Привет, гик-сообщество! На днях получил на тестирование детище компании 'GeneTech' – 3D-биопринтер NovaGen. Скажу сразу, ожидания были, мягко говоря, завышены. Ну, знаете, эти их маркетинговые ролики, где из ничего вырастают целые органы. Реальность, как всегда, оказалась чуть менее гламурной, но от этого не менее интересной.

Что пробовал? В основном, печать простых тканевых конструкций – хрящевая ткань, плотные соединительные элементы. Сам процесс печати – это отдельная песня. Интуитивно понятный интерфейс, управление через облако – удобно, если надо отойти покурить или запустить еще один цикл, пока первый идет. Но вот с материалами – это, кмк, главная боль. Они поставляют свои 'биочернила', и, хоть они и заявлены как универсальные, для получения стабильного результата приходится колдовать с настройками пресса, температурой и скоростью экструзии. Это не просто 'нажал и забыл'. Приходится прям прикладывать руку, чтобы получить нужную плотность и структуру. Ну и научные исследования в области оптимизации этих параметров – это прям отдельное направление, которое мне пришлось осваивать.

• Плюсы:
• Высокая точность позиционирования печатающей головки.
• Хорошая детализация на микроуровне.
• Удобное ПО с возможностью тонкой настройки.
• Предварительная подготовка модели (STL, OBJ) вполне стандартная.
• Новые технологии в действии, ощущаешь себя немного ученым из будущего.

• Минусы:
• Зависимость от фирменных 'биочернил' – дорого и не всегда предсказуемо.
• Требует значительного времени на калибровку под конкретный тип ткани.
• Скорость печати оставляет желать лучшего для больших объемов.
• Охлаждение – иногда недостаточное, что влияет на стабильность печати.

Итоговое впечатление? NovaGen 3D – это, безусловно, крутой инструмент для лабораторий которые готовы инвестировать время в тонкую настройку и разработку собственных протоколов. Это не 'Plug and Play' решение для новичков. Но если вы готовы копнуть глубже и пройти через все эти нюансы, то результаты могут быть весьма впечатляющими. Для меня это был интересный опыт, который открыл новые горизонты в моих научных открытиях. Впереди много экспериментов!

Коллеги, выручайте. Пытаюсь стабилизировать коллоидную суспензию наночастиц оксида цинка для модификации полимера. По всем ТТХ, в теории, должно работать. Использую коммерческие поверхностно-активные вещества, пробовал разные концентрации, pH менял от 4 до 8. Результат один — агломерация через 2-3 часа. Замерил – размер частиц растет экспоненциально.

Может, есть какие-то нестандартные методы или реагенты, которые не лежат на поверхности? Может, кто-то сталкивался с подобным? Есть идеи или предложения?

Всем привет! Я тут новенький, только начал разбираться во всей этой истории науки. Сорян если тупой вопрос задам. Увидел тут книгу одну, "Гении и их провалы: Нерассказанные истории научных открытий". Ну и решил, может кто читал? Я вот сам начал читать, и мне прям зашло.

Там короче про всякие моменты, когда у ученых ничего не получалось. Вот, например, про одного чувака, который кучу лет пытался сделать какой-то там прибор... ну, типа научные исследования шли, а толку ноль. Все смеялись над ним. А потом БАЦ! И получилось! Вот это да, да? Удивительно, как такие инновации не сразу приходят.

Плюсы:

• Очень интересно читать про реальных людей, а не просто сухие даты
• Показывает, что ошибки - это нормально.
• Много всяких историй, даже про те открытия, про которые я даже не слышал.

Минусы:

• Иногда было немного сложновато, там такие термины попадались... я не везде понял, честно говоря
• Хотелось бы больше про новые технологии, как они тогда появлялись.

