El BFR también podría hacer viajes intraterrestres poniendo 120 toneladas de carga en cualquier punto del mundo en menos de 30 minutos y por menos del coste de un C5 Galaxy.
Y empezaron a llegar las rebajas. En menos de un año, en 2018, la cosa ya no sería de composite de carbono. Pero eso sí, al ser de acero no necesitaría protección térmica (toma castaña). Otro año más allá, la idea fue desechada y finalmente decidieron ponerle escudo térmico.
En 2019 la cosa ya se llamaba Starship (Starship-Super Heavy). Su capacidad de carga a órbita baja se quedaría en 100-120 toneladas (¿recordamos las 300 iniciales?).
En 2019 el diseño de la cosa y su operación quedaron fundamentalmente definidos...si entendemos esto en términos muskianos. En principio la separación de las dos etapas iba a ser en frío (digamos que la primera etapa detiene o reduce su empuje y la segunda etapa se separa por inercia y luego enciende los motores). Tras una de las experiencias de aprendizaje, decidieron hacerla en caliente (como por ejemplo hacen los soviéticos, encendiendo los motores de la nave antes de la separación). El launch pad tampoco iba a necesitar sistema de diluvio, hasta que en el primer lanzamiento acabó con un socavón enorme y toneladas de cemento proyectadas cientos de metros. Cuando probaron la separación en caliente tampoco salió bien y tuvieron que incorparar un anillo de separación que pesa cinco toneladas (creo) y que no es recuperable (quizás en el futuro encuentren otra solución, pero de momento no es 100% rehutilizable). Como al girarse el buster para la reentrada las tensiones que creaban los propelentes en el interior resultaban catastróficas tuvieron que complicar el diseño interno (y hacerlo más pesado). El escudo térmico cada vez se hace más complejo al hacerse más complejo el diseño de la nave. Todo aumenta costes y reduce capacidad de carga.

Estas promesas llevaron a la NASA a firmar un contrato para el alunizaje de una tripulación de cuatro miembros en 2027. ¿Cómo va a explicar la NASA a los contribuyentes que no le da dinero al visionario Elon si tiene una propuesta y unos avances tecnológicos asombrosos?.

Y eso que hemos pasado de dos misiones de 100 tripulantes a marte para 2024 a cuatro tripulantes a la luna en 2027. Pero es que ni eso. Acabaremos con dos tripulantes en 2030. ¿Y el coste?. Ya veremos, todo el rollo de la reutilización ha servido para que la Nasa pague unos 67 millones de dólares por asiento en la Dragon. Teóricamente iba a costar 100 veces menos (un tiempo después cambió a "una fracción del coste").

[saturno]

AI / LIMITES A LA RECURSIVIDAD


AI models collapse when trained on recursively generated data
Published: 24 July 2024

v/EN Nature
https://www.nature.com/articles/s41586-024-07566-y

Evan Gorelick – Le 6 août 2024 – Bloomberg
v/FR
https://lesakerfrancophone.fr/des-chercheurs-en-ia-sinquietent-de-leffondrement-des-modeles

[Cadavre Exquis]

Que no digo yo que sea mentira. Pero todos sabemos cómo son los "unveils" de Elon.

[...]

Y eso que hemos pasado de dos misiones de 100 tripulantes a marte para 2024 a cuatro tripulantes a la luna en 2027. Pero es que ni eso. Acabaremos con dos tripulantes en 2030. ¿Y el coste?. Ya veremos, todo el rollo de la reutilización ha servido para que la Nasa pague unos 67 millones de dólares por asiento en la Dragon. Teóricamente iba a costar 100 veces menos (un tiempo después cambió a "una fracción del coste").

Sin quitarle un ápice de razón sobre el "optimismo" –que se podría afirmar que raya en lo patológico– de Elon Musk, lo cierto es que SpaceX es, probablemente, el proveedor "menos malo" que tiene la NASA.

Sirva de ejemplo el problema monumental al que se enfrenta ahora la nasa con la Starliner Calypso de Boeing, que lleva "varada" casi dos meses en la Estación Espacial Internacional y nadie sabe todavía cuando podrá volver a casa.

