🔺 دهان‌شویه‌ی سیر: رقیبی قدرتمند برای مواد شیمیایی، اما به چه قیمتی؟
🔹 تصور کنید برای خوش‌بو کردن و ضدعفونی کردن دهان خود، به جای نعناع از سیر استفاده کنید! شاید عجیب به نظر برسد، اما یک پژوهش جدید در دانشگاه شارجه نشان می‌دهد که عصاره سیر می‌تواند به اندازه قوی‌ترین دهان‌شویه‌های شیمیایی بازار در کشتن میکروب‌ها موثر باشد.
❕ رقیب اصلی: کلرهگزیدین (Chlorhexidine)
در دندانپزشکی، کلرهگزیدین به عنوان «استاندارد طلایی» دهان‌شویه‌ها شناخته می‌شود. این ماده بسیار قوی است، اما عوارض جانبی دارد: می‌تواند باعث تغییر رنگ دندان‌ها شود، طعم غذا را تغییر دهد و در صورت استفاده طولانی‌مدت، تعادل باکتریایی دهان را به هم بزند و حتی باعث مقاومت میکروبی شود. به همین دلیل دانشمندان به دنبال جایگزین‌های طبیعی هستند.
🔹 محققان با بررسی نتایج چندین کارآزمایی بالینی دریافتند که دهان‌شویه‌های حاوی عصاره سیر (با غلظت بالا)، در کاهش باکتری‌های دهان و پلاک دندان، عملکردی مشابه کلرهگزیدین دارند. حتی جالب‌تر اینکه اثرات ضدمیکروبی سیر ممکن است برای مدت طولانی‌تری در دهان باقی بماند. ماده‌ای به نام «آلیسین» در سیر، مسئول این قدرت پاک‌کنندگی فوق‌العاده است.
❕ چالش بزرگ: سوزش و بو
با وجود کارایی بالا، یک مشکل بزرگ وجود دارد: شرکت‌کنندگان در آزمایش گزارش دادند که دهان‌شویه سیر باعث «سوزش» بیشتر و طعم ناخوشایندتری نسبت به نوع شیمیایی می‌شود. و البته، مسئله بوی سیر هم مطرح است!
🔹 این تحقیق نشان می‌دهد که طبیعت راه‌حل‌های قدرتمندی دارد، اما تبدیل آن‌ها به محصولی که مردم مایل به استفاده روزانه از آن باشند، چالش‌برانگیز است. شاید در آینده با اصلاح فرمولاسیون، بتوانیم از قدرت سیر بدون تحمل سوزش و بوی آن برای سلامت دندان‌ها بهره ببریم.
[منبع]
🆔 @Science_Focus
#دندانپزشکی #سلامت #طب_گیاهی #سیر #میکروب_شناسی #تحقیقات_جدید
🔹 تصور کنید برای خوش‌بو کردن و ضدعفونی کردن دهان خود، به جای نعناع از سیر استفاده کنید! شاید عجیب به نظر برسد، اما یک پژوهش جدید در دانشگاه شارجه نشان می‌دهد که عصاره سیر می‌تواند به اندازه قوی‌ترین دهان‌شویه‌های شیمیایی بازار در کشتن میکروب‌ها موثر باشد.
❕ رقیب اصلی: کلرهگزیدین (Chlorhexidine)
در دندانپزشکی، کلرهگزیدین به عنوان «استاندارد طلایی» دهان‌شویه‌ها شناخته می‌شود. این ماده بسیار قوی است، اما عوارض جانبی دارد: می‌تواند باعث تغییر رنگ دندان‌ها شود، طعم غذا را تغییر دهد و در صورت استفاده طولانی‌مدت، تعادل باکتریایی دهان را به هم بزند و حتی باعث مقاومت میکروبی شود. به همین دلیل دانشمندان به دنبال جایگزین‌های طبیعی هستند.
🔹 محققان با بررسی نتایج چندین کارآزمایی بالینی دریافتند که دهان‌شویه‌های حاوی عصاره سیر (با غلظت بالا)، در کاهش باکتری‌های دهان و پلاک دندان، عملکردی مشابه کلرهگزیدین دارند. حتی جالب‌تر اینکه اثرات ضدمیکروبی سیر ممکن است برای مدت طولانی‌تری در دهان باقی بماند. ماده‌ای به نام «آلیسین» در سیر، مسئول این قدرت پاک‌کنندگی فوق‌العاده است.
❕ چالش بزرگ: سوزش و بو
با وجود کارایی بالا، یک مشکل بزرگ وجود دارد: شرکت‌کنندگان در آزمایش گزارش دادند که دهان‌شویه سیر باعث «سوزش» بیشتر و طعم ناخوشایندتری نسبت به نوع شیمیایی می‌شود. و البته، مسئله بوی سیر هم مطرح است!
🔹 این تحقیق نشان می‌دهد که طبیعت راه‌حل‌های قدرتمندی دارد، اما تبدیل آن‌ها به محصولی که مردم مایل به استفاده روزانه از آن باشند، چالش‌برانگیز است. شاید در آینده با اصلاح فرمولاسیون، بتوانیم از قدرت سیر بدون تحمل سوزش و بوی آن برای سلامت دندان‌ها بهره ببریم.
[منبع]
🆔 @Science_Focus
#دندانپزشکی #سلامت #طب_گیاهی #سیر #میکروب_شناسی #تحقیقات_جدید
SciTechDaily
Scientists Say Garlic Mouthwash Works As Well as Popular Antiseptics
A new review finds that garlic extract may match the antimicrobial power of chlorhexidine, suggesting it could become a natural alternative in oral care. Garlic extract may work as effectively as well-known antiseptics and disinfectants such as chlorhexidine…
🥴1
🔺 متا (فیس‌بوک) OpenZL را معرفی کرد: انقلاب در فشرده‌سازی داده‌ها با درک «ساختار» فایل
🔹 شرکت متا (مادر فیس‌بوک و اینستاگرام) که پیش‌تر با معرفی الگوریتم Zstandard دنیای فشرده‌سازی را متحول کرده بود، حالا از ابزار جدید و متن‌باز خود به نام OpenZL رونمایی کرده است. این فریم‌ورک جدید با یک ایده هوشمندانه طراحی شده: به جای اینکه با همه داده‌ها مثل یک «سوپ بایت» بی‌شکل رفتار کند، ابتدا «ساختار» آن‌ها را درک کرده و سپس فشرده می‌کند.
❕ تفاوت روش سنتی و OpenZL (تشبیه چمدان)
فشرده‌سازهای معمولی (مثل Zip یا Zstd) مانند مسافری هستند که لباس‌ها، کفش‌ها و کتاب‌ها را در هم مچاله کرده و با زور در چمدان جا می‌دهند. این روش سریع است اما جای زیادی می‌گیرد.
اما OpenZL مانند یک متخصص بسته‌بندی است. ابتدا نگاه می‌کند: «آها! این‌ها لباس هستند، پس باید تا شوند. این‌ها کتاب هستند، پس باید کنار هم چیده شوند.» با شناختن نوع و ساختار داده‌ها (مثلاً اینکه این فایل یک جدول از اعداد است یا یک سری زمانی)، می‌تواند آن‌ها را بسیار فشرده‌تر و منظم‌تر بسته‌بندی کند.
🔹 شاهکار مهندسی: دیکدر جهانی
مشکل فشرده‌سازهای تخصصی همیشه این بوده که برای هر نوع فایل، به یک نرم‌افزار بازکننده (Decoder) جداگانه نیاز داشتید. OpenZL این مشکل را حل کرده است. شما می‌توانید هزاران استراتژی فشرده‌سازی مختلف برای فایل‌های متفاوت داشته باشید، اما همه آن‌ها با یک نرم‌افزار واحد باز می‌شوند. دستورالعمل باز کردن هر فایل، درون همان فایل ذخیره شده است!
🔹 در تست‌های انجام شده، OpenZL روی داده‌های ساختاریافته عملکرد خیره‌کننده‌ای داشته است: هم حجم فایل را بسیار بیشتر از ابزارهای قدرتمندی مثل xz کاهش داده و هم سرعت فشرده‌سازی و بازکردن آن بسیار بالاتر بوده است. این ابزار به ویژه برای شرکت‌هایی که با حجم عظیمی از داده‌های هوش مصنوعی (AI)، جداول دیتابیس و لاگ‌های سرور سر و کار دارند، یک موهبت بزرگ است.
[منبع] [گیت‌هاب پروژه]
🆔 @Science_Focus
#فناوری #نرم_افزار #برنامه_نویسی #متا #فشرده_سازی #هوش_مصنوعی #متن_باز
🔹 شرکت متا (مادر فیس‌بوک و اینستاگرام) که پیش‌تر با معرفی الگوریتم Zstandard دنیای فشرده‌سازی را متحول کرده بود، حالا از ابزار جدید و متن‌باز خود به نام OpenZL رونمایی کرده است. این فریم‌ورک جدید با یک ایده هوشمندانه طراحی شده: به جای اینکه با همه داده‌ها مثل یک «سوپ بایت» بی‌شکل رفتار کند، ابتدا «ساختار» آن‌ها را درک کرده و سپس فشرده می‌کند.
❕ تفاوت روش سنتی و OpenZL (تشبیه چمدان)
فشرده‌سازهای معمولی (مثل Zip یا Zstd) مانند مسافری هستند که لباس‌ها، کفش‌ها و کتاب‌ها را در هم مچاله کرده و با زور در چمدان جا می‌دهند. این روش سریع است اما جای زیادی می‌گیرد.
اما OpenZL مانند یک متخصص بسته‌بندی است. ابتدا نگاه می‌کند: «آها! این‌ها لباس هستند، پس باید تا شوند. این‌ها کتاب هستند، پس باید کنار هم چیده شوند.» با شناختن نوع و ساختار داده‌ها (مثلاً اینکه این فایل یک جدول از اعداد است یا یک سری زمانی)، می‌تواند آن‌ها را بسیار فشرده‌تر و منظم‌تر بسته‌بندی کند.
🔹 شاهکار مهندسی: دیکدر جهانی
مشکل فشرده‌سازهای تخصصی همیشه این بوده که برای هر نوع فایل، به یک نرم‌افزار بازکننده (Decoder) جداگانه نیاز داشتید. OpenZL این مشکل را حل کرده است. شما می‌توانید هزاران استراتژی فشرده‌سازی مختلف برای فایل‌های متفاوت داشته باشید، اما همه آن‌ها با یک نرم‌افزار واحد باز می‌شوند. دستورالعمل باز کردن هر فایل، درون همان فایل ذخیره شده است!
🔹 در تست‌های انجام شده، OpenZL روی داده‌های ساختاریافته عملکرد خیره‌کننده‌ای داشته است: هم حجم فایل را بسیار بیشتر از ابزارهای قدرتمندی مثل xz کاهش داده و هم سرعت فشرده‌سازی و بازکردن آن بسیار بالاتر بوده است. این ابزار به ویژه برای شرکت‌هایی که با حجم عظیمی از داده‌های هوش مصنوعی (AI)، جداول دیتابیس و لاگ‌های سرور سر و کار دارند، یک موهبت بزرگ است.
[منبع] [گیت‌هاب پروژه]
🆔 @Science_Focus
#فناوری #نرم_افزار #برنامه_نویسی #متا #فشرده_سازی #هوش_مصنوعی #متن_باز
Engineering at Meta
Introducing OpenZL: An Open Source Format-Aware Compression Framework
OpenZL is a new open source data compression framework that offers lossless compression for structured data. OpenZL is designed to offer the performance of a format-specific compressor with the eas…
🔺 راز دژاوو فاش شد: چرا وقتی صحنه‌ای آشناست، فکر می‌کنیم آینده را می‌دانیم؟
🔹 آیا تا به حال وارد مکان جدیدی شده‌اید و ناگهان احساس کرده‌اید قبلاً آنجا بوده‌اید؟ و عجیب‌تر اینکه حس کرده‌اید دقیقاً می‌دانید چه اتفاقی قرار است بیفتد؟ روانشناسان به این حالت «دژاوو» (Déjà vu) می‌گویند. یک تحقیق جدید نشان می‌دهد که این «حس پیش‌بینی آینده»، در واقع یک ترفند ذهنی است که مغزتان به شما می‌زند.
