Symmetria

https://youtu.be/etGMk9wYwNs

Behind the Pretty Frames: PRAGMATA — https://mamoniem.com/behind-the-pretty-frames-pragmata/

Real-Time Neural Materials using Block-Compressed Features — Clément Weinreich, Louis de Oliveira, Antoine Houdard, Georges Nader Neural materials typically consist of a collection of neural features along with a decoder network. The main challenge in integrating such models in real-time rendering pipelines lies in the large size required to store their features in GPU memory and the complexity of evaluating the network efficiently. We present a neural material model whose features and decoder are specifically designed to be used in real-time rendering pipelines. Our framework leverages hardware-based block compression (BC) texture formats to store the learned features and trains the model to output the material information continuously in space and scale. To achieve this, we organize the features in a block-based manner and emulate BC6 decompression during training, making it possible to export them as regular BC6 textures. This structure allows us to use high resolution features while maintaining a low memory footprint. Consequently, this enhances our model's overall capability, enabling the use of a lightweight and simple decoder architecture that can be evaluated directly in a shader. Furthermore, since the learned features can be decoded continuously, it allows for random uv sampling and smooth transition between scales without needing any subsequent filtering. As a result, our neural material has a small memory footprint, can be decoded extremely fast adding a minimal computational overhead to the rendering pipeline. https://arxiv.org/abs/2311.16121

The Future of Path Tracing | Best Practices, Optimizations & Future Standards — https://youtu.be/6pFNyscvz_w

How Michael Abrash doubled Quake framerate — Fabien Sanglard With the 1999 release of the Quake source code, came a readme.txt written by John Carmack. There is a particular sentence in that text that piqued my curiosity. Masm is also required to build the assembly language files. It is possible to change a #define and build with only C code, but the software rendering versions lose almost half its speed. Quake would be twice as fast thanks to its hand-crafted assembly? Let's find out if that is true, how it works, and what are the most important optimizations. https://fabiensanglard.net/quake_asm_optimizations/index.html

Вышел Flash Attention 4! (На прошлой неделе) На этот раз специально оптимизировали под новую архитектуру Blackwell (B200 и GB200), в отличие от FA3 для Hopper. На всяких 5090 дополнительного прироста нет. Для BF16 даёт до 1.3x ускорения относительно cuDNN 9.13 и до 2.7x по сравнению с Triton! Выжимает солидные 1.6 PFLOPs/s (71% от теоретического пика B200). При этом в новых версиях cuDNN часть этих оптимизаций уже тоже появилась. Среди ключевых трюков — software-эмуляция exp, conditional softmax rescaling, а в backward — использование tensor memory* и 2-CTA MMA**, что заметно снижает давление на shared memory. К этому бонусом идёт то, что весь kernel код теперь написан на Python (CuTe-DSL) без жестких C++ темплейтов, поэтому компиляция стала в 20-30 раз быстрее. * Tensor memory — это новый сверхбыстрый on-chip буфер Blackwell рядом с tensor cores, куда можно складывать промежуточные результаты и меньше дёргать shared memory. ** 2-CTA MMA — режим, где одну matmul считает пара CTA (группа потоков), а не одна, что позволяет брать более крупные тайлы и заметно уменьшать shared-memory traffic → backward работает эффективнее. Для задротов, очень рекомендую вот этот разбор на YouTube о том, как FA4 работает. Пейпер Код @ai_newz

Empires 64 — 64kb demo by Conspiracy https://www.youtube.com/watch?v=R-4wHUw_OdE https://www.pouet.net/prod.php?which=96589

https://www.youtube.com/watch?v=qht68vFaa1M https://daivuk.itch.io/quod

Essential research papers for AI engineering interviews — This curriculum guides aspiring AI Engineers through foundational and cutting-edge research papers that define modern machine learning. Learners will gain a comprehensive understanding of core architectures, generative models, large language model advancements, and practical efficiency techniques, crucial for navigating technical interviews and contributing to the field. https://www.chapterpal.com/curriculum/24e169be-6d62-4633-acf3-3fccef84dfab