La NASA parece no tener ni idea de qué hacer con la Starliner ni ser capaz de tomar una decisión al respecto
Por @Wicho — 5 de Agosto de 2024

La Calypso vista a través de una de las ventanillas de la Crew Dragon Endeavour – NASA

Después de la prueba de encendido de los motores de la Starliner Calypso en la Estación Espacial Internacional (EEI) el pasado 27 de julio se suponía que la NASA ya iba a tener todos los datos necesarios para tomar una decisión respecto a su vuelta a casa. Pero lo cierto es que no parece que tenga nada claro qué hacer con ella. Incluido mandarla de vuelta vacía y que Butch Wilmore y Sunita Williams vuelvan a casa en una Crew Dragon.

De hecho había convocada una Flight Readiness Review (FRR) para el viernes 1 para tratar el asunto. En una FRR todas las partes implicadas se reúnen para ver si la misión está lista para el vuelo. Pero esa FRR fue pospuesta sine die mientras se siguen analizando los datos y se planifican los pasos necesarios para un retorno seguro.

Quizás la hagan esta semana. Pero por de pronto parece claro que Wilmore y Williams no volverán tampoco esta semana a casa, al menos a tenor de un contacto por radio de ella desde la EEI con la Asamblea General de la Unión Astronómica Internacional programada para el viernes 9.

Mientras, la anotación en el blog del Programa de Tripulaciones Comerciales (CCP) enlazada arriba, del día 1 de agosto, es la última comunicación oficial de la NASA al respecto. Aunque Boeing publicaba el día 2 una anotación en la que, por supuesto, dicen que todo bien.

Todo OK con la Calypso – Boeing

Así que mientras se toma algún tipo de decisión la Calypso lleva ya 62 días en el espacio cuando inicialmente la duración prevista de la misión era de 8 días. De hecho la NASA ha incluido cosas como ropa y comida para Wilmore y Williams en la cápsula de carga Cygnus 21. Aunque también es verdad que sus maletas tuvieron que ser retiradas a última hora de la Starliner porque hubo que cambiarlas por una bomba para la unidad de procesado de orina de la Estación así que estaban escasos desde el primer día de la misión.

Pero ojo, que ninguna de las alternativas es buena. Todas tienen sus ventajas e inconvenientes.

Si la NASA decide traer a Wilmore y Williams en la Starliner a pesar de que Boeing aún no sabe a ciencia cierta qué causó el fallo de algunos de sus motores de maniobra durante su aproximación a la EEI ni las cinco fugas de helio en el sistema de presurización de los propelentes será criticada por ello.

Aunque es cierto que se trata de una misión de prueba y hay que aceptar algunos riesgos. Pero lo lógico y necesario es poder cuantificarlos antes de tomar una decisión, algo que ni Boeing ni la NASA realmente parecen en disposición de hacer. Y no digamos si las cosas salen mal y hay algún tipo de problema durante la vuelta o si, en el peor de los casos, les cuesta la vida a sus tripulantes.

Si, por el contrario, la NASA decide que la Calypso vuelva a casa vacía y trae de vuelta a Wilmore y Williams en una Crew Dragon, sería un golpe muy grande para una de las más grandes empresas de la industria aeroespacial estadounidense. Y también para la NASA, que maniobró denodadamente para que Boeing se llevara uno de los contratos del Programa de tripulaciones comerciales, tal y como cuenta Lori Garver en su libro Escaping Gravity.

Claro que utilizar una Crew Dragon implicaría desbaratar la programación de futuros vuelos: la tripulación Crew-9 está a apenas dos semanas de despegar tumbo a la Estación Espacial Internacional en la Crew Dragon Endurance; la Crew Dragon Resilience ha sido modificada para la misión Polaris Dawn y ahora mismo no se puede acoplara a la EEI; y la Crew Dragon Endeavour está en la EEI como nave de la tripulación Crew-8. Eso sólo deja libre a la Crew Dragon Freedom, cuya última misión fue la Axiom Ax-3. Pero aún no está preparada para volar de nuevo.

Y además, en el caso de optar por la Crew Dragon, si el vuelo de vuelta de la Calypso se desarrolla sin problemas, Boeing le dará caña a la NASA por haberse pasado de precavida.