❕ فرضیه آشنایی گشتالت (Gestalt Familiarity Hypothesis):
این نظریه می‌گوید دژاوو زمانی رخ می‌دهد که چیدمان کلی اشیاء در یک محیط جدید (مثلاً نحوه قرارگیری میز و صندلی‌ها)، شباهت زیادی به خاطره‌ای قدیمی در ذهن شما دارد که نمی‌توانید آن را به یاد بیاورید. مغز این شباهت فضایی را تشخیص می‌دهد و حس آشنایی ایجاد می‌کند، حتی اگر جزئیات کاملاً متفاوت باشند.
🔹 محققان در سه آزمایش با استفاده از واقعیت مجازی، شرکت‌کنندگان را در محیط‌هایی قرار دادند که چیدمان فضایی آن‌ها شبیه به صحنه‌هایی بود که قبلاً دیده بودند (اما به یاد نمی‌آوردند). نتایج جالب بود:
۱- هرچه شباهت فضایی بیشتر بود، افراد حس دژاووی قوی‌تری داشتند.
۲- همراه با این حس آشنایی، آن‌ها به شدت احساس می‌کردند که می‌دانند مسیر بعدی کجاست (حس پیش‌بینی).
۳- اما واقعیت تلخ بود: وقتی از آن‌ها خواسته شد جهت بعدی را حدس بزنند، دقت آن‌ها بهتر از شانس تصادفی نبود!
❕ چرا مغز ما را فریب می‌دهد؟
مغز ما یک ماشین «پیش‌بینی‌کننده» است. وقتی الگویی آشنا را می‌بیند (مثلاً چیدمان یک اتاق)، بلافاصله سعی می‌کند از تجربیات گذشته برای پیش‌بینی آینده استفاده کند تا به بقای ما کمک کند. در حالت دژاوو، مغز سیگنال «آشنایی» را روشن می‌کند و به اشتباه نتیجه می‌گیرد که «چون اینجا آشناست، پس من آینده را می‌دانم»، در حالی که این فقط یک توهم شناختی ناشی از شباهت ظاهری است.
🔹 این پژوهش که در ژورنال Consciousness and Cognition منتشر شده، مدرک محکمی است که نشان می‌دهد دژاوو و حس پیش‌بینی همراه آن، پدیده‌های ماوراءالطبیعه نیستند، بلکه نتیجه مکانیسم‌های طبیعی حافظه و تلاش مغز برای درک محیط اطراف هستند.
[منبع]
🆔 @Science_Focus
#روانشناسی #علوم_شناختی #مغز #حافظه #دژاوو #تحقیقات_جدید
🔹 آیا تا به حال وارد مکان جدیدی شده‌اید و ناگهان احساس کرده‌اید قبلاً آنجا بوده‌اید؟ و عجیب‌تر اینکه حس کرده‌اید دقیقاً می‌دانید چه اتفاقی قرار است بیفتد؟ روانشناسان به این حالت «دژاوو» (Déjà vu) می‌گویند. یک تحقیق جدید نشان می‌دهد که این «حس پیش‌بینی آینده»، در واقع یک ترفند ذهنی است که مغزتان به شما می‌زند.
❕ فرضیه آشنایی گشتالت (Gestalt Familiarity Hypothesis):
این نظریه می‌گوید دژاوو زمانی رخ می‌دهد که چیدمان کلی اشیاء در یک محیط جدید (مثلاً نحوه قرارگیری میز و صندلی‌ها)، شباهت زیادی به خاطره‌ای قدیمی در ذهن شما دارد که نمی‌توانید آن را به یاد بیاورید. مغز این شباهت فضایی را تشخیص می‌دهد و حس آشنایی ایجاد می‌کند، حتی اگر جزئیات کاملاً متفاوت باشند.
🔹 محققان در سه آزمایش با استفاده از واقعیت مجازی، شرکت‌کنندگان را در محیط‌هایی قرار دادند که چیدمان فضایی آن‌ها شبیه به صحنه‌هایی بود که قبلاً دیده بودند (اما به یاد نمی‌آوردند). نتایج جالب بود:
۱- هرچه شباهت فضایی بیشتر بود، افراد حس دژاووی قوی‌تری داشتند.
۲- همراه با این حس آشنایی، آن‌ها به شدت احساس می‌کردند که می‌دانند مسیر بعدی کجاست (حس پیش‌بینی).
۳- اما واقعیت تلخ بود: وقتی از آن‌ها خواسته شد جهت بعدی را حدس بزنند، دقت آن‌ها بهتر از شانس تصادفی نبود!
❕ چرا مغز ما را فریب می‌دهد؟
مغز ما یک ماشین «پیش‌بینی‌کننده» است. وقتی الگویی آشنا را می‌بیند (مثلاً چیدمان یک اتاق)، بلافاصله سعی می‌کند از تجربیات گذشته برای پیش‌بینی آینده استفاده کند تا به بقای ما کمک کند. در حالت دژاوو، مغز سیگنال «آشنایی» را روشن می‌کند و به اشتباه نتیجه می‌گیرد که «چون اینجا آشناست، پس من آینده را می‌دانم»، در حالی که این فقط یک توهم شناختی ناشی از شباهت ظاهری است.
🔹 این پژوهش که در ژورنال Consciousness and Cognition منتشر شده، مدرک محکمی است که نشان می‌دهد دژاوو و حس پیش‌بینی همراه آن، پدیده‌های ماوراءالطبیعه نیستند، بلکه نتیجه مکانیسم‌های طبیعی حافظه و تلاش مغز برای درک محیط اطراف هستند.
[منبع]
🆔 @Science_Focus
#روانشناسی #علوم_شناختی #مغز #حافظه #دژاوو #تحقیقات_جدید
PsyPost
New psychology research sheds light on the mystery of deja vu
A study published in Consciousness and Cognition indicates that the sense of knowing what will happen next during déjà vu is an illusion caused by spatial familiarity, not actual predictive ability.
❤1
🔺 رسوایی بزرگ در دنیای ریاضیات: وقتی «پول» و «رتبه‌بندی» جای علم را می‌گیرد
🔹 یک گروه بین‌المللی از پژوهشگران برجسته به نمایندگی از «اتحادیه بین‌المللی ریاضیات» (IMU)، پرده از یک شبکه عظیم تقلب و دستکاری در انتشار مقالات ریاضی برداشته‌اند. این گزارش تکان‌دهنده نشان می‌دهد که چگونه سیستم فعلی دانشگاهی که بر پایه «تعداد مقاله» و «تعداد ارجاع» بنا شده، علم واقعی را قربانی سودجویی‌های تجاری کرده است.
🔹 مثال شاهکار تقلب:
عمق فاجعه را می‌توان در یک مثال عجیب دید: در سال ۲۰۱۹، موسسه Clarivate (که داده‌های رتبه‌بندی دانشگاه‌ها را منتشر می‌کند)، اعلام کرد که دانشگاهی در تایوان دارای بیشترین تعداد پژوهشگران «تراز اول جهانی» در ریاضیات است. نکته خنده‌دار و تلخ ماجرا اینجاست: این دانشگاه اصلاً دانشکده یا رشته ریاضیات نداشت! این نتیجه دستکاری سیستماتیک آمار و ارجاعات (Citations) بود.
❕ ضریب تأثیر (Impact Factor) چیست و چرا مشکل‌ساز شده؟
«ضریب تأثیر» معیاری است که نشان می‌دهد مقالات یک ژورنال به طور میانگین چقدر توسط دیگران ارجاع داده شده‌اند. در ابتدا قرار بود این معیاری برای کیفیت باشد، اما اکنون به یک «کالای تجاری» تبدیل شده است. دلالان علمی با فروش «ارجاع» یا ایجاد حلقه‌های ارجاع‌دهی (من به تو ارجاع می‌دهم، تو به من)، به صورت مصنوعی این عدد را برای مجلات و افراد بالا می‌برند تا بودجه و رتبه دانشگاهی بگیرند.
🔹 گزارش هشدار می‌دهد که ظهور «مگازورنال‌ها» (Megajournals) وضعیت را بدتر کرده است. این مجلات که در ازای دریافت پول از نویسنده، تقریباً هر مقاله‌ای را چاپ می‌کنند، اکنون حجم تولیدشان از تمام مجلات معتبر ریاضی جهان بیشتر شده است! نتیجه، سیلابی از مقالات بی‌کیفیت یا اشتباه است که فقط برای بالا بردن آمار تولید شده‌اند و کسی آن‌ها را نمی‌خواند.
❕ خطر «علم جعلی» (Fake Science)
کریستف سورگر، دبیر کل IMU می‌گوید: «علم جعلی فقط آزاردهنده نیست، بلکه خطرناک است.» وقتی مرز بین تحقیق واقعی و عددسازی گم شود، اعتماد جامعه به علم از بین می‌رود و حتی خود دانشمندان هم نمی‌دانند کدام نتایج معتبر است تا بر اساس آن تحقیقات بعدی را انجام دهند.
🔹 این افشاگری، یک فراخوان جهانی برای تغییر سیستم است: بازگشت به ارزیابی کیفیت واقعی علم، و پایان دادن به سلطه شرکت‌های تجاری که با معیارهای غیرشفاف خود، جهت تحقیقات علمی جهان را منحرف می‌کنند.
[منبع] [لینک مقاله اصلی در arXiv]
🆔 @Science_Focus
#ریاضیات #دانشگاه #علم_سنجی #تقلب_علمی #مقاله_نویسی #پژوهش
🔹 یک گروه بین‌المللی از پژوهشگران برجسته به نمایندگی از «اتحادیه بین‌المللی ریاضیات» (IMU)، پرده از یک شبکه عظیم تقلب و دستکاری در انتشار مقالات ریاضی برداشته‌اند. این گزارش تکان‌دهنده نشان می‌دهد که چگونه سیستم فعلی دانشگاهی که بر پایه «تعداد مقاله» و «تعداد ارجاع» بنا شده، علم واقعی را قربانی سودجویی‌های تجاری کرده است.
🔹 مثال شاهکار تقلب:
عمق فاجعه را می‌توان در یک مثال عجیب دید: در سال ۲۰۱۹، موسسه Clarivate (که داده‌های رتبه‌بندی دانشگاه‌ها را منتشر می‌کند)، اعلام کرد که دانشگاهی در تایوان دارای بیشترین تعداد پژوهشگران «تراز اول جهانی» در ریاضیات است. نکته خنده‌دار و تلخ ماجرا اینجاست: این دانشگاه اصلاً دانشکده یا رشته ریاضیات نداشت! این نتیجه دستکاری سیستماتیک آمار و ارجاعات (Citations) بود.
❕ ضریب تأثیر (Impact Factor) چیست و چرا مشکل‌ساز شده؟
«ضریب تأثیر» معیاری است که نشان می‌دهد مقالات یک ژورنال به طور میانگین چقدر توسط دیگران ارجاع داده شده‌اند. در ابتدا قرار بود این معیاری برای کیفیت باشد، اما اکنون به یک «کالای تجاری» تبدیل شده است. دلالان علمی با فروش «ارجاع» یا ایجاد حلقه‌های ارجاع‌دهی (من به تو ارجاع می‌دهم، تو به من)، به صورت مصنوعی این عدد را برای مجلات و افراد بالا می‌برند تا بودجه و رتبه دانشگاهی بگیرند.
