Уникальный криптографический ключ дифракционным рисунком на шелковой нити. Ждем генераторы случайных чисел на тутовых шелкопрядах живущих в системном блоке

Статья

For modern security, devices, individuals, and communications require unprecedentedly unique identifiers and cryptographic keys. One emerging method for guaranteeing digital security is to take advantage of a physical unclonable function. Surprisingly, native silk, which has been commonly utilized in everyday life as textiles, can be applied as a unique tag material, thereby removing the necessary apparatus for optical physical unclonable functions, such as an objective lens or a coherent light source. Randomly distributed fibers in silk generate spatially chaotic diffractions, forming self-focused spots on the millimeter scale. The silk-based physical unclonable function has a self-focusing, low-cost, and eco-friendly feature without relying on pre-/post-process for security tag creation. Using these properties, we implement a lens-free, optical, and portable physical unclonable function with silk identification cards and study its characteristics and reliability in a systemic manner. We further demonstrate the feasibility of the physical unclonable functions in two modes: authentication and data encryption

как же хорошо

Whole Brain Emulation: No Progress on C. elgans After 10 Years

Обсуждение проблем с моделированием работы нервной системы нематоды C.elegans, с которыми столкнулись исследователи из OpenWorm сообщества и гифка коннектома, которую я собрал на днях по координатам из статьи (нейроны раскрашены по ганглиям)

Carolyn Otto, PhD presents on applications of knot theory including molecular chirality, protein folding, and DNA recombination events.

https://www.youtube.com/watch?v=c1x5_0hzNDw

Статья, упоминавшаяся в презентации

Topological descriptions of protein folding

Knotting in proteins was once considered exceedingly rare. However, systematic analyses of solved protein structures over the last two decades have demonstrated the existence of many deeply knotted proteins. Conservation of knotting across some protein families strongly suggests that knotting can be important for protein structure and function, and hence, significant interest has arisen around how protein knots form. We build on results of previous computer simulations and prior theories of protein knot formation to obtain theoretical pathways for protein knotting that could apply to any knotted protein. By comparing our theoretical pathways with structural data on solved proteins, we determine which of our pathways may be feasible for each of the known protein knot types.

Neural Sheaf Diffusion: A Topological Perspective on Heterophily and Oversmoothing in GNNs


Cellular sheaves equip graphs with “geometrical” structure by assigning vector spaces and linear maps to nodes and edges. Graph Neural Networks (GNNs) implicitly assume a graph with a trivial underlying sheaf. This choice is reflected in the structure of the graph Laplacian operator, the properties of the associated diffusion equation, and the characteristics of the convolutional models that discretise this equation. In this paper, we use cellular sheaf theory to show that the underlying geometry of the graph is deeply linked with the performance of GNNs in heterophilic settings and their oversmoothing behaviour. By considering a hierarchy of increasingly general sheaves, we study how the ability of the sheaf diffusion process to achieve linear separation of the classes in the infinite time limit expands. At the same time, we prove that when the sheaf is non-trivial, discretised parametric diffusion processes have greater control than GNNs over their asymptotic behaviour. On the practical side, we study how sheaves can be learned from data. The resulting sheaf diffusion models have many desirable properties that address the limitations of classical graph diffusion equations (and corresponding GNN models) and obtain state-of-the-art results in heterophilic settings. Overall, our work provides new connections between GNNs and algebraic topology and would be of interest to both fields


И две лекции на тему:

Robert Ghrist (5/1/21): Laplacians and Network Sheaves

Robert Ghrist (8/29/21): Laplacians and Network Sheaves

Makes sense

https://60years.vizhub.ai

Карта значимых работ в ИИ за последние 60 лет

https://www.nature.com/articles/d41586-022-00767-3

Most studies linking features in brain imaging to traits such as cognitive abilities are too small to be reliable, argues a controversial analysis.

Если считать гомологии ресурсоёмко, то вот, есть сеточка для подсчета персистентных гомологий на облаках точек

Training Spiking Neural Networks Using Lessons From Deep Learning
https://arxiv.org/abs/2109.12894

https://www.quantamagazine.org/why-knots-matter-in-math-and-science-20220406

Стивен Строгац + Колин Адамс

Language of fungi derived from their electrical spiking activity

Гифы = нейроны, если верить гипотезе автора статьи

Грибы передают что-то вроде спайков через гифы — длинные подземные нити, образующие подлинное тело гриба. Например, гифы спайкуют, если грибы вступают в контакт с деревом, которое затем желают скушац. Предполагают, что грибы используют электрический код для обмена информацией о еде или травмах с удаленными частями своего тела (которое может быть размером хоть с целый лес), или с партнерами, такими как деревья (подземный мегамозг).


В общем, исследователь предполагает, что из выделенных паттернов активности гифов можно составить "язык"..


Data

Модель Изинга и раскраска ящерицы
(оригинал поста тут)

Глазчатые ящерицы получили свое название по характерным пятнам-глазкам на боках, однако внимание швейцарско-российский коллектива ученых привлек лабиринтный узор на спине ящерицы (рис. 1а), точнее процесс его формирования [1]. Дело в том, что этот узор возникает как результат переключения чешуйки между двумя состояниями (светло-зеленым и темно-коричневым) при взаимодействии с соседними чешуйками. У физика тут возникает ассоциация с обменным взаимодействием изинговских спинов.

Более пристальное изучение кожного покрова ящерицы под таким углом зрения указывает на “антиферромагнитный” характер взаимодействия соседних чешуек и тригональную симметрию в их расположении, что аналогично фрустрированному состоянию в антиферромагнетиках. В модели, предложенной авторами, для формирования узора на коже ящерицы, есть и антиферромагнитное “обменное взаимодействие” J и “внешнее магнитное поле” B [1]. На внешнем контуре диаграммы показаны “замороженные” состояния, наблюдающиеся при температуре, стремящейся к нулю. Узоры (i)-(v) соответствуют упорядоченным состояниям, (vi)-(viii) – состояниям, аналогичным фрустрированным антиферромагнетикам. Как утверждают авторы статьи, наиболее приближенным к реальному узору ящерицы является фрустрированное состояние (vi). Ему соответствуют максимальное количество индивидуальных вариаций окраски (именно в эту сторону направлен естественный отбор) и максимум энтропии при постоянной “энергии”, выражающейся в терминах J и B. Учитывая некоторое преобладание темных чешуек над светлыми, это состояние несколько сдвинуто влево в сторону отрицательных “магнитных полей” B.

Известно, что изинговская модель появилась как учебная задача, которую Вильгельм Ленц предложил своему аспиранту Эрнесту Изингу. В силу своей простоты, модель Изинга стала универсальным и эффективным инструментом, область применения которой выходит далеко за пределы магнетизма. В этом автор данной заметки убедился на собственном примере: задача о стрейтронной матрице изинговских магнитов, данная в качестве упражнения второкурсникам, позволила смоделировать некоторые аспекты обработки изображений в сетчатке глаза (например, оконтуривание предметов), и даже воспроизвести характерные оптические иллюзии [2].

А. Пятаков

1. A.Roux et al., Phys. Rev. Fluids 7, L011601 (2022).

2. A.Pyatakov et al., SPIN, Vol. 9, No. 3, 1940004 (2019).

https://elicit.org/

Крутой инструмент на базе ИИ: ищет релевантные статьи по запросу и выделяет в них ответы на заданный вопрос. Пока что бесплатно