Pero por ahora, y en especial mientras no aumente el nivel de transparencia en la comunicación sobre todo esto, parece el momento de sacar ese viejo chascarrillo que dice que NASA viene de Never A Straight Answer, Nunca una respuesta directa.

Lo único claro por ahora es que la Starliner ya no entrará en servicio al menos hasta el verano de 2025. Y eso si Boeing no decide retirarse del programa, en el que lleva perdidos más de 1.000 millones de dólares.

La cuestión es que, aunque ya casi no sea noticia el despegue de un cohete que ponga satélites en órbita dado que estamos cerca de que se produzca un lanzamiento orbital cada dos días y medio(*), no por ello ha dejado de ser rocket science.

Saludos.

(*) A día 7 de agosto –que hace el día número 220 del año– llevamos 145 lanzamientos orbitales de los cuales 76 han sido de SpaceX, cuya previsión para este año es llegar a los 115 lanzamientos orbitales, es decir, cerca de un lanzamiento cada tres días.

[Cadavre Exquis]

https://x.com/AlistairPullen/status/1822981361608888619

Cosine Genie - SOTA AI Engineer

Alistair Pullen · 2024.0812

I can vividly remember when I first played with OpenAI’s davinci-002 model back in mid-2022. It was the first time I’d been wowed by a piece of technology in a very long time, and like many, I was completely hooked. The first query I ever gave it was a simple “Hello” which it dealt with easily, but the second was to ask it how it would go about building an app idea I had at the time. The response truly blew me away, and set in motion what became Cosine a few months later. I built a very crude MVP which could take an app idea, figure out what needed to be done to construct it, and would then pass off each of the individual components to the codex model which would then write code from scratch.

Back then we had 4K token context windows and low rate limits, so the results were decidedly lacking: you couldn’t fit a meaningful amount if information in the window along side the instructions meaning we had to break everything up resulting in inevitable information loss, but it was immediately obvious that there was a tremendous amount of potential in utilising LLMs to perform massive tasks in the coding space. I’ve been talking about building a Genie-like product for a long-time now, I gave a talk about our plans at a UCL sponsored event on our plans, but at that time (late 2022) the technology was simply not in a place where we could credibly attempt to build it.

Presenting plans for Genie at the UCL AI event | 13th December 2022

Since then we’ve been chasing the dream of building something that can genuinely automatically perform end to end programming tasks with no intervention and a high degree of reliability - an artificial colleague. Genie is the first step in doing exactly that.

What is Genie?

Genie is the best AI software engineer in the world by far - scoring 30% on the industry standard benchmark SWE-Bench we have beaten the previous SOTA scores from Amazon's Q and Factory's Code Droid (both scored 19% on SWE-Bench) by 56% and Cognition’s Devin (scored 13.8% on a small subset of SWE-bench) by 118%. However, as Devin only ran 500 out of the 2294 tasks on SWE-Bench, their comprable score is 3.44%.

Genie is able to solve bugs, build features, refactor code, and everything in between either fully autonomously or paired with the user, like working with a colleague, not just a copilot. We’ve taken a completely different approach to the competition: we think that if you want a model to behave like a software engineer, it needs to be taught how a human engineer works. This approach is what has allowed us to excel at benchmarks but also in building a product that truly behaves like a human software engineer. We’ve designed new techniques to derive human reasoning from real examples of Software Engineers doing their jobs. Our data represents perfect information lineage, incremental knowledge discovery, and step by step decision making. Representing everything a human engineer does logically.

By actually training our models with this dataset rather than simply prompting base models which is what everyone else is doing, we have seen that we’re no longer just generating random code until some works, it’s tackling problems like a human.

Why Training?

Model intelligence is a bottleneck, and in the pursuit of general foundational models this will be the case until we reach some level of AGI. When general models are pushed to their limits on specialised workflows their flaws become evident rapidly, this is illustrated by the fact that GPT-4 scores a meagre 1.31% on SWE-Bench out of the box, and even when aided with an agentic loop it only manages 12-15%. Everyone working on this problem is butting up against the same limit of model intelligence, this is why we chose to train rather than prompt. It was obvious to us from the outset that if we were able to codify the human reasoning that developers had when solving problems we could start to produce an ever improving approximation of a human software engineer. This is where we’ve pioneered - making explicit what was previously implicit.