🔹 گزارش هشدار می‌دهد که ظهور «مگازورنال‌ها» (Megajournals) وضعیت را بدتر کرده است. این مجلات که در ازای دریافت پول از نویسنده، تقریباً هر مقاله‌ای را چاپ می‌کنند، اکنون حجم تولیدشان از تمام مجلات معتبر ریاضی جهان بیشتر شده است! نتیجه، سیلابی از مقالات بی‌کیفیت یا اشتباه است که فقط برای بالا بردن آمار تولید شده‌اند و کسی آن‌ها را نمی‌خواند.
❕ خطر «علم جعلی» (Fake Science)
کریستف سورگر، دبیر کل IMU می‌گوید: «علم جعلی فقط آزاردهنده نیست، بلکه خطرناک است.» وقتی مرز بین تحقیق واقعی و عددسازی گم شود، اعتماد جامعه به علم از بین می‌رود و حتی خود دانشمندان هم نمی‌دانند کدام نتایج معتبر است تا بر اساس آن تحقیقات بعدی را انجام دهند.
🔹 این افشاگری، یک فراخوان جهانی برای تغییر سیستم است: بازگشت به ارزیابی کیفیت واقعی علم، و پایان دادن به سلطه شرکت‌های تجاری که با معیارهای غیرشفاف خود، جهت تحقیقات علمی جهان را منحرف می‌کنند.
[منبع] [لینک مقاله اصلی در arXiv]
🆔 @Science_Focus
#ریاضیات #دانشگاه #علم_سنجی #تقلب_علمی #مقاله_نویسی #پژوهش
SciTechDaily
Global Study Exposes Massive Fraud in Mathematics Publishing
An international team has uncovered widespread, long-running fraud in mathematical publishing, driven by the global obsession with impact factors, rankings, and citation counts.
❤1👍1
🔺 مردی که با قلم و کاغذ، کامپیوتر را شکست داد: داستان کشف بزرگترین عدد اولِ «دستی» تاریخ
🔹 آیا می‌توانید تصور کنید که بخواهید بدون ماشین‌حساب یا کامپیوتر، بفهمید که عددی ۳۹ رقمی (مثل ۱۷۰,۱۴۱,۱۸۳,۴۶۰,۴۶۹,۲۳۱,۷۳۱,۶۸۷,۳۰۳,۷۱۵,۸۸۴,۱۰۵,۷۲۷) عدد اول است یا نه؟ در قرن نوزدهم، ریاضیدان فرانسوی، ادوارد لوکاس، ۱۹ سال از عمرش را صرف پاسخ به همین سوال کرد و موفق شد!
❕ اعداد اول مرسن: غول‌های دنیای اعداد
اعداد اول اعدادی هستند که فقط بر یک و خودشان بخش‌پذیرند (مثل ۲، ۳، ۵، ۷). اما ریاضیدانان علاقه خاصی به «اعداد اول مرسن» دارند که فرمولشان 2ᵖ - 1 است. عددی که لوکاس روی آن کار می‌کرد، 2¹²⁷ - 1 بود. تا به امروز، این بزرگترین عدد اولی است که توسط انسان و بدون کمک کامپیوتر کشف شده است.
🔹 جادوی لوکاس: میان‌بری در ریاضیات
روش معمول برای تست اول بودن یک عدد، تقسیم کردن آن بر تمام اعداد اول کوچکتر است. اما برای عددی ۳۹ رقمی، این کار هزاران سال طول می‌کشد! لوکاس روشی هوشمندانه به نام «تست لوکاس-لمر» ابداع کرد.
این روش به جای تقسیم‌های بی‌پایان، از یک دنباله بازگشتی ساده استفاده می‌کند:
S₀ = 4
Sₙ = (Sₙ₋₁)² - 2
اگر باقیمانده نهایی این دنباله بر عدد مورد نظر صفر شود، آن عدد اول است.
لوکاس با این روش و سال‌ها محاسبه دستی طاقت‌فرسا، ثابت کرد که غول ۳۹ رقمی او، واقعاً یک عدد اول است.
❕ میراثی که هنوز زنده است
شاید فکر کنید این روش قدیمی شده است، اما جالب است بدانید که حتی امروز هم ابرکامپیوترها برای شکار بزرگترین اعداد اول جهان (که اکنون ده‌ها میلیون رقم دارند)، دقیقاً از همین الگوریتم ۱۵۰ ساله استفاده می‌کنند. ادوارد لوکاس نه تنها یک عدد رکوردشکن را پیدا کرد، بلکه ابزاری ساخت که هنوز هم قوی‌ترین سلاح ما در دنیای اعداد اول است.
[منبع]
🆔 @Science_Focus
#ریاضیات #تاریخ_علم #اعداد_اول #نظریه_اعداد #شگفتی_های_ریاضی #الگوریتم
🔹 آیا می‌توانید تصور کنید که بخواهید بدون ماشین‌حساب یا کامپیوتر، بفهمید که عددی ۳۹ رقمی (مثل ۱۷۰,۱۴۱,۱۸۳,۴۶۰,۴۶۹,۲۳۱,۷۳۱,۶۸۷,۳۰۳,۷۱۵,۸۸۴,۱۰۵,۷۲۷) عدد اول است یا نه؟ در قرن نوزدهم، ریاضیدان فرانسوی، ادوارد لوکاس، ۱۹ سال از عمرش را صرف پاسخ به همین سوال کرد و موفق شد!
❕ اعداد اول مرسن: غول‌های دنیای اعداد
اعداد اول اعدادی هستند که فقط بر یک و خودشان بخش‌پذیرند (مثل ۲، ۳، ۵، ۷). اما ریاضیدانان علاقه خاصی به «اعداد اول مرسن» دارند که فرمولشان 2ᵖ - 1 است. عددی که لوکاس روی آن کار می‌کرد، 2¹²⁷ - 1 بود. تا به امروز، این بزرگترین عدد اولی است که توسط انسان و بدون کمک کامپیوتر کشف شده است.
🔹 جادوی لوکاس: میان‌بری در ریاضیات
روش معمول برای تست اول بودن یک عدد، تقسیم کردن آن بر تمام اعداد اول کوچکتر است. اما برای عددی ۳۹ رقمی، این کار هزاران سال طول می‌کشد! لوکاس روشی هوشمندانه به نام «تست لوکاس-لمر» ابداع کرد.
این روش به جای تقسیم‌های بی‌پایان، از یک دنباله بازگشتی ساده استفاده می‌کند:
S₀ = 4
Sₙ = (Sₙ₋₁)² - 2
اگر باقیمانده نهایی این دنباله بر عدد مورد نظر صفر شود، آن عدد اول است.
لوکاس با این روش و سال‌ها محاسبه دستی طاقت‌فرسا، ثابت کرد که غول ۳۹ رقمی او، واقعاً یک عدد اول است.
❕ میراثی که هنوز زنده است
شاید فکر کنید این روش قدیمی شده است، اما جالب است بدانید که حتی امروز هم ابرکامپیوترها برای شکار بزرگترین اعداد اول جهان (که اکنون ده‌ها میلیون رقم دارند)، دقیقاً از همین الگوریتم ۱۵۰ ساله استفاده می‌کنند. ادوارد لوکاس نه تنها یک عدد رکوردشکن را پیدا کرد، بلکه ابزاری ساخت که هنوز هم قوی‌ترین سلاح ما در دنیای اعداد اول است.
[منبع]
🆔 @Science_Focus
#ریاضیات #تاریخ_علم #اعداد_اول #نظریه_اعداد #شگفتی_های_ریاضی #الگوریتم
Scientific American
How to Identify a Prime Number without a Computer
For years, a French mathematician searched for a proof that a gigantic number is prime. His method is still used 150 years later
❤2
🔺 کشف «مگا-کوسه» باستانی در استرالیا: غول‌هایی که خیلی زودتر از تصور ما اقیانوس‌ها را تسخیر کردند
🔹 دانشمندان در سواحل شمالی استرالیا فسیل‌هایی از یک کوسه ماقبل تاریخ کشف کرده‌اند که تصورات ما را درباره تکامل این شکارچیان تغییر می‌دهد. بررسی ۵ مهره ستون فقراتِ ۱۱۵ میلیون ساله نشان می‌دهد که این کوسه ابعادی خیره‌کننده داشته و بسیار زودتر از آنچه فکر می‌کردیم، به یک «غول دریایی» تبدیل شده است.
❕ مقایسه ابعاد: کوسه باستانی در برابر کوسه سفید بزرگ
برای درک بزرگی این هیولا، کافیست به ستون فقراتش نگاه کنیم. مهره‌های کوسه سفید بزرگ امروزی (که خود شکارچی عظیمی است) حدود ۸ سانتی‌متر قطر دارد. اما مهره‌های کشف شده در داروین، بیش از ۱۲ سانتی‌متر قطر دارند!
بر اساس این شواهد، دانشمندان تخمین می‌زنند که این کوسه بین ۶ تا ۸ متر طول و بیش از ۳ تن وزن داشته است؛ یعنی حداقل دو برابر سنگین‌تر از یک کوسه سفید بزرگ معمولی.
🔹 این کوسه متعلق به خانواده‌ای منقرض شده به نام Cardabiodontidae از راسته «لامن‌سانان» است. نکته شگفت‌انگیز این کشف، فقط اندازه آن نیست، بلکه قدمت آن است.
تا پیش از این تصور می‌شد که کوسه‌های این راسته حدود ۱۰۰ میلیون سال پیش شروع به غول‌پیکر شدن کردند. اما این فسیل ۱۱۵ میلیون ساله نشان می‌دهد که کوسه‌ها ۱۵ میلیون سال زودتر، یعنی در اواسط دوره کرتاسه، به شکارچیان رأس هرم غذایی تبدیل شده و با خزندگان دریایی بزرگ آن زمان رقابت می‌کردند.
❕ لامن‌سانان (Lamniformes) چه کسانی هستند؟
این یک راسته بزرگ از کوسه‌هاست که شامل برخی از معروف‌ترین گونه‌های امروزی مانند کوسه سفید بزرگ، کوسه ماکو و کوسه دهان‌بزرگ می‌شود. کشف جدید نشان می‌دهد که "میل به غول‌پیکر شدن" یک ویژگی بسیار کهن در ژنتیک این خانواده از کوسه‌هاست که ریشه در بیش از صد میلیون سال پیش دارد.
🔹 این یافته که در ژورنال Communications Biology منتشر شده، نشان می‌دهد که دریاهای باستانی بسیار زودتر از تصور ما به میدان نبرد غول‌ها تبدیل شده بود و کوسه‌ها خیلی سریع جایگاه خود را به عنوان فرمانروایان اقیانوس تثبیت کرده بودند.
[منبع]
🆔 @Science_Focus
#دیرینه_شناسی #فسیل #کوسه #تکامل #حیات_وحش #اقیانوس
🔹 دانشمندان در سواحل شمالی استرالیا فسیل‌هایی از یک کوسه ماقبل تاریخ کشف کرده‌اند که تصورات ما را درباره تکامل این شکارچیان تغییر می‌دهد. بررسی ۵ مهره ستون فقراتِ ۱۱۵ میلیون ساله نشان می‌دهد که این کوسه ابعادی خیره‌کننده داشته و بسیار زودتر از آنچه فکر می‌کردیم، به یک «غول دریایی» تبدیل شده است.
❕ مقایسه ابعاد: کوسه باستانی در برابر کوسه سفید بزرگ
برای درک بزرگی این هیولا، کافیست به ستون فقراتش نگاه کنیم. مهره‌های کوسه سفید بزرگ امروزی (که خود شکارچی عظیمی است) حدود ۸ سانتی‌متر قطر دارد. اما مهره‌های کشف شده در داروین، بیش از ۱۲ سانتی‌متر قطر دارند!
بر اساس این شواهد، دانشمندان تخمین می‌زنند که این کوسه بین ۶ تا ۸ متر طول و بیش از ۳ تن وزن داشته است؛ یعنی حداقل دو برابر سنگین‌تر از یک کوسه سفید بزرگ معمولی.