Статья A. Salykov. Beating cuBLAS in Single-Precision General Matrix Multiplication https://salykova.github.io/sgemm-gpu Как известно, на игровых GPU тензорные ядра не умеют в FP32 (максимум в TF32), поэтому перемножать матрицы с обычными float приходится по-старинке. В этой статье автор сначала рассказывает, о налиции проблемы большой разнице между кодом из учебных материалов про CUDA и высокооптимизированном коде на продакшене и даёт обзор материалов, где рассказывают про самые передовые достижения в оптимизации GPU-кода. Дальше автор рассказывает, как делать точные бенчмарки на GPU, а после этого приступает к объяснению сделанных оптимизаций. Прислал Кирилл Колодяжный https://t.me/kol_kir

Rust Ritual - PC 4kB intro by Altair — 1st place in PC Intro compo at Xenium 2025 Визуальный стиль немного напоминает демо группы Still https://www.youtube.com/watch?v=nZGLdSUNHDs

Sparse Voxels Rasterization: Real-time High-fidelity Radiance Field Rendering -- https://svraster.github.io/

#programming A series of tricks and techniques I learned doing tiny GLSL demos https://blog.pkh.me/p/48-a-series-of-tricks-and-techniques-i-learned-doing-tiny-glsl-demos.html

Aspects of Convex Geometry Polyhedra, Linear Programming, Shellings, Voronoi Diagrams, Delaunay Triangulations — Jean Gallier and Jocelyn Quaintance, UPenn Chapter 10 on combinatorial topology is hardly original. However, most texts covering this material are either old fashion or too advanced. Yet, this material is used extensively in meshing and geometric modeling. We tried to give a rather intuitive yet rigorous exposition. We decided to introduce the terminology combinatorial manifold , a notion usually referred to as triangulated manifold . Chapter 10: The material presented in this chapter consists of the most basic notions of combinatorial topology, going back roughly to the 1900-1930 period and it is covered in nearly every alge-braic topology book (certainly the “classics”). A classic text (slightly old fashion especially for the notation and terminology) is Alexandrov [1], Volume 1 and another more “modern” source is Munkres [45]. An excellent treatment from the point of view of computational geometry can be found is Boissonnat and Yvinec [12], especially Chapters 7 and 10. Another fascinating book covering a lot of the basics but devoted mostly to three-dimensional topology and geometry is Thurston [63]. https://www.cis.upenn.edu/~jean/combtopol.pdf