We’ve been working for just under a year on curating a dataset that uses development activity from real developers as a base, and then built upon that to forensically reconstruct the implied reasoning and decisions from it using a wide range of proprietary static and LLM powered heuristics. The beauty of this approach is: because we utilise LLMs very heavily in our information lineage pipeline, when those base LLMs get better, so does the quality of the data we can extract, making our eventual model even better. We cannot wait for superior foundational models as we know that with every release we can immediately leapfrog the performance of that model with our specialised dataset, rather than fearing the release of the next model as many wrappers do. Additionally, our dataset can immediately be ported to any model at anytime, meaning we can always move to the smartest base model of the time and reap those rewards very flexibly.

How do you build an AI engineer?

My thesis on this is simple: make it watch how a human engineer does their job, and mimic that process. In practice, however, getting such and then effectively utilising that data is extremely difficult, because essentially it doesn’t exist. Of course there is abundant data representing the artefacts of a developer’s work: commits, PR’s, issues etc. but none of these actually show the act of doing the work to any degree of fidelity that can be useful for training a model to truly behave like a software engineer.

Building the tools to create a dataset that does show this process is what we’ve been working on for the past year, and we’ve been able to run these tools at scale. Our data pipeline uses a combination of artefacts, static analysis, self-play, step-by-step verification, and fine-tuned AI models trained on a large amount of labelled data to forensically derive the detailed process that must have happened to have arrived at the final output. The impact of the data labelling can’t be understated, getting hold of very high quality data from competent software engineers is difficult, but the results were worth it as it gave so much insight as to how developers implicitly think about approaching problems. All of this is great, but being able to do it at a scale that could yield sufficient training data for such a model was a real challenge we had to solve.

One of the most important aspects of the entire endeavour is the base model – we are not a foundational model company, and we don’t want to become one. We have a very specific use case, and benefit heavily from the generalised world model that foundational models have, not to mention the generalisations that they make having read substantial amounts of raw source code in their pre-training. When we first embarked on this project the best thing we could train at the time was gpt-3.5-turbo-16k and we quickly realised that this model was heavily constrained by intelligence, but more importantly be context length. To have truly high quality outputs the model needs as much information as possible, and this simply wasn’t possible with that model. We were lucky to be allowed to train much longer context length models with OpenAI, and this was the first thing that really unlocked our ability to research this project further – so much has been learned, but the number one learning, and it sounds obvious, is that the data is absolutely everything.

You have to be obsessed with the data quality. The importance of surrounding factors like hyperparameters, or even in cases data quantity, pale in comparison relative to the data. We’ve learned so much with regard to data mixes in terms of language, task type, task length, and many more before we found a strong solution that we could rely upon, and truthfully we’re still experimenting heavily with these mixes as there is still a great deal of performance on the table.

Once we had our first model trained, we were able to use it in our data loop to perform self-improvement, and this has been the case for each subsequent version we’ve trained - the previous version of the model allows us to add signal to our data, and for us to teach the model to learn from mistakes it’s made and to fix them, this bootstrapping approach allowed us to teach the model how to cope with situations that can’t usually be found in the data, as most programming data online is in a ‘perfect’ state, i.e. it (usually) works and doesn’t contain any common errors. This is impossible to do with an untrained model, meaning many if not all existing solutions don’t benefit from it.

What comes next?

We’re going to continue to sprint towards our vision, we want to be able to spin up new colleagues in a tech team as simply as dragging a slider on a webpage. The idea of engineering resource no longer being a constraint is a huge driver for me, particularly since starting a company. The value of an AI colleague that can jump into an unknown codebase and solve unseen problems in timeframes orders of magnitude quicker than a human is self-evident and has huge implications for the world.

There is still so much to build, first and foremost I want to ensure that we strike the right balance of shipping real products that solve problems to users and cutting edge research that has gotten us this far. It is important to remember that despite the SOTA performance Genie has exhibited there is still substantial performance left on the table –the model is only our first iteration and is still by far the best in the world on SWE-bench. We’ve unequivocally proven that our approach is the best way to build this type of product and already know exactly how to take Genie to the next level. Most importantly, it is to continue our obsession and ground-breaking work with our dataset. We won’t simply just increase the dataset size but we will also give the models new abilities, increase the breadth of data and continue to invent and implement techniques that codify human behaviour, not just reasoning.