🔹 این کوسه متعلق به خانواده‌ای منقرض شده به نام Cardabiodontidae از راسته «لامن‌سانان» است. نکته شگفت‌انگیز این کشف، فقط اندازه آن نیست، بلکه قدمت آن است.
تا پیش از این تصور می‌شد که کوسه‌های این راسته حدود ۱۰۰ میلیون سال پیش شروع به غول‌پیکر شدن کردند. اما این فسیل ۱۱۵ میلیون ساله نشان می‌دهد که کوسه‌ها ۱۵ میلیون سال زودتر، یعنی در اواسط دوره کرتاسه، به شکارچیان رأس هرم غذایی تبدیل شده و با خزندگان دریایی بزرگ آن زمان رقابت می‌کردند.
❕ لامن‌سانان (Lamniformes) چه کسانی هستند؟
این یک راسته بزرگ از کوسه‌هاست که شامل برخی از معروف‌ترین گونه‌های امروزی مانند کوسه سفید بزرگ، کوسه ماکو و کوسه دهان‌بزرگ می‌شود. کشف جدید نشان می‌دهد که "میل به غول‌پیکر شدن" یک ویژگی بسیار کهن در ژنتیک این خانواده از کوسه‌هاست که ریشه در بیش از صد میلیون سال پیش دارد.
🔹 این یافته که در ژورنال Communications Biology منتشر شده، نشان می‌دهد که دریاهای باستانی بسیار زودتر از تصور ما به میدان نبرد غول‌ها تبدیل شده بود و کوسه‌ها خیلی سریع جایگاه خود را به عنوان فرمانروایان اقیانوس تثبیت کرده بودند.
[منبع]
🆔 @Science_Focus
#دیرینه_شناسی #فسیل #کوسه #تکامل #حیات_وحش #اقیانوس
Discover Wildlife
Mega-shark remains found on beach in Australia. Experts say it was absolutely massive | Discover Wildlife
After examining the fossils, scientists think the huge prehistoric predator would have measured up to eight metres in length and weighed significantly more than today's great white sharks.
❤1
🔺 هوش مصنوعی دیگر فراموش نمی‌کند: راهکار جدید آنتروپیک برای پروژه‌های طولانی‌مدت
🔹 یکی از بزرگترین مشکلات هوش مصنوعی‌های فعلی، «فراموشی» در پروژه‌های طولانی است. وقتی از یک مدل می‌خواهید یک نرم‌افزار پیچیده بسازد، ممکن است در میانه‌ی راه دستورات اولیه را فراموش کند یا گیج شود. اکنون شرکت آنتروپیک (سازنده مدل‌های Claude) اعلام کرده که با الهام گرفتن از نحوه کار انسان‌ها، راه حلی برای این مشکل پیدا کرده است.
❕ چرا هوش مصنوعی فراموش می‌کند؟ (مشکل پنجره زمینه)
هر مدل هوش مصنوعی یک «پنجره زمینه» (Context Window) محدود دارد؛ یعنی مقدار اطلاعاتی که می‌تواند در لحظه «در ذهن داشته باشد» محدود است (مثل حافظه کوتاه‌مدت انسان). وقتی یک پروژه طولانی می‌شود و اطلاعات جدید وارد می‌شود، اطلاعات قدیمی‌تر از پنجره زمینه خارج شده و مدل آن‌ها را فراموش می‌کند. این باعث می‌شود در پروژه‌های بزرگ، هوش مصنوعی نتواند کار را تا انتها با کیفیت پیش ببرد.
🔹 راهکار آنتروپیک: تقلید از مهندسان انسانی
آنتروپیک متوجه شد که انسان‌ها هم حافظه نامحدود ندارند، اما با «یادداشت‌برداری» و «مدیریت پروژه» کار را پیش می‌برند. آن‌ها برای کیت توسعه نرم‌افزار (SDK) خود یک سیستم دو مرحله‌ای طراحی کرده‌اند:
۱- عامل راه‌انداز (Initializer): این هوش مصنوعی در ابتدای پروژه، محیط کار را آماده می‌کند و یک «پرونده» برای پروژه می‌سازد که تمام اهداف و ویژگی‌های لازم در آن لیست شده است.
۲- عامل کدنویس (Coding Agent): در هر مرحله، هوش مصنوعی کار را انجام می‌دهد و سپس، دقیقاً مثل یک مهندس منظم، گزارش کار خود را در پرونده می‌نویسد و تغییرات را ثبت می‌کند. وقتی نوبت به مرحله بعد می‌رسد (یا شیفت کاری عوض می‌شود)، هوش مصنوعی بعدی با خواندن این پرونده، دقیقاً می‌فهمد که کار تا کجا پیش رفته و قدم بعدی چیست.
❕ تحویل شیفت هوشمند
این سیستم شبیه به کارخانه‌ای است که کارگران در شیفت‌های مختلف کار می‌کنند. هر کارگر قبل از رفتن، گزارش دقیق کارهایش را می‌نویسد تا کارگر شیفت بعدی گیج نشود. با این روش، هوش مصنوعی می‌تواند پروژه‌هایی که ساعت‌ها یا روزها طول می‌کشند را بدون فراموش کردن هدف اصلی یا دوباره‌کاری، به پایان برساند.
🔹 این رویکرد نشان می‌دهد که پیشرفت هوش مصنوعی لزوماً به معنای ساخت مدل‌های بزرگتر نیست، بلکه گاهی اوقات به معنای یاد دادن روش‌های «کار تیمی» و «سازماندهی» انسانی به آن‌هاست.
[منبع]
🆔 @Science_Focus
#هوش_مصنوعی #تکنولوژی #برنامه_نویسی #آنتروپیک #کلود #مهندسی_نرم_افزار
🔹 یکی از بزرگترین مشکلات هوش مصنوعی‌های فعلی، «فراموشی» در پروژه‌های طولانی است. وقتی از یک مدل می‌خواهید یک نرم‌افزار پیچیده بسازد، ممکن است در میانه‌ی راه دستورات اولیه را فراموش کند یا گیج شود. اکنون شرکت آنتروپیک (سازنده مدل‌های Claude) اعلام کرده که با الهام گرفتن از نحوه کار انسان‌ها، راه حلی برای این مشکل پیدا کرده است.
❕ چرا هوش مصنوعی فراموش می‌کند؟ (مشکل پنجره زمینه)
هر مدل هوش مصنوعی یک «پنجره زمینه» (Context Window) محدود دارد؛ یعنی مقدار اطلاعاتی که می‌تواند در لحظه «در ذهن داشته باشد» محدود است (مثل حافظه کوتاه‌مدت انسان). وقتی یک پروژه طولانی می‌شود و اطلاعات جدید وارد می‌شود، اطلاعات قدیمی‌تر از پنجره زمینه خارج شده و مدل آن‌ها را فراموش می‌کند. این باعث می‌شود در پروژه‌های بزرگ، هوش مصنوعی نتواند کار را تا انتها با کیفیت پیش ببرد.
🔹 راهکار آنتروپیک: تقلید از مهندسان انسانی
آنتروپیک متوجه شد که انسان‌ها هم حافظه نامحدود ندارند، اما با «یادداشت‌برداری» و «مدیریت پروژه» کار را پیش می‌برند. آن‌ها برای کیت توسعه نرم‌افزار (SDK) خود یک سیستم دو مرحله‌ای طراحی کرده‌اند:
۱- عامل راه‌انداز (Initializer): این هوش مصنوعی در ابتدای پروژه، محیط کار را آماده می‌کند و یک «پرونده» برای پروژه می‌سازد که تمام اهداف و ویژگی‌های لازم در آن لیست شده است.
۲- عامل کدنویس (Coding Agent): در هر مرحله، هوش مصنوعی کار را انجام می‌دهد و سپس، دقیقاً مثل یک مهندس منظم، گزارش کار خود را در پرونده می‌نویسد و تغییرات را ثبت می‌کند. وقتی نوبت به مرحله بعد می‌رسد (یا شیفت کاری عوض می‌شود)، هوش مصنوعی بعدی با خواندن این پرونده، دقیقاً می‌فهمد که کار تا کجا پیش رفته و قدم بعدی چیست.
❕ تحویل شیفت هوشمند
این سیستم شبیه به کارخانه‌ای است که کارگران در شیفت‌های مختلف کار می‌کنند. هر کارگر قبل از رفتن، گزارش دقیق کارهایش را می‌نویسد تا کارگر شیفت بعدی گیج نشود. با این روش، هوش مصنوعی می‌تواند پروژه‌هایی که ساعت‌ها یا روزها طول می‌کشند را بدون فراموش کردن هدف اصلی یا دوباره‌کاری، به پایان برساند.
🔹 این رویکرد نشان می‌دهد که پیشرفت هوش مصنوعی لزوماً به معنای ساخت مدل‌های بزرگتر نیست، بلکه گاهی اوقات به معنای یاد دادن روش‌های «کار تیمی» و «سازماندهی» انسانی به آن‌هاست.
[منبع]
🆔 @Science_Focus
#هوش_مصنوعی #تکنولوژی #برنامه_نویسی #آنتروپیک #کلود #مهندسی_نرم_افزار
Venturebeat
Anthropic enhances Claude Agent SDK memory | VentureBeat
Anthropic research finds a new approach to solving the problem of forgetful agents.
🔺 GPS زیستی: سلول‌های بدن چگونه می‌فهمند کجا هستند و چه وظیفه‌ای دارند؟
🔹 بدن ما از حدود ۳۰ تریلیون سلول تشکیل شده که هر کدام نقشی حیاتی و تخصصی دارند؛ یکی سلول کبد می‌شود، دیگری سلول استخوان و سومی بخشی از چشم. اما این سلول‌ها که همگی از یک سلول تخم اولیه نشأت گرفته‌اند و DNA یکسانی دارند، چگونه می‌فهمند باید به چه چیزی تبدیل شوند و در کجای بدن قرار بگیرند؟
❕ مورفوژن‌ها: نقشه‌خوان‌های شیمیایی
پاسخ در مولکول‌هایی به نام «مورفوژن» (Morphogen) نهفته است. این مولکول‌ها مانند فانوس‌های دریایی عمل می‌کنند و در بافت جنین پخش می‌شوند. اما نکته کلیدی اینجاست که غلظت آن‌ها یکنواخت نیست؛ آن‌ها یک «گرادیان» یا شیب غلظت ایجاد می‌کنند (در نزدیک منبع زیاد و در دوردست کم هستند). سلول‌ها مجهز به گیرنده‌هایی هستند که می‌توانند این غلظت را بسنجند. بر اساس اینکه چقدر سیگنال دریافت می‌کنند، می‌فهمند که در کجای بدن (مثلاً نزدیک سر یا نزدیک دم) قرار دارند.
🔹 این سیستم موقعیت‌یابی شیمیایی بسیار دقیق است. برای مثال، مولکولی به نام «رتینوئیک اسید» در همان ابتدا تعیین می‌کند که کدام سمت جنین باید سر و کدام سمت دم باشد. پس از آن، نوبت به پروتئین معروف «سونیک خارپشت» (Sonic Hedgehog) می‌رسد که به سلول‌ها می‌گوید در کجای اندام‌ها (مثلاً کدام انگشت دست) قرار گرفته‌اند و باید چه شکلی به خود بگیرند.
❕ ژن‌های هاکس (Hox): مدیران اجرایی
وقتی سلول موقعیت خود را از طریق مورفوژن‌ها فهمید، نوبت به فعال شدن «ژن‌های هاکس» می‌رسد. این ژن‌ها مانند مدیران پروژه هستند که بر اساس موقعیت جغرافیایی سلول، دستورالعمل‌های ساخت‌وساز مربوطه را روشن می‌کنند. مثلاً اگر سلول بفهمد در ناحیه سینه است، ژن هاکس مربوطه دستور ساخت دنده و ریه را صادر می‌کند.