Scientific America подготовила свою версию 10 крупнейших математических прорывов 2025 года: Новая форма Новая фигура под названием «нопертгедрон» имеет 90 вершин, 240 рёбер и 152 грани. Эта барочная форма обладает удивительным свойством, которое опровергает давнюю геометрическую гипотезу: как бы её ни сдвигали или ни вращали, один нопертгедрон не может пройти через прямое отверстие в идентичном нопертгедроне. Закономерности простых чисел Простые числа, делящиеся только на себя и на 1, давно завораживают математиков. Открывать новые простые числа становится всё труднее по мере увеличения их величины. Но в этом году математики нашли набор вероятностных закономерностей, которые управляют распределением простых чисел. Эти закономерности связаны со случайным хаотическим поведением и фракталами. Великая объединённая теория «Гигантское» усилие девяти математиков и пяти статей объёмом почти в 1000 страниц недавно доказало геометрическую гипотезу Ланглендса. Эта гипотеза связывает свойства различных римановых поверхностей — структур с координатами, имеющими действительные и мнимые части. Она является частью более широкой программы Ланглендса, которая, если будет полностью доказана, может дать «великую объединённую теорию математики». Сложность узлов Давняя гипотеза утверждала, что если соединить концы двух разных узлов, то сложность нового узла будет равна сумме сложностей исходных узлов. Но недавнее открытие узла, который оказался проще суммы его частей, опровергло это предположение. Проблемы Фибоначчи Последовательность Фибоначчи, в которой каждый член равен сумме двух предыдущих (1, 1, 2, 3, 5, 8, 13, ...), встречается повсюду в природе. А теперь математики обнаружили, что она также даёт ответ на вариацию классической задачи «спички»: если у вас есть несколько палочек случайной длины от 0 до 1, какова вероятность того, что никакие три из них не смогут образовать треугольник? Обнаружение простых чисел Наибольшее известное простое число 2^136,279,841−1 имеет длину 41,024,320 цифр, но математики этим не удовлетворены — они хотят найти ещё более крупные простые числа. В этом году команда предложила новый подход к поиску неизвестных простых чисел. Стратегия основана на разбиениях — способах, которыми числа могут складываться, образуя другие числа. Решение 125-летней задачи В 1900 году математик Давид Гильберт представил серию крупных нерешённых задач. Одна из них заключалась в определении минимального числа математических предположений, лежащих в основе законов физики. Позже исследователи разделили эту задачу на подцели, и в этом году математики заявили, что завершили одну из них: они объединили три физические теории для объяснения движения жидкостей. Если достижение подтвердится, это станет важным шагом к решению шестой задачи Гильберта. Из треугольников в квадраты На сколько частей нужно разрезать треугольник, чтобы можно было переставить их в квадрат? В 1902 году один читатель газеты нашёл способ сделать это с четырьмя частями, но меньше никто не смог. В этом году исследователи окончательно доказали, что треугольник, разрезанный менее чем на четыре части, нельзя превратить в квадрат. Двигающиеся диваны Любой, кто переезжал, знает проблему: как протащить большой диван за угол. Математики официально признали этот вопрос около 60 лет назад, назвав его «задачей двигающегося дивана»: какая наибольшая фигура может повернуть под прямым углом в узком коридоре, не застряв? Исследователи теперь нашли решение. Ловля простых чисел Ещё один прорыв в области простых чисел — новый метод оценки того, сколько простых чисел существует в любом заданном диапазоне. Стратегия сначала исключает все числа, которые являются кратными другим простым и потому не могут быть простыми. Затем учитываются числа, которые вычёркиваются из списка более одного раза. Авторы исследования также обнаружили предел точности подобных оценок, показав, что фундаментальные тайны простых чисел останутся неуловимыми — по крайней мере, пока.

https://www.sebastianaaltonen.com/blog/no-graphics-api

Порталы нарушают закон сохранения энергии? Нет! Для этого нужно всего-лишь телепортировать гравитацию через них. Как это сделать? И причём тут Метод Конечных Элементов? Смотрите в моём новом видео 🟠🔵. Это самое лучшее что я когда-либо делал в жизни: 40 минут видео, 5 месяцев работы, 230 часов программирования. https://youtu.be/qFYeJXKYj_E

CUDA Tile is based on the Tile IR specification and tools, including cuTile, which is the user-facing language support for CUDA Tile IR (Intermediate Representation) in Python (and, in the future, C++). The NVIDIA Python implementation of this tile-based programming model is cuTile Python. https://developer.nvidia.com/cuda/tile https://docs.nvidia.com/cuda/tile-ir/sections/prog_model.html

https://youtu.be/YGLNyHd2w10

Practical Gaussian process implicit surfaces with sparse convolutions — Kehan Xu, Benedikt Bitterli, Eugene d'Eon, Wojciech Jarosz A fundamental challenge in rendering has been the dichotomy between surface and volume models. Gaussian Process Implicit Surfaces (GPISes) recently provided a unified approach for surfaces, volumes, and the spectrum in between. However, this representation remains impractical due to its high computational cost and mathematical complexity. We address these limitations by reformulating GPISes as procedural noise, eliminating expensive linear system solves while maintaining control over spatial correlations. Our method enables efficient sampling of stochastic realizations and supports flexible conditioning of values and derivatives through pathwise updates. To further enable practical rendering, we derive analytic distributions for surface normals, allowing for variance-reduced light transport via next-event estimation and multiple importance sampling. Our framework achieves efficient, high-quality rendering of stochastic surfaces and volumes with significantly simplified implementations on both CPU and GPU, while preserving the generality of the original GPIS representation. https://cs.dartmouth.edu/~wjarosz/publications/xu25practical.pdf https://cs.dartmouth.edu/~wjarosz/publications/xu25practical.html