The downstream effects of this improved dataset for customers is world-changing, Genie will have greater proficiency with a wider range of programming languages, with a focus on proficiency on the latest and most widely used frameworks for each language to meet developers where, how and why they work.

We’re also going to expand our model portfolio into a family of models: smaller models capable of performing simpler tasks and larger models capable all tasks. Our unique advantage is that we can port our dataset(s) over to any model we like, meaning we can take our pick of whatever SOTA foundational models exist at any given point and immediately turn them into a Genie model. We also intend to context-extend one of the leading open source models and train it on a Genie dataset, our plan is always to have feet in both the OSS and closed-sourced communities, with further customisation being available on the open side. In the medium term we’re also going to pre-train extend a foundational model, in lieu of PEFT fine-tuning. We are not at that stage yet, but with the scale of dataset we anticipate on creating (a few trillion tokens worth), it makes more sense to train all parameters of the model and receive the benefits that are associated with that such as improved generalisation and ability to reconcile the specialised data with the existing pre-training data.

Whilst all of this model work is happening we’ll be shipping Genie constantly to customers – these work-streams will happen in parallel. Figuring out the optimal way to interact with an artificial team member is a novel problem and gives us immense scope for creativity and we’ll be getting all of the explicit and implicit feedback that we can from our customers as we progress in building an artificial general developer - AGD.

We truly believe that we’re able to codify human reasoning for any job and industry. Software engineering is just the most intuitive starting point and we can’t wait to show you everything else we’re working on. I

If you’d like to try Genie on your own projects you can apply for access right now.


Note

SWE-Bench has recently modified their submission requirements, now asking for the full working process of our AI model in addition to the final results -their condition to have us appear on the official leaderboard. This change poses a significant challenge for us, as our proprietary methodology is evident in these internal processes. Publicly sharing this information would essentially open-source our approach, undermining the competitive advantage we’ve worked hard to develop. For now, we’ve decided to keep our model’s internal workings confidential. However we’ve made the model’s final outputs publicly available on GitHub for independent verification. These outputs clearly demonstrate our model’s 30% success rate on the SWE-Bench tasks.

Saludos.

[Cadavre Exquis]

World-First Lung Cancer Vaccine Trials Launched Across Seven Countries
Posted by msmash on Friday August 23, 2024 @04:01PM from the moving-forward dept.

Doctors have begun trialling the world's first mRNA lung cancer vaccine in patients, as experts hailed its "groundbreaking" potential to save thousands of lives. From a report:

Lung cancer is the world's leading cause of cancer death, accounting for about 1.8m deaths every year. Survival rates in those with advanced forms of the disease, where tumours have spread, are particularly poor. Now experts are testing a new jab that instructs the body to hunt down and kill cancer cells -- then prevents them ever coming back. Known as BNT116 and made by BioNTech, the vaccine is designed to treat non-small cell lung cancer (NSCLC), the most common form of the disease.

The phase 1 clinical trial, the first human study of BNT116, has launched across 34 research sites in seven countries: the UK, US, Germany, Hungary, Poland, Spain and Turkey. The UK has six sites, located in England and Wales, with the first UK patient to receive the vaccine having their initial dose on Tuesday. Overall, about 130 patients -- from early-stage before surgery or radiotherapy, to late-stage disease or recurrent cancer -- will be enrolled to have the jab alongside immunotherapy. About 20 will be from the UK. The jab uses messenger RNA (mRNA), similar to Covid-19 vaccines, and works by presenting the immune system with tumour markers from NSCLC to prime the body to fight cancer cells expressing these markers. The aim is to strengthen a person's immune response to cancer while leaving healthy cells untouched, unlike chemotherapy.

Saludos.

[Cadavre Exquis]

Chinese Scientists Use Lunar Soil To Produce Water, State Media Reports
Posted by BeauHD on Saturday August 24, 2024 @03:00AM from the brand-new-methods dept.