🔹 این سیستم پیچیده نیاز به تعادل ظریفی دارد. سلول‌ها نه تنها سیگنال‌ها را می‌خوانند، بلکه گاهی آن‌ها را تخریب می‌کنند تا شیب غلظت حفظ شود. آلن تورینگ، ریاضیدان نابغه، دهه‌ها قبل از کشف این مولکول‌ها، وجود چنین سیستم ریاضیاتی را در طبیعت برای ایجاد الگوها (مانند خال‌های پلنگ) پیش‌بینی کرده بود.
🔹 البته گاهی این سیستم خطا می‌کند. تومورهای عجیب «تراتوما» (که در آن‌ها دندان یا مو در جایی اشتباه رشد می‌کند) نتیجه همین اختلال در مسیریابی سلولی هستند؛ سلول‌هایی که گم شده‌اند و نمی‌دانند باید چه نقشی را ایفا کنند.
[منبع]
🆔 @Science_Focus
#زیست_شناسی #تکامل #ژنتیک #بدن_انسان #علم_به_زبان_ساده #مورفوژن
🔹 بدن ما از حدود ۳۰ تریلیون سلول تشکیل شده که هر کدام نقشی حیاتی و تخصصی دارند؛ یکی سلول کبد می‌شود، دیگری سلول استخوان و سومی بخشی از چشم. اما این سلول‌ها که همگی از یک سلول تخم اولیه نشأت گرفته‌اند و DNA یکسانی دارند، چگونه می‌فهمند باید به چه چیزی تبدیل شوند و در کجای بدن قرار بگیرند؟
❕ مورفوژن‌ها: نقشه‌خوان‌های شیمیایی
پاسخ در مولکول‌هایی به نام «مورفوژن» (Morphogen) نهفته است. این مولکول‌ها مانند فانوس‌های دریایی عمل می‌کنند و در بافت جنین پخش می‌شوند. اما نکته کلیدی اینجاست که غلظت آن‌ها یکنواخت نیست؛ آن‌ها یک «گرادیان» یا شیب غلظت ایجاد می‌کنند (در نزدیک منبع زیاد و در دوردست کم هستند). سلول‌ها مجهز به گیرنده‌هایی هستند که می‌توانند این غلظت را بسنجند. بر اساس اینکه چقدر سیگنال دریافت می‌کنند، می‌فهمند که در کجای بدن (مثلاً نزدیک سر یا نزدیک دم) قرار دارند.
🔹 این سیستم موقعیت‌یابی شیمیایی بسیار دقیق است. برای مثال، مولکولی به نام «رتینوئیک اسید» در همان ابتدا تعیین می‌کند که کدام سمت جنین باید سر و کدام سمت دم باشد. پس از آن، نوبت به پروتئین معروف «سونیک خارپشت» (Sonic Hedgehog) می‌رسد که به سلول‌ها می‌گوید در کجای اندام‌ها (مثلاً کدام انگشت دست) قرار گرفته‌اند و باید چه شکلی به خود بگیرند.
❕ ژن‌های هاکس (Hox): مدیران اجرایی
وقتی سلول موقعیت خود را از طریق مورفوژن‌ها فهمید، نوبت به فعال شدن «ژن‌های هاکس» می‌رسد. این ژن‌ها مانند مدیران پروژه هستند که بر اساس موقعیت جغرافیایی سلول، دستورالعمل‌های ساخت‌وساز مربوطه را روشن می‌کنند. مثلاً اگر سلول بفهمد در ناحیه سینه است، ژن هاکس مربوطه دستور ساخت دنده و ریه را صادر می‌کند.
🔹 این سیستم پیچیده نیاز به تعادل ظریفی دارد. سلول‌ها نه تنها سیگنال‌ها را می‌خوانند، بلکه گاهی آن‌ها را تخریب می‌کنند تا شیب غلظت حفظ شود. آلن تورینگ، ریاضیدان نابغه، دهه‌ها قبل از کشف این مولکول‌ها، وجود چنین سیستم ریاضیاتی را در طبیعت برای ایجاد الگوها (مانند خال‌های پلنگ) پیش‌بینی کرده بود.
🔹 البته گاهی این سیستم خطا می‌کند. تومورهای عجیب «تراتوما» (که در آن‌ها دندان یا مو در جایی اشتباه رشد می‌کند) نتیجه همین اختلال در مسیریابی سلولی هستند؛ سلول‌هایی که گم شده‌اند و نمی‌دانند باید چه نقشی را ایفا کنند.
[منبع]
🆔 @Science_Focus
#زیست_شناسی #تکامل #ژنتیک #بدن_انسان #علم_به_زبان_ساده #مورفوژن
IFLScience
How Do Cells Know Their Location And Their Role In The Body?
Evolution has made us very reliant on specialist organs, but they only work if they’re in the right place.
❤1
🔺 چرا چت‌بات‌ها هرگز «باهوش» نخواهند شد؟ پاسخ علم به هیاهوی هوش مصنوعی
🔹 در حالی که غول‌های فناوری وعده ظهور «ابرهوش» و حل تمام مشکلات بشریت را می‌دهند، دو پژوهش جدید از زاویه عصب‌شناسی و ریاضیات، آب پاکی را روی دست آن‌ها می‌ریزند: مدل‌های زبانی بزرگ (LLM) مانند ChatGPT، به دلیل محدودیت‌های بنیادین، هرگز نمی‌توانند واقعاً فکر کنند یا خلاقیتی فراتر از یک آماتور داشته باشند.
۱- ضربه اول: تفکیک زبان از تفکر (عصب‌شناسی)
بسیاری تصور می‌کنند چون هوش مصنوعی خوب حرف می‌زند، پس باهوش است. اما مقاله‌ای در ژورنال Nature این ایده را رد می‌کند. اسکن‌های مغزی fMRI نشان می‌دهند که در انسان، شبکه «زبان» از شبکه «تفکر و استدلال» جداست. افرادی که توانایی زبانی خود را از دست می‌دهند، هنوز می‌توانند مسائل ریاضی حل کنند یا منطقی فکر کنند.
نتیجه: زبان ابزاری برای ارتباط است، نه خودِ تفکر. مدل‌های هوش مصنوعی فقط «ادای زبان» را در می‌آورند و فاقد بخش تفکر مستقل هستند. آن‌ها طوطی‌های بسیار پیشرفته‌ای هستند، نه متفکر.
۲- ضربه دوم: سقف ریاضی خلاقیت (ریاضیات)
پژوهشی دیگر در Journal of Creative Behavior نشان می‌دهد که هوش مصنوعی در تله احتمالات گیر افتاده است. خلاقیت حاصل‌ضرب «نوآوری» و «کارایی» است.
در یک مدل زبانی، این دو با هم دشمن‌اند: اگر مدل بخواهد جمله‌ای بسیار نوآورانه (کم‌احتمال) بگوید، به احتمال زیاد پرت‌وپلا (ناکارآمد) خواهد گفت. اگر بخواهد جمله‌ای منطقی (کارآمد) بگوید، باید از کلمات تکراری و قابل پیش‌بینی (غیرنوآورانه) استفاده کند.
محاسبات نشان می‌دهد سقف خلاقیت هوش مصنوعی همیشه در سطح یک انسان «آماتور» باقی می‌ماند و هرگز به سطح نوابغ یا متخصصان خلاق نمی‌رسد.
❕ تفاوت «پیش‌بینی» با «خلق کردن»
هوش مصنوعی بر اساس اصل «پیش‌بینی کلمه بعدی» کار می‌کند. او با بررسی میلیاردها متن، حدس می‌زند بعد از کلمه «گربه»، احتمالاً کلمه «نشست» می‌آید. این یعنی او همیشه در حال حرکت در مسیرهای آشنا و تکراری است. خلق یک ایده ناب علمی یا هنری، نیازمند خروج از این مسیرهای آماری است؛ کاری که مغز انسان انجام می‌دهد اما مدل‌های فعلی ذاتاً از انجام آن عاجز هستند.
🔹 این تحقیقات نشان می‌دهند که اگرچه هوش مصنوعی ابزاری قدرتمند برای کارهای روزمره است، اما رویای ساختن «ذهن مصنوعی» با صرفاً بزرگتر کردن این مدل‌ها و افزودن داده‌های بیشتر، سرابی بیش نیست. برای رسیدن به هوش واقعی، ما به یک معماری کاملاً متفاوت نیاز داریم، نه فقط یک چت‌بات بزرگتر.
[منبع]
🆔 @Science_Focus
#هوش_مصنوعی #علوم_اعصاب #تکنولوژی #فلسفه_ذهن #خلاقیت #تفکر_انتقادی
🔹 در حالی که غول‌های فناوری وعده ظهور «ابرهوش» و حل تمام مشکلات بشریت را می‌دهند، دو پژوهش جدید از زاویه عصب‌شناسی و ریاضیات، آب پاکی را روی دست آن‌ها می‌ریزند: مدل‌های زبانی بزرگ (LLM) مانند ChatGPT، به دلیل محدودیت‌های بنیادین، هرگز نمی‌توانند واقعاً فکر کنند یا خلاقیتی فراتر از یک آماتور داشته باشند.
۱- ضربه اول: تفکیک زبان از تفکر (عصب‌شناسی)
بسیاری تصور می‌کنند چون هوش مصنوعی خوب حرف می‌زند، پس باهوش است. اما مقاله‌ای در ژورنال Nature این ایده را رد می‌کند. اسکن‌های مغزی fMRI نشان می‌دهند که در انسان، شبکه «زبان» از شبکه «تفکر و استدلال» جداست. افرادی که توانایی زبانی خود را از دست می‌دهند، هنوز می‌توانند مسائل ریاضی حل کنند یا منطقی فکر کنند.
نتیجه: زبان ابزاری برای ارتباط است، نه خودِ تفکر. مدل‌های هوش مصنوعی فقط «ادای زبان» را در می‌آورند و فاقد بخش تفکر مستقل هستند. آن‌ها طوطی‌های بسیار پیشرفته‌ای هستند، نه متفکر.
۲- ضربه دوم: سقف ریاضی خلاقیت (ریاضیات)
پژوهشی دیگر در Journal of Creative Behavior نشان می‌دهد که هوش مصنوعی در تله احتمالات گیر افتاده است. خلاقیت حاصل‌ضرب «نوآوری» و «کارایی» است.
در یک مدل زبانی، این دو با هم دشمن‌اند: اگر مدل بخواهد جمله‌ای بسیار نوآورانه (کم‌احتمال) بگوید، به احتمال زیاد پرت‌وپلا (ناکارآمد) خواهد گفت. اگر بخواهد جمله‌ای منطقی (کارآمد) بگوید، باید از کلمات تکراری و قابل پیش‌بینی (غیرنوآورانه) استفاده کند.
محاسبات نشان می‌دهد سقف خلاقیت هوش مصنوعی همیشه در سطح یک انسان «آماتور» باقی می‌ماند و هرگز به سطح نوابغ یا متخصصان خلاق نمی‌رسد.
❕ تفاوت «پیش‌بینی» با «خلق کردن»
هوش مصنوعی بر اساس اصل «پیش‌بینی کلمه بعدی» کار می‌کند. او با بررسی میلیاردها متن، حدس می‌زند بعد از کلمه «گربه»، احتمالاً کلمه «نشست» می‌آید. این یعنی او همیشه در حال حرکت در مسیرهای آشنا و تکراری است. خلق یک ایده ناب علمی یا هنری، نیازمند خروج از این مسیرهای آماری است؛ کاری که مغز انسان انجام می‌دهد اما مدل‌های فعلی ذاتاً از انجام آن عاجز هستند.
🔹 این تحقیقات نشان می‌دهند که اگرچه هوش مصنوعی ابزاری قدرتمند برای کارهای روزمره است، اما رویای ساختن «ذهن مصنوعی» با صرفاً بزرگتر کردن این مدل‌ها و افزودن داده‌های بیشتر، سرابی بیش نیست. برای رسیدن به هوش واقعی، ما به یک معماری کاملاً متفاوت نیاز داریم، نه فقط یک چت‌بات بزرگتر.
