🔺 تصویری از یک معمای باستانی: مریخ‌نورد کنجکاوی از بستر یک رودخانه خشک‌شده عکس‌برداری کرد
🔹 مریخ‌نورد «کنجکاوی» ناسا با بهره‌گیری از هوای صاف زمستانی در مریخ، این تصویر پانورامای خیره‌کننده را از فاصله‌ای دور از «دره صلح» (Peace Vallis) ثبت کرده است.
❕ «دره صلح» کجاست؟
این یک شبکه درهای باستانی در «دهانه گیل» مریخ است. دانشمندان معتقدند میلیاردها سال پیش، این دره یک رودخانه پرآب بوده که به یک دریاچه بزرگ در کف دهانه می‌ریخته است. مریخ‌نورد کنجکاوی از سال ۲۰۱۲ در حال کاوش این دهانه است.
🔹 این تصاویر جدید که از فاصله حدود ۳۰ کیلومتری گرفته شده‌اند، الگوهای سنگی و رسوبی را نشان می‌دهند که پیش از این دیده نشده بودند. این سرنخ‌های جدید می‌تواند به دانشمندان کمک کند تا به یک سوال اساسی پاسخ دهند: منشأ آبی که این رودخانه را تغذیه می‌کرده چه بوده است؟
سه فرضیه اصلی وجود دارد:
۱- باران: در دوره‌ای که مریخ جوی گرم‌تر و مرطوب‌تر داشته است.
۲- ذوب برف: از کوه‌های اطراف دهانه گیل.
۳- چشمه‌های زیرزمینی: که از اعماق سیاره به سطح می‌جوشیده‌اند.
[منبع]
🆔 @Science_Focus
#مریخ #ناسا #کنجکاوی #فضا #سیاره_شناسی
🔹 مریخ‌نورد «کنجکاوی» ناسا با بهره‌گیری از هوای صاف زمستانی در مریخ، این تصویر پانورامای خیره‌کننده را از فاصله‌ای دور از «دره صلح» (Peace Vallis) ثبت کرده است.
❕ «دره صلح» کجاست؟
این یک شبکه درهای باستانی در «دهانه گیل» مریخ است. دانشمندان معتقدند میلیاردها سال پیش، این دره یک رودخانه پرآب بوده که به یک دریاچه بزرگ در کف دهانه می‌ریخته است. مریخ‌نورد کنجکاوی از سال ۲۰۱۲ در حال کاوش این دهانه است.
🔹 این تصاویر جدید که از فاصله حدود ۳۰ کیلومتری گرفته شده‌اند، الگوهای سنگی و رسوبی را نشان می‌دهند که پیش از این دیده نشده بودند. این سرنخ‌های جدید می‌تواند به دانشمندان کمک کند تا به یک سوال اساسی پاسخ دهند: منشأ آبی که این رودخانه را تغذیه می‌کرده چه بوده است؟
سه فرضیه اصلی وجود دارد:
۱- باران: در دوره‌ای که مریخ جوی گرم‌تر و مرطوب‌تر داشته است.
۲- ذوب برف: از کوه‌های اطراف دهانه گیل.
۳- چشمه‌های زیرزمینی: که از اعماق سیاره به سطح می‌جوشیده‌اند.
[منبع]
🆔 @Science_Focus
#مریخ #ناسا #کنجکاوی #فضا #سیاره_شناسی
🔺 نقش ذرات شبح‌وار در کارخانه طلاسازی کیهان: تغییر طعم نوترینوها، برخورد ستاره‌های نوترونی را متحول می‌کند
🔹 شبیه‌سازی‌های کامپیوتری جدید از برخورد ستاره‌های نوترونی—یکی از خشن‌ترین رویدادهای کیهان—نشان می‌دهد که یک پدیده فیزیکی بسیار ظریف، تأثیرات عظیمی بر نتیجه این برخوردها دارد. این پژوهش که در ژورنال معتبر Physical Review Letters منتشر شده، نشان می‌دهد که «تغییر طعم» نوترینوها، می‌تواند میزان تولید عناصر سنگین مانند طلا و پلاتین را تا ۱۰ برابر افزایش دهد.
❕ کارخانه‌های کیهانی: برخورد ستاره‌های نوترونی
ستاره‌های نوترونی بقایای فوق‌العاده چگال ستاره‌های مرده هستند. وقتی دو ستاره از این نوع با یکدیگر برخورد می‌کنند، یک رویداد کیهانی عظیم رخ می‌دهد که امواج گرانشی تولید کرده و مقادیر زیادی نوترون به اطراف پرتاب می‌کند. این نوترون‌ها توسط اتم‌های دیگر جذب شده و در فرآیندی به نام «فرایند r»، عناصر سنگین‌تر از آهن (مانند طلا، پلاتین و عناصر خاکی کمیاب) را می‌سازند. این برخوردها، کارخانه‌های اصلی تولید این عناصر در جهان هستند.
🔹 این شبیه‌سازی‌ها برای اولین بار پدیده‌ای به نام «نوسان طعم نوترینو» را در مدل‌سازی این برخوردها لحاظ کرده‌اند.
❕ نوترینو چیست و چرا «تغییر طعم» آن مهم است؟
نوترینوها ذرات بنیادی و «شبح‌واری» هستند که به سختی با ماده برهمکنش می‌کنند. آن‌ها سه نوع یا «طعم» دارند: الکترون، میون و تاو. در شرایط بسیار شدید مانند داخل یک ستاره نوترونی، نوترینوها می‌توانند از یک طعم به طعم دیگر تغییر کنند.
این تغییر بسیار حیاتی است، زیرا تنها نوترینوهای طعم الکترون می‌توانند با نوترون‌ها برهمکنش کرده و آن‌ها را به پروتون تبدیل کنند. وقتی نوترینوها به طعم‌های دیگر تغییر می‌کنند، این توانایی را از دست می‌دهند. در نتیجه، نوترون‌های بیشتری در محیط باقی می‌مانند. نوترون‌های بیشتر به معنای «سوخت» بیشتر برای فرآیند و در نتیجه، تولید بسیار بیشتر عناصر سنگین است.
🔹 این تحقیق نشان می‌دهد که لحاظ کردن این پدیده فیزیکی ظریف، نه تنها بر میزان تولید عناصر، بلکه بر ساختار بقایای برخورد و حتی سیگنال‌های امواج گرانشی و الکترومغناطیسی که از آن ساطع می‌شود نیز تأثیر می‌گذارد. این شبیه‌سازی‌های دقیق به دانشمندان کمک می‌کند تا مشاهدات آینده از این رویدادهای کیهانی را با دقت بسیار بیشتری تفسیر کنند و یکی از بزرگترین معماهای کیهان، یعنی منشأ عناصر سنگین، را حل نمایند.
[منبع]
🆔 @Science_Focus
#اخترفیزیک #فیزیک_ذرات #ستاره_نوترونی #امواج_گرانشی #نوترینو #عناصر_سنگین
🔹 شبیه‌سازی‌های کامپیوتری جدید از برخورد ستاره‌های نوترونی—یکی از خشن‌ترین رویدادهای کیهان—نشان می‌دهد که یک پدیده فیزیکی بسیار ظریف، تأثیرات عظیمی بر نتیجه این برخوردها دارد. این پژوهش که در ژورنال معتبر Physical Review Letters منتشر شده، نشان می‌دهد که «تغییر طعم» نوترینوها، می‌تواند میزان تولید عناصر سنگین مانند طلا و پلاتین را تا ۱۰ برابر افزایش دهد.
❕ کارخانه‌های کیهانی: برخورد ستاره‌های نوترونی
ستاره‌های نوترونی بقایای فوق‌العاده چگال ستاره‌های مرده هستند. وقتی دو ستاره از این نوع با یکدیگر برخورد می‌کنند، یک رویداد کیهانی عظیم رخ می‌دهد که امواج گرانشی تولید کرده و مقادیر زیادی نوترون به اطراف پرتاب می‌کند. این نوترون‌ها توسط اتم‌های دیگر جذب شده و در فرآیندی به نام «فرایند r»، عناصر سنگین‌تر از آهن (مانند طلا، پلاتین و عناصر خاکی کمیاب) را می‌سازند. این برخوردها، کارخانه‌های اصلی تولید این عناصر در جهان هستند.
🔹 این شبیه‌سازی‌ها برای اولین بار پدیده‌ای به نام «نوسان طعم نوترینو» را در مدل‌سازی این برخوردها لحاظ کرده‌اند.
❕ نوترینو چیست و چرا «تغییر طعم» آن مهم است؟
نوترینوها ذرات بنیادی و «شبح‌واری» هستند که به سختی با ماده برهمکنش می‌کنند. آن‌ها سه نوع یا «طعم» دارند: الکترون، میون و تاو. در شرایط بسیار شدید مانند داخل یک ستاره نوترونی، نوترینوها می‌توانند از یک طعم به طعم دیگر تغییر کنند.
این تغییر بسیار حیاتی است، زیرا تنها نوترینوهای طعم الکترون می‌توانند با نوترون‌ها برهمکنش کرده و آن‌ها را به پروتون تبدیل کنند. وقتی نوترینوها به طعم‌های دیگر تغییر می‌کنند، این توانایی را از دست می‌دهند. در نتیجه، نوترون‌های بیشتری در محیط باقی می‌مانند. نوترون‌های بیشتر به معنای «سوخت» بیشتر برای فرآیند و در نتیجه، تولید بسیار بیشتر عناصر سنگین است.
🔹 این تحقیق نشان می‌دهد که لحاظ کردن این پدیده فیزیکی ظریف، نه تنها بر میزان تولید عناصر، بلکه بر ساختار بقایای برخورد و حتی سیگنال‌های امواج گرانشی و الکترومغناطیسی که از آن ساطع می‌شود نیز تأثیر می‌گذارد. این شبیه‌سازی‌های دقیق به دانشمندان کمک می‌کند تا مشاهدات آینده از این رویدادهای کیهانی را با دقت بسیار بیشتری تفسیر کنند و یکی از بزرگترین معماهای کیهان، یعنی منشأ عناصر سنگین، را حل نمایند.
[منبع]
🆔 @Science_Focus
#اخترفیزیک #فیزیک_ذرات #ستاره_نوترونی #امواج_گرانشی #نوترینو #عناصر_سنگین
phys.org
Mixing neutrinos of colliding neutron stars changes how merger unfolds, simulations reveal
The collision and merger of two neutron stars—the incredibly dense remnants of collapsed stars—are some of the most energetic events in the universe, producing a variety of signals that can be observed ...
🔺 چرا هوش مصنوعی «توهم» می‌زند؟ تحلیل OpenAI نشان می‌دهد این یک باگ نیست، یک ویژگی اجتناب‌ناپذیر است
🔹 همه ما با «توهم» یا اطلاعات غلطی که مدل‌های زبانی مانند ChatGPT با اطمینان کامل بیان می‌کنند، آشنا هستیم. یک مقاله تحقیقاتی جدید و مهم از خود OpenAI، به صورت ریاضی ثابت می‌کند که این مشکل صرفاً یک «باگ» قابل رفع نیست، بلکه یک ویژگی ذاتی و اجتناب‌ناپذیر در معماری فعلی این سیستم‌هاست.
🔹 این پژوهش نشان می‌دهد که حتی با داده‌های آموزشی بی‌نقص، مشکل توهم همچنان پابرجا خواهد بود. دلیل آن به نحوه کار این مدل‌ها برمی‌گردد: آن‌ها با پیش‌بینی محتمل‌ترین کلمه بعدی، جمله می‌سازند. این فرآیند ذاتاً مستعد انباشت خطاهای کوچک و تولید اطلاعات نادرست است. اما مشکل عمیق‌تر، در نحوه ارزیابی و تشویق این مدل‌ها نهفته است.
❕ «تله ارزیابی»: چرا AI به حدس زدن تشویق می‌شود؟
مقاله نشان می‌دهد که تقریباً تمام بنچمارک‌های اصلی ارزیابی هوش مصنوعی، یک سیستم امتیازدهی «صفر یا یک» دارند. در این سیستم، اگر هوش مصنوعی در پاسخ به یک سوال بگوید «نمی‌دانم»، همان امتیازی (صفر) را می‌گیرد که در صورت ارائه یک پاسخ کاملاً غلط می‌گرفت. این سیستم، مدل را به طور ریاضیاتی به سمت یک استراتژی بهینه سوق می‌دهد: همیشه حدس بزن! زیرا حتی اگر شانس کمی برای درست بودن پاسخ وجود داشته باشد، ارزش انتظاری حدس زدن همیشه بیشتر از ابراز عدم اطمینان است.
🔹 راه‌حلی که آن را دوست نخواهید داشت
محققان OpenAI یک راه‌حل پیشنهاد می‌کنند: تغییر سیستم امتیازدهی به گونه‌ای که ابراز عدم اطمینان، امتیاز بیشتری از ارائه پاسخ غلط داشته باشد. برای مثال، می‌توان به مدل گفت: «فقط در صورتی پاسخ بده که بیش از ۷۵٪ مطمئن هستی؛ پاسخ غلط ۳ امتیاز منفی و پاسخ درست ۱ امتیاز مثبت دارد.» این کار به طور طبیعی مدل را به سمت صداقت و ابراز عدم اطمینان سوق می‌دهد و توهم را به شدت کاهش می‌دهد.
❕ چرا این راه‌حل در عمل کار نمی‌کند؟
۱- تجربه کاربری: تصور کنید ChatGPT به ۳۰٪ از سوالات شما پاسخ «نمی‌دانم» بدهد. کاربرانی که به دریافت پاسخ‌های سریع و بااعتماد به نفس برای هر سوالی عادت کرده‌اند، به سرعت چنین سیستمی را رها خواهند کرد.
۲- اقتصاد محاسباتی: وادار کردن مدل به ارزیابی میزان اطمینان خود، نیازمند محاسبات بسیار بیشتری است که هزینه‌های عملیاتی را به شدت افزایش می‌دهد.
این دو عامل باعث می‌شوند که در کاربردهای عمومی، سرعت و پاسخ‌دهی به هر قیمتی، بر دقت و صداقت ارجحیت داشته باشد.
🔹 این تحلیل تکان‌دهنده نشان می‌دهد که تا زمانی که انگیزه‌های تجاری و انتظارات کاربران تغییر نکند، مشکل توهم در مدل‌های زبانی عمومی پابرجا خواهد ماند. راه‌حل‌های دقیق‌تر و صادقانه‌تر، احتمالاً ابتدا در حوزه‌های بسیار حیاتی (مانند پزشکی یا مالی) که هزینه یک اشتباه بسیار بالاست، به کار گرفته خواهند شد.
[منبع]
🆔 @Science_Focus
#هوش_مصنوعی #مدل_زبانی_بزرگ #توهم_AI #یادگیری_ماشین #اخلاق_AI
🔹 همه ما با «توهم» یا اطلاعات غلطی که مدل‌های زبانی مانند ChatGPT با اطمینان کامل بیان می‌کنند، آشنا هستیم. یک مقاله تحقیقاتی جدید و مهم از خود OpenAI، به صورت ریاضی ثابت می‌کند که این مشکل صرفاً یک «باگ» قابل رفع نیست، بلکه یک ویژگی ذاتی و اجتناب‌ناپذیر در معماری فعلی این سیستم‌هاست.
🔹 این پژوهش نشان می‌دهد که حتی با داده‌های آموزشی بی‌نقص، مشکل توهم همچنان پابرجا خواهد بود. دلیل آن به نحوه کار این مدل‌ها برمی‌گردد: آن‌ها با پیش‌بینی محتمل‌ترین کلمه بعدی، جمله می‌سازند. این فرآیند ذاتاً مستعد انباشت خطاهای کوچک و تولید اطلاعات نادرست است. اما مشکل عمیق‌تر، در نحوه ارزیابی و تشویق این مدل‌ها نهفته است.
❕ «تله ارزیابی»: چرا AI به حدس زدن تشویق می‌شود؟
مقاله نشان می‌دهد که تقریباً تمام بنچمارک‌های اصلی ارزیابی هوش مصنوعی، یک سیستم امتیازدهی «صفر یا یک» دارند. در این سیستم، اگر هوش مصنوعی در پاسخ به یک سوال بگوید «نمی‌دانم»، همان امتیازی (صفر) را می‌گیرد که در صورت ارائه یک پاسخ کاملاً غلط می‌گرفت. این سیستم، مدل را به طور ریاضیاتی به سمت یک استراتژی بهینه سوق می‌دهد: همیشه حدس بزن! زیرا حتی اگر شانس کمی برای درست بودن پاسخ وجود داشته باشد، ارزش انتظاری حدس زدن همیشه بیشتر از ابراز عدم اطمینان است.
🔹 راه‌حلی که آن را دوست نخواهید داشت
محققان OpenAI یک راه‌حل پیشنهاد می‌کنند: تغییر سیستم امتیازدهی به گونه‌ای که ابراز عدم اطمینان، امتیاز بیشتری از ارائه پاسخ غلط داشته باشد. برای مثال، می‌توان به مدل گفت: «فقط در صورتی پاسخ بده که بیش از ۷۵٪ مطمئن هستی؛ پاسخ غلط ۳ امتیاز منفی و پاسخ درست ۱ امتیاز مثبت دارد.» این کار به طور طبیعی مدل را به سمت صداقت و ابراز عدم اطمینان سوق می‌دهد و توهم را به شدت کاهش می‌دهد.
❕ چرا این راه‌حل در عمل کار نمی‌کند؟
۱- تجربه کاربری: تصور کنید ChatGPT به ۳۰٪ از سوالات شما پاسخ «نمی‌دانم» بدهد. کاربرانی که به دریافت پاسخ‌های سریع و بااعتماد به نفس برای هر سوالی عادت کرده‌اند، به سرعت چنین سیستمی را رها خواهند کرد.