Chinese scientists have developed a new method to produce significant quantities of water from lunar soil brought back by the Chang'e-5 mission in 2020, state broadcaster CCTV reported. The "brand-new method" involves heating moon minerals containing hydrogen to generate water vapor, which could be crucial for future lunar research stations and space exploration. Reuters reports:

"After three years of in-depth research and repeated verification, a brand-new method of using lunar soil to produce large amounts of water was discovered, which is expected to provide important design basis for the construction of future lunar scientific research stations and space stations," said CCTV. The discovery could have important implications for China's decades-long project of building a permanent lunar outpost amid a U.S.-China race to find and mine the moon's resources.

Using the new method, one tonne of lunar soil will be able to produce about 51-76 kg of water, equivalent to more than a hundred 500ml bottles of water, or the daily drinking water consumption of 50 people, the state broadcaster said. China hopes that recent and future lunar expeditions will set the foundations to build the International Lunar Research Station (ILRS), an initiative it is co-leading with Russia.

Saludos.

[Cadavre Exquis]

https://elpais.com/proyecto-tendencias/2024-08-21/el-cientifico-que-propone-lanzar-acido-sulfurico-a-la-atmosfera-para-enfriar-el-planeta.html

Saludos.

[Cadavre Exquis]

La NASA decide finalmente traer de vuelta la Starliner sin tripulación
Por @Wicho — 24 de Agosto de 2024

La Starliner acoplada a la Estación Espacial Internacional – NASA

En el día 80 de una misión que iba a durar ocho días por fin la NASA ha confirmado que ha decidido traer de vuelta la Starliner de Boeing sin tripulación.

El pasado 5 de junio la Starliner Calypso, tras muchos años de retrasos y una desastrosa primera misión no tripulada, despegaba en la misión Boeing Crew Flight Test (Boe-CFT, Misión tripulada de prueba de Boeing) con Butch Wilmore y Sunita Williams a bordo.

El objetivo era acoplarse a la Estación Espacial Internacional (EEI), permanecer en ella durante ocho días, y volver a Tierra. Así pondrían a prueba todas las fases de una misión tripulada de la Starliner a la EEI de cara a que la cápsula de Boeing pudiera entrar en servicio, lo que estaba previsto en esos momentos, al menos oficialmente, para finales de 2024.

Pero la Starliner despegó con un problema conocido: había una fuga de helio en su sistema de combustible. Y para cuando llegó a la Estación habían aparecido otras dos fugas más. A las que se sumaron otras dos después de que la cápsula se acoplara a la EEI para un total de cinco fugas. El helio es utilizado por la Starliner para presurizar los propelentes cuando está en caída libre y así asegurarse de que llegan a los motores cuando es necesario.

Esas fugas, aunque preocupantes, en principio no eran demasiado serias: al ritmo que perdían helio la Starliner tenía helio para setenta horas de vuelo. Y sólo necesita siete para el vuelo de vuelta. Aunque, claro, nadie está seguro de qué provoca esas pérdidas, así que cabía el riesgo de que fueran a más.

Pero el problema serio estaba con los motores de la cápsula. Durante su primera aproximación a la Estación varios de ellos se apagaron, por lo que hubo que abortar esa primera aproximación. Tras reiniciar los motores la cápsula pudo acoplarse ya sin mayores problemas a la EEI. Aunque uno de los motores no volvió a funcionar.

En estos casi tres meses en el espacio Boeing y la NASA han hecho numerosas pruebas tanto con los motores de la Starliner Calypso que está acoplada a la EEI como con uno en tierra que desmontaron de otra cápsula. Pero el problema es que no está claro del todo que los resultados sean concluyentes, ya que el régimen de uso de los motores y sus condiciones ambientales no son iguales en tierra que en el espacio. Así que no estaba nada claro que fueran a funcionar correctamente durante la maniobra de desacoplamiento de la Estación ni durante el viaje de vuelta.

Es fácil ver que las fugas de helio y, en especial, los problemas con los motores, podían suponer la pérdida de la cápsula durante el viaje de vuelta. Y con ella su tripulación de ir a bordo.

Con lo que finalmente la NASA ha tomado la decisión más segura: mandar la Starliner de vuelta a casa no tripulada y que Butch Wilmore y Sunita Williams se queden a bordo de la Estación Espacial Internacional hasta febrero de 2025.

