XenonLab

Исследователи из Калифорнийского университета в Лос-Анджелесе и Калифорнийского университета в Риверсайде продемонстрировали экспериментальное электронное устройство, использующее коллективное поведение электронов. Разработка основана на волне зарядовой плотности — особом состоянии, в котором электроны и кристаллическая решётка реагируют на внешнее воздействие согласованно.

В качестве канала использовался квазиодномерный квантовый материал — орторомбический трисульфид тантала o-TaS₃. Учёные изготовили наномасштабное устройство с затвором и измерили, как электрическое поле влияет на плотность заряда электронно-решёточного конденсата. Результат оказался неожиданным: изменение плотности заряда было в 10–100 раз больше, чем предсказывали расчёты, основанные на обычной геометрической ёмкости затвора. Усиленный отклик возникает благодаря тому, что поле воздействует не только на отдельные электроны, но и на всё коллективное состояние материала. Исследователи также определили квантовую ёмкость волны зарядовой плотности и построили зонную диаграмму экспериментального устройства.

Подобный принцип потенциально позволит управлять электронными компонентами при меньшем напряжении. В перспективе он может применяться при создании маломощных транзисторов, элементов памяти, датчиков и других устройств на основе квантовых материалов. Архитектура прототипа при этом напоминает привычный полевой транзистор: у него есть канал, затвор и управление электрическим полем.

Однако говорить о готовой замене кремниевых транзисторов пока рано. Исследование демонстрирует новый физический механизм управления зарядом, но ещё не доказывает возможность серийного выпуска процессоров или гарантированного снижения их энергопотребления. Учёным предстоит проверить скорость переключения, стабильность, рабочие температуры и совместимость технологии с массовым производством чипов.

Сможет ли коллективное поведение электронов стать основой нового поколения холодных и сверхэнергоэффективных процессоров?

Американский стартап Subquadratic представил модель SubQ и заявил, что смог значительно снизить вычислительные затраты при обработке длинного контекста. Компания утверждает, что её система способна работать с контекстным окном объёмом до 12 миллионов токенов, анализировать сотни документов и крупные программные проекты за один проход.

Главное отличие SubQ связано с отказом от стандартного плотного механизма внимания, при котором каждый токен сравнивается со всеми остальными. По мере увеличения текста количество вычислений быстро растёт. В SubQ используется разрежённый подход: модель выбирает только наиболее важные связи между отдельными участками контекста, сокращая нагрузку на оборудование.

По данным Subquadratic и стороннего тестирования Appen, модель показала высокую скорость обработки длинных последовательностей и конкурентоспособные результаты в задачах программирования. Компания также заявляет о кратном преимуществе относительно решений на основе FlashAttention.

Однако говорить о доказанной революции пока рано. SubQ доступна только ограниченному числу пользователей, исходный код архитектуры не опубликован, а полноценное независимое тестирование модели провести невозможно. Кроме того, технология частично опирается на существующие открытые модели семейства Qwen, поэтому утверждение о полном отказе от трансформеров вызывает вопросы.

Если результаты подтвердятся, подход Subquadratic может снизить стоимость работы больших языковых моделей, ускорить обработку огромных документов и сделать контекст в миллионы токенов действительно практичным. Но пока SubQ остаётся одной из самых интригующих и одновременно спорных разработок в сфере искусственного интеллекта.

Действительно ли стартап решил фундаментальную проблему современных LLM или перед нами очередное громкое обещание?

Инженеры Университета Пердью продемонстрировали необычный способ одновременно повысить прочность и пластичность интерметаллического соединения кобальта и алюминия — CoAl. Такие материалы хорошо выдерживают высокие температуры и нагрузки, но обычно остаются хрупкими при комнатной температуре.

Учёные решили проблему с помощью намеренного управления дефектами кристаллической структуры. В процессе магнетронного напыления они заранее сформировали в материале большое количество дислокаций, а также создали каркас аморфных интерфейсов — Framework of Amorphous Interfaces, или FAI.

При деформации отдельные участки этих неупорядоченных границ кристаллизуются и становятся источниками новых дислокаций. Они позволяют атомным слоям смещаться под нагрузкой, не вызывая мгновенного разрушения материала. Поэтому дефекты, которые обычно считают слабым местом, в этом случае помогли сделать сплав одновременно прочным и пластичным.