۲- اقتصاد محاسباتی: وادار کردن مدل به ارزیابی میزان اطمینان خود، نیازمند محاسبات بسیار بیشتری است که هزینه‌های عملیاتی را به شدت افزایش می‌دهد.
این دو عامل باعث می‌شوند که در کاربردهای عمومی، سرعت و پاسخ‌دهی به هر قیمتی، بر دقت و صداقت ارجحیت داشته باشد.
🔹 این تحلیل تکان‌دهنده نشان می‌دهد که تا زمانی که انگیزه‌های تجاری و انتظارات کاربران تغییر نکند، مشکل توهم در مدل‌های زبانی عمومی پابرجا خواهد ماند. راه‌حل‌های دقیق‌تر و صادقانه‌تر، احتمالاً ابتدا در حوزه‌های بسیار حیاتی (مانند پزشکی یا مالی) که هزینه یک اشتباه بسیار بالاست، به کار گرفته خواهند شد.
[منبع]
🆔 @Science_Focus
#هوش_مصنوعی #مدل_زبانی_بزرگ #توهم_AI #یادگیری_ماشین #اخلاق_AI
ScienceAlert
OpenAI Has a Fix For Hallucinations, But You Really Won't Like It
Trust us.
🔺 سرنخ‌های ۷۳ میلیون ساله: فسیل جوجه‌های باستانی، راز مهاجرت پرندگان به قطب شمال را فاش می‌کند
🔹 هر ساله میلیاردها پرنده، سفری حماسی و طاقت‌فرسا را برای زادآوری به قطب شمال انجام می‌دهند. اما این رفتار شگفت‌انگیز از چه زمانی آغاز شد؟ کشف فسیل‌های ظریف جوجه‌های تازه متولد شده در آلاسکا، نشان می‌دهد که این سنت باستانی حداقل ۷۳ میلیون سال قدمت دارد و به دوران دایناسورها بازمی‌گردد.
❕ چرا قطب شمال؟ راز روزهای بی‌پایان
این سفر پرخطر، یک پاداش بزرگ دارد: تابستان قطبی با ۲۴ ساعت روشنایی روز. این نور بی‌پایان به معنای رشد انفجاری گیاهان و حشرات است که یک منبع غذایی غنی و تمام‌نشدنی برای بزرگ کردن جوجه‌ها فراهم می‌کند. همچنین، نور مداوم، پنهان شدن شکارچیان را دشوارتر می‌سازد و امنیت لانه‌ها را افزایش می‌دهد.
🔹 دیرینه‌شناسان در منطقه‌ای که در دوره کرتاسه پسین در عرض جغرافیایی ۸۰ تا ۸۵ درجه شمالی قرار داشت، فسیل‌های ده‌ها استخوان و دندان متعلق به جوجه‌های بسیار کوچک را کشف کرده‌اند. این یافته، قدیمی‌ترین مدرک مستقیم از «زادآوری» پرندگان در عرض‌های جغرافیایی قطبی است. اما سوال بزرگ این بود: آیا این پرندگان تمام سال را در آنجا می‌ماندند یا مهاجر بودند؟
🔹 پاسخ این معما در این است که کدام گونه از پرندگان در آنجا حضور داشتند—و مهم‌تر از آن، کدام گونه حضور نداشت.
❕ یک رقابت تکاملی: چرا فقط یک گروه به قطب راه یافت؟
در آن زمان، دو گروه اصلی از پرندگان وجود داشتند:
* اورنیتورین‌ها (Ornithurines): اجداد پرندگان مدرن. آن‌ها تخم‌های بزرگ‌تری می‌گذاشتند و با نشستن روی تخم‌ها، جوجه‌کشی را سریع‌تر و کارآمدتر انجام می‌دادند. تمام فسیل‌های یافت‌شده در قطب شمال متعلق به این گروه است.
* انانتی‌اورنیتین‌ها (Enantiornithines): گروه غالب پرندگان در دوره کرتاسه که در سراسر جهان یافت می‌شدند. اما آن‌ها تخم‌های خود را در خاک دفن می‌کردند که فرآیند رشد را کند می‌کرد و در خاک سرد قطب شمال بسیار ناکارآمد بود. همچنین الگوی پرریزی آن‌ها باعث می‌شد در دوره‌ای از سال تقریباً عریان باشند که در سرمای قطب کشنده بود. هیچ فسیلی از این گروه در قطب شمال یافت نشده است.
🔹 این غیبت معنادار نشان می‌دهد که گروه اول به لطف نوآوری‌های تکاملی خود، توانستند از پنجره کوتاه و پرنعمت تابستان قطبی استفاده کرده، به سرعت جوجه‌های خود را بزرگ کنند و قبل از رسیدن زمستان سخت، به جنوب پرواز کنند. این قوی‌ترین شواهدی است که نشان می‌دهد رفتار پیچیده مهاجرت، یک استراتژی بسیار باستانی برای بقا بوده است.
[منبع]
🆔 @Science_Focus
#دیرینه_شناسی #پرندگان #مهاجرت #تکامل #قطب_شمال #فسیل
🔹 هر ساله میلیاردها پرنده، سفری حماسی و طاقت‌فرسا را برای زادآوری به قطب شمال انجام می‌دهند. اما این رفتار شگفت‌انگیز از چه زمانی آغاز شد؟ کشف فسیل‌های ظریف جوجه‌های تازه متولد شده در آلاسکا، نشان می‌دهد که این سنت باستانی حداقل ۷۳ میلیون سال قدمت دارد و به دوران دایناسورها بازمی‌گردد.
❕ چرا قطب شمال؟ راز روزهای بی‌پایان
این سفر پرخطر، یک پاداش بزرگ دارد: تابستان قطبی با ۲۴ ساعت روشنایی روز. این نور بی‌پایان به معنای رشد انفجاری گیاهان و حشرات است که یک منبع غذایی غنی و تمام‌نشدنی برای بزرگ کردن جوجه‌ها فراهم می‌کند. همچنین، نور مداوم، پنهان شدن شکارچیان را دشوارتر می‌سازد و امنیت لانه‌ها را افزایش می‌دهد.
🔹 دیرینه‌شناسان در منطقه‌ای که در دوره کرتاسه پسین در عرض جغرافیایی ۸۰ تا ۸۵ درجه شمالی قرار داشت، فسیل‌های ده‌ها استخوان و دندان متعلق به جوجه‌های بسیار کوچک را کشف کرده‌اند. این یافته، قدیمی‌ترین مدرک مستقیم از «زادآوری» پرندگان در عرض‌های جغرافیایی قطبی است. اما سوال بزرگ این بود: آیا این پرندگان تمام سال را در آنجا می‌ماندند یا مهاجر بودند؟
🔹 پاسخ این معما در این است که کدام گونه از پرندگان در آنجا حضور داشتند—و مهم‌تر از آن، کدام گونه حضور نداشت.
❕ یک رقابت تکاملی: چرا فقط یک گروه به قطب راه یافت؟
در آن زمان، دو گروه اصلی از پرندگان وجود داشتند:
* اورنیتورین‌ها (Ornithurines): اجداد پرندگان مدرن. آن‌ها تخم‌های بزرگ‌تری می‌گذاشتند و با نشستن روی تخم‌ها، جوجه‌کشی را سریع‌تر و کارآمدتر انجام می‌دادند. تمام فسیل‌های یافت‌شده در قطب شمال متعلق به این گروه است.
* انانتی‌اورنیتین‌ها (Enantiornithines): گروه غالب پرندگان در دوره کرتاسه که در سراسر جهان یافت می‌شدند. اما آن‌ها تخم‌های خود را در خاک دفن می‌کردند که فرآیند رشد را کند می‌کرد و در خاک سرد قطب شمال بسیار ناکارآمد بود. همچنین الگوی پرریزی آن‌ها باعث می‌شد در دوره‌ای از سال تقریباً عریان باشند که در سرمای قطب کشنده بود. هیچ فسیلی از این گروه در قطب شمال یافت نشده است.
🔹 این غیبت معنادار نشان می‌دهد که گروه اول به لطف نوآوری‌های تکاملی خود، توانستند از پنجره کوتاه و پرنعمت تابستان قطبی استفاده کرده، به سرعت جوجه‌های خود را بزرگ کنند و قبل از رسیدن زمستان سخت، به جنوب پرواز کنند. این قوی‌ترین شواهدی است که نشان می‌دهد رفتار پیچیده مهاجرت، یک استراتژی بسیار باستانی برای بقا بوده است.
[منبع]
🆔 @Science_Focus
#دیرینه_شناسی #پرندگان #مهاجرت #تکامل #قطب_شمال #فسیل
Scientific American
How Birds Began Migrating to the Arctic to Breed
Tiny fossils hint at when birds began making their mind-blowing journey to the Arctic to breed
🔺 نسل آرتمیس: ناسا کلاس جدید فضانوردان خود را برای مأموریت‌های ماه و مریخ معرفی کرد
🔹 ناسا از میان بیش از ۸۰۰۰ متقاضی، ۱۰ نفر (۶ زن و ۴ مرد) را به عنوان اعضای کلاس جدید فضانوردان خود در سال ۲۰۲۵ انتخاب و معرفی کرد. این گروه که «نسل آرتمیس» نام گرفته‌اند، پس از دو سال آموزش فشرده، برای مأموریت‌های آینده به ایستگاه‌های فضایی تجاری، ماه و در نهایت مریخ آماده خواهند شد.
❕ چرا این کلاس فضانوردی یک نقطه عطف تاریخی است؟
این بیست و چهارمین کلاس فضانوردی ناسا، چند ویژگی منحصر به فرد دارد:
۱- اولین کلاس با اکثریت زنان: برای اولین بار در تاریخ ناسا، تعداد زنان انتخاب‌شده (۶ نفر) از مردان (۴ نفر) بیشتر است که نشان‌دهنده یک تغییر مهم فرهنگی است.
۲- حضور پررنگ بخش خصوصی: دو نفر از اعضا، آنا منون و یوری کوبو، سوابق درخشانی در شرکت SpaceX دارند. آنا منون پیش از این در مأموریت خصوصی Polaris Dawn به فضا سفر کرده است. این نشان‌دهنده همکاری عمیق‌تر ناسا و بخش خصوصی در عصر جدید فضا است.
۳- تنوع بی‌نظیر تخصص‌ها: این گروه شامل خلبانان آزمایشی برتر، یک زمین‌شناس ارشد برنامه آرتمیس، یک پزشک متخصص بیهوشی و پزشکی زیردریایی، و مهندسان برجسته است.
🔹 نگاهی به برخی از اعضای برجسته:
* آنا منون: مهندس ارشد سابق SpaceX که در سال ۲۰۲۴ با مأموریت Polaris Dawn به فضا سفر کرد و رکورد ارتفاع مداری زنان را شکست.
* لورن ادگار: زمین‌شناسی که معاون تیم علمی مأموریت آرتمیس ۳ (اولین فرود انسان بر ماه پس از آپولو) بوده و اهداف علمی فضانوردان روی ماه را طراحی کرده است.
* یوری کوبو: مهندس ارشد سابق SpaceX که به عنوان مدیر پرتاب موشک‌های فالکون ۹ و مدیر بخش‌های کلیدی دیگر فعالیت داشته است.
* ایملدا مولر: پزشکی که تخصص خود را در بیهوشی با پزشکی زیردریایی ترکیب کرده و در آزمایشگاه شناوری خنثی ناسا (محل شبیه‌سازی پیاده‌روی فضایی) خدمت کرده است.
🔹 این ده نفر اکنون یک دوره آموزشی دو ساله را آغاز می‌کنند که شامل مکانیک مداری، کنترل رباتیک، مهارت‌های پیاده‌روی فضایی، و آموزش بقا در شرایط سخت است. آن‌ها پس از فارغ‌التحصیلی به ۴۱ فضانورد فعال فعلی ناسا خواهند پیوست و آینده اکتشافات انسانی در فضا را رقم خواهند زد.
[منبع]
🆔 @Science_Focus
#فضا #ناسا #فضانورد #آرتمیس #ماه #مریخ #اکتشافات_فضایی
🔹 ناسا از میان بیش از ۸۰۰۰ متقاضی، ۱۰ نفر (۶ زن و ۴ مرد) را به عنوان اعضای کلاس جدید فضانوردان خود در سال ۲۰۲۵ انتخاب و معرفی کرد. این گروه که «نسل آرتمیس» نام گرفته‌اند، پس از دو سال آموزش فشرده، برای مأموریت‌های آینده به ایستگاه‌های فضایی تجاری، ماه و در نهایت مریخ آماده خواهند شد.
❕ چرا این کلاس فضانوردی یک نقطه عطف تاریخی است؟
این بیست و چهارمین کلاس فضانوردی ناسا، چند ویژگی منحصر به فرد دارد:
۱- اولین کلاس با اکثریت زنان: برای اولین بار در تاریخ ناسا، تعداد زنان انتخاب‌شده (۶ نفر) از مردان (۴ نفر) بیشتر است که نشان‌دهنده یک تغییر مهم فرهنگی است.
۲- حضور پررنگ بخش خصوصی: دو نفر از اعضا، آنا منون و یوری کوبو، سوابق درخشانی در شرکت SpaceX دارند. آنا منون پیش از این در مأموریت خصوصی Polaris Dawn به فضا سفر کرده است. این نشان‌دهنده همکاری عمیق‌تر ناسا و بخش خصوصی در عصر جدید فضا است.
۳- تنوع بی‌نظیر تخصص‌ها: این گروه شامل خلبانان آزمایشی برتر، یک زمین‌شناس ارشد برنامه آرتمیس، یک پزشک متخصص بیهوشی و پزشکی زیردریایی، و مهندسان برجسته است.
🔹 نگاهی به برخی از اعضای برجسته:
* آنا منون: مهندس ارشد سابق SpaceX که در سال ۲۰۲۴ با مأموریت Polaris Dawn به فضا سفر کرد و رکورد ارتفاع مداری زنان را شکست.
* لورن ادگار: زمین‌شناسی که معاون تیم علمی مأموریت آرتمیس ۳ (اولین فرود انسان بر ماه پس از آپولو) بوده و اهداف علمی فضانوردان روی ماه را طراحی کرده است.
* یوری کوبو: مهندس ارشد سابق SpaceX که به عنوان مدیر پرتاب موشک‌های فالکون ۹ و مدیر بخش‌های کلیدی دیگر فعالیت داشته است.
* ایملدا مولر: پزشکی که تخصص خود را در بیهوشی با پزشکی زیردریایی ترکیب کرده و در آزمایشگاه شناوری خنثی ناسا (محل شبیه‌سازی پیاده‌روی فضایی) خدمت کرده است.
🔹 این ده نفر اکنون یک دوره آموزشی دو ساله را آغاز می‌کنند که شامل مکانیک مداری، کنترل رباتیک، مهارت‌های پیاده‌روی فضایی، و آموزش بقا در شرایط سخت است. آن‌ها پس از فارغ‌التحصیلی به ۴۱ فضانورد فعال فعلی ناسا خواهند پیوست و آینده اکتشافات انسانی در فضا را رقم خواهند زد.
[منبع]
🆔 @Science_Focus
#فضا #ناسا #فضانورد #آرتمیس #ماه #مریخ #اکتشافات_فضایی
Ars Technica
NASA names 24th astronaut class, including prior SpaceX crew member
NASA has named its new class of astronaut candidates. The space agency introduced the four men and six women who comprise its 2025 trainee group.
🔺 پایان یک مناظره ۲۰ ساله: کشف «کوارتز شوک‌شده» ثابت کرد یک سیارک به دریای شمال برخورد کرده است
🔹 یک مناظره علمی طولانی بر سر منشأ دهانه مرموز «سیلورپیت» در زیر دریای شمال، سرانجام به پایانی قاطع رسید. شواهد جدید و انکارناپذیر ثابت می‌کند که این ساختار ۳ کیلومتری، بقایای برخورد یک سیارک در حدود ۴۳ تا ۴۶ میلیون سال پیش است و به این ترتیب، یکی از نادرترین دهانه‌های برخوردی زیردریایی حفظ‌شده روی زمین تأیید شد.
🔹 دهانه سیلورپیت که در ۷۰۰ متری زیر بستر دریا قرار دارد، از زمان کشفش در سال ۲۰۰۲، زمین‌شناسان را به دو گروه تقسیم کرده بود. برخی معتقد بودند این یک دهانه برخوردی است، در حالی که دیگران آن را به حرکت لایه‌های نمک یا فعالیت‌های آتشفشانی نسبت می‌دادند. این مناظره آنقدر جدی بود که در سال ۲۰۰۹، در یک رأی‌گیری غیررسمی بین زمین‌شناسان، فرضیه برخورد سیارکی «رأی نیاورد»!
❕ «کوارتز شوک‌شده»: اثر انگشت قطعی یک برخورد سیارکی
چگونه می‌توان یک برخورد باستانی را اثبات کرد؟ پاسخ در کانی‌هایی مانند کوارتز نهفته است. وقتی یک سیارک با سرعت فوق‌العاده زیاد به زمین برخورد می‌کند، فشار و دمای عظیمی ایجاد می‌شود که ساختار بلوری کوارتز را به شیوه‌ای منحصر به فرد تغییر می‌دهد و در آن صفحات میکروسکوپی موازی به نام «لاملاهای شوک» ایجاد می‌کند. این ساختار در هیچ فرآیند زمین‌شناسی دیگری (مانند زلزله یا آتشفشان) به وجود نمی‌آید و به همین دلیل، به عنوان «اثر انگشت» یا مدرک قطعی یک برخورد سیارکی در نظر گرفته می‌شود.