Cosas que hacer de aquí a febrero de 2025

Lo que harán será volver a casa en la Crew Dragon Freedom, cuyo lanzamiento con la tripulación Crew-9 estaba previsto para mediados de agosto y que fue aplazado hasta el 24 de septiembre precisamente a expensas de la decisión de la NASA.

La tripulación estaba formada por Zenna Cardman como comandante, Nick Hague como piloto y Stephanie Wilson y Aleksandr Gorbunov como especialistas de la misión. Pero aunque la NASA aún no ha decidido quién se va a quedar en tierra para dejar sus sitios a Wilmore y Williams los rumores apuntan a que serán Cardman y Gorbunov quienes conserven sus plazas.

La Freedom llevará a bordo dos trajes para ellos ya que, en un momento WTF que ha recordado mucho al asunto de los filtros de dióxido de carbono durante la misión Apolo 13, los trajes de la Crew Dragon y los de la Starliner no son compatibles.

Pero para que la Crew Dragon Freedom se pueda acoplar a la Estación Espacial Internacional necesita que la Starliner haya dejado libre el puerto que está ocupando, pues sólo hay dos en el segmento estadounidense de la EEI. Eso está previsto que suceda a principios de septiembre, probablemente el día 6.

Y eso genera un problema extra, ya que una vez que la Starliner deje la EEI Wilmore y Williams se quedan sin nave en la que abandonar la Estación en caso de emergencia, algo para lo que mientras tanto utilizarían la Starliner. Así que hay que mientras llega la Freedom hay que adaptar la Crew Dragon Endeavour, que está acoplada al otro puerto de la Estación, a dónde ha llevado la tripulación Crew-8, para que puedan utilizar un palé de carga como una especie de asiento en caso de emergencia.

Un enorme fiasco para Boeing –aunque la NASA insiste en que una vez solucionados sus problemas sigue pensando en utilizar la Starliner para misiones tripuladas– y también para la NASA, que tenía que haber supervisado mejor todo el asunto.

Da mucho que pensar el que la agencia estuviera a punto de conceder sólo a Boeing el programa de tripulaciones comerciales. Menos mal que al final se impuso la idea de repartirlo con SpaceX.

Saludos.

[Cadavre Exquis]

A Revolutionary Quantum Compass Could Soon Make GPS-Free Navigation a Reality
Posted by EditorDavid on Sunday August 25, 2024 @09:34PM from the all-encompassing-research dept.

America's Department of Energy has three R&D labs, according to Wikipedia, one of which is Sandia National Labs. And that New Mexico-based lab has just announced that "A milestone in quantum sensing is drawing closer, promising exquisitely accurate, GPS-free navigation." with research into "a motion sensor so precise it could minimize the nation's reliance on global positioning satellites."

Until recently, such a sensor — a thousand times more sensitive than today's navigation-grade devices — would have filled a moving truck. But advancements are dramatically shrinking the size and cost of this technology. For the first time, researchers from Sandia National Laboratories have used silicon photonic microchip components to perform a quantum sensing technique called atom interferometry, an ultra-precise way of measuring acceleration. It is the latest milestone toward developing a kind of quantum compass for navigation when GPS signals are unavailable. The team published its findings and introduced a new high-performance silicon photonic modulator — a device that controls light on a microchip — as the cover story in the journal Science Advances... The new modulator is the centerpiece of a laser system on a microchip. Rugged enough to handle heavy vibrations, it would replace a conventional laser system typically the size of a refrigerator...

Besides size, cost has been a major obstacle to deploying quantum navigation devices. Every atom interferometer needs a laser system, and laser systems need modulators. "Just one full-size single-sideband modulator, a commercially available one, is more than $10,000," said Sandia scientist Jongmin Lee. Miniaturizing bulky, expensive components into silicon photonic chips helps drive down these costs. "We can make hundreds of modulators on a single 8-inch wafer and even more on a 12-inch wafer," Kodigala said. And since they can be manufactured using the same process as virtually all computer chips, "This sophisticated four-channel component, including additional custom features, can be mass-produced at a much lower cost compared to today's commercial alternatives, enabling the production of quantum inertial measurement units at a reduced cost," Lee said.