[منبع]
🆔 @Science_Focus
#هوش_مصنوعی #علوم_اعصاب #تکنولوژی #فلسفه_ذهن #خلاقیت #تفکر_انتقادی
Futurism
Large Language Models Will Never Be Intelligent, Expert Says
The AI industry is staking its future on language models. But LLMs, an expert argues, are fundamentally incapable of being intelligent.
🔺 سیگنال نامرئی که آسمان را منفجر می‌کند: راز «دانه‌های تسبیح» در شفق قطبی کشف شد
🔹 شفق‌های قطبی همیشه زیبا هستند، اما گاهی اوقات ناگهان شدت می‌گیرند و آسمان شب را با انفجاری از رنگ‌های سبز و بنفش پر می‌کنند. دانشمندان دانشگاه ساوت‌همپتون اکنون یک سرنخ جدید و شگفت‌انگیز پیدا کرده‌اند که نشان می‌دهد این نمایش خیره‌کننده، با یک «سیگنال رادیویی» خاص آغاز می‌شود.
❕ زیرطوفان (Substorm) چیست؟
شفق قطبی همیشه یکنواخت نیست. گاهی اوقات انرژی مغناطیسی ذخیره شده در اطراف زمین ناگهان آزاد می‌شود و باعث درخشش ناگهانی و حرکت سریع نورها می‌شود. به این رویداد پرانرژی، «زیرطوفان» می‌گویند. دانشمندان سال‌ها به دنبال ماشه این انفجار انرژی بودند.
🔹 قبل از شروع طوفان اصلی، پدیده‌ای زیبا در آسمان شکل می‌گیرد که به آن «دانه‌های تسبیح شفق» (Auroral Beads) می‌گویند؛ رشته‌ای از نقاط نورانی که مثل گردنبند در آسمان ردیف می‌شوند. تحقیق جدید که در ژورنال Nature Communications منتشر شده، نشان می‌دهد که درست همزمان با ظاهر شدن این دانه‌های نورانی، یک موج رادیویی خاص در فضا منتشر می‌شود.
❕ صدای نامرئی شفق
این امواج که AKR نام دارند، در فرکانس‌های پایین و در بالای جو زمین تولید می‌شوند. تحلیل‌های جدید نشان می‌دهد که این امواج فقط یک نویز تصادفی نیستند؛ بلکه مثل «صدای موتور ماشین قبل از شتاب گرفتن»، نشان می‌دهند که الکترون‌ها در حال شتاب گرفتن هستند تا با جو برخورد کنند و آن نمایش نورانی عظیم را بسازند.
🔹 این کشف نشان می‌دهد که دانه‌های تسبیح نورانی و امواج رادیویی نامرئی، دو روی یک سکه هستند و هر دو خبر از وقوع یک طوفان مغناطیسی می‌دهند. دانشمندان معتقدند این یک «مکانیسم جهانی» است و احتمالاً در سیارات دیگر منظومه شمسی مانند مشتری و زحل نیز، شفق‌های قطبی با همین آهنگ رادیویی آغاز می‌شوند.
[منبع]
🆔 @Science_Focus
#فیزیک #نجوم #شفق_قطبی #فضا #زمین_شناسی #امواج_رادیویی
🔹 شفق‌های قطبی همیشه زیبا هستند، اما گاهی اوقات ناگهان شدت می‌گیرند و آسمان شب را با انفجاری از رنگ‌های سبز و بنفش پر می‌کنند. دانشمندان دانشگاه ساوت‌همپتون اکنون یک سرنخ جدید و شگفت‌انگیز پیدا کرده‌اند که نشان می‌دهد این نمایش خیره‌کننده، با یک «سیگنال رادیویی» خاص آغاز می‌شود.
❕ زیرطوفان (Substorm) چیست؟
شفق قطبی همیشه یکنواخت نیست. گاهی اوقات انرژی مغناطیسی ذخیره شده در اطراف زمین ناگهان آزاد می‌شود و باعث درخشش ناگهانی و حرکت سریع نورها می‌شود. به این رویداد پرانرژی، «زیرطوفان» می‌گویند. دانشمندان سال‌ها به دنبال ماشه این انفجار انرژی بودند.
🔹 قبل از شروع طوفان اصلی، پدیده‌ای زیبا در آسمان شکل می‌گیرد که به آن «دانه‌های تسبیح شفق» (Auroral Beads) می‌گویند؛ رشته‌ای از نقاط نورانی که مثل گردنبند در آسمان ردیف می‌شوند. تحقیق جدید که در ژورنال Nature Communications منتشر شده، نشان می‌دهد که درست همزمان با ظاهر شدن این دانه‌های نورانی، یک موج رادیویی خاص در فضا منتشر می‌شود.
❕ صدای نامرئی شفق
این امواج که AKR نام دارند، در فرکانس‌های پایین و در بالای جو زمین تولید می‌شوند. تحلیل‌های جدید نشان می‌دهد که این امواج فقط یک نویز تصادفی نیستند؛ بلکه مثل «صدای موتور ماشین قبل از شتاب گرفتن»، نشان می‌دهند که الکترون‌ها در حال شتاب گرفتن هستند تا با جو برخورد کنند و آن نمایش نورانی عظیم را بسازند.
🔹 این کشف نشان می‌دهد که دانه‌های تسبیح نورانی و امواج رادیویی نامرئی، دو روی یک سکه هستند و هر دو خبر از وقوع یک طوفان مغناطیسی می‌دهند. دانشمندان معتقدند این یک «مکانیسم جهانی» است و احتمالاً در سیارات دیگر منظومه شمسی مانند مشتری و زحل نیز، شفق‌های قطبی با همین آهنگ رادیویی آغاز می‌شوند.
[منبع]
🆔 @Science_Focus
#فیزیک #نجوم #شفق_قطبی #فضا #زمین_شناسی #امواج_رادیویی
phys.org
Radio wave bursts linked to onset of intense auroral storms
A University of Southampton study has revealed an intriguing new clue in the mystery of what triggers periods of very intense, brightly colored activity during displays of both the southern and northern ...
❤1
🔺 آیا حباب هوش مصنوعی می‌ترکد؟ پیش‌بینی‌های تکان‌دهنده بزرگان سیلیکون‌ولی
🔹 دنیای تکنولوژی در نقطه حساسی قرار گرفته است. از یک سو مدیرعامل سابق اینتل از پایان دوران تراشه‌های فعلی می‌گوید و از سوی دیگر، مغز متفکر OpenAI از بن‌بست روش‌های فعلی هوش مصنوعی خبر می‌دهد. آیا زمستان دیگری در راه است یا یک بهار کوانتومی؟
۱- پت گلسینگر: کوانتوم، قاتل GPU
پت گلسینگر، مدیرعامل سابق اینتل، در پیش‌بینی جسورانه‌ای ادعا کرده که «کامپیوترهای کوانتومی» بسیار زودتر از تصور ما (شاید تا ۲ سال دیگر) وارد میدان می‌شوند و حباب فعلی هوش مصنوعی را می‌ترکانند. به عقیده او، تراشه‌های گرافیکی (GPU) که امروزه پادشاه هوش مصنوعی هستند، تا پایان این دهه منسوخ خواهند شد و جای خود را به پردازنده‌های کوانتومی خواهند داد.
نکته: البته جنسن هوانگ، مدیر انویدیا، معتقد است کوانتوم تا ۲۰ سال دیگر هم فراگیر نمی‌شود. جنگ دیدگاه‌ها آغاز شده است!
۲- ایلیا سوتسکور: پایان دوران «فقط بزرگترش کن»
هم‌بنیان‌گذار OpenAI و یکی از پیشگامان هوش مصنوعی مدرن، در اظهارنظری مهم اعلام کرده که استراتژی «افزایش مقیاس» (Scaling) دیگر به تنهایی جواب نمی‌دهد. تا امروز، فرمول پیشرفت ساده بود: داده بیشتر + کامپیوتر بزرگتر = هوش بیشتر. اما سوتسکور می‌گوید این فرمول به سقف خود رسیده و ما دوباره به «عصر تحقیقات» بازگشته‌ایم؛ جایی که باید روش‌های هوشمندانه‌تری برای یادگیری پیدا کنیم، نه فقط کامپیوترهای بزرگتر.
❕ بن‌بست مقیاس‌پذیری (Scaling Wall) چیست؟
این اصطلاح به نقطه‌ای اشاره دارد که در آن، افزودن منابع بیشتر (داده و پردازنده) دیگر منجر به پیشرفت معنادار در هوش مدل نمی‌شود. مثل اینکه بخواهید با بزرگتر کردن بال‌های یک هواپیما به ماه بروید؛ تا حدی جواب می‌دهد، اما برای رسیدن به ماه (هوش عمومی)، به یک موتور کاملاً متفاوت (روش جدید) نیاز دارید.
۳- بحران در کف کارخانه
در همین حال، انجمن خودروسازان اروپا هشدار داده که کمبود تراشه‌های ساده (ناشی از تنش‌های تجاری) در حال فلج کردن خطوط تولید است. این نشان می‌دهد که زیرساخت فیزیکی دنیای دیجیتال ما چقدر شکننده است.
🔹 به نظر می‌رسد عصر طلایی و آسان هوش مصنوعی که با ChatGPT شروع شد، به پایان خود نزدیک می‌شود. گام بعدی (چه کوانتوم باشد و چه معماری‌های جدید نرم‌افزاری) بسیار سخت‌تر، پرهزینه‌تر و نیازمند نوآوری‌های بنیادین خواهد بود.
[منبع] [منبع]
🆔 @Science_Focus
#هوش_مصنوعی #کوانتوم #تکنولوژی #سیلیکون_ولی #انویدیا #آینده_پژوهی
🔹 دنیای تکنولوژی در نقطه حساسی قرار گرفته است. از یک سو مدیرعامل سابق اینتل از پایان دوران تراشه‌های فعلی می‌گوید و از سوی دیگر، مغز متفکر OpenAI از بن‌بست روش‌های فعلی هوش مصنوعی خبر می‌دهد. آیا زمستان دیگری در راه است یا یک بهار کوانتومی؟
۱- پت گلسینگر: کوانتوم، قاتل GPU
پت گلسینگر، مدیرعامل سابق اینتل، در پیش‌بینی جسورانه‌ای ادعا کرده که «کامپیوترهای کوانتومی» بسیار زودتر از تصور ما (شاید تا ۲ سال دیگر) وارد میدان می‌شوند و حباب فعلی هوش مصنوعی را می‌ترکانند. به عقیده او، تراشه‌های گرافیکی (GPU) که امروزه پادشاه هوش مصنوعی هستند، تا پایان این دهه منسوخ خواهند شد و جای خود را به پردازنده‌های کوانتومی خواهند داد.
نکته: البته جنسن هوانگ، مدیر انویدیا، معتقد است کوانتوم تا ۲۰ سال دیگر هم فراگیر نمی‌شود. جنگ دیدگاه‌ها آغاز شده است!
۲- ایلیا سوتسکور: پایان دوران «فقط بزرگترش کن»
هم‌بنیان‌گذار OpenAI و یکی از پیشگامان هوش مصنوعی مدرن، در اظهارنظری مهم اعلام کرده که استراتژی «افزایش مقیاس» (Scaling) دیگر به تنهایی جواب نمی‌دهد. تا امروز، فرمول پیشرفت ساده بود: داده بیشتر + کامپیوتر بزرگتر = هوش بیشتر. اما سوتسکور می‌گوید این فرمول به سقف خود رسیده و ما دوباره به «عصر تحقیقات» بازگشته‌ایم؛ جایی که باید روش‌های هوشمندانه‌تری برای یادگیری پیدا کنیم، نه فقط کامپیوترهای بزرگتر.
