🗣آمار مترو
✅مقایسه زمان ورود به قطار مترو شهر نیویورک نشان می دهد که برخی از خطوط قطار ممکن است کارآمدتر از دیگران باشند
در حالی که مسافران در شهر نیویورک در معرض تاخیر های مترو قرار دارند، دو محقق از مدل های آماری استفاده کرده اند تا نسبت به عملکرد این قطار بهتر باشند. تجزیه و تحلیل توسط پژهشگران دانشگاه تورنتو و دانشگاه کالیفرنیا گزارش شده است، ممکن است یک ابزار ریاضی برای ارزیابی پیشرفت های مترو فراهم شود.
✅کار توسط مطالعه 2000 اتوبوس در مکزیک آغاز شد،جایی که در آن رانندگان اتوبوس وسایل نقلیه خود را اداره می کنند و آنها را برای به حداکثر رساندن سود به کار می گیرند. در یک شهر که دارای ترافیک غیر قابل پیش بینی است، ممکن است زمانی بین اتوبوس های ورودی انتظار داشته باشید که ارزش های تصادفی داشته باشند که از یک الگوی قابل تشخیص پیروی نمی کنند. اما در عوض، مطالعه یک توزیع قابل پیش بینی تر از زمان هایی بود که بهترین توصیف آن توسط نظریه ماتریس تصادفی (RMT)، یک روش آماری گسترده برای توصیف سیستم های پیچیده (مانند هسته های سنگین) بود. این توزیع RMT یک برهمکنش موثر بین اتوبوس ها را پیشنهاد کرد، شاید ناشی از رانندگان که با رقابت با یکدیگر کارآمدتر بودند.
✅آیا آمار RMT مانند متروی شهر نیویورک، که تحت کنترل بیشتری نسبت به اتوبوس های کوئینواچا قرار دارند، نشان می دهد که چگونه موثر هستند. پژوهشگران سرنخ حمل و نقل زندگی شهر را برای تعیین زمان بین قطارهای ورودی در ایستگاه در دو خط "خطوط محلی"، 1 و 6 استفاده کردند. سپس آنها را تاخیر 90 ثانیه بین زمان رسیدن قطار که توسط حمل و نقل شهرستان مجاز قدرت.
✅ توزیع های آماری فاصله های زمانی تصحیح شده بیانگر اختلاف بین دو خط است. فاصله زمانی در خط 6 مقادیر تصادفی داشت. اما برای بخش جنوب غربی خط 1، توسط RMT به طور مناسبی توصیف شده بود - به طور بالقوه پیشنهاد خط کارآمدتری را ارائه کردند.
✅منبع:
✅https://physics.aps.org/synopsis-for/10.1103/PhysRevE.96.030101
✍شقایق شفیعی
#خبر_فیزیک
#فیزیک_آماری
عضویت در کانال👇
☑️ @IsfahanPhysicsHouse
✅مقایسه زمان ورود به قطار مترو شهر نیویورک نشان می دهد که برخی از خطوط قطار ممکن است کارآمدتر از دیگران باشند
در حالی که مسافران در شهر نیویورک در معرض تاخیر های مترو قرار دارند، دو محقق از مدل های آماری استفاده کرده اند تا نسبت به عملکرد این قطار بهتر باشند. تجزیه و تحلیل توسط پژهشگران دانشگاه تورنتو و دانشگاه کالیفرنیا گزارش شده است، ممکن است یک ابزار ریاضی برای ارزیابی پیشرفت های مترو فراهم شود.
✅کار توسط مطالعه 2000 اتوبوس در مکزیک آغاز شد،جایی که در آن رانندگان اتوبوس وسایل نقلیه خود را اداره می کنند و آنها را برای به حداکثر رساندن سود به کار می گیرند. در یک شهر که دارای ترافیک غیر قابل پیش بینی است، ممکن است زمانی بین اتوبوس های ورودی انتظار داشته باشید که ارزش های تصادفی داشته باشند که از یک الگوی قابل تشخیص پیروی نمی کنند. اما در عوض، مطالعه یک توزیع قابل پیش بینی تر از زمان هایی بود که بهترین توصیف آن توسط نظریه ماتریس تصادفی (RMT)، یک روش آماری گسترده برای توصیف سیستم های پیچیده (مانند هسته های سنگین) بود. این توزیع RMT یک برهمکنش موثر بین اتوبوس ها را پیشنهاد کرد، شاید ناشی از رانندگان که با رقابت با یکدیگر کارآمدتر بودند.