🔹 اکنون، تیمی از دانشمندان با استفاده از داده‌های لرزه‌نگاری جدید و تحلیل نمونه‌های حفاری یک چاه نفت در همان منطقه، در یک جستجوی طاقت‌فرسا که آن را به «پیدا کردن سوزن در انبار کاه» تشبیه کرده‌اند، موفق به کشف دانه‌های «کوارتز شوک‌شده» شدند. این کشف، پرونده را برای همیشه به نفع فرضیه برخورد بست.
🔹 مدل‌سازی‌های جدید نشان می‌دهد که یک سیارک به عرض ۱۶۰ متر با زاویه‌ای کم از سمت غرب به دریا برخورد کرده و در عرض چند دقیقه، پرده‌ای از آب و سنگ به ارتفاع ۱.۵ کیلومتر ایجاد کرده که فروریختن آن، یک سونامی به ارتفاع بیش از ۱۰۰ متر را در پی داشته است. تأیید این دهانه، یک آزمایشگاه طبیعی بی‌نظیر برای درک بهتر تأثیر برخوردهای سیارکی بر سیاره ما فراهم می‌کند.
[منبع]
🆔 @Science_Focus
#زمین_شناسی #اخترزمین‌شناسی #سیارک #برخورد_سیارکی #تاریخ_علم #اقیانوس_شناسی
🔹 یک مناظره علمی طولانی بر سر منشأ دهانه مرموز «سیلورپیت» در زیر دریای شمال، سرانجام به پایانی قاطع رسید. شواهد جدید و انکارناپذیر ثابت می‌کند که این ساختار ۳ کیلومتری، بقایای برخورد یک سیارک در حدود ۴۳ تا ۴۶ میلیون سال پیش است و به این ترتیب، یکی از نادرترین دهانه‌های برخوردی زیردریایی حفظ‌شده روی زمین تأیید شد.
🔹 دهانه سیلورپیت که در ۷۰۰ متری زیر بستر دریا قرار دارد، از زمان کشفش در سال ۲۰۰۲، زمین‌شناسان را به دو گروه تقسیم کرده بود. برخی معتقد بودند این یک دهانه برخوردی است، در حالی که دیگران آن را به حرکت لایه‌های نمک یا فعالیت‌های آتشفشانی نسبت می‌دادند. این مناظره آنقدر جدی بود که در سال ۲۰۰۹، در یک رأی‌گیری غیررسمی بین زمین‌شناسان، فرضیه برخورد سیارکی «رأی نیاورد»!
❕ «کوارتز شوک‌شده»: اثر انگشت قطعی یک برخورد سیارکی
چگونه می‌توان یک برخورد باستانی را اثبات کرد؟ پاسخ در کانی‌هایی مانند کوارتز نهفته است. وقتی یک سیارک با سرعت فوق‌العاده زیاد به زمین برخورد می‌کند، فشار و دمای عظیمی ایجاد می‌شود که ساختار بلوری کوارتز را به شیوه‌ای منحصر به فرد تغییر می‌دهد و در آن صفحات میکروسکوپی موازی به نام «لاملاهای شوک» ایجاد می‌کند. این ساختار در هیچ فرآیند زمین‌شناسی دیگری (مانند زلزله یا آتشفشان) به وجود نمی‌آید و به همین دلیل، به عنوان «اثر انگشت» یا مدرک قطعی یک برخورد سیارکی در نظر گرفته می‌شود.
🔹 اکنون، تیمی از دانشمندان با استفاده از داده‌های لرزه‌نگاری جدید و تحلیل نمونه‌های حفاری یک چاه نفت در همان منطقه، در یک جستجوی طاقت‌فرسا که آن را به «پیدا کردن سوزن در انبار کاه» تشبیه کرده‌اند، موفق به کشف دانه‌های «کوارتز شوک‌شده» شدند. این کشف، پرونده را برای همیشه به نفع فرضیه برخورد بست.
🔹 مدل‌سازی‌های جدید نشان می‌دهد که یک سیارک به عرض ۱۶۰ متر با زاویه‌ای کم از سمت غرب به دریا برخورد کرده و در عرض چند دقیقه، پرده‌ای از آب و سنگ به ارتفاع ۱.۵ کیلومتر ایجاد کرده که فروریختن آن، یک سونامی به ارتفاع بیش از ۱۰۰ متر را در پی داشته است. تأیید این دهانه، یک آزمایشگاه طبیعی بی‌نظیر برای درک بهتر تأثیر برخوردهای سیارکی بر سیاره ما فراهم می‌کند.
[منبع]
🆔 @Science_Focus
#زمین_شناسی #اخترزمین‌شناسی #سیارک #برخورد_سیارکی #تاریخ_علم #اقیانوس_شناسی
phys.org
Scientists find proof that an asteroid hit the North Sea more than 43 million years ago
A decades-long scientific debate over the origins of the Silverpit Crater in the southern North Sea has been resolved. New evidence confirms that it was caused by an asteroid or comet impact about 43–46 ...
🔺 پایان یک معمای ۱۵۰ ساله: ریاضی‌دانان ثابت کردند گره‌ها آشفته‌تر از آن هستند که فکر می‌کردیم
🔹 یک حدس ریاضی که نزدیک به یک قرن به عنوان یک اصل بدیهی در «نظریه گره» پذیرفته شده بود، به شکلی شگفت‌انگیز ابطال شد. دو ریاضی‌دان پس از یک دهه کار محاسباتی، ثابت کردند که پاسخ به یک سوال ساده - «باز کردن یک گره چقدر سخت است؟» - بسیار پیچیده‌تر و غیرقابل‌پیش‌بینی‌تر از تصور ماست.
❕ «گره ریاضی» و «عدد باز کردن» چیست؟
در ریاضیات، یک گره یک حلقه بسته است که در فضا در هم پیچیده شده (مانند یک بند کفش که دو سر آن را به هم چسبانده باشید). «عدد باز کردن گره» ساده‌ترین معیار برای سنجش پیچیدگی آن است: حداقل تعداد دفعاتی که باید رشته را از روی خودش عبور دهید (تغییر تقاطع) تا گره به یک دایره ساده تبدیل شود.
🔹 حدس ساده و زیبا که اشتباه بود
برای دهه‌ها، ریاضی‌دانان یک حدس شهودی به نام «حدس جمع‌پذیری» داشتند. این حدس می‌گفت اگر شما دو گره را روی یک رشته پشت سر هم ایجاد کنید، پیچیدگی گره جدید دقیقاً برابر با مجموع پیچیدگی دو گره اولیه خواهد بود. به عبارت دیگر، اگر باز کردن گره اول به ۳ حرکت و باز کردن گره دوم به ۲ حرکت نیاز داشته باشد، باز کردن گره ترکیبی دقیقاً به ۵=۲+۳ حرکت نیاز دارد. این ایده به دنیای گره‌ها نظم و ترتیب می‌بخشید.
🔹 یک دهه جستجو با کامپیوترهای قدیمی و یک پیام غافلگیرکننده
دو ریاضی‌دان به نام‌های سوزان هرملر و مارک بریتنهام، یک دهه گذشته را صرف ساختن یک پایگاه داده عظیم از گره‌ها و راه‌های باز کردنشان کردند. آن‌ها از ده‌ها کامپیوتر، از لپ‌تاپ‌های قدیمی خریداری‌شده در حراجی تا ابرکامپیوترها، برای این کار استفاده کردند. یک روز، بریتنهام در حال بررسی خروجی برنامه‌شان بود که با پیامی روبرو شد که خودشان نوشته بودند اما هرگز انتظار دیدنش را نداشتند: "CONNECT SUM BROKEN" (جمع متصل شکسته شد).
❕ مثال نقض شگفت‌انگیز
برنامه آن‌ها یک مثال نقض پیدا کرده بود: دو گره که هر کدام به تنهایی برای باز شدن به ۳ حرکت نیاز داشتند (طبق حدس باید مجموعاً به ۶ حرکت نیاز می‌داشتند)، اما گره ترکیبی آن‌ها تنها در ۵ حرکت باز می‌شد! این کشف نشان داد که گاهی اوقات، می‌توان با یک «میانبر» هوشمندانه، دو گره را به صورت همزمان و بهینه‌تر از حالت جداگانه باز کرد.
🔹 این ابطال، دنیای نظریه گره را به لرزه درآورد. این کشف نشان می‌دهد که «عدد باز کردن گره» یک ویژگی آشفته و غیرقابل‌پیش‌بینی است و دنیای ریاضیات کمتر از آنچه امیدوار بودیم، منظم است. همانطور که یکی از ریاضی‌دانان برجسته گفت: «وقتی مقاله منتشر شد، نفسم در سینه حبس شد.» این یافته، درها را به روی دنیای جدیدی از پیچیدگی و رازهای نهفته در دل ساده‌ترین اشیاء، یعنی گره‌ها، باز می‌کند.
[منبع]
🆔 @Science_Focus
#ریاضیات #توپولوژی #نظریه_گره #اثبات_ریاضی #تاریخ_علم
🔹 یک حدس ریاضی که نزدیک به یک قرن به عنوان یک اصل بدیهی در «نظریه گره» پذیرفته شده بود، به شکلی شگفت‌انگیز ابطال شد. دو ریاضی‌دان پس از یک دهه کار محاسباتی، ثابت کردند که پاسخ به یک سوال ساده - «باز کردن یک گره چقدر سخت است؟» - بسیار پیچیده‌تر و غیرقابل‌پیش‌بینی‌تر از تصور ماست.
❕ «گره ریاضی» و «عدد باز کردن» چیست؟
در ریاضیات، یک گره یک حلقه بسته است که در فضا در هم پیچیده شده (مانند یک بند کفش که دو سر آن را به هم چسبانده باشید). «عدد باز کردن گره» ساده‌ترین معیار برای سنجش پیچیدگی آن است: حداقل تعداد دفعاتی که باید رشته را از روی خودش عبور دهید (تغییر تقاطع) تا گره به یک دایره ساده تبدیل شود.
🔹 حدس ساده و زیبا که اشتباه بود
برای دهه‌ها، ریاضی‌دانان یک حدس شهودی به نام «حدس جمع‌پذیری» داشتند. این حدس می‌گفت اگر شما دو گره را روی یک رشته پشت سر هم ایجاد کنید، پیچیدگی گره جدید دقیقاً برابر با مجموع پیچیدگی دو گره اولیه خواهد بود. به عبارت دیگر، اگر باز کردن گره اول به ۳ حرکت و باز کردن گره دوم به ۲ حرکت نیاز داشته باشد، باز کردن گره ترکیبی دقیقاً به ۵=۲+۳ حرکت نیاز دارد. این ایده به دنیای گره‌ها نظم و ترتیب می‌بخشید.
🔹 یک دهه جستجو با کامپیوترهای قدیمی و یک پیام غافلگیرکننده
دو ریاضی‌دان به نام‌های سوزان هرملر و مارک بریتنهام، یک دهه گذشته را صرف ساختن یک پایگاه داده عظیم از گره‌ها و راه‌های باز کردنشان کردند. آن‌ها از ده‌ها کامپیوتر، از لپ‌تاپ‌های قدیمی خریداری‌شده در حراجی تا ابرکامپیوترها، برای این کار استفاده کردند. یک روز، بریتنهام در حال بررسی خروجی برنامه‌شان بود که با پیامی روبرو شد که خودشان نوشته بودند اما هرگز انتظار دیدنش را نداشتند: "CONNECT SUM BROKEN" (جمع متصل شکسته شد).
❕ مثال نقض شگفت‌انگیز
برنامه آن‌ها یک مثال نقض پیدا کرده بود: دو گره که هر کدام به تنهایی برای باز شدن به ۳ حرکت نیاز داشتند (طبق حدس باید مجموعاً به ۶ حرکت نیاز می‌داشتند)، اما گره ترکیبی آن‌ها تنها در ۵ حرکت باز می‌شد! این کشف نشان داد که گاهی اوقات، می‌توان با یک «میانبر» هوشمندانه، دو گره را به صورت همزمان و بهینه‌تر از حالت جداگانه باز کرد.
🔹 این ابطال، دنیای نظریه گره را به لرزه درآورد. این کشف نشان می‌دهد که «عدد باز کردن گره» یک ویژگی آشفته و غیرقابل‌پیش‌بینی است و دنیای ریاضیات کمتر از آنچه امیدوار بودیم، منظم است. همانطور که یکی از ریاضی‌دانان برجسته گفت: «وقتی مقاله منتشر شد، نفسم در سینه حبس شد.» این یافته، درها را به روی دنیای جدیدی از پیچیدگی و رازهای نهفته در دل ساده‌ترین اشیاء، یعنی گره‌ها، باز می‌کند.
[منبع]
🆔 @Science_Focus
#ریاضیات #توپولوژی #نظریه_گره #اثبات_ریاضی #تاریخ_علم
Quanta Magazine
A Simple Way To Measure Knots Has Come Unraveled
Two mathematicians have proved that a straightforward question — how hard is it to untie a knot? — has a complicated answer.
🔺 میکروب‌های زنده در صخره‌ای ۲ میلیارد ساله: کشف یک اکوسیستم باستانی در اعماق زمین
🔹 دانشمندان در آفریقای جنوبی، میکروب‌های زنده‌ای را در رگه‌های میکروسکوپی یک صخره آذرین با قدمت ۲ میلیارد سال کشف کرده‌اند. این یافته شگفت‌انگیز، رکورد قدیمی‌ترین محیطی را که میزبان حیات فعال است، به شدت جابجا می‌کند و درک ما از مرزهای زیست‌پذیری در زمین و شاید سیارات دیگر را تغییر می‌دهد.
❕ یک نکته بسیار مهم: سن «محیط» در برابر سن «موجود زنده»
این کشف به این معنا نیست که یک میکروب منفرد ۲ میلیارد سال عمر کرده است! بلکه به این معناست که یک «اکوسیستم» میکروبی برای مدت زمانی بسیار طولانی در این محیط باستانی و ایزوله پایدار مانده و میکروب‌ها در آن به کندی به حیات و تولید مثل خود ادامه داده‌اند. این صخره، یک پناهگاه باستانی برای حیات است.
🔹 بزرگترین چالش چنین تحقیقاتی، اثبات این است که میکروب‌های یافت‌شده، آلودگی ناشی از فرآیند حفاری امروزی نیستند. تیم تحقیقاتی برای حل این مشکل، یک روش هوشمندانه به کار برد:
❕ روش ضدآلودگی: «دانه‌های فلورسنت»
دانشمندان به مایع حفاری، «دانه‌های پلاستیکی فلورسنت» بسیار ریزی اضافه کردند. منطق ساده بود: اگر مایع حفاری به درون ترک‌های داخلی صخره نفوذ کند، این دانه‌ها نیز همراه آن وارد می‌شوند و زیر نور فرابنفش خواهند درخشید. پس از بررسی، آن‌ها دیدند که هیچ دانه‌ای در ترک‌های داخلی وجود ندارد. این آزمایش ثابت کرد که فضای داخلی صخره کاملاً ایزوله باقی مانده و هر حیاتی در آن، بومی همان صخره است.
🔹 پس از اطمینان از عدم آلودگی، دانشمندان با استفاده از تکنیک‌های پیشرفته تصویربرداری، در رگه‌های میکروسکوپی پر از خاک رس در داخل صخره، همزمان نشانه‌های پروتئین و DNA را در کنار ساختارهای سلول‌مانند پیدا کردند. این میکروب‌ها در یک دنیای بدون نور خورشید زندگی می‌کنند و انرژی خود را از واکنش‌های شیمیایی بین آب و مواد معدنی صخره (آزاد شدن هیدروژن) تأمین می‌کنند.
🔹 این کشف نه تنها مرزهای حیات روی زمین را گسترش می‌دهد، بلکه برای جستجوی حیات در مریخ نیز بسیار هیجان‌انگیز است. به گفته دکتر یوهی سوزوکی، سرپرست تیم:
[منبع]
🆔 @Science_Focus
#زیست_شناسی #میکروبیولوژی #زمین_شناسی #آستروبیولوژی #منشا_حیات #حیات_فراتر_از_زمین
🔹 دانشمندان در آفریقای جنوبی، میکروب‌های زنده‌ای را در رگه‌های میکروسکوپی یک صخره آذرین با قدمت ۲ میلیارد سال کشف کرده‌اند. این یافته شگفت‌انگیز، رکورد قدیمی‌ترین محیطی را که میزبان حیات فعال است، به شدت جابجا می‌کند و درک ما از مرزهای زیست‌پذیری در زمین و شاید سیارات دیگر را تغییر می‌دهد.
❕ یک نکته بسیار مهم: سن «محیط» در برابر سن «موجود زنده»
این کشف به این معنا نیست که یک میکروب منفرد ۲ میلیارد سال عمر کرده است! بلکه به این معناست که یک «اکوسیستم» میکروبی برای مدت زمانی بسیار طولانی در این محیط باستانی و ایزوله پایدار مانده و میکروب‌ها در آن به کندی به حیات و تولید مثل خود ادامه داده‌اند. این صخره، یک پناهگاه باستانی برای حیات است.
