Xintrix.Lab @XintrixLab

Tell me about doing CAD with Astra. Is it just computer use or api? Which CAD software? And no, to me Blender is not CAD.

J’ai cartographié la future chaîne électrique des data centers IA, du réseau jusqu’à la puce avec les bénéficiaires Au cœur de cette nouvelle transformation le fameux 800 V DC À 600 kW, une distribution en 48 V nécessite environ 12 500 ampères, À 800 V, elle n’en demande plus que 750. Cette réduction du courant permet de diminuer la quantité de cuivre, les pertes résistives, les contraintes thermiques et l’espace occupé par l’alimentationNVIDIA évoque un gain d’efficacité pouvant atteindre environ 5 % sur l’ensemble de la chaîne L’image représente une architecture cible simplifiée, pas un système unique qui serait déployé partout dès demain, mais qui va scale jusqu'à Kyber La transition devrait se dérouler en quatre phases : Phase 1 — 2026/2027 : retrofit du white space L’infrastructure AC existante reste en place : transformateurs, UPS, switchgear et busways 415/480 V. Un power rack, ou sidecar, est ajouté près des racks de calcul. Il convertit localement l’AC en 800 V DC et peut intégrer des batteries ainsi que des supercondensateurs. Cette phase ajoute donc du matériel sans supprimer immédiatement l’infrastructure historique. Phase 2 — 2027/2028 : arrivée du compute natif 800 V Le 800 V DC atteint directement le rack, puis le compute tray. La conversion vers environ 50 V n’est plus réalisée par un PSU AC/DC traditionnel, mais par un module DC/DC placé dans le rack ou directement sur la lame de calcul. C’est à ce moment que le 800 V devient progressivement une nécessité physique pour les racks approchant 600 kW. Phase 3 — fin 2028/2029 : distribution DC à l’échelle du bâtiment La conversion AC/DC remonte dans le grey space : un redresseur central transforme le 415/480 V AC en 800 V DC, ensuite distribué dans le data hall. Le power rack devient essentiellement un battery rack chargé du stockage, de la protection et de la gestion des transitoires. Une partie du switchgear basse tension, des PDU AC et potentiellement des UPS centralisés commence alors à disparaître. Les data centers de colocation pourraient néanmoins conserver plus longtemps ces équipements afin de prendre en charge des charges mixtes. Phase 4 — après 2029 : le Solid-State Transformer Le SST vise à convertir directement la moyenne tension en 800 V DC. Il pourrait remplacer le transformateur basse tension et le redresseur par un équipement unique, plus compact et programmable. Mais cette phase reste la plus incertaine : certification, fiabilité, sécurité et disponibilité des composants SiC haute tension doivent encore progresser. On lit donc la chaine imagée ainsi : 1. Production, réseau et raccordement haute tension 2. Transformateur et appareillage moyenne tension 3. Conversion vers 800 V DC par TRU ou, à terme, par SST 4. Protection, stockage et appareillage 800 V DC 5. Busway 800 V DC jusqu’aux racks 6. Hot-swap, e-fuse et isolation à l’entrée du rack 7. Conversion DC/DC : 800 V vers 50, 12 ou 6 V 8. VRM multiphase vers une tension inférieure à 1 V 9. GPU, CPU, XPU accélérateurs personnalisés Cette transformation redistribue la valeur entre plusieurs catégories d’acteurs, et tous ne gagneront pas au même moment On l’a vu avec $WOLF et $NVTS, le repricing lié aux promesses de ces nouvelles architectures a été spectaculaire. Dans la tech, le marché valorise très rapidement les anticipations parfois avant les revenus mais cela ne signifie pas que la transformation sous-jacente soit anecdotique. Ces technologies pourraient réellement devenir des briques essentielles de l’infrastructure de demain, tout cela en ayant une volatilité énorme. Ceci est le premier post d'une série sur l'électrification et le futurs de ces architectures

@leap_71 Multiple components connections

@leap_71 “Fire again” is a great news!