✅آیا آمار RMT مانند متروی شهر نیویورک، که تحت کنترل بیشتری نسبت به اتوبوس های کوئینواچا قرار دارند، نشان می دهد که چگونه موثر هستند. پژوهشگران سرنخ حمل و نقل زندگی شهر را برای تعیین زمان بین قطارهای ورودی در ایستگاه در دو خط "خطوط محلی"، 1 و 6 استفاده کردند. سپس آنها را تاخیر 90 ثانیه بین زمان رسیدن قطار که توسط حمل و نقل شهرستان مجاز قدرت.
✅ توزیع های آماری فاصله های زمانی تصحیح شده بیانگر اختلاف بین دو خط است. فاصله زمانی در خط 6 مقادیر تصادفی داشت. اما برای بخش جنوب غربی خط 1، توسط RMT به طور مناسبی توصیف شده بود - به طور بالقوه پیشنهاد خط کارآمدتری را ارائه کردند.
✅منبع:
✅https://physics.aps.org/synopsis-for/10.1103/PhysRevE.96.030101
✍شقایق شفیعی
#خبر_فیزیک
#فیزیک_آماری
عضویت در کانال👇
☑️ @IsfahanPhysicsHouse
Physics
Synopsis: Subway Stats
A comparison of the arrival-time statistics of New York City’s subway trains indicates that some train lines may be more efficiently run than others.
🗣سنجش نظریه نوسانات با استفاده از یک دانه شناور
#خبر_فیزیک
#فیزیک_آماری
⬇️اطلاعات بیشتر⬇️
عضویت در کانال👇
☑️ @IsfahanPhysicsHouse
#خبر_فیزیک
#فیزیک_آماری
⬇️اطلاعات بیشتر⬇️
عضویت در کانال👇
☑️ @IsfahanPhysicsHouse
🗣سنجش نظریه نوسانات با استفاده از یک دانه شناور
✅اندازه گیری حرکت یک دانه در ابعاد نانو _ که در یک دام اپتیکی محسور بوده است _ نظریه های ترمودینامیکی که نوسان های اجرام میکروسکوپی را توصیف می کنند را تایید می کند.
✅تخم مرغی که نیمرو شود دیگر نمی تواند به یک تخم مرغ سالم تبدیل شود!! اما این موضوع برای اجسام میکروسکوپی که مانعی برای حرکت در جهت عکس زمان ندارند، درست نیست. برای فهمیدن این احتمال، پژوهشگران روابط میکروسکوپیک ترمودینامیک را در طول دو دهه اخیر فرمول بندی کردند. یک آزمایش جدید که مکان و سرعت لحضه ای یک دانه در ابعاد نانو که با روش های اپتیکی شناور شده بسیاری از این روابط از جمله تساوی جارزینسکی و نظریه نوسانات متغیر (DFT) را تایید می کند. درک این نظریه ها می تواند ما را به فهمیدن منشا جهت زمان کمک کند.
✅اجسام میکروسکوپی مانند مولکول های زیستی و نانو ماشین ها می توانند نوسانات ناپایداری که آنتروپی را کاهش می دهد را تجربه کنند که با قانون دوم ترمودینامیک در تضاد است. اما پژوهشگران نشان دادند که این نوسان ها با سایر روابط آماری سازگار هستند. به عنوان مثال، DFT با احتمال یک فرایند رو به جلو ( مثلا حرکت یک جسم از x1به x2 ) به احتمال یک فرایند برعکس ( حرکت از x2 به x1 ) متناسب است.
✅پژوهشگران دانشگاه پردو در هند، اولین آزمایش تست DFT را در یک سیستم با شرایط اولیه دلخواه انجام دادند. با یک پرتو لیزر متمرکز، یک نانو دانه سیلیکون را در حالی که دائما سرعت و مکان آن را اندازه گیری می کردند، شناور کردند. در عین حال با استفاده از یک لیزر دیگر و اعمال نیروی اپتیکی به دانه، روی آن کار انجام دادند. با ثبت بیش از یک میلیون حلقه اعمال و عدم اعمال نیرو، پژوهشگران تعداد زیادی داده بدست آوردند که به ندرت در آنها x1 و x2 یا سرعت مشابه دیده می شد. آمار حرکت های رفت و برگشتی با پیشبینی های نظریه DFT همخوانی داشت. در آزمایش های آینده دانه می تواند تا نزدیک صفر مطلق سرد شود و بتوان در باره تاثیر نوسانات کوانتومی در ترمودینامیک پژوهش کرد.