❕ بن‌بست مقیاس‌پذیری (Scaling Wall) چیست؟
این اصطلاح به نقطه‌ای اشاره دارد که در آن، افزودن منابع بیشتر (داده و پردازنده) دیگر منجر به پیشرفت معنادار در هوش مدل نمی‌شود. مثل اینکه بخواهید با بزرگتر کردن بال‌های یک هواپیما به ماه بروید؛ تا حدی جواب می‌دهد، اما برای رسیدن به ماه (هوش عمومی)، به یک موتور کاملاً متفاوت (روش جدید) نیاز دارید.
۳- بحران در کف کارخانه
در همین حال، انجمن خودروسازان اروپا هشدار داده که کمبود تراشه‌های ساده (ناشی از تنش‌های تجاری) در حال فلج کردن خطوط تولید است. این نشان می‌دهد که زیرساخت فیزیکی دنیای دیجیتال ما چقدر شکننده است.
🔹 به نظر می‌رسد عصر طلایی و آسان هوش مصنوعی که با ChatGPT شروع شد، به پایان خود نزدیک می‌شود. گام بعدی (چه کوانتوم باشد و چه معماری‌های جدید نرم‌افزاری) بسیار سخت‌تر، پرهزینه‌تر و نیازمند نوآوری‌های بنیادین خواهد بود.
[منبع] [منبع]
🆔 @Science_Focus
#هوش_مصنوعی #کوانتوم #تکنولوژی #سیلیکون_ولی #انویدیا #آینده_پژوهی
Wccftech
“Quantum Computing Will Pop the AI Bubble,” Claims Ex-Intel CEO Pat Gelsinger, Predicting GPUs Won’t Survive the Decade
Pat Gelsinger have put up interesting claims to when the AI frenzy will end, claiming that a "quantum breakthrough" will pop the bubble.
🔺 اولین نقشه‌برداری از لحظه انفجار یک ستاره: چرا مرگ ستاره‌ها «گرد» نیست؟
🔹 ستاره‌ها کره‌هایی تقریباً کامل از پلاسما هستند. منطق حکم می‌کند که وقتی منفجر می‌شوند (ابرنواختر)، این انفجار باید مثل باد کردن یک بادکنک، به صورت کروی و منظم منبسط شود. اما دانشمندان برای اولین بار با رصد لحظات اولیه مرگ یک ستاره، دریافتند که واقعیت چیز دیگری است: انفجار شکلی کشیده و نامنظم، شبیه به یک «زیتون» دارد.
🔹 این کشف روی ابرنواختر SN 2024ggi انجام شد که در کهکشانی در فاصله ۲۲ میلیون سال نوری از ما قرار دارد. تنها ۲۶ ساعت پس از اینکه نور انفجار به زمین رسید، اخترشناسان تلسکوپ عظیم VLT در شیلی را به سمت آن نشانه رفتند تا مرحله حیاتی و بسیار کوتاه «خروج موج شوک» را ثبت کنند.
❕ چگونه شکل انفجار را از این فاصله دیدند؟
ما نمی‌توانیم از ستاره‌ای در این فاصله عکس بگیریم (فقط یک نقطه نورانی است). دانشمندان از تکنیکی به نام «طیف‌سنجی قطبی» (Spectropolarimetry) استفاده کردند.
نور مثل موج دریا بالا و پایین می‌رود. اگر نور از یک سطح کروی و متقارن تابیده شود، ارتعاشات آن در همه جهات یکسان است. اما اگر شکل منبع نور کشیده یا نامتقارن باشد، امواج نور در جهت خاصی «قطبیده» یا هم‌جهت می‌شوند (مثل نوری که از عینک آفتابی پلاریزه عبور می‌کند). با تحلیل این جهت‌گیری، دانشمندان شکل سه‌بعدی انفجار را بازسازی کردند.
🔹 نتایج نشان داد که موج انفجار در تمام جهات یکسان نبوده، بلکه در یک محور خاص کشیدگی داشته است. این کشیدگی حتی ۱۰ روز بعد، زمانی که مواد مذاب ستاره سردتر شده بودند نیز حفظ شد.
این یافته مدل‌های قدیمی انفجار کروی را به چالش می‌کشد و نشان می‌دهد که مکانیزم داخلی مرگ ستاره‌ها (احتمالاً به دلیل جت‌های انرژی یا ناپایداری‌های هسته‌ای) ذاتاً جهت‌دار و نامتقارن است.
[منبع]
🆔 @Science_Focus
#نجوم #اختروفیزیک #ابرنواختر #تلسکوپ #مرگ_ستاره #کشف_علمی
🔹 ستاره‌ها کره‌هایی تقریباً کامل از پلاسما هستند. منطق حکم می‌کند که وقتی منفجر می‌شوند (ابرنواختر)، این انفجار باید مثل باد کردن یک بادکنک، به صورت کروی و منظم منبسط شود. اما دانشمندان برای اولین بار با رصد لحظات اولیه مرگ یک ستاره، دریافتند که واقعیت چیز دیگری است: انفجار شکلی کشیده و نامنظم، شبیه به یک «زیتون» دارد.
🔹 این کشف روی ابرنواختر SN 2024ggi انجام شد که در کهکشانی در فاصله ۲۲ میلیون سال نوری از ما قرار دارد. تنها ۲۶ ساعت پس از اینکه نور انفجار به زمین رسید، اخترشناسان تلسکوپ عظیم VLT در شیلی را به سمت آن نشانه رفتند تا مرحله حیاتی و بسیار کوتاه «خروج موج شوک» را ثبت کنند.
❕ چگونه شکل انفجار را از این فاصله دیدند؟
ما نمی‌توانیم از ستاره‌ای در این فاصله عکس بگیریم (فقط یک نقطه نورانی است). دانشمندان از تکنیکی به نام «طیف‌سنجی قطبی» (Spectropolarimetry) استفاده کردند.
نور مثل موج دریا بالا و پایین می‌رود. اگر نور از یک سطح کروی و متقارن تابیده شود، ارتعاشات آن در همه جهات یکسان است. اما اگر شکل منبع نور کشیده یا نامتقارن باشد، امواج نور در جهت خاصی «قطبیده» یا هم‌جهت می‌شوند (مثل نوری که از عینک آفتابی پلاریزه عبور می‌کند). با تحلیل این جهت‌گیری، دانشمندان شکل سه‌بعدی انفجار را بازسازی کردند.
🔹 نتایج نشان داد که موج انفجار در تمام جهات یکسان نبوده، بلکه در یک محور خاص کشیدگی داشته است. این کشیدگی حتی ۱۰ روز بعد، زمانی که مواد مذاب ستاره سردتر شده بودند نیز حفظ شد.
این یافته مدل‌های قدیمی انفجار کروی را به چالش می‌کشد و نشان می‌دهد که مکانیزم داخلی مرگ ستاره‌ها (احتمالاً به دلیل جت‌های انرژی یا ناپایداری‌های هسته‌ای) ذاتاً جهت‌دار و نامتقارن است.
[منبع]
🆔 @Science_Focus
#نجوم #اختروفیزیک #ابرنواختر #تلسکوپ #مرگ_ستاره #کشف_علمی
Live Science
Scientists mapped the shape of a supernova for the first time ever – and it's not what we expected: Space photo of the week
Astronomers using data from the Very Large Telescope (VLT) have revealed that the initial "breakout" phase of a supernova is elongated, not perfectly spherical.
🔺 سوغاتی ۴.۵ میلیارد ساله از فضا: کشف «آجرهای سازنده حیات» و یک آمینو اسید نادر در سیارک بنو
🔹 یکی از جذاب‌ترین نظریه‌های علمی می‌گوید که حیات روی زمین آغاز نشده، بلکه مواد اولیه آن توسط سیارک‌ها به زمین «تحویل» داده شده است. اکنون تحلیل جدید نمونه‌های سیارک «بنو» (Bennu) که توسط فضاپیمای OSIRIS-REx ناسا مستقیماً از فضا به زمین آورده شده، قوی‌ترین مدرک برای این نظریه را ارائه کرده است.
🔹 برخلاف شهاب‌سنگ‌هایی که روی زمین پیدا می‌شوند و ممکن است با مواد زمینی آلوده شده باشند، نمونه‌های بنو کاملاً بکر و دست‌نخورده‌اند. دانشمندان در این مشت خاک سیاه فضایی، گنجینه‌ای شیمیایی پیدا کرده‌اند:
۱- ۱۴ نوع آمینو اسید (سازندگان پروتئین‌ها).
۲- ۵ نوع نوکلئوباز (حروف الفبای ژنتیکی DNA و RNA).
۳- و برای اولین بار، نشانه‌هایی از تریپتوفان.
❕ تریپتوفان (Tryptophan) چیست و چرا کشفش مهم است؟
تریپتوفان یکی از ۲۰ اسید آمینه ضروری برای انسان است (بدن ما نمی‌تواند آن را بسازد). این ماده ساختار پیچیده‌تری نسبت به سایر آمینو اسیدها دارد و پیش‌ساز مواد مهمی مثل سروتونین (هورمون شادی) است. تا پیش از این، تریپتوفان هرگز به طور قطعی در مواد فضایی دیده نشده بود. کشف احتمالی آن در یک سنگ فضایی نشان می‌دهد که فرآیندهای شیمیایی در فضا می‌توانند مولکول‌های بسیار پیچیده‌تری نسبت به تصور ما بسازند.
🔹 آب: کیمیاگر فضایی
اما چگونه این مواد پیچیده در یک سنگ سرد و خشک فضایی شکل گرفته‌اند؟ پاسخ «آب» است. وجود کانی‌های رسی در نمونه‌ها نشان می‌دهد که سیارک مادرِ بنو، در گذشته‌های دور دارای آب مایع بوده است. دانشمندان معتقدند آب گرم همراه با آمونیاک، مانند یک آزمایشگاه شیمی عمل کرده و مواد ساده بین‌ستاره‌ای را به آجرهای سازنده حیات تبدیل کرده است.
🔹 این یافته‌ها که در ژورنال PNAS منتشر شده، نشان می‌دهد که مواد اولیه لازم برای حیات، منحصر به زمین نیستند و احتمالاً در سراسر منظومه شمسی پراکنده شده‌اند؛ بسته‌های پستی که منتظرند تا به سیاره‌ای مناسب برخورد کنند و داستان حیات را آغاز کنند.
[منبع]
🆔 @Science_Focus
#اخترزیست_شناسی #ناسا #منشأ_حیات #سیارک #شیمی #تکامل
🔹 یکی از جذاب‌ترین نظریه‌های علمی می‌گوید که حیات روی زمین آغاز نشده، بلکه مواد اولیه آن توسط سیارک‌ها به زمین «تحویل» داده شده است. اکنون تحلیل جدید نمونه‌های سیارک «بنو» (Bennu) که توسط فضاپیمای OSIRIS-REx ناسا مستقیماً از فضا به زمین آورده شده، قوی‌ترین مدرک برای این نظریه را ارائه کرده است.
🔹 برخلاف شهاب‌سنگ‌هایی که روی زمین پیدا می‌شوند و ممکن است با مواد زمینی آلوده شده باشند، نمونه‌های بنو کاملاً بکر و دست‌نخورده‌اند. دانشمندان در این مشت خاک سیاه فضایی، گنجینه‌ای شیمیایی پیدا کرده‌اند:
۱- ۱۴ نوع آمینو اسید (سازندگان پروتئین‌ها).
۲- ۵ نوع نوکلئوباز (حروف الفبای ژنتیکی DNA و RNA).
۳- و برای اولین بار، نشانه‌هایی از تریپتوفان.
❕ تریپتوفان (Tryptophan) چیست و چرا کشفش مهم است؟
تریپتوفان یکی از ۲۰ اسید آمینه ضروری برای انسان است (بدن ما نمی‌تواند آن را بسازد). این ماده ساختار پیچیده‌تری نسبت به سایر آمینو اسیدها دارد و پیش‌ساز مواد مهمی مثل سروتونین (هورمون شادی) است. تا پیش از این، تریپتوفان هرگز به طور قطعی در مواد فضایی دیده نشده بود. کشف احتمالی آن در یک سنگ فضایی نشان می‌دهد که فرآیندهای شیمیایی در فضا می‌توانند مولکول‌های بسیار پیچیده‌تری نسبت به تصور ما بسازند.