As the technology gets closer to field deployment, the team is exploring other uses beyond navigation. Researchers are investigating whether it could help locate underground cavities and resources by detecting the tiny changes these make to Earth's gravitational force. They also see potential for the optical components they invented, including the modulator, in LIDAR, quantum computing, and optical communications.

Thanks to Slashdot reader schwit1 for sharing the news.

[Benzino Napaloni]

Intel se desmorona desde dentro: leyendas de la arquitectura de CPU y directivos TOP abandonan la empresa en plena crisis

Malas noticias para Intel, una vez más. Y es que el gigante azul no levanta cabeza y muchos empleados están viendo que no parece haber luz al final del túnel en plena crisis de la compañía. Ingenieros de arquitectura de CPU y uno de los directivos más respetados abandonan Intel para tomar otro camino y dejan a la empresa con unos huecos gigantes que cubrir, ya que entre todos tenían más de 90 años dentro de la compañía en experiencia laboral.

Los despidos de Intel, voluntarios o no, van a saber a poco, puesto que aunque la compañía quiere quitarse de enmedio a miles de trabajadores de "baja cualificación", los que aportan más a la empresa, los veteranos con décadas de experiencia y que conocen la compañía, están decidiendo coger otro camino en un momento donde se necesitaba la mayor unión.

Directivos e ingenieros de arquitectura de CPU abandonan Intel en plena crisis

Cuatro ingenieros senior que se van de una tacada, cuatro expertos con 91 años de experiencia total en los azules que abandonan el barco para emprender un nuevo camino en una empresa creada para adentrarse en RISC-V. Los nombres son muy conocidos dentro de la industria y sus puestos son referentes dentro de Intel:

Debbie Marr, arquitecta principal de AADG en Intel para el desarrollo de los núcleos de CPU
Jonathan Pearce, ingeniero principal de CPU, instrucciones y microarquitectura
Srikanth Srinivasan, experto en arquitectura y microarquitectura de CPU y técnico en I+D de productos
Marco Dechene, ingeniero principal y arquitecto de CPU además de director del equipo de arquitectura de ejecución de memoria en cada núcleo.
Los cuatro han fundado la compañía AheadComputing, están fichando a ingenieros para crear una propiedad intelectual de Cores para CPU RISC-V, donde han puesto su sede en Portland, Oregon, y no descartan el trabajo remoto. Los cuatro salieron de la empresa azul justo antes de que se anunciaran los despidos, apenas semana y media de que la noticia corriera como la pólvora. Lógicamente esta ha sido una decisión meditada de antemano, pero ocurre en el peor momento.


Solo dos años después de llegar, Lip-Bu Tan deja Intel de forma prematura

Es uno de esos profesionales que toda empresa querría tener por su amplia experiencia en el sector. Entró en el 2022 a petición de la junta directiva de Intel directo al consejo de administración y en la noche de ayer se conoció la noticia de su salida.

Esta se produjo legalmente el día 19 de este mes, pero no se ha conocido hasta hoy:

El 19 de agosto de 2024, Lip-Bu Tan informó a la junta directiva (la “Junta”) de Intel Corporation (la “Empresa”) que renunciaba a su cargo, con efecto inmediato. La decisión del Sr. Tan es el resultado de las exigencias de su tiempo. “Estoy agradecido por la oportunidad de formar parte de la Junta Directiva de Intel. Esta es una decisión personal basada en la necesidad de reordenar varios compromisos y sigo apoyando a la empresa y su importante labor”, afirmó. La Junta agradece al Sr. Tan sus contribuciones durante su mandato.

Con estas pérdidas, Intel tiene todavía más difícil salir del agujero en el que se ha metido, ya que en este mes sus acciones han caído más del 35% y dejan a la compañía en un punto realmente complicado que solo puede mejorar realmente, porque ir a peor ya es realmente complicado. Por ello, el lanzamiento de Lunar Lake y Arrow Lake, así como Granite Rapids y Battlemage, son las claves que decidirán si pueden volver a reconducir el rumbo, o entrar un poco más en el fango.

[Cadavre Exquis]

https://www.diariovasco.com/sociedad/salud/investigacion/upv-dipc-desarrollan-inteligencia-artificial-detectar-cancer-20240827190741-nt.html

Saludos.