✍پریسا هاشمی
✅منبع:
✅https://physics.aps.org/synopsis-for/10.1103/PhysRevLett.120.080602
#خبر_فیزیک
#فیزیک_آماری
عضویت در کانال👇
☑️ @IsfahanPhysicsHouse
✅اندازه گیری حرکت یک دانه در ابعاد نانو _ که در یک دام اپتیکی محسور بوده است _ نظریه های ترمودینامیکی که نوسان های اجرام میکروسکوپی را توصیف می کنند را تایید می کند.
✅تخم مرغی که نیمرو شود دیگر نمی تواند به یک تخم مرغ سالم تبدیل شود!! اما این موضوع برای اجسام میکروسکوپی که مانعی برای حرکت در جهت عکس زمان ندارند، درست نیست. برای فهمیدن این احتمال، پژوهشگران روابط میکروسکوپیک ترمودینامیک را در طول دو دهه اخیر فرمول بندی کردند. یک آزمایش جدید که مکان و سرعت لحضه ای یک دانه در ابعاد نانو که با روش های اپتیکی شناور شده بسیاری از این روابط از جمله تساوی جارزینسکی و نظریه نوسانات متغیر (DFT) را تایید می کند. درک این نظریه ها می تواند ما را به فهمیدن منشا جهت زمان کمک کند.
✅اجسام میکروسکوپی مانند مولکول های زیستی و نانو ماشین ها می توانند نوسانات ناپایداری که آنتروپی را کاهش می دهد را تجربه کنند که با قانون دوم ترمودینامیک در تضاد است. اما پژوهشگران نشان دادند که این نوسان ها با سایر روابط آماری سازگار هستند. به عنوان مثال، DFT با احتمال یک فرایند رو به جلو ( مثلا حرکت یک جسم از x1به x2 ) به احتمال یک فرایند برعکس ( حرکت از x2 به x1 ) متناسب است.
✅پژوهشگران دانشگاه پردو در هند، اولین آزمایش تست DFT را در یک سیستم با شرایط اولیه دلخواه انجام دادند. با یک پرتو لیزر متمرکز، یک نانو دانه سیلیکون را در حالی که دائما سرعت و مکان آن را اندازه گیری می کردند، شناور کردند. در عین حال با استفاده از یک لیزر دیگر و اعمال نیروی اپتیکی به دانه، روی آن کار انجام دادند. با ثبت بیش از یک میلیون حلقه اعمال و عدم اعمال نیرو، پژوهشگران تعداد زیادی داده بدست آوردند که به ندرت در آنها x1 و x2 یا سرعت مشابه دیده می شد. آمار حرکت های رفت و برگشتی با پیشبینی های نظریه DFT همخوانی داشت. در آزمایش های آینده دانه می تواند تا نزدیک صفر مطلق سرد شود و بتوان در باره تاثیر نوسانات کوانتومی در ترمودینامیک پژوهش کرد.
✍پریسا هاشمی
✅منبع:
✅https://physics.aps.org/synopsis-for/10.1103/PhysRevLett.120.080602
#خبر_فیزیک
#فیزیک_آماری
عضویت در کانال👇
☑️ @IsfahanPhysicsHouse
Physics
Fluctuation Theorems Tested with a Levitating Bead
Motion measurements of a nanosized bead—held aloft in an optical trap—confirm thermodynamic theories that describe fluctuations of microscopic objects.