First tests. Custom Text-to-CAD experiment. First try. 2 minutes work.

keyboard_arrow_left Previous keyboard_arrow_right Next

What if topology could predict how strong a material is? TL;DR: Shape matters but direction matters more. This paper introduces direction-aware topological data analysis (TDA) finally capturing how structure + loading direction shape stiffness in porous materials. Key insight: - Standard TDA misses anisotropy. - Add direction → massive jump in accuracy. Results: - Up to 2×–5× better predictions for Young's modulus - Nearly matches deep learning but with compact, interpretable features - Works even when materials look isotropic After a streak of papers in crystallography, it's my first contribution to material science. Exciting!

keyboard_arrow_left Previous keyboard_arrow_right Next

This is Algebrica. A mathematical knowledge base I’ve been building for 2.5 years. 215+ entries, carefully written and structured. 400k+ views over this time. Not much in absolute terms, but meaningful to me. No ads. No courses to sell. No gamification. No distractions. Just essential pages, aiming to explain mathematics as clearly as possible, for a university-level audience. Built simply for the pleasure of sharing knowledge. Content licensed under Creative Commons (BY-NC). Best experienced on desktop. If it helps even a few people understand something better, it’s worth it.

Generates 3D models from natural language github.com/ghbalf/freecad…

Imagine trying to teach someone how to swim just by letting them read books about water. That is how we have been training AI on physics, using text descriptions. To really learn, you need to get in the water. "The Well" is that water. Polymathic AI has released a massive 15TB open-source library of physics simulations. It allows AI models to experience physical phenomena directly. Instead of reading about a supernova, the model processes the actual data of the explosion. Instead of reading about aerodynamics, it analyzes the fluid flow. This moves us from [Generative AI] (making things up) to [Scientific AI] (discovering truth). A huge step forward for open science. GitHub Repo: github.com/PolymathicAI/t…

x.com/i/article/2010…

x.com/i/article/2009…

@garrytan @zoink If I cancel my subscription, the numbers will change.

@C_MDPI This paper outlines a methodology for predicting the adsorption of organic substances on multi-walled carbon nanotubes. Method of Work: The study employs the Monte Carlo algorithm to optimize the model's parameters. (Gemini)

🚨 New Issue Out! C, Vol. 11, Issue 2 (June 2025) features 15 articles—incl. a cover story on plasma-modified carbon materials for improved radionuclide adsorption. 🌊 A step forward in nuclear wastewater treatment! 🔗 Read: mdpi.com/2311-5629/11/2

The story of the almost 10 year build of a telescope camera for one of the largest sky surveys in history…

From Soft to Solid: “Diamene,” the Diamond-Hard Material Forged from Graphene insightinvention.com/from-soft-to-s…

Look what I ran into today: QPress Exfoliator at Brookhaven National Lab. It's "a fully mechanized exfoliation platform" in argon glovebox. They have "developed and optimized exfoliation recipes for high-demand materials such as graphene, hBN, and transition metal dichalcogenides (TMDs)". They also have a Cataloger and a Stacker downstream. (ngl I've also used thorlabs posts as fixtures and guides many times)

keyboard_arrow_left Previous keyboard_arrow_right Next

outside five sigma @jwt0625

a year ago

Xiang2025: [Subnanosecond flash memory enabled by 2D-enhanced hot-carrier injection](doi.org/10.1038/s41586…) This is how mechanical exfoliation looks like: [2D Materials Enabled Next-Generation Integrated Optoelectronics: from Fabrication to

4 2 42 10K 8

🔖 Just a reminder, there is this: Technology Readiness Levels for Invention‑risk companies nasa.gov/directorates/s… via @NASA

day in the life…

📢 PRFluids Editors' suggestion: rotations may lead to brain injuries. Using a soft hydrogel ball in water as a simplified brain model, Wang et al. combine theory & experiments to show that the strongest deformations occur during rotational deceleration go.aps.org/41R1nHE