🔹 بزرگترین چالش چنین تحقیقاتی، اثبات این است که میکروب‌های یافت‌شده، آلودگی ناشی از فرآیند حفاری امروزی نیستند. تیم تحقیقاتی برای حل این مشکل، یک روش هوشمندانه به کار برد:
❕ روش ضدآلودگی: «دانه‌های فلورسنت»
دانشمندان به مایع حفاری، «دانه‌های پلاستیکی فلورسنت» بسیار ریزی اضافه کردند. منطق ساده بود: اگر مایع حفاری به درون ترک‌های داخلی صخره نفوذ کند، این دانه‌ها نیز همراه آن وارد می‌شوند و زیر نور فرابنفش خواهند درخشید. پس از بررسی، آن‌ها دیدند که هیچ دانه‌ای در ترک‌های داخلی وجود ندارد. این آزمایش ثابت کرد که فضای داخلی صخره کاملاً ایزوله باقی مانده و هر حیاتی در آن، بومی همان صخره است.
🔹 پس از اطمینان از عدم آلودگی، دانشمندان با استفاده از تکنیک‌های پیشرفته تصویربرداری، در رگه‌های میکروسکوپی پر از خاک رس در داخل صخره، همزمان نشانه‌های پروتئین و DNA را در کنار ساختارهای سلول‌مانند پیدا کردند. این میکروب‌ها در یک دنیای بدون نور خورشید زندگی می‌کنند و انرژی خود را از واکنش‌های شیمیایی بین آب و مواد معدنی صخره (آزاد شدن هیدروژن) تأمین می‌کنند.
🔹 این کشف نه تنها مرزهای حیات روی زمین را گسترش می‌دهد، بلکه برای جستجوی حیات در مریخ نیز بسیار هیجان‌انگیز است. به گفته دکتر یوهی سوزوکی، سرپرست تیم:
«اینکه توانستیم حیات میکروبی را در نمونه‌های ۲ میلیارد ساله زمین پیدا و اصالت آن را تأیید کنیم، من را برای آنچه ممکن است در نمونه‌های مریخ پیدا کنیم، هیجان‌زده می‌کند.»
[منبع]
🆔 @Science_Focus
#زیست_شناسی #میکروبیولوژی #زمین_شناسی #آستروبیولوژی #منشا_حیات #حیات_فراتر_از_زمین
Earth.com
Living microbes found sealed inside a sealed 2-billion-year-old rock - a "very exciting discovery"
Microbes - alive and thriving -- have been found sealed within a fracture of 2-billion-year-old rock beneath Earth's surface.
❤2
🔺 گوگل VaultGemma را منتشر کرد: اولین مدل هوش مصنوعی که با «حریم خصوصی تفاضلی» آموزش دیده است
🔹 یکی از بزرگترین نگرانی‌ها در مورد هوش مصنوعی، توانایی آن در «یادآوری» و تکرار ناخواسته اطلاعات حساسی است که با آن‌ها آموزش دیده است. گوگل به تازگی یک مدل زبان جدید به نام VaultGemma را منتشر کرده که اولین مدل این شرکت است که از پایه با تکنیکی به نام «حریم خصوصی تفاضلی» (Differential Privacy) آموزش دیده تا این مشکل را حل کند.
❕ «حریم خصوصی تفاضلی» به زبان ساده چیست؟
تصور کنید می‌خواهید به یک مدل هوش مصنوعی یاد بدهید که متن بنویسد، اما نمی‌خواهید اطلاعات شخصی افراد را «حفظ» کند. حریم خصوصی تفاضلی مانند افزودن یک مقدار بسیار کم «نویز» یا ابهام کنترل‌شده به داده‌ها در طول فرآیند آموزش است. این کار به مدل اجازه می‌دهد تا الگوهای کلی زبان را یاد بگیرد، اما از نظر ریاضی، بازتولید دقیق یک نمونه داده خاص (مثلاً یک شماره تلفن یا آدرس ایمیل) را برای آن غیرممکن می‌سازد. این یک تضمین ریاضی برای حریم خصوصی داده‌های آموزشی است.
🔹 VaultGemma یک مدل نسبتاً کوچک (۱ میلیارد پارامتر) است که بر پایه معماری مدل‌های Gemma 2 ساخته شده. نکته انقلابی در مورد آن، خود مدل نیست، بلکه «روش ساخت» آن است. محققان گوگل همچنین «قوانین مقیاس‌پذیری» را برای این روش تدوین کرده‌اند که به دیگر توسعه‌دهندگان نشان می‌دهد چگونه بین سه متغیر کلیدی تعادل برقرار کنند: بودجه حریم خصوصی، بودجه محاسباتی (قدرت کامپیوتر) و بودجه داده.
❕ مصالحه بین حریم خصوصی و عملکرد
این سطح از حریم خصوصی رایگان به دست نمی‌آید. افزودن «نویز» به فرآیند آموزش، یادگیری را برای مدل دشوارتر می‌کند. بنابراین، برای رسیدن به سطح عملکردی مشابه با یک مدل غیرخصوصی، یک «مصالحه» (Trade-off) وجود دارد: توسعه‌دهندگان باید قدرت محاسباتی بسیار بیشتری را صرف کنند یا از داده‌های بسیار بیشتری استفاده کنند. VaultGemma نشان می‌دهد که این کار ممکن است و عملکردی مشابه مدل‌های غیرخصوصی هم‌اندازه خود دارد.
🔹 گوگل این مدل را به صورت «وزن-باز» منتشر کرده تا جامعه علمی بتواند از آن برای تحقیقات بیشتر در زمینه هوش مصنوعی ایمن و قابل اعتماد استفاده کند. این یک گام مهم به سوی ساخت مدل‌هایی است که می‌توان با اطمینان بیشتری از آن‌ها در حوزه‌های حساس مانند پزشکی و مالی استفاده کرد.
[منبع]
🆔 @Science_Focus
#هوش_مصنوعی #حریم_خصوصی #یادگیری_ماشین #گوگل #امنیت_داده
🔹 یکی از بزرگترین نگرانی‌ها در مورد هوش مصنوعی، توانایی آن در «یادآوری» و تکرار ناخواسته اطلاعات حساسی است که با آن‌ها آموزش دیده است. گوگل به تازگی یک مدل زبان جدید به نام VaultGemma را منتشر کرده که اولین مدل این شرکت است که از پایه با تکنیکی به نام «حریم خصوصی تفاضلی» (Differential Privacy) آموزش دیده تا این مشکل را حل کند.
❕ «حریم خصوصی تفاضلی» به زبان ساده چیست؟
تصور کنید می‌خواهید به یک مدل هوش مصنوعی یاد بدهید که متن بنویسد، اما نمی‌خواهید اطلاعات شخصی افراد را «حفظ» کند. حریم خصوصی تفاضلی مانند افزودن یک مقدار بسیار کم «نویز» یا ابهام کنترل‌شده به داده‌ها در طول فرآیند آموزش است. این کار به مدل اجازه می‌دهد تا الگوهای کلی زبان را یاد بگیرد، اما از نظر ریاضی، بازتولید دقیق یک نمونه داده خاص (مثلاً یک شماره تلفن یا آدرس ایمیل) را برای آن غیرممکن می‌سازد. این یک تضمین ریاضی برای حریم خصوصی داده‌های آموزشی است.
🔹 VaultGemma یک مدل نسبتاً کوچک (۱ میلیارد پارامتر) است که بر پایه معماری مدل‌های Gemma 2 ساخته شده. نکته انقلابی در مورد آن، خود مدل نیست، بلکه «روش ساخت» آن است. محققان گوگل همچنین «قوانین مقیاس‌پذیری» را برای این روش تدوین کرده‌اند که به دیگر توسعه‌دهندگان نشان می‌دهد چگونه بین سه متغیر کلیدی تعادل برقرار کنند: بودجه حریم خصوصی، بودجه محاسباتی (قدرت کامپیوتر) و بودجه داده.
❕ مصالحه بین حریم خصوصی و عملکرد
این سطح از حریم خصوصی رایگان به دست نمی‌آید. افزودن «نویز» به فرآیند آموزش، یادگیری را برای مدل دشوارتر می‌کند. بنابراین، برای رسیدن به سطح عملکردی مشابه با یک مدل غیرخصوصی، یک «مصالحه» (Trade-off) وجود دارد: توسعه‌دهندگان باید قدرت محاسباتی بسیار بیشتری را صرف کنند یا از داده‌های بسیار بیشتری استفاده کنند. VaultGemma نشان می‌دهد که این کار ممکن است و عملکردی مشابه مدل‌های غیرخصوصی هم‌اندازه خود دارد.
🔹 گوگل این مدل را به صورت «وزن-باز» منتشر کرده تا جامعه علمی بتواند از آن برای تحقیقات بیشتر در زمینه هوش مصنوعی ایمن و قابل اعتماد استفاده کند. این یک گام مهم به سوی ساخت مدل‌هایی است که می‌توان با اطمینان بیشتری از آن‌ها در حوزه‌های حساس مانند پزشکی و مالی استفاده کرد.
[منبع]
🆔 @Science_Focus
#هوش_مصنوعی #حریم_خصوصی #یادگیری_ماشین #گوگل #امنیت_داده
🔺 انقلاب در ساخت کامپیوترهای کوانتومی: اولین دستگاه مبتنی بر تراشه‌های سیلیکونی استاندارد راه‌اندازی شد
🔹 یک استارتاپ بریتانیایی به نام Quantum Motion از یک دستاورد تاریخی رونمایی کرد: اولین کامپیوتر کوانتومی «تمام-پشته» جهان که با استفاده از همان فناوری استاندارد تراشه‌های سیلیکونی (CMOS) ساخته شده که در گوشی‌های هوشمند و لپ‌تاپ‌های ما به کار می‌رود. این دستگاه در مرکز ملی محاسبات کوانتومی بریتانیا (NQCC) نصب شده است.
❕ چرا استفاده از «تراشه‌های سیلیکونی استاندارد» یک انقلاب است؟
بزرگترین مانع بر سر راه ساخت کامپیوترهای کوانتومی قدرتمند، «مقیاس‌پذیری» است؛ یعنی چگونه می‌توانیم از ده‌ها یا صدها کیوبیت به میلیون‌ها کیوبیت برسیم؟ بسیاری از رویکردها به مواد عجیب و فرآیندهای ساخت بسیار پیچیده و گران‌قیمت متکی هستند. اما این روش جدید، از زیرساخت‌های عظیم، دقیق و به شدت بهینه‌شده صنعت نیمه‌هادی‌ها استفاده می‌کند که در طول دهه‌ها برای ساخت میلیاردها تراشه کامپیوتری توسعه یافته است. این کار راه را برای «تولید انبوه» کیوبیت‌ها با هزینه و پیچیدگی بسیار کمتر هموار می‌کند. به گفته مدیرعامل Quantum Motion، این «لحظه سیلیکونی» محاسبات کوانتومی است.
🔹 این سیستم نه تنها یک پردازنده کوانتومی، بلکه یک راهکار «تمام-پشته» است که شامل رابط کاربری و نرم‌افزارهای کنترلی سازگار با استانداردهای صنعتی مانند Qiskit می‌شود. علاوه بر این، کل سیستم در سه قفسه سرور استاندارد جای می‌گیرد که آن را برای یکپارچه‌سازی با مراکز داده امروزی مناسب می‌سازد.
❕ یک نکته مهم برای مدیریت انتظارات
اهمیت این خبر در «روش ساخت» و «مسیر آینده» آن است، نه لزوماً در قدرت محاسباتی فعلی این دستگاه خاص. این دستاورد یک گام بزرگ در حل مشکل «چگونه بسازیم؟» است و مسیر را برای ساخت پردازنده‌هایی با میلیون‌ها کیوبیت در آینده هموار می‌کند. این لزوماً به این معنا نیست که این دستگاه در حال حاضر از دیگر کامپیوترهای کوانتومی موجود قدرتمندتر است، بلکه نشان‌دهنده یک مسیر بسیار امیدوارکننده برای رسیدن به مقیاس تجاری است.
🔹 این پیشرفت، محاسبات کوانتومی را از یک حوزه صرفاً علمی و آزمایشگاهی، یک قدم بزرگ به سمت یک واقعیت مهندسی‌شده و صنعتی نزدیک‌تر می‌کند و می‌تواند مسیر رسیدن به کامپیوترهای کوانتومی مقاوم در برابر خطا و کاربردی را به طور چشمگیری تسریع بخشد.
[منبع]
🆔 @Science_Focus
#کوانتوم #کامپیوتر_کوانتومی #فناوری #سیلیکون #تراشه #مهندسی
🔹 یک استارتاپ بریتانیایی به نام Quantum Motion از یک دستاورد تاریخی رونمایی کرد: اولین کامپیوتر کوانتومی «تمام-پشته» جهان که با استفاده از همان فناوری استاندارد تراشه‌های سیلیکونی (CMOS) ساخته شده که در گوشی‌های هوشمند و لپ‌تاپ‌های ما به کار می‌رود. این دستگاه در مرکز ملی محاسبات کوانتومی بریتانیا (NQCC) نصب شده است.
❕ چرا استفاده از «تراشه‌های سیلیکونی استاندارد» یک انقلاب است؟
بزرگترین مانع بر سر راه ساخت کامپیوترهای کوانتومی قدرتمند، «مقیاس‌پذیری» است؛ یعنی چگونه می‌توانیم از ده‌ها یا صدها کیوبیت به میلیون‌ها کیوبیت برسیم؟ بسیاری از رویکردها به مواد عجیب و فرآیندهای ساخت بسیار پیچیده و گران‌قیمت متکی هستند. اما این روش جدید، از زیرساخت‌های عظیم، دقیق و به شدت بهینه‌شده صنعت نیمه‌هادی‌ها استفاده می‌کند که در طول دهه‌ها برای ساخت میلیاردها تراشه کامپیوتری توسعه یافته است. این کار راه را برای «تولید انبوه» کیوبیت‌ها با هزینه و پیچیدگی بسیار کمتر هموار می‌کند. به گفته مدیرعامل Quantum Motion، این «لحظه سیلیکونی» محاسبات کوانتومی است.
🔹 این سیستم نه تنها یک پردازنده کوانتومی، بلکه یک راهکار «تمام-پشته» است که شامل رابط کاربری و نرم‌افزارهای کنترلی سازگار با استانداردهای صنعتی مانند Qiskit می‌شود. علاوه بر این، کل سیستم در سه قفسه سرور استاندارد جای می‌گیرد که آن را برای یکپارچه‌سازی با مراکز داده امروزی مناسب می‌سازد.
❕ یک نکته مهم برای مدیریت انتظارات
اهمیت این خبر در «روش ساخت» و «مسیر آینده» آن است، نه لزوماً در قدرت محاسباتی فعلی این دستگاه خاص. این دستاورد یک گام بزرگ در حل مشکل «چگونه بسازیم؟» است و مسیر را برای ساخت پردازنده‌هایی با میلیون‌ها کیوبیت در آینده هموار می‌کند. این لزوماً به این معنا نیست که این دستگاه در حال حاضر از دیگر کامپیوترهای کوانتومی موجود قدرتمندتر است، بلکه نشان‌دهنده یک مسیر بسیار امیدوارکننده برای رسیدن به مقیاس تجاری است.
🔹 این پیشرفت، محاسبات کوانتومی را از یک حوزه صرفاً علمی و آزمایشگاهی، یک قدم بزرگ به سمت یک واقعیت مهندسی‌شده و صنعتی نزدیک‌تر می‌کند و می‌تواند مسیر رسیدن به کامپیوترهای کوانتومی مقاوم در برابر خطا و کاربردی را به طور چشمگیری تسریع بخشد.
[منبع]
🆔 @Science_Focus
#کوانتوم #کامپیوتر_کوانتومی #فناوری #سیلیکون #تراشه #مهندسی
Interesting Engineering
World-first quantum computer made with standard laptop chips launched
A UK startup has built the world's first quantum computer made with the same silicon chip technology used in laptops and smartphones.
🔺 از ماه‌ها به دقیقه‌ها: هوش مصنوعی پیچیده‌ترین محاسبات شیمی کوانتومی را یاد می‌گیرد
🔹 کاتالیزورها قهرمانان گمنام دنیای مدرن هستند و در تولید بیش از ۸۰٪ محصولات صنعتی، از پلاستیک تا دارو، نقش دارند. طراحی کاتالیزورهای بهتر می‌تواند جهان را متحول کند، اما شبیه‌سازی دقیق آن‌ها با روش‌های شیمی کوانتومی، به طرز طاقت‌فرسایی کند است. اکنون، یک ابزار جدید و هوشمند با ترکیب هوش مصنوعی و شیمی کوانتومی، این محاسبات را از چندین ماه به چند دقیقه کاهش داده است.
❕ چرا شبیه‌سازی کاتالیزورها اینقدر سخت است؟
در شیمی محاسباتی، شما با یک انتخاب دشوار روبرو هستید:
۱- روش‌های دقیق (کوانتومی): این روش‌ها رفتار الکترون‌ها را با دقت فوق‌العاده‌ای مدل می‌کنند اما به قدری محاسبات سنگینی دارند که شبیه‌سازی حرکت یک مولکول ممکن است ماه‌ها طول بکشد.
۲- روش‌های سریع (یادگیری ماشین): مدل‌های هوش مصنوعی می‌توانند حرکت اتم‌ها را میلیون‌ها بار سریع‌تر پیش‌بینی کنند، اما برای آموزش دیدن، به حجم عظیمی از داده‌های دقیق نیاز دارند. مشکل اینجا بود که روش‌های دقیق نمی‌توانستند داده‌ها را به شکلی «سازگار» برای آموزش هوش مصنوعی تولید کنند.
🔹 تیمی از دانشمندان دانشگاه شیکاگو با ابداع یک الگوریتم جدید به نام «پروتکل فضای فعال وزن‌دار» (WASP)، این مشکل را حل کرده‌اند. این الگوریتم یک پل هوشمندانه بین دنیای کند و دقیق شیمی کوانتومی و دنیای سریع و کارآمد هوش مصنوعی ساخته است.