Во время испытаний наноламинат CoAl показал предел текучести свыше 6 ГПа — примерно в 6–10 раз выше показателей высокопрочной конструкционной стали. Последующее упрочнение продолжалось приблизительно до 8,5 ГПа, а пластическая деформация при сжатии превысила 15% при комнатной температуре.

Исследователи наблюдали процесс деформации внутри сканирующего электронного микроскопа, а молекулярное моделирование помогло установить, как аморфные интерфейсы кристаллизуются и запускают движение дислокаций на атомном уровне.

Однако технология пока далека от массового производства. Речь идёт о nanoscale-системе, изготовленной методом тонкоплёночного напыления и проверенной на микроскопических образцах преимущественно при сжатии. Теперь учёным предстоит перенести этот принцип на объёмные материалы и проверить его на других интерметаллических соединениях.

В перспективе подобные сплавы могут применяться в авиационных двигателях, газовых турбинах, энергетике и космической технике — везде, где материал должен выдерживать экстремальные нагрузки и при этом не разрушаться хрупко.

Станет ли управление дефектами ключом к созданию нового поколения сверхпрочных материалов?

Китайская компания Z.ai представила GLM-5.2 — новую открытую модель искусственного интеллекта, ориентированную на программирование, работу с инструментами и выполнение длительных многоэтапных задач. После выхода модель заняла первое место среди систем с открытыми весами в индексе Artificial Analysis, набрав 51 балл и опередив MiniMax-M3, DeepSeek V4 Pro и Kimi K2.6.

GLM-5.2 построена на архитектуре Mixture-of-Experts. Модель содержит около 744 млрд параметров, но при обработке каждого токена активирует только примерно 40 млрд. Такой подход позволяет сохранить высокие возможности большой модели, не используя все параметры одновременно. Контекстное окно увеличено до одного миллиона токенов, благодаря чему нейросеть способна анализировать крупные программные проекты и длинные цепочки документов.

Особое внимание привлекло оборудование, использованное для создания семейства GLM-5. По данным Z.ai, обучение проводилось примерно на 100 000 китайских ускорителей Huawei Ascend 910B с использованием программной платформы MindSpore — без ускорителей Nvidia. Это показывает, что Китай способен создавать конкурентоспособные ИИ-модели даже в условиях ограниченного доступа к передовым американским чипам. Однако по скорости, энергоэффективности и масштабированию оборудования Huawei всё ещё уступает ведущим решениям Nvidia.

В тесте SWE-bench Pro модель набрала 62,1 балла против 58,6 у GPT-5.5, а в Terminal-Bench 2.1 получила 81 балл. При этом в наиболее сложном тесте длительного агентного программирования SWE-Marathon результат составил только 13 баллов против 26 у Claude Opus 4.8. Это означает, что GLM-5.2 особенно сильна в отдельных задачах программирования, но пока не превосходит лучшие закрытые модели во всех сценариях.

Веса GLM-5.2 опубликованы на Hugging Face под лицензией MIT. Модель можно загрузить, доработать и развернуть на собственной инфраструктуре без региональных ограничений. Однако из-за огромного размера для её полноценного запуска потребуется серверное оборудование с большим объёмом памяти.

Стала ли GLM-5.2 доказательством неэффективности технологических санкций или Китай пока лишь сократил разрыв с США?

Китайская компания Beijing Greenfa Zhongke Lithium Capacitor Technology завершила типовые испытания полностью углеродного литий-ионного суперконденсаторного модуля мощностью 5 МВт. Установка получила отчёт о сертификационных испытаниях CNAS и заявлена как первый в мире контейнерный энергетический модуль такого класса и мощности.

Внутри системы находятся 22 400 суперконденсаторных элементов ёмкостью 4500 Фарад. Заявленная удельная энергоёмкость составляет 16 Вт·ч/кг, удельная мощность — 18 кВт/кг, а общий КПД преобразования превышает 95%. Благодаря активной балансировке разница напряжений между элементами удерживается в пределах 64 мВ.

Главное преимущество разработки — скорость и долговечность. Система реагирует на изменение нагрузки менее чем за 10 миллисекунд и рассчитана более чем на один миллион циклов заряда и разряда. Это позволяет использовать её сотни раз в день без регулярной замены элементов.