🗣گوش کردن به صدای کیهانی سیاهچاله ها
#خبر_فیزیک
#فیزیک_آماری
#کیهان_شناسی
#سیاهچاله
⬇️اطلاعات بیشتر⬇️
عضویت در کانال👇
☑️ @IsfahanPhysicsHouse
#خبر_فیزیک
#فیزیک_آماری
#کیهان_شناسی
#سیاهچاله
⬇️اطلاعات بیشتر⬇️
عضویت در کانال👇
☑️ @IsfahanPhysicsHouse
🗣گوش کردن به صدای کیهانی سیاهچاله ها
✅روش های جدید آنالیز ممکن است این امکان را فراهم کند که پس زمینه امواج گرانشی حاصل از برخورد سیاهچاله های دور، به جای چند سال، در چند روز قابل آشکارسازی باشند.
✅گروه هایی که روی این آشکارسازی کار می کنند _ رصدخانه های امواج گرانشی لایگو و ویرگو_ تنها تعداد انگشت شماری برخورد سیاهچاله و یک جفت ستاره نوترونی برخوردی را مشاهده کردند تقریب ها پیشنهاد می کنند یک جفت سیاهچاله با جرم از مرتبه جرم خورشید، هرچند دقیقه یک بار در فضا بایکدیگر برخورد می کنند. برای جفت ستاره های نوترونی این برخورد ها هر 15 ثانیه یک بار رخ میدهند. بنابراین تعداد کمی از این برخورد ها مشاهده شدند. یک مقاله ی جدید توضیح میدهد چگونه با ترکیب مناسب سیگنال رویداد های توده ها ی کم جمعیت اجسام برخوردی درباره جمعیت تمام جفت های سیاهچاله در کیهان اطلاعات بدست آورد. این روش که توسط پژوهشگران دانشگاه استرالیا ارائه شده است، این امکان را می دهد صدای پس زمینه اجسام برخوردی دوردست را سریع تر از روش های قدیمی آشکار کنیم.
✅ رصدخانه های لایگو و ویرگو امواج گرانشی با تغییر فاصله بین آینه های رصد خانه ها که باعث ایجاد یک سیگنال نوسانی می شود، آشکار می کنند. با دقت فعلی رصدخانه ها تنها می توان کسر کوچکی از برخورد های مهمی که در کیهان رخ میدهد را آشکار کرد. بقیه برخورد ها در تعداد ریادی از رویداد ها قرار می گیرند که در آشکارساز ها به سختی از خطا ها قابل تشخیص هستند.
✅برای فهمیدن کامل سیاهچاله های برخوردی، تعداد زیادی از آنها باید آشکار شوند. خوشبختانه، این امکان وجود دارد که بتوان از مجموعه سیگنال های ضعیف تر مجموعه پس زمینه ها اطلاعاتی بدست آورد. برای مثال صدای قورباقه های برکه را تصور کنید صدای قورباقه های نزدیک به وضوع شنیده می شوند اما همچنان می توانیم صداهای نا واضحی از هزاران قورباقه دورتر بشنویم. میزان این سرو صدا ها میتواند اطلاعاتی درباره جمعیت قورباقه ها به ما بدهد. همچنین دامنه سیگنال های پس زمینه که لایگو و ویرگو دریافت کردند می تواند اطلاعاتی درباره برخورد سیاهچاله های دوردست وقتی کیهان جوانتر بوده است، به ما بدهد.
✅روش قدیمی برسی این پس زمینه ها مقایسه ی داده های دو آزمایشگاه برای تشخیص خطا و حذف آن از داده های اصلی است. اما پژوهشگران نشان دادند این روش برای داده های تصادفی که همپوشانی دارند مناسب است در حالی داده های مربوط به سیاهچاله های برخوردی شکل مشخصی دارند و همپوشانی ندارند. آنها در روش خود ابتدا داده های خام تداخل سنج ها را به بازه های زمانی کوتاه تقسیم میکنند سپس برای هربازه زمانی داده های تمام تداخل سنج ها را برسی می کنند برخورد سیاهچاله را بدست آوردند. با ترکیب تعداد زیادی از این احتمال ها میتوان نرخ برخورد سیاهچاله ها را محاسبه کرد. همچنین روش آنها میتواند اطلاعاتی از جمله نرخ برخورد برحسب جرم را بدست آورد. در این روش به جای چند سال داده، داده های یک روز کافی است.
✍پریسا هاشمی
✅منبع:
✅https://physics.aps.org/articles/v11/36
#خبر_فیزیک
#فیزیک_آماری
#کیهان_شناسی
#سیاهچاله
عضویت در کانال👇
☑️ @IsfahanPhysicsHouse
✅روش های جدید آنالیز ممکن است این امکان را فراهم کند که پس زمینه امواج گرانشی حاصل از برخورد سیاهچاله های دور، به جای چند سال، در چند روز قابل آشکارسازی باشند.