❕ الگوریتم WASP چگونه کار می‌کند؟ (تشبیه مخلوط کردن رنگ‌ها)
محقق اصلی، آن را به مخلوط کردن رنگ تشبیه می‌کند: «تصور کنید می‌خواهید یک طیف سبز خاص بسازید. اگر رنگ شما به آبی نزدیک‌تر باشد، رنگ آبی بیشتری و کمی زرد اضافه می‌کنید. اگر به زرد نزدیک‌تر باشد، برعکس. WASP هم همین کار را با اطلاعات کوانتومی می‌کند. برای پیش‌بینی وضعیت یک مولکول جدید، اطلاعات مولکول‌های نزدیک و شناخته‌شده را با هم "مخلوط" می‌کند و به آن‌هایی که شبیه‌تر هستند، "وزن" بیشتری می‌دهد.» این کار به هوش مصنوعی اجازه می‌دهد تا از داده‌های دقیق کوانتومی، به شکلی سازگار و قابل اعتماد، آموزش ببیند.
🔹 این دستاورد که در ژورنال معتبر PNAS منتشر شده، یک جهش بزرگ در طراحی منطقی کاتالیزورهاست. برای مثال، فرآیند هابر-بوش برای تولید آمونیاک (ماده اصلی کودها) بیش از یک قرن است که تقریباً بدون تغییر باقی مانده. ابزارهایی مانند WASP به دانشمندان اجازه می‌دهند تا جایگزین‌های کارآمدتر و سبزتری برای این فرآیندهای صنعتی حیاتی طراحی کنند و راه را برای آینده‌ای پایدارتر هموار سازند.
[منبع]
🆔 @Science_Focus
#شیمی_کوانتومی #هوش_مصنوعی #یادگیری_ماشین #کاتالیزور #فناوری_سبز #محاسبات_علمی
🔹 کاتالیزورها قهرمانان گمنام دنیای مدرن هستند و در تولید بیش از ۸۰٪ محصولات صنعتی، از پلاستیک تا دارو، نقش دارند. طراحی کاتالیزورهای بهتر می‌تواند جهان را متحول کند، اما شبیه‌سازی دقیق آن‌ها با روش‌های شیمی کوانتومی، به طرز طاقت‌فرسایی کند است. اکنون، یک ابزار جدید و هوشمند با ترکیب هوش مصنوعی و شیمی کوانتومی، این محاسبات را از چندین ماه به چند دقیقه کاهش داده است.
❕ چرا شبیه‌سازی کاتالیزورها اینقدر سخت است؟
در شیمی محاسباتی، شما با یک انتخاب دشوار روبرو هستید:
۱- روش‌های دقیق (کوانتومی): این روش‌ها رفتار الکترون‌ها را با دقت فوق‌العاده‌ای مدل می‌کنند اما به قدری محاسبات سنگینی دارند که شبیه‌سازی حرکت یک مولکول ممکن است ماه‌ها طول بکشد.
۲- روش‌های سریع (یادگیری ماشین): مدل‌های هوش مصنوعی می‌توانند حرکت اتم‌ها را میلیون‌ها بار سریع‌تر پیش‌بینی کنند، اما برای آموزش دیدن، به حجم عظیمی از داده‌های دقیق نیاز دارند. مشکل اینجا بود که روش‌های دقیق نمی‌توانستند داده‌ها را به شکلی «سازگار» برای آموزش هوش مصنوعی تولید کنند.
🔹 تیمی از دانشمندان دانشگاه شیکاگو با ابداع یک الگوریتم جدید به نام «پروتکل فضای فعال وزن‌دار» (WASP)، این مشکل را حل کرده‌اند. این الگوریتم یک پل هوشمندانه بین دنیای کند و دقیق شیمی کوانتومی و دنیای سریع و کارآمد هوش مصنوعی ساخته است.
❕ الگوریتم WASP چگونه کار می‌کند؟ (تشبیه مخلوط کردن رنگ‌ها)
محقق اصلی، آن را به مخلوط کردن رنگ تشبیه می‌کند: «تصور کنید می‌خواهید یک طیف سبز خاص بسازید. اگر رنگ شما به آبی نزدیک‌تر باشد، رنگ آبی بیشتری و کمی زرد اضافه می‌کنید. اگر به زرد نزدیک‌تر باشد، برعکس. WASP هم همین کار را با اطلاعات کوانتومی می‌کند. برای پیش‌بینی وضعیت یک مولکول جدید، اطلاعات مولکول‌های نزدیک و شناخته‌شده را با هم "مخلوط" می‌کند و به آن‌هایی که شبیه‌تر هستند، "وزن" بیشتری می‌دهد.» این کار به هوش مصنوعی اجازه می‌دهد تا از داده‌های دقیق کوانتومی، به شکلی سازگار و قابل اعتماد، آموزش ببیند.
🔹 این دستاورد که در ژورنال معتبر PNAS منتشر شده، یک جهش بزرگ در طراحی منطقی کاتالیزورهاست. برای مثال، فرآیند هابر-بوش برای تولید آمونیاک (ماده اصلی کودها) بیش از یک قرن است که تقریباً بدون تغییر باقی مانده. ابزارهایی مانند WASP به دانشمندان اجازه می‌دهند تا جایگزین‌های کارآمدتر و سبزتری برای این فرآیندهای صنعتی حیاتی طراحی کنند و راه را برای آینده‌ای پایدارتر هموار سازند.
[منبع]
🆔 @Science_Focus
#شیمی_کوانتومی #هوش_مصنوعی #یادگیری_ماشین #کاتالیزور #فناوری_سبز #محاسبات_علمی
phys.org
Machine learning and quantum chemistry unite to simulate catalyst dynamics
Catalysts play an indispensable role in modern manufacturing. More than 80% of all manufactured products, from pharmaceuticals to plastics, rely on catalytic processes at some stage of production. Transition ...
🔺 معمای فداکاری حل شد؟ بازنویسی یک قانون بنیادین در زیست‌شناسی تکاملی
🔹 چرا موجودات زنده، از انسان گرفته تا مورچه‌ها، رفتارهای فداکارانه از خود نشان می‌دهند؟ یک پژوهش نظری جدید که به عنوان یک «مشارکت برجسته» در ژورنال معتبر eLife توصیف شده، با بازنگری یکی از مشهورترین قوانین زیست‌شناسی، به یک مناقشه چند دهه‌ای پایان داده و درک ما از تکامل همکاری را عمیق‌تر کرده است.
❕ قانون همیلتون به زبان ساده چه بود؟
در دهه ۱۹۶۰، ویلیام همیلتون یک قانون ریاضی زیبا و ساده برای توضیح فداکاری ارائه داد: rB > C.
* C هزینه عمل فداکارانه برای فرد است.
* B فایده‌ای است که گیرنده آن عمل به دست می‌آورد.
* r ضریب خویشاوندی ژنتیکی بین آن دو است (مثلاً برای خواهر و برادر ۰.۵ است).
این قانون می‌گوید فداکاری زمانی از نظر تکاملی انتخاب می‌شود که فایده آن برای خویشاوندان (و ژن‌های مشترک) از هزینه آن برای خود فرد بیشتر باشد.
🔹 این قانون زیبا، برای دهه‌ها محل مناقشه بود. برخی آن را یک اصل جهانی می‌دانستند و برخی دیگر معتقد بودند که تقریباً هرگز در دنیای واقعی کار نمی‌کند. تحقیق جدید نشان می‌دهد که هر دو طرف تا حدی درست می‌گفتند. مشکل این بود که همه به دنبال یک قانون واحد بودند.
❕ چرا یک قانون کافی نیست؟ (ایده «خانواده قوانین»)
پژوهش جدید نشان می‌دهد که «قانون همیلتون» یک قانون واحد نیست، بلکه یک «خانواده از قوانین» است. قانون ساده اصلی، تنها در شرایطی کار می‌کند که اثرات همکاری، «خطی» و ساده باشند (مثلاً دو نفر دو برابر یک نفر کار انجام دهند). اما در طبیعت، اثرات اغلب «غیرخطی» هستند. برای مثال، فایده کمک کردن شما ممکن است به این بستگی داشته باشد که چند نفر دیگر همزمان در حال کمک کردن هستند. گاهی کمک یک نفر بی‌فایده است، اما کمک همزمان ده نفر می‌تواند نتیجه‌ای بسیار بزرگتر از ده برابر کار یک نفر داشته باشد.
این چارچوب جدید، نسخه‌های پیچیده‌تری از قانون همیلتون را ارائه می‌دهد که این اثرات غیرخطی را نیز در نظر می‌گیرند.
🔹 این دیدگاه جدید، مناقشه قدیمی را حل می‌کند. سوال دیگر این نیست که «آیا قانون همیلتون درست است؟»، بلکه سوال این است که «کدام نسخه از قانون همیلتون برای این شرایط خاص کاربرد دارد؟». این تحقیق، مطالعه فداکاری و همکاری را بر پایه‌ای ریاضی و آماری بسیار محکم‌تری قرار می‌دهد و به دانشمندان ابزارهای دقیق‌تری برای درک این پدیده شگفت‌انگیز در سراسر جهان زنده، از میکروب‌ها تا انسان‌ها، می‌دهد.
[منبع]
🆔 @Science_Focus
#زیست_شناسی_تکاملی #فداکاری #همکاری #قانون_همیلتون #ژنتیک #نظریه_بازی_ها
🔹 چرا موجودات زنده، از انسان گرفته تا مورچه‌ها، رفتارهای فداکارانه از خود نشان می‌دهند؟ یک پژوهش نظری جدید که به عنوان یک «مشارکت برجسته» در ژورنال معتبر eLife توصیف شده، با بازنگری یکی از مشهورترین قوانین زیست‌شناسی، به یک مناقشه چند دهه‌ای پایان داده و درک ما از تکامل همکاری را عمیق‌تر کرده است.
❕ قانون همیلتون به زبان ساده چه بود؟
در دهه ۱۹۶۰، ویلیام همیلتون یک قانون ریاضی زیبا و ساده برای توضیح فداکاری ارائه داد: rB > C.
* C هزینه عمل فداکارانه برای فرد است.
* B فایده‌ای است که گیرنده آن عمل به دست می‌آورد.
* r ضریب خویشاوندی ژنتیکی بین آن دو است (مثلاً برای خواهر و برادر ۰.۵ است).
این قانون می‌گوید فداکاری زمانی از نظر تکاملی انتخاب می‌شود که فایده آن برای خویشاوندان (و ژن‌های مشترک) از هزینه آن برای خود فرد بیشتر باشد.
🔹 این قانون زیبا، برای دهه‌ها محل مناقشه بود. برخی آن را یک اصل جهانی می‌دانستند و برخی دیگر معتقد بودند که تقریباً هرگز در دنیای واقعی کار نمی‌کند. تحقیق جدید نشان می‌دهد که هر دو طرف تا حدی درست می‌گفتند. مشکل این بود که همه به دنبال یک قانون واحد بودند.
❕ چرا یک قانون کافی نیست؟ (ایده «خانواده قوانین»)
پژوهش جدید نشان می‌دهد که «قانون همیلتون» یک قانون واحد نیست، بلکه یک «خانواده از قوانین» است. قانون ساده اصلی، تنها در شرایطی کار می‌کند که اثرات همکاری، «خطی» و ساده باشند (مثلاً دو نفر دو برابر یک نفر کار انجام دهند). اما در طبیعت، اثرات اغلب «غیرخطی» هستند. برای مثال، فایده کمک کردن شما ممکن است به این بستگی داشته باشد که چند نفر دیگر همزمان در حال کمک کردن هستند. گاهی کمک یک نفر بی‌فایده است، اما کمک همزمان ده نفر می‌تواند نتیجه‌ای بسیار بزرگتر از ده برابر کار یک نفر داشته باشد.
این چارچوب جدید، نسخه‌های پیچیده‌تری از قانون همیلتون را ارائه می‌دهد که این اثرات غیرخطی را نیز در نظر می‌گیرند.
🔹 این دیدگاه جدید، مناقشه قدیمی را حل می‌کند. سوال دیگر این نیست که «آیا قانون همیلتون درست است؟»، بلکه سوال این است که «کدام نسخه از قانون همیلتون برای این شرایط خاص کاربرد دارد؟». این تحقیق، مطالعه فداکاری و همکاری را بر پایه‌ای ریاضی و آماری بسیار محکم‌تری قرار می‌دهد و به دانشمندان ابزارهای دقیق‌تری برای درک این پدیده شگفت‌انگیز در سراسر جهان زنده، از میکروب‌ها تا انسان‌ها، می‌دهد.
[منبع]
🆔 @Science_Focus
#زیست_شناسی_تکاملی #فداکاری #همکاری #قانون_همیلتون #ژنتیک #نظریه_بازی_ها
Earth.com
Why we help: The hidden math behind cooperation - Earth.com
Scientists update Hamilton’s rule with powerful new math, revealing the many ways altruism and cooperation can thrive in living systems.
🔺 یک سیارک شاید به ماه برخورد کند: یک «بازی جنگی» علمی برای دفاع از زمین
📌 توجه: این مطلب بر اساس یک مقاله علمی «پیش‌چاپ» است که هنوز داوری همتا نشده است. سیارک مورد بحث هیچ تهدیدی برای زمین ندارد و این صرفاً یک «مطالعه امکان‌سنجی» و یک تمرین فکری برای دفاع سیاره‌ای است، نه یک طرح عملیاتی.
🔹 یک سیارک به اندازه یک ساختمان به نام 2024 YR4، با احتمال ۴٪ ممکن است در سال ۲۰۳۲ به ماه برخورد کند. اگرچه این سیارک هیچ خطری برای زمین ندارد، اما دانشمندان از این سناریو به عنوان یک فرصت برای بررسی گزینه‌های دفاع سیاره‌ای استفاده کرده‌اند و به نتایج جالبی رسیده‌اند: در این مورد خاص، تخریب کامل سیارک ممکن است از منحرف کردن آن امن‌تر باشد.
❕ خطر واقعی چیست؟ (پرتابه‌های ماه)
برخورد یک سیارک ۵۵ متری به ماه، خطری برای زمین ایجاد نمی‌کند، اما می‌تواند مقادیر زیادی از سنگ و غبار سطح ماه (رجولیت) را به فضا پرتاب کند. این «پرتابه‌ها» می‌توانند برای چند روز، تراکم ریزشهاب‌سنگ‌ها در مدار پایین زمین را تا ۱۰۰۰ برابر افزایش دهند و تهدیدی جدی برای ماهواره‌ها، ایستگاه فضایی و فضانوردان حاضر در مدار باشند.
🔹 چرا انحراف مسیر (مانند مأموریت DART) گزینه خوبی نیست؟
ماموریت DART ناسا با موفقیت یک سیارک را منحرف کرد. اما برای این کار، باید جرم دقیق سیارک را بدانیم تا نیروی لازم را محاسبه کنیم. ما جرم دقیق 2024 YR4 را نمی‌دانیم و زمان کافی برای ارسال یک مأموریت شناسایی و سپس یک مأموریت انحرافی نداریم. یک فشار اشتباه و محاسبه‌نشده می‌تواند به طور تصادفی مسیر سیارک را به سمت زمین تغییر دهد که این ریسک بسیار بزرگی است.
🔹 گزینه جایگزین: تخریب کامل (Disruption)
با توجه به ریسک‌های انحراف، مقاله علمی جدید گزینه «تخریب کامل» را بررسی می‌کند. این کار می‌تواند به دو روش انجام شود:
۱- تخریب جنبشی: ارسال یک فضاپیمای سنگین برای ضربه زدن به سیارک، نه برای منحرف کردن آن، بلکه برای خرد کردن آن به قطعات کوچک‌تر و بی‌خطر.
۲- تخریب هسته‌ای: به عنوان آخرین راه حل، ارسال یک وسیله انفجاری هسته‌ای برای متلاشی کردن کامل سیارک.
این روش‌ها نیز آزمایش نشده‌اند، اما از نظر تئوری می‌توانند در شرایطی که انحراف مسیر ممکن نیست، به کار روند.
🔹 لازم به ذکر است که با احتمال ۹۶٪، این سیارک بدون هیچ مشکلی از کنار ماه عبور خواهد کرد. دانشمندان از این سناریو به عنوان یک «تمرین» ارزشمند استفاده می‌کنند تا برای روزی که یک تهدید واقعی‌تر کشف شود، آماده باشیم.
[منبع]
🆔 @Science_Focus
#دفاع_سیاره_ای #سیارک #نجوم #فناوری_فضایی #ناسا
📌 توجه: این مطلب بر اساس یک مقاله علمی «پیش‌چاپ» است که هنوز داوری همتا نشده است. سیارک مورد بحث هیچ تهدیدی برای زمین ندارد و این صرفاً یک «مطالعه امکان‌سنجی» و یک تمرین فکری برای دفاع سیاره‌ای است، نه یک طرح عملیاتی.
🔹 یک سیارک به اندازه یک ساختمان به نام 2024 YR4، با احتمال ۴٪ ممکن است در سال ۲۰۳۲ به ماه برخورد کند. اگرچه این سیارک هیچ خطری برای زمین ندارد، اما دانشمندان از این سناریو به عنوان یک فرصت برای بررسی گزینه‌های دفاع سیاره‌ای استفاده کرده‌اند و به نتایج جالبی رسیده‌اند: در این مورد خاص، تخریب کامل سیارک ممکن است از منحرف کردن آن امن‌تر باشد.