Однако полностью заменить обычные аккумуляторы такая технология пока не сможет. Суперконденсаторы хранят меньше энергии, зато способны практически мгновенно отдавать большую мощность. Поэтому они особенно полезны для регулирования частоты электросетей, сглаживания резких скачков нагрузки и стабилизации солнечных и ветряных электростанций.

Первую установку планируют внедрить в независимом накопительном комплексе Dongyue в китайской провинции Цинхай. Разработчики утверждают, что оборудование сможет работать в условиях высокогорья и сильного холода без замены элементов на протяжении всего жизненного цикла.

Станут ли суперконденсаторы реальной альтернативой литий-ионным батареям или займут только отдельную нишу в энергетике?

Китайские учёные приблизились к созданию космической солнечной электростанции, способной собирать энергию на орбите и передавать её без проводов. Команда Университета Сидянь развивает проект «Чжури», название которого переводится как «Погоня за Солнцем».

Во время последних наземных испытаний система передала 1180 Вт электрической мощности на расстояние более 100 метров. Эффективность передачи постоянного тока достигла 20,8%. Исследователи также продемонстрировали передачу энергии сразу нескольким движущимся объектам. В отдельном эксперименте беспилотник, летевший со скоростью 30 км/ч, стабильно получал 143 Вт с расстояния 30 метров.

Принцип напоминает гигантскую беспроводную зарядку. Солнечные панели преобразуют свет в электричество, затем энергия превращается в направленный микроволновый луч. Принимающая антенна, или ректенна, улавливает микроволны и снова преобразует их в электрический ток.

В будущем подобные станции могут круглосуточно снабжать энергией спутники, космические аппараты, лунные базы и наземную инфраструктуру. В космосе солнечным панелям не мешают облака и атмосфера, а при правильном выборе орбиты они смогут собирать энергию значительно дольше наземных установок.

Проект пока находится на стадии наземных испытаний. Первый этап стартовал в 2018 году, а в 2022 году команда завершила комплексную проверку полного технологического цикла. Теперь учёным необходимо увеличить мощность, сократить потери при передаче и провести эксперименты непосредственно на орбите.

Сможет ли Китай однажды передавать на Землю гигаватты чистой энергии прямо из космоса?

Ваша видеокарта показывает 100 FPS — но сколько из этих кадров она действительно отрисовала? В этом видео разбираемся, как DLSS, FSR и XeSS из полезного бонуса постепенно превращаются в одну из фундаментальных технологий современной игровой графики. Апскейлинг позволяет рендерить игру в более низком разрешении и восстанавливать изображение до 4K, а генерация кадров идёт ещё дальше — создаёт целые промежуточные кадры, которых GPU фактически не рендерил.

С одной стороны, результат впечатляет. Производительность растёт, трассировка лучей и Path Tracing становятся доступнее, снижаются нагрузка, энергопотребление и нагрев. На ноутбуках, портативных устройствах и консолях подобные технологии позволяют получить графику, которую ограниченное железо иначе просто не смогло бы обеспечить.

Но есть и другой вопрос: не начала ли игровая индустрия использовать апскейлинг вместо полноценной оптимизации?

Новые видеокарты всё чаще рекламируются с огромным приростом FPS при активной генерации кадров. Но если отключить DLSS, FSR и Frame Generation и сравнить чистую растеризацию, разница между поколениями может выглядеть значительно скромнее.

Разбираемся, действительно ли производители продают нам более мощное железо или всё большую роль играет программное обеспечение и искусственный интеллект.

Также поговорим о консолях, PS5 Pro, PSSR, портативных игровых системах и будущем облачного гейминга. Если вычисления уже можно переносить в дата-центр, возникает следующий вопрос: а понадобится ли массовому игроку собственная дорогая видеокарта через несколько лет?

И наконец — куда движется Neural Rendering. Возможно, в будущем видеокарта будет рассчитывать лишь основу сцены, тогда как большую часть изображения, текстур и кадров начнёт создавать нейросеть в реальном времени.

Если игра выглядит лучше и работает плавнее — важно ли вообще, сколько кадров были «настоящими»?

Или главное, чтобы производители честно показывали разницу между реальной производительностью GPU и результатом нейросетевой генерации?