3Dプリントされた数学的ランプシェード(照明カバー)

2026/01/25 0:17

3Dプリントされた数学的ランプシェード(照明カバー)

RSS: https://news.ycombinator.com/rss

要約

Japanese Translation:


Summary

著者は、半透明PLAを使用してLidl LEDストリップ用の3Dプリントディフューザーを作成し、OnShapeデザインファイルを共有しました。ディフューザーの形状は、次式で定義されるスイーピング2‑Dプロファイルから導出されました。

[ r = \cos(5\theta) + 0.2\cos(9\theta)+0.05\cos(200\theta)+4 ]

この式は、大きく穏やかな波形に小さな揺れのあるリッジを生成します。著者は、このDesmosグラフをSVGにエクスポートし、InkscapeでDXFへ変換した後、そのDXFをOnShapeにインポートしてロフトモデリングを行いました。しかし、OnShapeのロフトツールは1 047点プロファイルで失敗し、スムーズなドームを生成せずにフリーズしました。

これを解決するために、著者はPythonスクリプト(ChatGPTの指導による)を書き、2‑Dプロファイルを縮小して単一の先端点に収束させました。これにより、印刷可能なSTLファイル(約70 + MB)が生成されました。完成したディフューザーは半透明PLAでプリントされています。また、著者はJupyterノートブックをMarimoアプリへ変換し、Pythonのインストールなしでブラウザベースの断面とプロファイルの可視化を提供しています。


本文

家庭で照明プロジェクトに使うため、半透明のPLAを試してみました。
今年初めに、Lidl の LED ストリップ用にディフューザー/ハウジングを作成しました。露出したLEDから発せられる光が冷たくて目障りだったのでです。設計ファイルは OnShape にありますが、実際のストリップや必要な取り付けエリアに合わせて調整する必要があるかもしれません。

最近 YouTube のフィードに出てきた数本のバイラル動画で、オーダーメイドの 3D 印刷ランプシェードを紹介していました。これらの揺れる膜は、2‑D プロファイルを空間内で上昇・回転させながらスイープした結果生まれる表面に似ているように感じました。最初から作るのは楽しい挑戦だと(しかもクリスマスプレゼントにもなる!)思いました。


2‑D プロファイル

Desmos で次式をプロットしました(リンクをクリックすると数式が表示されます)。

[ r = \cos(5\theta) + 0.2\cos(9\theta) + 0.05\cos(200\theta) + 4 ]

上に大きくて穏やかな波状の振れ、さらにその上に小さな揺らぎを重ねたような形です。


OnShape で試みる(失敗も)

Desmos は SVG 出力が可能で、これを Inkscape で DXF に変換してから OnShape にインポートできます。DXF ファイルはそのまま OnShape のスケッチに追加できるので、ここまで問題ありませんでした。しかし、Loft オブジェクトの作成には苦労しました。

Loft は先ほど述べたように、1 つの 2‑D プロファイルを別のプロファイルへ補間して体積または表面を生成するものです。今回の場合、2 番目のプロファイルは最初のプロファイルの上に置かれた一点だけです。

Loft ツールにはいくつか便利な設定があり、特に各プロファイルへのアプローチ角度(開始・終了)を指定できます。私は形状を 2‑D の輪郭から直立させ、最終点へ接線になるようにしたいと考えていました。こうすれば上部は鋭い尖端ではなく美しいドームになります。

1,047 点で構成されたこの複雑な有機的外観のプロファイルは、OnShape の主な用途にはあまり合わないようです。Loft 操作は処理に失敗し続け(見た目は良いものの)、何度かフリーズもしました。


新しいアイデア

そこで別の方法を思いつきました。点座標が既知であるなら、Python で形状を生成することはそれほど難しくないはずです。以前にこうしたことをやった経験がなかったので ChatGPT に相談しました。するとスクリプトを教えてもらい(リポジトリはこちら)、頂部へ向かって単一点に収束させる(高さに応じてプロファイルを縮尺)ように改変しました。その結果、70 + MB もの巨大な STL ファイルが出来上がり、現在もプリント中です…


更新

Jupyter Notebook を Marimo に移植し、生成されたランプシェードの断面とプロファイルをブラウザで直接 WebAssembly を使って可視化できるようにしました。Python をインストールせずともコードが実行できます(リンク)。

同じ日のほかのニュース

一覧に戻る →

2026/01/28 9:57

**トリニティ・ラージ** オープンな400 B スパースMoEモデル

## Japanese Translation: ``` (combining all key points with clarity):** --- ### Trinity‑Large: A Fast, Open, State‑of‑the‑Art Sparse MoE Language Model Trinity‑Large は、1 つのトークンで約 13 B パラメータ(256 エキスパート、1.56 % ルーティング分率)しか活性化しない 400 B パラメータを持つ sparse mixture‑of‑experts モデルです。10 T、4 T、3 T の三段階で **17 T** のキュレーション済みトークンを使用して訓練されました。プログラミング・STEM・推論・多言語コンテンツをカバーする合成データが用いられ、Momentum‑based エキスパートロードバランシング、1 シーケンスあたりのバランスロス、z‑loss 正則化で LM‑head ロジットを抑制し、効率的な注意機構(HSDP)と 8‑expert 並列処理が採用されました。 **リリースされたバリアント** | バリアント | 説明 | |---------|-------------| | **Trinity‑Large‑Preview** | 軽くポストトレーニングし、チャット対応。創造的執筆・物語作成・ロールプレイ・リアルタイム音声支援・エージェントタスク(OpenCode, Cline, Kilo Code)で優れた性能を発揮します。まだ推論モデルではありません。 | | **Trinity‑Large‑Base** | 完全な 17 T 事前訓練チェックポイント。ベンチマークと研究資源として使用されます。 | | **TrueBase** | 初期の 10 T チェックポイントで、指示データや LR アニーリングが含まれていません。大規模な高品質事前訓練効果を研究するのに最適です。 | 全体の作業―6か月間にわたる4つのモデル―は約 **2,000 万ドル** の費用で、**2048 台の Nvidia B300 GPU** を使用し、**33 日間** にわたって訓練されました。 **性能** - 数学・コーディング・科学的推論・原知識ベンチマークにおいて同等またはそれ以上の性能を示します。 - 推論速度は、同じハードウェア上で比較可能な重みクラスモデルより約 2–3 倍速です。 - ベンチマーク比較(Preview vs. Llama 4 Maverick): - MMLU: 87.2 vs. 85.5 - MMLU‑Pro: 75.2 vs. 80.5 - GPQA‑Diamond: 63.3 vs. 69.8 - AIME 2025: 24.0 vs. 19.3 **技術的詳細** - ネイティブコンテキスト長:**512k トークン**。Preview API はインフラ調整中に 128k と 8‑bit 量子化で動作します。 - モデルと API は Hugging Face、OpenRouter、および Arcee.ai を通じて公開されており、Kilo Code、Cline、OpenCode 用の統合がすぐに利用可能です。 **コミュニティへの関与** チームは Trinity‑Large が最先端レベルでありながら所有権と実際の使用を念頭に置いて設計されていることを強調し、ユーザーに失敗例を報告してもらうことでオープンモデルが継続的に改善できるよう奨励しています。 ```

2026/01/28 9:18

「有名な研究者が、赤ちゃんの中毒事件を隠したのでしょうか?」

2026/01/28 23:32

エアフォイル(2024)