❕ خطر واقعی چیست؟ (پرتابه‌های ماه)
برخورد یک سیارک ۵۵ متری به ماه، خطری برای زمین ایجاد نمی‌کند، اما می‌تواند مقادیر زیادی از سنگ و غبار سطح ماه (رجولیت) را به فضا پرتاب کند. این «پرتابه‌ها» می‌توانند برای چند روز، تراکم ریزشهاب‌سنگ‌ها در مدار پایین زمین را تا ۱۰۰۰ برابر افزایش دهند و تهدیدی جدی برای ماهواره‌ها، ایستگاه فضایی و فضانوردان حاضر در مدار باشند.
🔹 چرا انحراف مسیر (مانند مأموریت DART) گزینه خوبی نیست؟
ماموریت DART ناسا با موفقیت یک سیارک را منحرف کرد. اما برای این کار، باید جرم دقیق سیارک را بدانیم تا نیروی لازم را محاسبه کنیم. ما جرم دقیق 2024 YR4 را نمی‌دانیم و زمان کافی برای ارسال یک مأموریت شناسایی و سپس یک مأموریت انحرافی نداریم. یک فشار اشتباه و محاسبه‌نشده می‌تواند به طور تصادفی مسیر سیارک را به سمت زمین تغییر دهد که این ریسک بسیار بزرگی است.
🔹 گزینه جایگزین: تخریب کامل (Disruption)
با توجه به ریسک‌های انحراف، مقاله علمی جدید گزینه «تخریب کامل» را بررسی می‌کند. این کار می‌تواند به دو روش انجام شود:
۱- تخریب جنبشی: ارسال یک فضاپیمای سنگین برای ضربه زدن به سیارک، نه برای منحرف کردن آن، بلکه برای خرد کردن آن به قطعات کوچک‌تر و بی‌خطر.
۲- تخریب هسته‌ای: به عنوان آخرین راه حل، ارسال یک وسیله انفجاری هسته‌ای برای متلاشی کردن کامل سیارک.
این روش‌ها نیز آزمایش نشده‌اند، اما از نظر تئوری می‌توانند در شرایطی که انحراف مسیر ممکن نیست، به کار روند.
🔹 لازم به ذکر است که با احتمال ۹۶٪، این سیارک بدون هیچ مشکلی از کنار ماه عبور خواهد کرد. دانشمندان از این سناریو به عنوان یک «تمرین» ارزشمند استفاده می‌کنند تا برای روزی که یک تهدید واقعی‌تر کشف شود، آماده باشیم.
[منبع]
🆔 @Science_Focus
#دفاع_سیاره_ای #سیارک #نجوم #فناوری_فضایی #ناسا
Live Science
We could nuke 'city killer' asteroid 2024 YR4 before it hits the moon — if we act fast, new study warns
The potential 'city killer' asteroid 2024 YR4 has a small chance of hitting the moon in 2032. In a new paper, scientists probe the logistics of destroying it — possibly with nuclear weapons — before it comes too close.
❤1
تازه‌های علمی
🔺 چشم ما بر خورشید از کار افتاد: مأموریت فوری برای جایگزینی سپر فضایی فرسوده زمین 🔹 در یک تحول نگران‌کننده، ماهواره اصلی دیده‌بان آب‌وهوای فضایی آمریکا (DSCOVR) به دلیل یک نقص فنی از کار افتاده و زمان بازگشت آن نامشخص است. این اتفاق در حالی رخ می‌دهد که ناوگان…
🔺 نه یکی، بلکه سه ماهواره: مأموریت بزرگ ناسا و NOAA برای حفاظت از زمین و کاوش مرزهای منظومه شمسی
🔹 دیروز در مورد بحران فرسودگی ماهواره‌های دیده‌بان خورشیدی و از کار افتادن سپر هشدار اولیه زمین صحبت کردیم. امروز، خبر خوب و راه‌حل این مشکل از راه رسید: ناسا و NOAA فردا یک ناوگان سه‌گانه از ماهواره‌های پیشرفته را برای مطالعه آب‌وهوای فضایی و حفاظت از زیرساخت‌های حیاتی ما به فضا پرتاب می‌کنند.
🔹 این سه ماهواره که همگی با یک موشک اسپیس‌ایکس به نقطه استراتژیک لاگرانژی L1 فرستاده می‌شوند، مانند یک تیم هماهنگ عمل کرده و هر کدام وظیفه‌ای منحصربه‌فرد بر عهده دارند:
۱- دیده‌بان عملیاتی (SWFO-L1): این ماهواره متعلق به NOAA، همان جایگزین حیاتی و فوری برای ناوگان فرسوده ماست. وظیفه اصلی آن، دیده‌بانی ۲۴ ساعته خورشید و ارسال هشدارهای اولیه طوفان‌های خورشیدی است تا از GPS، شبکه‌های برق و ماهواره‌ها محافظت کند.
۲- نقشه‌بردار مرزهای منظومه شمسی (IMAP): این ماهواره پیشرفته ناسا، یک مأموریت علمی عمیق‌تر را دنبال می‌کند. وظیفه آن، مطالعه و نقشه‌برداری از «هلیوسفر» است.
❕ هلیوسفر چیست؟
هلیوسفر یک حباب مغناطیسی غول‌پیکر است که توسط باد خورشیدی ایجاد شده و تمام سیارات منظومه شمسی را در بر گرفته است. این حباب، سپر محافظ طبیعی ما در برابر تشعشعات کیهانی پرانرژی است که از اعماق کهکشان به سمت ما می‌آیند. IMAP برای اولین بار با وضوح بالا از این سپر محافظ نقشه‌برداری خواهد کرد.
۳- نگهبان اتمسفر زمین (Carruthers Geocorona Observatory): این ماهواره کوچک ناسا بر روی بالاترین لایه اتمسفر زمین به نام «ژئوکورونا» تمرکز خواهد کرد. این لایه، آخرین مرز دفاعی سیاره ما در برابر تشعشعات خورشیدی است. این رصدخانه بررسی خواهد کرد که این لایه محافظ در پاسخ به طوفان‌های خورشیدی چگونه تغییر می‌کند.
🔹 به گفته نیکی فاکس، مدیر علوم ناسا: «این سه ماهواره با هم، تمام اجزای چگونگی تأثیر خورشید نه تنها بر زمین، بلکه بر کل منظومه شمسی را بررسی می‌کنند». این مأموریت جامع، نمونه‌ای برجسته از ترکیب نیازهای عملیاتی فوری با کاوش‌های علمی بنیادین است.
[منبع]
🆔 @Science_Focus
#فضا #ناسا #خورشید #آب_و_هوای_فضایی #ماهواره #فناوری #هلیوسفر
🔹 دیروز در مورد بحران فرسودگی ماهواره‌های دیده‌بان خورشیدی و از کار افتادن سپر هشدار اولیه زمین صحبت کردیم. امروز، خبر خوب و راه‌حل این مشکل از راه رسید: ناسا و NOAA فردا یک ناوگان سه‌گانه از ماهواره‌های پیشرفته را برای مطالعه آب‌وهوای فضایی و حفاظت از زیرساخت‌های حیاتی ما به فضا پرتاب می‌کنند.
🔹 این سه ماهواره که همگی با یک موشک اسپیس‌ایکس به نقطه استراتژیک لاگرانژی L1 فرستاده می‌شوند، مانند یک تیم هماهنگ عمل کرده و هر کدام وظیفه‌ای منحصربه‌فرد بر عهده دارند:
۱- دیده‌بان عملیاتی (SWFO-L1): این ماهواره متعلق به NOAA، همان جایگزین حیاتی و فوری برای ناوگان فرسوده ماست. وظیفه اصلی آن، دیده‌بانی ۲۴ ساعته خورشید و ارسال هشدارهای اولیه طوفان‌های خورشیدی است تا از GPS، شبکه‌های برق و ماهواره‌ها محافظت کند.
۲- نقشه‌بردار مرزهای منظومه شمسی (IMAP): این ماهواره پیشرفته ناسا، یک مأموریت علمی عمیق‌تر را دنبال می‌کند. وظیفه آن، مطالعه و نقشه‌برداری از «هلیوسفر» است.
❕ هلیوسفر چیست؟
هلیوسفر یک حباب مغناطیسی غول‌پیکر است که توسط باد خورشیدی ایجاد شده و تمام سیارات منظومه شمسی را در بر گرفته است. این حباب، سپر محافظ طبیعی ما در برابر تشعشعات کیهانی پرانرژی است که از اعماق کهکشان به سمت ما می‌آیند. IMAP برای اولین بار با وضوح بالا از این سپر محافظ نقشه‌برداری خواهد کرد.
۳- نگهبان اتمسفر زمین (Carruthers Geocorona Observatory): این ماهواره کوچک ناسا بر روی بالاترین لایه اتمسفر زمین به نام «ژئوکورونا» تمرکز خواهد کرد. این لایه، آخرین مرز دفاعی سیاره ما در برابر تشعشعات خورشیدی است. این رصدخانه بررسی خواهد کرد که این لایه محافظ در پاسخ به طوفان‌های خورشیدی چگونه تغییر می‌کند.
🔹 به گفته نیکی فاکس، مدیر علوم ناسا: «این سه ماهواره با هم، تمام اجزای چگونگی تأثیر خورشید نه تنها بر زمین، بلکه بر کل منظومه شمسی را بررسی می‌کنند». این مأموریت جامع، نمونه‌ای برجسته از ترکیب نیازهای عملیاتی فوری با کاوش‌های علمی بنیادین است.
[منبع]
🆔 @Science_Focus
#فضا #ناسا #خورشید #آب_و_هوای_فضایی #ماهواره #فناوری #هلیوسفر
ABC News
NASA launches urgent mission to protect GPS, power grids from solar storms
NASA and NOAA launch three satellites to monitor space weather, protecting vital technologies like GPS and power grids from solar storms.
🔺 «مهره‌های تیره» و یک «ستاره» مرموز: جیمز وب ساختارهای کاملاً ناشناخته‌ای در جو زحل کشف کرد
🔹 تلسکوپ فضایی جیمز وب (JWST) بار دیگر قدرت بی‌نظیر خود را به نمایش گذاشت و با رصد سیاره زحل، ساختارهایی را در جو فوقانی آن آشکار کرد که هرگز پیش از این دیده نشده بودند. به گفته دانشمندان، این ویژگی‌ها «کاملاً غیرمنتظره و در حال حاضر، کاملاً توضیح‌ناپذیر» هستند.
❕ چرا جیمز وب چیزی را دید که دیگران ندیدند؟
جو فوقانی زحل بسیار رقیق است و تابش بسیار ضعیفی از خود ساطع می‌کند که دیدن آن برای تلسکوپ‌های قبلی و حتی مأموریت کاسینی دشوار بود. حساسیت فوق‌العاده بالای جیمز وب در طیف فروسرخ به آن اجازه داد تا تابش حرارتی ضعیف مولکول‌هایی مانند متان و یون‌های هیدروژن را با جزئیاتی بی‌سابقه ثبت کند و این ساختارهای پنهان را برای اولین بار آشکار سازد.
🔹 این پژوهش که در ژورنال معتبر Geophysical Research Letters منتشر شده، دو پدیده کاملاً جدید را در دو لایه مختلف جو زحل توصیف می‌کند:
۱- در یونوسفر (بالاترین لایه): رشته‌ای از «مهره‌های تیره» مرموز که در کنار شفق‌های قطبی زحل قرار گرفته‌اند.
۲- در استراتوسفر (لایه پایین‌تر): یک ساختار غول‌پیکر و عجیب به شکل یک «ستاره شش‌پر» که دو بازوی آن «گمشده» است و چهار بازوی دیگر آن از قطب شمال تا نزدیکی استوا امتداد یافته‌اند.
❕ آیا این معماها به «شش‌ضلعی» معروف زحل مرتبطند؟
شش‌ضلعی زحل یک طوفان غول‌پیکر و پایدار در اعماق جو این سیاره است. دانشمندان این فرضیه را مطرح کرده‌اند که این ساختارهای جدید در لایه‌های بالایی، ممکن است به نوعی با دینامیک پیچیده این طوفان در لایه‌های پایینی مرتبط باشند. به شکلی وسوسه‌انگیز، تاریک‌ترین «مهره‌ها» در یونوسفر، دقیقاً در امتداد قوی‌ترین «بازوی ستاره» در استراتوسفر قرار گرفته‌اند، اما هنوز مشخص نیست که آیا این یک ارتباط واقعی است یا صرفاً یک تصادف.
🔹 به گفته پروفسور تام استالارد، سرپرست تیم تحقیق:
🔹 این کشف، درک ما از جو زحل را به چالش کشیده و فصل جدیدی از معماها را برای دانشمندان سیاره‌شناس گشوده است.
[منبع]
🆔 @Science_Focus
#نجوم #جیمز_وب #زحل #سیاره_شناسی #منظومه_شمسی #کشف_علمی
🔹 تلسکوپ فضایی جیمز وب (JWST) بار دیگر قدرت بی‌نظیر خود را به نمایش گذاشت و با رصد سیاره زحل، ساختارهایی را در جو فوقانی آن آشکار کرد که هرگز پیش از این دیده نشده بودند. به گفته دانشمندان، این ویژگی‌ها «کاملاً غیرمنتظره و در حال حاضر، کاملاً توضیح‌ناپذیر» هستند.
❕ چرا جیمز وب چیزی را دید که دیگران ندیدند؟
جو فوقانی زحل بسیار رقیق است و تابش بسیار ضعیفی از خود ساطع می‌کند که دیدن آن برای تلسکوپ‌های قبلی و حتی مأموریت کاسینی دشوار بود. حساسیت فوق‌العاده بالای جیمز وب در طیف فروسرخ به آن اجازه داد تا تابش حرارتی ضعیف مولکول‌هایی مانند متان و یون‌های هیدروژن را با جزئیاتی بی‌سابقه ثبت کند و این ساختارهای پنهان را برای اولین بار آشکار سازد.
🔹 این پژوهش که در ژورنال معتبر Geophysical Research Letters منتشر شده، دو پدیده کاملاً جدید را در دو لایه مختلف جو زحل توصیف می‌کند:
۱- در یونوسفر (بالاترین لایه): رشته‌ای از «مهره‌های تیره» مرموز که در کنار شفق‌های قطبی زحل قرار گرفته‌اند.
۲- در استراتوسفر (لایه پایین‌تر): یک ساختار غول‌پیکر و عجیب به شکل یک «ستاره شش‌پر» که دو بازوی آن «گمشده» است و چهار بازوی دیگر آن از قطب شمال تا نزدیکی استوا امتداد یافته‌اند.
❕ آیا این معماها به «شش‌ضلعی» معروف زحل مرتبطند؟
شش‌ضلعی زحل یک طوفان غول‌پیکر و پایدار در اعماق جو این سیاره است. دانشمندان این فرضیه را مطرح کرده‌اند که این ساختارهای جدید در لایه‌های بالایی، ممکن است به نوعی با دینامیک پیچیده این طوفان در لایه‌های پایینی مرتبط باشند. به شکلی وسوسه‌انگیز، تاریک‌ترین «مهره‌ها» در یونوسفر، دقیقاً در امتداد قوی‌ترین «بازوی ستاره» در استراتوسفر قرار گرفته‌اند، اما هنوز مشخص نیست که آیا این یک ارتباط واقعی است یا صرفاً یک تصادف.
🔹 به گفته پروفسور تام استالارد، سرپرست تیم تحقیق:
«ما انتظار داشتیم نوارهای گسترده‌ای از تابش را ببینیم. در عوض، الگوهای ظریفی از مهره‌ها و ستاره‌ها را دیدیم که ممکن است به نوعی به هم مرتبط باشند.»
🔹 این کشف، درک ما از جو زحل را به چالش کشیده و فصل جدیدی از معماها را برای دانشمندان سیاره‌شناس گشوده است.
[منبع]
🆔 @Science_Focus
#نجوم #جیمز_وب #زحل #سیاره_شناسی #منظومه_شمسی #کشف_علمی
IFLScience
"Completely Unexplained" Dark Beads And Star-Shaped Structure Seen In Saturn's Atmosphere By JWST
"These features were completely unexpected and, at present, are completely unexplained," Professor Tom Stallard said.
🔺 هوش مصنوعی فیزیکدان می‌شود: ابزار جدید MIT به AI یاد می‌دهد چگونه مواد کوانتومی واقعی کشف کند
🔹 هوش مصنوعی مولد می‌تواند میلیون‌ها ماده جدید طراحی کند، اما اغلب این طراحی‌ها قوانین فیزیک را نقض کرده و در دنیای واقعی غیرممکن هستند. اکنون، محققان MIT ابزاری به نام SCIGEN ساخته‌اند که به این مدل‌های خلاق، «عقل سلیم فیزیکی» می‌آموزد و آن‌ها را هدایت می‌کند تا موادی با خواص کوانتومی شگفت‌انگیز و در عین حال «قابل ساخت» پیشنهاد دهند. نتیجه؟ کشف و ساخت دو ماده کاملاً جدید با خواص مغناطیسی جالب.
❕ مشکل اصلی: خلاقیت بی‌قید و شرط هوش مصنوعی
مدل‌های هوش مصنوعی مولد در طراحی مواد جدید، مانند یک هنرمند بسیار خلاق اما بدون دانش مهندسی عمل می‌کنند. آن‌ها می‌توانند ساختارهای زیبایی را تصور کنند، اما اغلب این ساختارها از نظر فیزیکی پایدار نیستند یا قوانین شیمی را نقض می‌کنند (پدیده توهم یا Hallucination). این باعث می‌شود که دانشمندان مجبور شوند میلیون‌ها پیشنهاد بی‌فایده را غربال کنند.
