WebVM هو بيئة لينكس افتراضية بدون خادم تعمل بالكامل على جانب العميل باستخدام HTML5 وWebAssembly، مدعومة بمحرك التمثيل الافتراضي CheerpX.
يسمح بتنفيذ آمن ومعزول لملفات x86 الثنائية في أي متصفح، ويتميز بمترجم JIT (الترجمة الفورية) من x86 إلى WebAssembly، ونظام ملفات افتراضي قائم على الكتل، ومحاكي لاستدعاءات نظام Linux.
ميزة جديدة: يمكن للمستخدمين الآن إنشاء صور WebVM مخصصة باستخدام Dockerfile، مما يعزز المرونة والتخصيص.
WebVM هو بيئة لينكس افتراضية بدون خادم تعمل على جانب العميل، باستخدام بناء CheerpX المستضاف من قبل Leaning Technologies وتدعم الشبكات عبر Tailscale.
على عكس محاكيات النظام الكاملة، يعمل WebVM كمحاكي لاستدعاءات نظام Linux للثنائيات في مساحة المستخدم، مما يوفر مرونة وسرعة أكبر.
إنه ليس مفتوح المصدر، ويُحظر استضافة محرك CheerpX ذاتيًا، مما يجعله مناسبًا للتعليم، والتوثيق الحي، والحفاظ على البرمجيات، وتطوير بيئات التطوير المتكاملة على الويب، على الرغم من أنه يحتوي على بعض القيود مثل مشاكل الأداء على الأجهزة المحمولة والوظائف الجزئية في وضع عدم الاتصال.
أكدت شركة AT&T حدوث اختراق للبيانات أثر على ما يقرب من 110 ملايين عميل، وشمل أرقام الهواتف وسجلات المكالمات والرسائل النصية والمعلومات المتعلقة بالموقع.
الخرق، المرتبط بمزود بيانات السحابة Snowflake، يشمل البيانات الوصفية ولكن ليس محتوى المكالمات أو الرسائل النصية.
أجلت مكتب التحقيقات الفيدرالي ووزارة العدل الإخطار العام بسبب مخاوف تتعلق بالأمن القومي، مما يجعل هذه الحادثة الأمنية الثانية لشركة AT&T هذا العام.
تعرضت شركة AT&T لاختراق بيانات أثر على جميع العملاء تقريبًا، مما كشف عن بيانات وصفية للمكالمات والرسائل النصية دون المحتوى أو الطوابع الزمنية.
على الرغم من الانخفاض الأولي في الأسهم، فإن السوق لا يزال إلى حد كبير غير متأثر، مما يعكس اعتقادًا بأن الشركات تواجه عواقب مالية طفيفة لمثل هذه الانتهاكات.
الحادث المرتبط بمنصة Snowflake السحابية أثار دعوات لسياسات أكثر صرامة للاحتفاظ بالبيانات، وممارسات أمنية أفضل، وغرامات أو دعاوى قضائية محتملة لفرض المساءلة على الشركات.
يوفر كتاب التعلم العميق المستند إلى الفيزياء (الإصدار 0.2) مقدمة عملية للتعلم العميق في المحاكاة الفيزيائية، مع أمثلة عملية باستخدام دفاتر Jupyter.
الجديد في الإصدار 0.2: قسم موسع حول دمج البرمجة القابلة للتفاضل (DP) في تدريب الشبكات العصبية (NN) وفصل جديد حول طرق التعلم المحسنة لمشاكل الفيزياء.
ستتضمن التحديثات المستقبلية فصولًا عن تدريب الشبكات لتوقع تدفق السوائل، واستخدام معادلات النموذج كمتبقيات، والتفاعل مع المحاكيات لحل المشكلات العكسية، والاستفادة من المعلومات ذات الرتب الأعلى لتحسين الشبكات العصبية.
تم تقديم كتاب جديد بعنوان "التعلم العميق القائم على الفيزياء"، يركز على تطبيق التعلم العميق على محاكاة الفيزياء بدلاً من المفاهيم العامة للتعلم العميق من منظور الفيزيائي.
يتضمن الكتاب أمثلة عملية على الشيفرات في دفاتر Jupyter، وقيود الفقدان الفيزيائي، والمحاكاة القابلة للتفريق، وخوارزميات التدريب لمشاكل الفيزياء، والتعلم المعزز، ونمذجة عدم اليقين.
الكتاب من إنتاج مجموعة المحاكاة القائمة على الفيزياء وهو متاح للتنزيل على arXiv، مع موارد إضافية ومناقشات متاحة على منصات مختلفة مثل YouTube وGitHub.