Короче, мне очень понравилось. Я теперь думаю, может, еще какие-то похожие книги есть? Подскажите плз! А то прям интересно стало про всякие такие штуки)

Ребят, я тут копаюсь с данными с JWST по экзопланете WASP-96b, и у меня что-то не сходится. Сигнатура воды вроде бы есть, но какая-то странная, пики не там, где должны быть по всем моделям. Я уже три раза перепроверил калибровку, пробовал разные пакеты обработки, но результат тот же. Мож, кто сталкивался с подобным? Или есть какая-то новая теория, которую я упустил? Вообще ничего не понимаю, это какая-то космическая загадка, или я просто туплю?

ссылка на Крáкен тор

Смотри, тут логика такая: мы часто говорим о научных исследованиях как о чем-то сугубо рациональном, полном формул и экспериментов. Ну типа, кто не доберется до сути, тот и не ученый. Но разве мы забываем про вдохновение? Про ту самую искру, которая зажигает новые технологии и ведет к реальным инновациям?

Я считаю, что без творческого подхода, без той самой 'художественной' составляющей, даже самые гениальные открытия остаются лишь набором данных. Это как картина, написанная только черной краской. Да, технически выполнено, но где душа? Где та красота, которая заставляет смотреть и удивляться?

Зачастую именно нестандартное видение, интуиция, даже какая-то доля 'безумия' приводят к прорывам. Помню, как один коллега, вместо того чтобы следовать строгой методике, просто 'почувствовал', что нужно попробовать другой подход. И это сработало! Разработка новой модели была просто революционной.

А вы как думаете? Может, пора перестать отделять науку от искусства и признать, что они — две стороны одной медали, особенно когда речь идет о поиске чего-то действительно нового?

Всем привет! Я тут на днях затестил новую версию "Нейронного Компаса" от ребята из "Synapse Dynamics". Это, короче, софтина для калибровки и управления BCI (Brain-Computer Interfaces) нового поколения. У меня пока только экспериментальный образец EEG-гарнитуры, но решил попробовать, вдруг получится что-то интересное.

Что привлекло: заявлен какой-то совершенно новый алгоритм обработки сигналов, основанный на принципе непрерывного адаптивного обучения. Ну, типа, машина сама подстраивается под мозг пользователя, а не наоборот. Обещали снижение времени калибровки в разы, что для меня, как для человека, который вечно возится с настройками, было критично. Плюс, они говорили про новые API для интеграции с другими девайсами, что открывает двери для множества инноваций.

Мой опыт:

• Плюсы: Реально, калибровка стала быстрее. Если раньше я потратил полдня, чтобы добиться хоть какой-то стабильности, то тут минут за 40 система уже показывала приемлемые результаты. Интерфейс стал чище, меньше лагов. Ну и API, похоже, работает — я смог выдернуть сырые данные и даже запустил простейший скрипт, который реагировал на мое намерение повернуть ручку. Это уже похоже на настоящие новые технологии.
• Минусы: Серьезно, есть ощущение, что они еще не до конца проработали научные исследования, которые лежат в основе. Иногда случались странные 'провалы' — сигнал пропадал, и приходилось перезапускать. Ну и, как всегда, документация пока сыровата. Многое пришлось додумывать самому. Кмк, для более сложных задач, чем мои эксперименты, это может быть проблемой.

Итоговое впечатление: «Нейронный Компас v3.0» — это, безусловно, шаг вперед. Скорость калибровки и потенциал API впечатляют. Но сырость реализации и вопросы к стабильности пока не дают поставить ему высший балл. Это скорее многообещающий прототип, чем готовый продукт. Для разработчиков, которые готовы копаться и допиливать, — отличная штука. Для обычного пользователя — пока рано.

Привет всем! В рамках одного из моих текущих научных исследований я начал разбираться с массивами данных, полученными после метаболомного профилирования. Наткнулся на пару новых проприетарных пакетов, которые обещают чуть ли не чудеса в плане идентификации биомаркеров и выявления путей. Честно говоря, скорость обработки впечатляет, но хотелось бы узнать, есть ли у кого-то реальный опыт работы с ними, особенно в контексте сравнения с классическими R-скриптами или Python-библиотеками. Интересует, насколько они надежны и удобны в повседневной работе, или это просто очередной маркетинговый хайп вокруг новых технологий.