🔹 ابزار SCIGEN که نتایج آن در ژورنال معتبر Nature Materials منتشر شده، این مشکل را با «تزریق قوانین فیزیک» به فرآیند طراحی حل می‌کند. محققان می‌توانند «قیدهای هندسی» مشخصی را برای هوش مصنوعی تعریف کنند و مدل را مجبور کنند تا تنها موادی با آن ساختارهای خاص را پیشنهاد دهد.
❕ چرا ساختار هندسی در مواد کوانتومی اینقدر مهم است؟
در دنیای کوانتومی، خواص شگفت‌انگیزی مانند ابررسانایی یا حالت‌های مغناطیسی عجیب، اغلب از یک ساختار هندسی و تقارن خاص در چینش اتم‌ها ناشی می‌شوند. برای مثال، ساختارهایی مانند «شبکه کاگومه» (شبیه ستاره داوودهای به هم پیوسته) بستری ایده‌آل برای ظهور پدیده‌های کوانتومی هستند که می‌توانند در ساخت کامپیوترهای کوانتومی به کار روند. SCIGEN به دانشمندان اجازه می‌دهد تا به هوش مصنوعی بگویند: «برای من موادی فقط با ساختار کاگومه طراحی کن.»
🔹 تیم MIT با استفاده از این روش، به هوش مصنوعی دستور داد تا ۱۰ میلیون ماده کاندید با ساختارهای هندسی خاص (شبکه‌های ارشمیدسی) طراحی کند. پس از غربالگری‌های محاسباتی، آن‌ها دو کاندید بسیار امیدوارکننده را انتخاب کرده و موفق شدند آن‌ها را در آزمایشگاه بسازند! این دو ماده جدید، TiPdBi و TiPbSb، خواص مغناطیسی پیش‌بینی‌شده توسط هوش مصنوعی را از خود نشان دادند.
🔹 این دستاورد، یک گام بزرگ به سوی «طراحی هوشمند مواد» است و می‌تواند فرآیند کشف ابررساناهای جدید، کاتالیزورهای بهتر برای انرژی پاک و مواد پیشرفته برای الکترونیک را به شدت تسریع کند. این نمونه‌ای درخشان از همکاری انسان و ماشین است که در آن، خلاقیت هوش مصنوعی توسط خرد و دانش انسان هدایت می‌شود.
[منبع]
🆔 @Science_Focus
#هوش_مصنوعی #علم_مواد #فیزیک_کوانتوم #کامپیوتر_کوانتومی #کشف_علمی #MIT
🔹 هوش مصنوعی مولد می‌تواند میلیون‌ها ماده جدید طراحی کند، اما اغلب این طراحی‌ها قوانین فیزیک را نقض کرده و در دنیای واقعی غیرممکن هستند. اکنون، محققان MIT ابزاری به نام SCIGEN ساخته‌اند که به این مدل‌های خلاق، «عقل سلیم فیزیکی» می‌آموزد و آن‌ها را هدایت می‌کند تا موادی با خواص کوانتومی شگفت‌انگیز و در عین حال «قابل ساخت» پیشنهاد دهند. نتیجه؟ کشف و ساخت دو ماده کاملاً جدید با خواص مغناطیسی جالب.
❕ مشکل اصلی: خلاقیت بی‌قید و شرط هوش مصنوعی
مدل‌های هوش مصنوعی مولد در طراحی مواد جدید، مانند یک هنرمند بسیار خلاق اما بدون دانش مهندسی عمل می‌کنند. آن‌ها می‌توانند ساختارهای زیبایی را تصور کنند، اما اغلب این ساختارها از نظر فیزیکی پایدار نیستند یا قوانین شیمی را نقض می‌کنند (پدیده توهم یا Hallucination). این باعث می‌شود که دانشمندان مجبور شوند میلیون‌ها پیشنهاد بی‌فایده را غربال کنند.
🔹 ابزار SCIGEN که نتایج آن در ژورنال معتبر Nature Materials منتشر شده، این مشکل را با «تزریق قوانین فیزیک» به فرآیند طراحی حل می‌کند. محققان می‌توانند «قیدهای هندسی» مشخصی را برای هوش مصنوعی تعریف کنند و مدل را مجبور کنند تا تنها موادی با آن ساختارهای خاص را پیشنهاد دهد.
❕ چرا ساختار هندسی در مواد کوانتومی اینقدر مهم است؟
در دنیای کوانتومی، خواص شگفت‌انگیزی مانند ابررسانایی یا حالت‌های مغناطیسی عجیب، اغلب از یک ساختار هندسی و تقارن خاص در چینش اتم‌ها ناشی می‌شوند. برای مثال، ساختارهایی مانند «شبکه کاگومه» (شبیه ستاره داوودهای به هم پیوسته) بستری ایده‌آل برای ظهور پدیده‌های کوانتومی هستند که می‌توانند در ساخت کامپیوترهای کوانتومی به کار روند. SCIGEN به دانشمندان اجازه می‌دهد تا به هوش مصنوعی بگویند: «برای من موادی فقط با ساختار کاگومه طراحی کن.»
🔹 تیم MIT با استفاده از این روش، به هوش مصنوعی دستور داد تا ۱۰ میلیون ماده کاندید با ساختارهای هندسی خاص (شبکه‌های ارشمیدسی) طراحی کند. پس از غربالگری‌های محاسباتی، آن‌ها دو کاندید بسیار امیدوارکننده را انتخاب کرده و موفق شدند آن‌ها را در آزمایشگاه بسازند! این دو ماده جدید، TiPdBi و TiPbSb، خواص مغناطیسی پیش‌بینی‌شده توسط هوش مصنوعی را از خود نشان دادند.
🔹 این دستاورد، یک گام بزرگ به سوی «طراحی هوشمند مواد» است و می‌تواند فرآیند کشف ابررساناهای جدید، کاتالیزورهای بهتر برای انرژی پاک و مواد پیشرفته برای الکترونیک را به شدت تسریع کند. این نمونه‌ای درخشان از همکاری انسان و ماشین است که در آن، خلاقیت هوش مصنوعی توسط خرد و دانش انسان هدایت می‌شود.
[منبع]
🆔 @Science_Focus
#هوش_مصنوعی #علم_مواد #فیزیک_کوانتوم #کامپیوتر_کوانتومی #کشف_علمی #MIT
Decrypt
Can AI Help Invent the Next Superconductor? MIT and Samsung Researchers Think So - Decrypt
MIT’s SCIGEN and Samsung’s PaRS embed physics into AI, helping LLMs propose exotic, feasible materials for quantum, energy, and chips.
🔺 «امداد فضایی» برای تلسکوپ ناسا: یک استارتاپ برای نجات رصدخانه سویفت استخدام شد
🔹 ناسا در یک اقدام جسورانه و آینده‌نگرانه، قراردادی را با یک شرکت استارتاپ به نام «کاتالیست اسپیس» امضا کرده تا یک مأموریت نجات فضایی بی‌سابقه را به انجام برساند: اعزام یک فضاپیمای رباتیک برای گرفتن رصدخانه فضایی «سویفت» و هل دادن آن به مداری بالاتر، پیش از آنکه در جو زمین سقوط کرده و بسوزد.
❕ چرا مدار ماهواره‌ها افت می‌کند؟
ماهواره‌هایی که در مدار پایینی زمین (LEO) قرار دارند، با مقادیر بسیار ناچیزی از جو زمین برخورد می‌کنند. این برخورد مداوم، یک نیروی پسای بسیار ضعیف (Atmospheric Drag) ایجاد می‌کند که به مرور زمان از سرعت ماهواره کاسته و باعث کاهش ارتفاع مدار آن می‌شود. اخیراً به دلیل افزایش فعالیت‌های خورشیدی، جو زمین کمی «پف» کرده و غلیظ‌تر شده و این فرآیند افت مدار را برای سویفت تسریع کرده است.
🔹 رصدخانه فضایی سویفت که در سال ۲۰۰۴ پرتاب شد، یک ابزار علمی حیاتی برای مطالعه پرانرژی‌ترین رویدادهای کیهان، مانند انفجارهای پرتو گاما است. این تلسکوپ مانند یک «مرکز فرماندهی و هشدار سریع» عمل می‌کند؛ به محض شناسایی یک رویداد گذرا، اطلاعات آن را به سایر تلسکوپ‌ها (مانند جیمز وب) ارسال می‌کند تا آن‌ها بتوانند هدف را با جزئیات بررسی کنند. از دست دادن آن، یک خلأ بزرگ در توانایی ما برای رصد کیهان دینامیک ایجاد می‌کرد.
❕ چرا این مأموریت یک نقطه عطف تاریخی است؟
این اولین باری است که یک فضاپیمای رباتیک تجاری تلاش می‌کند یک ماهواره دولتی را که از ابتدا برای تعمیر یا سرویس‌دهی طراحی نشده، در فضا بگیرد و جابجا کند. ماهواره‌هایی مانند سویفت هیچ «دستگیره»، پورت اتصال یا نشانگری برای پهلوگیری ندارند. فضاپیمای رباتیک کاتالیست باید بتواند به صورت خودکار به یک جرم در حال حرکت سریع نزدیک شده، آن را به شکلی ایمن بگیرد و سپس موتورهای خود را برای بالا بردن مدار آن روشن کند. موفقیت در این مأموریت، درهای عصر جدیدی از تعمیر، ارتقا و افزایش عمر ماهواره‌ها را باز خواهد کرد.
🔹 این رویکرد ناسا نشان‌دهنده یک تغییر استراتژی مهم است: به جای صرف هزینه هنگفت برای ساخت و پرتاب یک ماهواره جایگزین، ناسا با پذیرش ریسک، به سراغ یک راه‌حل سریع و نوآورانه از یک شرکت کوچک رفته است. این مأموریت که یک «مسابقه با زمان» توصیف شده، قرار است در بهار ۲۰۲۶ انجام شود و موفقیت آن می‌تواند آینده اقتصاد فضایی و پایداری در مدار زمین را متحول کند.
[منبع]
🆔 @Science_Focus
#فناوری_فضایی #ناسا #تلسکوپ_سویفت #اقتصاد_فضا #ماهواره #رباتیک
🔹 ناسا در یک اقدام جسورانه و آینده‌نگرانه، قراردادی را با یک شرکت استارتاپ به نام «کاتالیست اسپیس» امضا کرده تا یک مأموریت نجات فضایی بی‌سابقه را به انجام برساند: اعزام یک فضاپیمای رباتیک برای گرفتن رصدخانه فضایی «سویفت» و هل دادن آن به مداری بالاتر، پیش از آنکه در جو زمین سقوط کرده و بسوزد.
❕ چرا مدار ماهواره‌ها افت می‌کند؟
ماهواره‌هایی که در مدار پایینی زمین (LEO) قرار دارند، با مقادیر بسیار ناچیزی از جو زمین برخورد می‌کنند. این برخورد مداوم، یک نیروی پسای بسیار ضعیف (Atmospheric Drag) ایجاد می‌کند که به مرور زمان از سرعت ماهواره کاسته و باعث کاهش ارتفاع مدار آن می‌شود. اخیراً به دلیل افزایش فعالیت‌های خورشیدی، جو زمین کمی «پف» کرده و غلیظ‌تر شده و این فرآیند افت مدار را برای سویفت تسریع کرده است.
🔹 رصدخانه فضایی سویفت که در سال ۲۰۰۴ پرتاب شد، یک ابزار علمی حیاتی برای مطالعه پرانرژی‌ترین رویدادهای کیهان، مانند انفجارهای پرتو گاما است. این تلسکوپ مانند یک «مرکز فرماندهی و هشدار سریع» عمل می‌کند؛ به محض شناسایی یک رویداد گذرا، اطلاعات آن را به سایر تلسکوپ‌ها (مانند جیمز وب) ارسال می‌کند تا آن‌ها بتوانند هدف را با جزئیات بررسی کنند. از دست دادن آن، یک خلأ بزرگ در توانایی ما برای رصد کیهان دینامیک ایجاد می‌کرد.
❕ چرا این مأموریت یک نقطه عطف تاریخی است؟
این اولین باری است که یک فضاپیمای رباتیک تجاری تلاش می‌کند یک ماهواره دولتی را که از ابتدا برای تعمیر یا سرویس‌دهی طراحی نشده، در فضا بگیرد و جابجا کند. ماهواره‌هایی مانند سویفت هیچ «دستگیره»، پورت اتصال یا نشانگری برای پهلوگیری ندارند. فضاپیمای رباتیک کاتالیست باید بتواند به صورت خودکار به یک جرم در حال حرکت سریع نزدیک شده، آن را به شکلی ایمن بگیرد و سپس موتورهای خود را برای بالا بردن مدار آن روشن کند. موفقیت در این مأموریت، درهای عصر جدیدی از تعمیر، ارتقا و افزایش عمر ماهواره‌ها را باز خواهد کرد.
🔹 این رویکرد ناسا نشان‌دهنده یک تغییر استراتژی مهم است: به جای صرف هزینه هنگفت برای ساخت و پرتاب یک ماهواره جایگزین، ناسا با پذیرش ریسک، به سراغ یک راه‌حل سریع و نوآورانه از یک شرکت کوچک رفته است. این مأموریت که یک «مسابقه با زمان» توصیف شده، قرار است در بهار ۲۰۲۶ انجام شود و موفقیت آن می‌تواند آینده اقتصاد فضایی و پایداری در مدار زمین را متحول کند.
[منبع]
🆔 @Science_Focus
#فناوری_فضایی #ناسا #تلسکوپ_سویفت #اقتصاد_فضا #ماهواره #رباتیک
NASA
NASA Awards Company to Attempt Swift Spacecraft Orbit Boost - NASA
Driving rapid innovation in the American space industry, NASA has awarded Katalyst Space Technologies of Flagstaff, Arizona, a contract to raise a
🔺 کشف مگاراپتور جدید، شاید با آخرین وعده غذایی‌اش در دهان: تصویری از ۷۰ میلیون سال پیش
🔹 دیرینه‌شناسان در پاتاگونیای آرژانتین، فسیل گونه‌ای جدید از یک دایناسور شکارچی غول‌پیکر را کشف کرده‌اند که Joaquinraptor casali نام گرفته است. اما شگفت‌انگیزترین بخش این کشف، چیزی بود که در میان آرواره‌های ۷۰ میلیون ساله این هیولا پیدا شد: استخوان بازوی یک کروکودیل باستانی، که شاید آخرین وعده غذایی او بوده است.
❕ «مگاراپتور»ها چه بودند؟
با وجود نامشان، آن‌ها را با «رپتور»های کوچک و چابک فیلم‌های پارک ژوراسیک اشتباه نگیرید. مگاراپتورها گروهی مرموز از دایناسورهای گوشتخوار بزرگ بودند که پوزه‌های کشیده و بازوهایی قدرتمند با چنگال‌هایی بسیار بزرگ و داسی‌شکل داشتند. آن‌ها خویشاوندان احتمالی تیرانوسورها بودند و در مناطقی از آسیا، استرالیا و آمریکای جنوبی که تی-رکس حضور نداشت، نقش شکارچیان رأس هرم را ایفا می‌کردند.
🔹 این گونه جدید که بیش از ۷ متر طول و بیش از یک تن وزن داشته، یکی از «کامل‌ترین» و همچنین «آخرین» گونه‌های شناخته‌شده از خانواده مگاراپتورهاست که درست تا چند میلیون سال پیش از برخورد سیارک و انقراض بزرگ، در آمریکای جنوبی زندگی می‌کرده است.
❕ چرا دانشمندان فکر می‌کنند این «آخرین وعده غذایی» بوده است؟
این سوالی کلیدی است: آیا ممکن است استخوان کروکودیل به صورت تصادفی در کنار آرواره دایناسور قرار گرفته باشد؟ دانشمندان معتقدند احتمال آن کم است. اسکلت Joaquinraptor به صورت «نیمه-متصل» پیدا شده؛ یعنی بسیاری از استخوان‌ها هنوز در جایگاه طبیعی خود قرار داشتند. اگر یک سیلاب یا جریان آب قوی استخوان‌ها را به اینجا آورده بود، باید تمام اسکلت به هم ریخته و پراکنده می‌شد. این حالت حفظ‌شدگی نشان می‌دهد که دایناسور به آرامی در گل و لای دفن شده و به احتمال زیاد، استخوان کروکودیل واقعاً در دهان او بوده است.
🔹 این کشف یک «عکس فوری» و فوق‌العاده نادر از یک تعامل اکولوژیکی در ۷۰ میلیون سال پیش است. این فسیل نه تنها اطلاعات ما در مورد تنوع دایناسورها در آخرین روزهای فرمانروایی‌شان را افزایش می‌دهد، بلکه به ما نشان می‌دهد که در منوی غذایی این شکارچیان غول‌پیکر چه چیزهایی پیدا می‌شده است.
[منبع]
🆔 @Science_Focus
#دیرینه_شناسی #دایناسور #مگاراپتور #کشف_علمی #پاتاگونیا #فسیل
🔹 دیرینه‌شناسان در پاتاگونیای آرژانتین، فسیل گونه‌ای جدید از یک دایناسور شکارچی غول‌پیکر را کشف کرده‌اند که Joaquinraptor casali نام گرفته است. اما شگفت‌انگیزترین بخش این کشف، چیزی بود که در میان آرواره‌های ۷۰ میلیون ساله این هیولا پیدا شد: استخوان بازوی یک کروکودیل باستانی، که شاید آخرین وعده غذایی او بوده است.
