Mission Oflameron Dataset

Huggingface Dataset

'Mission Oflameron' Synopsis. Dialogue between Jett and Steeve. (A multi-part episode. Part e6) Steeve: 'Как именно обучать такие «шумные» системы, ведь стандартный градиентный спуск здесь работает иначе? И вычисления там будут медленные, если использовать ионосферу. Очень медленные.' Jett: 'Я подозреваю, что вычисления могут быть мгновенными в некоторых случаях. И эти случаи крайне необычны. Но Центральное Командование может быть именно на это и нацелено. Как обучают? Здесь уже стандартный метод обратного распространения ошибки (Backpropagation) через градиентный спуск в лоб не работает, ведь метаповерхности недифференцируемы, а шум постоянно меняет параметры. Можно например вместо обучения системы на метаповерхностях, создать её точную математическую симуляцию на обычном компьютере и обучать. В симуляцию закладывают не идеальные законы физики, а уравнения с учетом погрешностей: добавляют случайный гауссовский шум к фазам, закладывают тепловой дрейф и дефекты  метаповерхгостей. Но с ионосферой это не получится. Можно использовать эволюционные алгоритмы - компьютер слегка меняет управляющие параметры метаповерхности случайным образом. Если точность распознавания выросла — это изменение закрепляется. Физический шум здесь выступает естественным двигателем мутаций, помогая алгоритму не застревать на месте. Можно использовать физические взаимности (Lorentz Reciprocity) - пускать свет через метаповерхность в обратную сторону. Если подать лазерный сигнал с выхода на вход, интерференция волн внутри структуры физически выполняет операцию, эквивалентную математическому вычислению градиента. Ну и конечно же алгоритм Forward-Forward, который подходит для аналогового и оптического ИИ, так как полностью отменяет необходимость обратного хода. Вместо того чтобы считать ошибку на выходе и «гнать» её обратно через всю сеть, каждая область метаповерхности обучается локально и только при движении сигнала вперед.'

'Mission Oflameron' Synopsis. Dialogue between Jett and Steeve. (A multi-part episode. Part e6) Steeve: "How exactly do you train such 'noisy' systems, given that standard gradient descent works differently here? And if you use the ionosphere, the computations would be slow, extremely slow." Jett: "I suspect that, in certain cases, the computations could be instantaneous. These cases are highly unusual, but that might be exactly what Central Command is aiming for. As for how they’re trained-well, a straightforward application of backpropagation via gradient descent won't work, because metasurfaces are non-differentiable, and the noise constantly alters their parameters. One approach, instead of training the system directly on the metasurfaces, would be to create an exact mathematical simulation on a conventional computer and train it there. The simulation wouldn't rely on idealized physical laws; instead, it would incorporate equations that account for errors adding random Gaussian noise to the phases, and factoring in thermal drift and defects in the metasurfaces. But that wouldn't work with the ionosphere. You could use evolutionary algorithms: the computer makes small, random adjustments to the metasurface’s control parameters. If the recognition accuracy improves, those changes are kept. Here, physical noise acts as a natural driver for mutations, preventing the algorithm from getting stuck. You could also leverage physical reciprocity-specifically, Lorentz reciprocity by passing light through the metasurface in reverse. If you feed a laser signal from the output back to the input, the wave interference within the structure physically performs an operation equivalent to the mathematical calculation of a gradient. And, of course, there’s the 'Forward-Forward' algorithm, which is well-suited for analog and optical AI, as it completely eliminates the need for a backward pass." Instead of calculating the error at the output and propagating it back through the entire network, each region of the metasurface is trained locally and only during the forward pass of the signal.

Synopsis

Parameter-Efficient Fine-Tuning

(c) by Valery Shmelev   If you want to have an advantage

The word Oflameron is an artificially created word by Valery Shmelev in 1994

https://www.tumblr.com/blog/sci-fi-screenplay

https://github.com/vallshmeleff/ai-prompts-for-screenplay-plan/tree/main

https://www.tumgik.com/sci-fi-screenplay