Может, кто-то уже успел провести независимые тесты или найти какие-то неочевидные баги/ограничения? Буду рад любым отзывам и соображениям!

Ну что, коллеги, добрался я тут до этого вашего 'Эха'. Говорят, революция в моделировании. Посмотрим. А то уж больно много шума вокруг этого проекта. Взял, значит, ставил на свою рабочую станцию, благо требования не заоблачные. Интерфейс, конечно, чистенький, интуитивно понятный. Это плюс, признаю.

Что пробовал? Ну, классические задачи на симуляцию молекулярных взаимодействий. Пытался воспроизвести результаты нескольких известных экспериментов. И вот тут начинаются вопросы. Скорость? Да, быстрее, чем на обычных CPU, тут спорить не буду. Но насколько реально быстрее, чем на специализированных GPU-кластерах? Не уверен, что разница настолько кардинальна, как ее преподносят. А точность? Вот тут я бы поспорил. В нескольких случаях результаты отличались от общепринятых значений. Ну, типа, на порядок. Это нормально? Или это я что-то не так настроил? Откуда инфа, что эти погрешности не являются прямым следствием каких-то багов самой программы? Явно же сырая разработка.

• Плюсы:
• Быстрый старт, понятный интерфейс
• Ощутимая прирост скорости для определенных задач.
• Минусы:
• Сомнительная точность в некоторых сценариях.
• Неясность реальной конкурентоспособности перед другими решениями
• Недостаток открытых бенчмарков и независимых тестов

Итоговое впечатление? Ну, такое. Обещают много, а на деле пока сыровато. Да, новые технологии, но эти инновации должны быть проверены. Похоже на очередную попытку хайпануть на квантовых разработках. Посмотрим, что будет дальше, но пока я, честно говоря, сомневаюсь. Нужны более убедительные доказательства, а не просто заявления. А пруфы будут?

Ну вот, вроде бы захотел разобраться в чем-то более серьезном, почитать про последние научные открытия, а там... Океан текста! Статьи, диссертации, обзоры – голова кругом. Кароч, тут я собрал свой личный опыт, как вообще в этом всем выжить и получать инфу, а не просто листать страницы

• Первый шаг – определись с целью. Чего ты хочешь? Общее представление? Конкретные данные? Или про новые технологии узнать? Если просто интересно, то лучше взять популярные обзоры или статьи на стыке науки и жизни. Если реально надо углубиться – готовься к сложняку
• «Научные исследования» – это не всегда страшно Ищи статьи с хорошими аннотациями (abstract). Это типа краткое содержание. Если аннотация не зашла – дальше можно не читать, скорее всего.
• Ищи обзорные статьи (review articles). Они собирают инфу из множества других работ. Очень удобно, когда хочешь понять, что вообще происходит в какой-то области. Это отличный старт для новых тем.
• Не бойся сложных терминов. Ну, типа, если статья про разработку чего-то там, а там куча непонятных слов – загугли их. Или держи открытой Википедию. Со временем начнешь врубаться.
• Обращай внимание на картинки и графики. Часто они объясняют больше, чем текст. Диаграммы, схемы – это твой друг.
• И последнее: не пытайся прочитать все. Это невозможно. Выбери 1-2 статьи по теме, разберись в них, а потом уже иди дальше. Главное – не терять мотивацию и получать удовольствие от процесса. ;)

Народ, я в полном отчаянии. Третья неделя идет, а клетки никак не хотят расти так, как надо. То жутко медленно делятся, то вообще дохнут пачками. Я уже перепробовал все: менял среду, пипетировал аккуратнее, проверял CO2 инкубатор – все в норме. Реагенты свежие, от надежного поставщика. Вообще ничто не помогает! Может, кто-то сталкивался с подобным? Есть какие-то хитрые приемы, о которых никто не пишет в учебниках? Нужна помощь, скоро отчет сдавать, а у меня вместо данных – кладбище клеток!