❕ «مگاراپتور»ها چه بودند؟
با وجود نامشان، آن‌ها را با «رپتور»های کوچک و چابک فیلم‌های پارک ژوراسیک اشتباه نگیرید. مگاراپتورها گروهی مرموز از دایناسورهای گوشتخوار بزرگ بودند که پوزه‌های کشیده و بازوهایی قدرتمند با چنگال‌هایی بسیار بزرگ و داسی‌شکل داشتند. آن‌ها خویشاوندان احتمالی تیرانوسورها بودند و در مناطقی از آسیا، استرالیا و آمریکای جنوبی که تی-رکس حضور نداشت، نقش شکارچیان رأس هرم را ایفا می‌کردند.
🔹 این گونه جدید که بیش از ۷ متر طول و بیش از یک تن وزن داشته، یکی از «کامل‌ترین» و همچنین «آخرین» گونه‌های شناخته‌شده از خانواده مگاراپتورهاست که درست تا چند میلیون سال پیش از برخورد سیارک و انقراض بزرگ، در آمریکای جنوبی زندگی می‌کرده است.
❕ چرا دانشمندان فکر می‌کنند این «آخرین وعده غذایی» بوده است؟
این سوالی کلیدی است: آیا ممکن است استخوان کروکودیل به صورت تصادفی در کنار آرواره دایناسور قرار گرفته باشد؟ دانشمندان معتقدند احتمال آن کم است. اسکلت Joaquinraptor به صورت «نیمه-متصل» پیدا شده؛ یعنی بسیاری از استخوان‌ها هنوز در جایگاه طبیعی خود قرار داشتند. اگر یک سیلاب یا جریان آب قوی استخوان‌ها را به اینجا آورده بود، باید تمام اسکلت به هم ریخته و پراکنده می‌شد. این حالت حفظ‌شدگی نشان می‌دهد که دایناسور به آرامی در گل و لای دفن شده و به احتمال زیاد، استخوان کروکودیل واقعاً در دهان او بوده است.
🔹 این کشف یک «عکس فوری» و فوق‌العاده نادر از یک تعامل اکولوژیکی در ۷۰ میلیون سال پیش است. این فسیل نه تنها اطلاعات ما در مورد تنوع دایناسورها در آخرین روزهای فرمانروایی‌شان را افزایش می‌دهد، بلکه به ما نشان می‌دهد که در منوی غذایی این شکارچیان غول‌پیکر چه چیزهایی پیدا می‌شده است.
[منبع]
🆔 @Science_Focus
#دیرینه_شناسی #دایناسور #مگاراپتور #کشف_علمی #پاتاگونیا #فسیل
Science
New megaraptor discovered—with its final meal still in its mouth
A croc bone locked between the 70-million-year-old predator’s jaws gives scientists a rare look into its life and possibly its last feast.
❤2
🔺 عبور از مرز ۶۰۰۰ کیوبیت: دانشمندان بزرگترین آرایه کوانتومی جهان را ساختند
🔹 دانشمندان موسسه فناوری کالیفرنیا (Caltech) با ساخت یک دستگاه حاوی ۶۱۰۰ کیوبیت، رکورد بزرگترین آرایه کوانتومی جهان را با اختلاف زیادی شکستند. این دستاورد یک گام بسیار مهم به سوی ساخت کامپیوترهای کوانتومی قدرتمند و مقاوم در برابر خطا محسوب می‌شود.
❕ کمیت در برابر کیفیت: چرا تعداد کیوبیت‌ها همه چیز نیست؟
در دنیای کوانتوم، داشتن کیوبیت‌های زیاد به تنهایی کافی نیست. کیوبیت‌ها به شدت شکننده هستند و به سرعت اطلاعات خود را از دست می‌دهند (پدیده‌ای به نام ناهمدوسی). بنابراین، «کیفیت» کیوبیت‌ها، یعنی مدت زمانی که می‌توانند حالت کوانتومی خود را حفظ کنند (زمان همدوسی) و دقت خواندن اطلاعات آن‌ها، از تعدادشان مهم‌تر است. یک کامپیوتر با ۱۰۰ کیوبیت باکیفیت، بسیار قدرتمندتر از کامپیوتری با ۱۰۰۰ کیوبیت بی‌کیفیت است.
🔹 یک آرایه، نه یک کامپیوتر (هنوز!)
نکته کلیدی این است که این دستگاه یک «آرایه» بسیار بزرگ و باکیفیت از کیوبیت‌هاست، نه یک کامپیوتر کوانتومی کامل. محققان هنوز هیچ محاسبه‌ای با آن انجام نداده‌اند. کاری که آن‌ها انجام داده‌اند، ساختن زیرساخت و اثبات کیفیت فوق‌العاده آن بوده است. آن‌ها به معیارهای رکوردشکنی دست یافته‌اند: زمان همدوسی ۱۲.۶ ثانیه‌ای و دقت تصویربرداری ۹۹.۹۹ درصدی که برای چنین مقیاس بزرگی بی‌سابقه است.
❕ موچین‌های نوری: چگونه ۶۱۰۰ اتم را کنترل می‌کنند؟
رویکرد این تیم، استفاده از «اتم‌های خنثی» به عنوان کیوبیت است. آن‌ها ۶۱۰۰ اتم سزیم را تا دمای نزدیک به صفر مطلق سرد کرده و سپس با استفاده از پرتوهای لیزر متمرکز، هر اتم را به صورت جداگانه در جای خود به دام می‌اندازند. این لیزرها مانند «موچین‌های نوری» عمل می‌کنند و به دانشمندان اجازه می‌دهند کیوبیت‌ها را با دقت بالا جابجا کرده و کنترل کنند. این روش پتانسیل بالایی برای مقیاس‌پذیری و رسیدن به تعداد بسیار زیادی کیوبیت دارد.
🔹 این پژوهش نشان می‌دهد که ساخت کامپیوترهای کوانتومی با ده‌ها هزار کیوبیت باکیفیت، دیگر یک رویای دور نیست و ممکن است در آینده نزدیک محقق شود. گام بعدی این تیم، وادار کردن این کیوبیت‌ها به برهمکنش با یکدیگر (درهم‌تنیدگی) و اجرای الگوریتم‌های کوانتومی واقعی است.
[منبع]
🆔 @Science_Focus
#کوانتوم #کامپیوتر_کوانتومی #فیزیک #فناوری #کیوبیت
🔹 دانشمندان موسسه فناوری کالیفرنیا (Caltech) با ساخت یک دستگاه حاوی ۶۱۰۰ کیوبیت، رکورد بزرگترین آرایه کوانتومی جهان را با اختلاف زیادی شکستند. این دستاورد یک گام بسیار مهم به سوی ساخت کامپیوترهای کوانتومی قدرتمند و مقاوم در برابر خطا محسوب می‌شود.
❕ کمیت در برابر کیفیت: چرا تعداد کیوبیت‌ها همه چیز نیست؟
در دنیای کوانتوم، داشتن کیوبیت‌های زیاد به تنهایی کافی نیست. کیوبیت‌ها به شدت شکننده هستند و به سرعت اطلاعات خود را از دست می‌دهند (پدیده‌ای به نام ناهمدوسی). بنابراین، «کیفیت» کیوبیت‌ها، یعنی مدت زمانی که می‌توانند حالت کوانتومی خود را حفظ کنند (زمان همدوسی) و دقت خواندن اطلاعات آن‌ها، از تعدادشان مهم‌تر است. یک کامپیوتر با ۱۰۰ کیوبیت باکیفیت، بسیار قدرتمندتر از کامپیوتری با ۱۰۰۰ کیوبیت بی‌کیفیت است.
🔹 یک آرایه، نه یک کامپیوتر (هنوز!)
نکته کلیدی این است که این دستگاه یک «آرایه» بسیار بزرگ و باکیفیت از کیوبیت‌هاست، نه یک کامپیوتر کوانتومی کامل. محققان هنوز هیچ محاسبه‌ای با آن انجام نداده‌اند. کاری که آن‌ها انجام داده‌اند، ساختن زیرساخت و اثبات کیفیت فوق‌العاده آن بوده است. آن‌ها به معیارهای رکوردشکنی دست یافته‌اند: زمان همدوسی ۱۲.۶ ثانیه‌ای و دقت تصویربرداری ۹۹.۹۹ درصدی که برای چنین مقیاس بزرگی بی‌سابقه است.
❕ موچین‌های نوری: چگونه ۶۱۰۰ اتم را کنترل می‌کنند؟
رویکرد این تیم، استفاده از «اتم‌های خنثی» به عنوان کیوبیت است. آن‌ها ۶۱۰۰ اتم سزیم را تا دمای نزدیک به صفر مطلق سرد کرده و سپس با استفاده از پرتوهای لیزر متمرکز، هر اتم را به صورت جداگانه در جای خود به دام می‌اندازند. این لیزرها مانند «موچین‌های نوری» عمل می‌کنند و به دانشمندان اجازه می‌دهند کیوبیت‌ها را با دقت بالا جابجا کرده و کنترل کنند. این روش پتانسیل بالایی برای مقیاس‌پذیری و رسیدن به تعداد بسیار زیادی کیوبیت دارد.
🔹 این پژوهش نشان می‌دهد که ساخت کامپیوترهای کوانتومی با ده‌ها هزار کیوبیت باکیفیت، دیگر یک رویای دور نیست و ممکن است در آینده نزدیک محقق شود. گام بعدی این تیم، وادار کردن این کیوبیت‌ها به برهمکنش با یکدیگر (درهم‌تنیدگی) و اجرای الگوریتم‌های کوانتومی واقعی است.
[منبع]
🆔 @Science_Focus
#کوانتوم #کامپیوتر_کوانتومی #فیزیک #فناوری #کیوبیت
New Scientist
Device with 6100 qubits is a step towards largest quantum computer yet
An array of 6100 ultracold caesium atoms controlled by lasers is the largest collection of qubits ever assembled, and researchers hope they can soon turn it into the world's most advanced quantum computer
❤1
🔺 نقشه مغز در برابر ترافیک مغز: چرا سیم‌کشی همه چیز نیست؟
🔹 یکی از بزرگترین سوالات علوم اعصاب این است که ساختار فیزیکی مغز چگونه عملکرد آن را تعیین می‌کند. تصور رایج این است که مغز مانند یک مدار الکترونیکی پیچیده است و اگر نقشه کامل سیم‌کشی آن را داشته باشیم، می‌توانیم کارکردش را بفهمیم. اما یک پژوهش جدید روی مغز ساده یک کرم کوچک، پاسخی شگفت‌انگیز به این سوال می‌دهد: ساختار به تنهایی همه چیز را توضیح نمی‌دهد.
❕ نقشه شهر در برابر جریان ترافیک: یک تشبیه کلیدی
برای درک این کشف، این تشبیه را در نظر بگیرید:
* نقشه سیم‌کشی (ساختار): این مانند یک نقشه کامل از یک شهر است که تمام خیابان‌ها، کوچه‌ها و اتصالات ممکن را نشان می‌دهد. این نقشه، ثابت و ایستا است.
* شبکه سیگنالینگ (عملکرد): این مانند جریان واقعی ترافیک در همان شهر در ساعت اوج شلوغی است. پر از ترافیک‌های سنگین، میان‌برها، مسیرهای یک‌طرفه و جاده‌های خلوت. این جریان، پویا و متغیر است و نقشه شهر به تنهایی نمی‌تواند آن را پیش‌بینی کند.
🔹 دانشمندان برای این تحقیق از کرم کوچک C. elegans استفاده کردند، زیرا این موجود تنها ۳۰۲ نورون دارد و نقشه کامل اتصالات آن (کانکتوم) سال‌هاست که تهیه شده است. آن‌ها ابتدا نقشه فیزیکی را تأیید کردند. سپس با استفاده از نور، یک نورون را فعال کرده و با تصویربرداری کلسیم، مشاهده کردند که کدام نورون‌های دیگر به آن پاسخ می‌دهند و سیگنال را منتقل می‌کنند. به این ترتیب، آن‌ها نقشه «جریان ترافیک» مغز کرم را نیز تهیه کردند.
🔹 نتیجه شگفت‌انگیز بود: نقشه جریان ترافیک (عملکرد) تفاوت‌های چشمگیری با نقشه خیابان‌ها (ساختار) داشت. مسیرهای سیگنال همیشه از کوتاه‌ترین مسیر فیزیکی عبور نمی‌کردند و مهم‌تر از آن، نورون‌هایی که بیشترین اتصالات فیزیکی را داشتند (چهارراه‌های اصلی شهر)، لزوماً تأثیرگذارترین نورون‌ها در شبکه عملکردی نبودند.
❕ چرا این یافته در یک کرم کوچک، برای ما مهم است؟
این یک «اثبات اصل» بنیادین است. اگر در یک مغز بسیار ساده با تنها ۳۰۲ نورون، عملکرد تا این حد از ساختار متفاوت است، می‌توان تصور کرد که در مغز انسان با ۸۶ میلیارد نورون، این تفاوت چقدر پیچیده‌تر و عمیق‌تر است. این یافته می‌تواند درک ما از بیماری‌های عصبی را متحول کند. بیماری‌هایی مانند آلزایمر یا اسکیزوفرنی ممکن است نه تنها به دلیل «خرابی خیابان‌ها» (مرگ سلول‌ها)، بلکه بیشتر به دلیل «اختلال در الگوی ترافیک» (ارتباطات عملکردی) ایجاد شوند.
🔹 این پژوهش نشان می‌دهد که برای درک کامل مغز، باید از نگاه صرف به ساختار ایستا فراتر رفته و به دینامیک و جریان پویای اطلاعات در آن توجه کنیم.
[منبع]
🆔 @Science_Focus
#علوم_اعصاب #مغز #کانکتوم #عملکرد_مغز #زیست_شناسی_سیستمی
🔹 یکی از بزرگترین سوالات علوم اعصاب این است که ساختار فیزیکی مغز چگونه عملکرد آن را تعیین می‌کند. تصور رایج این است که مغز مانند یک مدار الکترونیکی پیچیده است و اگر نقشه کامل سیم‌کشی آن را داشته باشیم، می‌توانیم کارکردش را بفهمیم. اما یک پژوهش جدید روی مغز ساده یک کرم کوچک، پاسخی شگفت‌انگیز به این سوال می‌دهد: ساختار به تنهایی همه چیز را توضیح نمی‌دهد.
❕ نقشه شهر در برابر جریان ترافیک: یک تشبیه کلیدی
برای درک این کشف، این تشبیه را در نظر بگیرید:
* نقشه سیم‌کشی (ساختار): این مانند یک نقشه کامل از یک شهر است که تمام خیابان‌ها، کوچه‌ها و اتصالات ممکن را نشان می‌دهد. این نقشه، ثابت و ایستا است.
* شبکه سیگنالینگ (عملکرد): این مانند جریان واقعی ترافیک در همان شهر در ساعت اوج شلوغی است. پر از ترافیک‌های سنگین، میان‌برها، مسیرهای یک‌طرفه و جاده‌های خلوت. این جریان، پویا و متغیر است و نقشه شهر به تنهایی نمی‌تواند آن را پیش‌بینی کند.
🔹 دانشمندان برای این تحقیق از کرم کوچک C. elegans استفاده کردند، زیرا این موجود تنها ۳۰۲ نورون دارد و نقشه کامل اتصالات آن (کانکتوم) سال‌هاست که تهیه شده است. آن‌ها ابتدا نقشه فیزیکی را تأیید کردند. سپس با استفاده از نور، یک نورون را فعال کرده و با تصویربرداری کلسیم، مشاهده کردند که کدام نورون‌های دیگر به آن پاسخ می‌دهند و سیگنال را منتقل می‌کنند. به این ترتیب، آن‌ها نقشه «جریان ترافیک» مغز کرم را نیز تهیه کردند.
🔹 نتیجه شگفت‌انگیز بود: نقشه جریان ترافیک (عملکرد) تفاوت‌های چشمگیری با نقشه خیابان‌ها (ساختار) داشت. مسیرهای سیگنال همیشه از کوتاه‌ترین مسیر فیزیکی عبور نمی‌کردند و مهم‌تر از آن، نورون‌هایی که بیشترین اتصالات فیزیکی را داشتند (چهارراه‌های اصلی شهر)، لزوماً تأثیرگذارترین نورون‌ها در شبکه عملکردی نبودند.
❕ چرا این یافته در یک کرم کوچک، برای ما مهم است؟
این یک «اثبات اصل» بنیادین است. اگر در یک مغز بسیار ساده با تنها ۳۰۲ نورون، عملکرد تا این حد از ساختار متفاوت است، می‌توان تصور کرد که در مغز انسان با ۸۶ میلیارد نورون، این تفاوت چقدر پیچیده‌تر و عمیق‌تر است. این یافته می‌تواند درک ما از بیماری‌های عصبی را متحول کند. بیماری‌هایی مانند آلزایمر یا اسکیزوفرنی ممکن است نه تنها به دلیل «خرابی خیابان‌ها» (مرگ سلول‌ها)، بلکه بیشتر به دلیل «اختلال در الگوی ترافیک» (ارتباطات عملکردی) ایجاد شوند.
🔹 این پژوهش نشان می‌دهد که برای درک کامل مغز، باید از نگاه صرف به ساختار ایستا فراتر رفته و به دینامیک و جریان پویای اطلاعات در آن توجه کنیم.
[منبع]
🆔 @Science_Focus
#علوم_اعصاب #مغز #کانکتوم #عملکرد_مغز #زیست_شناسی_سیستمی
Medicalxpress
A new look at how the brain works reveals that wiring isn't everything
How a brain's anatomical structure relates to its function is one of the most important questions in neuroscience. It explores how physical components, such as neurons and their connections, give rise ...
❤1