✅گروه هایی که روی این آشکارسازی کار می کنند _ رصدخانه های امواج گرانشی لایگو و ویرگو_ تنها تعداد انگشت شماری برخورد سیاهچاله و یک جفت ستاره نوترونی برخوردی را مشاهده کردند تقریب ها پیشنهاد می کنند یک جفت سیاهچاله با جرم از مرتبه جرم خورشید، هرچند دقیقه یک بار در فضا بایکدیگر برخورد می کنند. برای جفت ستاره های نوترونی این برخورد ها هر 15 ثانیه یک بار رخ میدهند. بنابراین تعداد کمی از این برخورد ها مشاهده شدند. یک مقاله ی جدید توضیح میدهد چگونه با ترکیب مناسب سیگنال رویداد های توده ها ی کم جمعیت اجسام برخوردی درباره جمعیت تمام جفت های سیاهچاله در کیهان اطلاعات بدست آورد. این روش که توسط پژوهشگران دانشگاه استرالیا ارائه شده است، این امکان را می دهد صدای پس زمینه اجسام برخوردی دوردست را سریع تر از روش های قدیمی آشکار کنیم.
✅ رصدخانه های لایگو و ویرگو امواج گرانشی با تغییر فاصله بین آینه های رصد خانه ها که باعث ایجاد یک سیگنال نوسانی می شود، آشکار می کنند. با دقت فعلی رصدخانه ها تنها می توان کسر کوچکی از برخورد های مهمی که در کیهان رخ میدهد را آشکار کرد. بقیه برخورد ها در تعداد ریادی از رویداد ها قرار می گیرند که در آشکارساز ها به سختی از خطا ها قابل تشخیص هستند.
✅برای فهمیدن کامل سیاهچاله های برخوردی، تعداد زیادی از آنها باید آشکار شوند. خوشبختانه، این امکان وجود دارد که بتوان از مجموعه سیگنال های ضعیف تر مجموعه پس زمینه ها اطلاعاتی بدست آورد. برای مثال صدای قورباقه های برکه را تصور کنید صدای قورباقه های نزدیک به وضوع شنیده می شوند اما همچنان می توانیم صداهای نا واضحی از هزاران قورباقه دورتر بشنویم. میزان این سرو صدا ها میتواند اطلاعاتی درباره جمعیت قورباقه ها به ما بدهد. همچنین دامنه سیگنال های پس زمینه که لایگو و ویرگو دریافت کردند می تواند اطلاعاتی درباره برخورد سیاهچاله های دوردست وقتی کیهان جوانتر بوده است، به ما بدهد.
✅روش قدیمی برسی این پس زمینه ها مقایسه ی داده های دو آزمایشگاه برای تشخیص خطا و حذف آن از داده های اصلی است. اما پژوهشگران نشان دادند این روش برای داده های تصادفی که همپوشانی دارند مناسب است در حالی داده های مربوط به سیاهچاله های برخوردی شکل مشخصی دارند و همپوشانی ندارند. آنها در روش خود ابتدا داده های خام تداخل سنج ها را به بازه های زمانی کوتاه تقسیم میکنند سپس برای هربازه زمانی داده های تمام تداخل سنج ها را برسی می کنند برخورد سیاهچاله را بدست آوردند. با ترکیب تعداد زیادی از این احتمال ها میتوان نرخ برخورد سیاهچاله ها را محاسبه کرد. همچنین روش آنها میتواند اطلاعاتی از جمله نرخ برخورد برحسب جرم را بدست آورد. در این روش به جای چند سال داده، داده های یک روز کافی است.
✍پریسا هاشمی
✅منبع:
✅https://physics.aps.org/articles/v11/36
#خبر_فیزیک
#فیزیک_آماری
#کیهان_شناسی
#سیاهچاله
عضویت در کانال👇
☑️ @IsfahanPhysicsHouse
Physics
Viewpoint: Listening for the Cosmic Hum of Black Holes
A new analysis technique would allow the gravitational-wave “background” from distant black hole mergers to be detected in days instead of years.