🔹 آب: کیمیاگر فضایی
اما چگونه این مواد پیچیده در یک سنگ سرد و خشک فضایی شکل گرفته‌اند؟ پاسخ «آب» است. وجود کانی‌های رسی در نمونه‌ها نشان می‌دهد که سیارک مادرِ بنو، در گذشته‌های دور دارای آب مایع بوده است. دانشمندان معتقدند آب گرم همراه با آمونیاک، مانند یک آزمایشگاه شیمی عمل کرده و مواد ساده بین‌ستاره‌ای را به آجرهای سازنده حیات تبدیل کرده است.
🔹 این یافته‌ها که در ژورنال PNAS منتشر شده، نشان می‌دهد که مواد اولیه لازم برای حیات، منحصر به زمین نیستند و احتمالاً در سراسر منظومه شمسی پراکنده شده‌اند؛ بسته‌های پستی که منتظرند تا به سیاره‌ای مناسب برخورد کنند و داستان حیات را آغاز کنند.
[منبع]
🆔 @Science_Focus
#اخترزیست_شناسی #ناسا #منشأ_حیات #سیارک #شیمی #تکامل
phys.org
Asteroid loaded with amino acids offers new clues about the origin of life on Earth
One of the most elegant theories about the origins of life on our planet is that it was kick-started by a delivery from outer space. This idea suggests that prebiotic molecules—the building blocks of ...
❤1
🔺 عجیب‌ترین پیش‌بینی فیزیک: آیا می‌توان «گرمای خلأ» را دید؟
🔹 فیزیک کوانتوم پیش‌بینی عجیبی دارد: اگر شما با شتاب بسیار زیاد در فضای خالی حرکت کنید، آن فضای سرد و تاریک را مانند یک حمام داغ پر از ذرات خواهید دید! این پدیده که «اثر آنرو» (Unruh effect) نام دارد، دهه‌هاست که فیزیکدانان را گیج کرده است، زیرا برای مشاهده آن به شتابی غیرممکن (میلیاردها برابر شتاب جاذبه) نیاز است. اما اکنون پژوهشگران راهی هوشمندانه برای به دام انداختن این اثر در آزمایشگاه پیشنهاد کرده‌اند.
❕ اثر آنرو چیست؟
در فیزیک کلاسیک، خلأ یعنی «هیچ». اما در مکانیک کوانتومی، خلأ پر از نوسانات انرژی است. استیون هاوکینگ و ویلیام آنرو در دهه ۷۰ میلادی نشان دادند که برای یک ناظر که شتاب دارد، این نوسانات کوانتومی تبدیل به ذرات واقعی و گرما می‌شوند. به زبان ساده: شتاب گرفتن در خلأ، باعث می‌شود شما احساس گرما کنید!
🔹 راه حل جدید: گروه کُر اتم‌ها
پژوهشگران دانشگاه استکهلم و هند، در مقاله‌ای در Physical Review Letters روشی را پیشنهاد کرده‌اند که به جای شتاب دادن دیوانه‌وار به اشیاء، از «زمان‌بندی» استفاده می‌کند.
ایده آن‌ها استفاده از پدیده‌ای به نام «ابرتابش» (Superradiance) است. تصور کنید اتم‌ها را بین دو آینه قرار دهید. در حالت عادی، آن‌ها مثل یک گروه کُر هماهنگ شروع به تابش نور می‌کنند.
🔹 تبدیل نجوا به فریاد
محاسبات نشان می‌دهد که اگر این اتم‌ها تحت شتاب کمی قرار بگیرند و اثر آنرو (آن گرمای ضعیف خلأ) را حس کنند، رفتارشان تغییر می‌کند: آن‌ها «زودتر» از زمان معمول شروع به تابش می‌کنند.
این تغییر زمان، مثل یک ساعت دقیق عمل می‌کند. دانشمندان با تنظیم دقیق آینه‌ها می‌توانند سیگنال‌های مزاحم را حذف کنند تا تنها در صورتی که اثر آنرو وجود داشته باشد، یک فلاش نوری زودرس (یک فریاد کوانتومی) را مشاهده کنند. این روش می‌تواند بالاخره پلی بین تئوری‌های انتزاعی کوانتوم و آزمایشگاه‌های واقعی بسازد.
[منبع]
🆔 @Science_Focus
#فیزیک #کوانتوم #نسبیت #اثر_آنرو #خلأ #نور #اپتیک
🔹 فیزیک کوانتوم پیش‌بینی عجیبی دارد: اگر شما با شتاب بسیار زیاد در فضای خالی حرکت کنید، آن فضای سرد و تاریک را مانند یک حمام داغ پر از ذرات خواهید دید! این پدیده که «اثر آنرو» (Unruh effect) نام دارد، دهه‌هاست که فیزیکدانان را گیج کرده است، زیرا برای مشاهده آن به شتابی غیرممکن (میلیاردها برابر شتاب جاذبه) نیاز است. اما اکنون پژوهشگران راهی هوشمندانه برای به دام انداختن این اثر در آزمایشگاه پیشنهاد کرده‌اند.
❕ اثر آنرو چیست؟
در فیزیک کلاسیک، خلأ یعنی «هیچ». اما در مکانیک کوانتومی، خلأ پر از نوسانات انرژی است. استیون هاوکینگ و ویلیام آنرو در دهه ۷۰ میلادی نشان دادند که برای یک ناظر که شتاب دارد، این نوسانات کوانتومی تبدیل به ذرات واقعی و گرما می‌شوند. به زبان ساده: شتاب گرفتن در خلأ، باعث می‌شود شما احساس گرما کنید!
🔹 راه حل جدید: گروه کُر اتم‌ها
پژوهشگران دانشگاه استکهلم و هند، در مقاله‌ای در Physical Review Letters روشی را پیشنهاد کرده‌اند که به جای شتاب دادن دیوانه‌وار به اشیاء، از «زمان‌بندی» استفاده می‌کند.
ایده آن‌ها استفاده از پدیده‌ای به نام «ابرتابش» (Superradiance) است. تصور کنید اتم‌ها را بین دو آینه قرار دهید. در حالت عادی، آن‌ها مثل یک گروه کُر هماهنگ شروع به تابش نور می‌کنند.
🔹 تبدیل نجوا به فریاد
محاسبات نشان می‌دهد که اگر این اتم‌ها تحت شتاب کمی قرار بگیرند و اثر آنرو (آن گرمای ضعیف خلأ) را حس کنند، رفتارشان تغییر می‌کند: آن‌ها «زودتر» از زمان معمول شروع به تابش می‌کنند.
این تغییر زمان، مثل یک ساعت دقیق عمل می‌کند. دانشمندان با تنظیم دقیق آینه‌ها می‌توانند سیگنال‌های مزاحم را حذف کنند تا تنها در صورتی که اثر آنرو وجود داشته باشد، یک فلاش نوری زودرس (یک فریاد کوانتومی) را مشاهده کنند. این روش می‌تواند بالاخره پلی بین تئوری‌های انتزاعی کوانتوم و آزمایشگاه‌های واقعی بسازد.
[منبع]
🆔 @Science_Focus
#فیزیک #کوانتوم #نسبیت #اثر_آنرو #خلأ #نور #اپتیک
SciTechDaily
Physics’ Strangest Prediction: Researchers Propose Way to Finally “See” the Warmth of the Vacuum
A subtle timing flash may expose the Unruh effect. The approach ties ordinary lab tools to deep quantum physics. Researchers at Stockholm University and the Indian Institute of Science Education and Research (IISER) Mohali have identified a practical method…
🔺 آیا «نِوروتیپیکال» واقعاً وجود دارد؟ چالشی علمی در قلب جنبش تنوع عصبی
🔹 این روزها شبکه‌های اجتماعی پر از محتوایی است که افراد تجربه‌های خود از «تنوع عصبی» (مانند اوتیسم یا ADHD) را به اشتراک می‌گذارند. این جنبشِ مثبت، به دنبال آن است که بگوید این تفاوت‌ها «نقص» نیستند، بلکه تفاوت‌هایی طبیعی‌اند. اما یک مقاله تحلیلی در نشریه معتبر STAT استدلال می‌کند که این جنبش با یک مشکل منطقی و علمی بزرگ روبروست: تعریف «فرد عادی».
❕ تعاریف پایه:
* تنوع عصبی (Neurodiversity): این ایده که مغز انسان‌ها سیم‌کشی‌های متفاوتی دارد و شرایطی مثل اوتیسم، بخشی از طیف طبیعی تفاوت‌های انسانی هستند.
* نِوروتیپیکال (Neurotypical): یا «عصب‌هنجار»؛ واژه‌ای که این جنبش برای توصیف افرادی که این شرایط را ندارند (افراد به‌اصطلاح "نرمال") استفاده می‌کند.
🔹 چالش علمی کجاست؟
نویسنده استدلال می‌کند که از نظر بیولوژیکی، مغز هر انسانی در هر لحظه منحصر به فرد است. هیچ دو مغزی شبیه هم نیستند و حتی مغز خود شما با مغز چند ثانیه پیشتان متفاوت است. بنابراین، دسته‌بندی بشریت به دو گروه «ما» (متفاوت‌ها) و «آن‌ها» (نرمال‌ها) از نظر علمی دقیق نیست، زیرا گروه «آن‌ها» وجود خارجی ندارد.
❕ تشبیه «بدنِ نرمال» (سوماتوتیپیکال)
برای درک بهتر، بیایید این مفهوم را به جسم تعمیم دهیم. آیا می‌توانیم بگوییم عده‌ای دارای «تنوع جسمی» (دارای آلرژی، آسم، ضعف چشم و...) هستند و بقیه «جسم‌هنجار» (بدن کاملاً بی‌نقص و استاندارد)؟ خیر. تقریباً همه انسان‌ها تفاوت‌های جسمی دارند. در مورد مغز هم همینطور است؛ اضطراب، تفاوت‌های خلقی و شیوه‌های یادگیری در همه وجود دارد.
🔹مقاله هشدار می‌دهد که اگر این جنبش بر دوگانه «ما در برابر نرمال‌ها» اصرار کند، ممکن است با بن‌بست روبرو شود، چون هرچه جلوتر می‌رویم می‌بینیم که «تنوع» در بین همان افراد به‌اصطلاح نرمال هم بی‌نهایت است. هدف نهایی و زیباتر علم و جامعه باید این باشد: پذیرش اینکه «نرمال بودن» یک افسانه است و همه ما، بدون استثنا، دارای تنوع عصبی هستیم.
[منبع]
🆔 @Science_Focus
#علوم_اعصاب #روانشناسی #تنوع_عصبی #اوتیسم #ADHD #جامعه_شناسی_علم
🔹 این روزها شبکه‌های اجتماعی پر از محتوایی است که افراد تجربه‌های خود از «تنوع عصبی» (مانند اوتیسم یا ADHD) را به اشتراک می‌گذارند. این جنبشِ مثبت، به دنبال آن است که بگوید این تفاوت‌ها «نقص» نیستند، بلکه تفاوت‌هایی طبیعی‌اند. اما یک مقاله تحلیلی در نشریه معتبر STAT استدلال می‌کند که این جنبش با یک مشکل منطقی و علمی بزرگ روبروست: تعریف «فرد عادی».
❕ تعاریف پایه:
* تنوع عصبی (Neurodiversity): این ایده که مغز انسان‌ها سیم‌کشی‌های متفاوتی دارد و شرایطی مثل اوتیسم، بخشی از طیف طبیعی تفاوت‌های انسانی هستند.
* نِوروتیپیکال (Neurotypical): یا «عصب‌هنجار»؛ واژه‌ای که این جنبش برای توصیف افرادی که این شرایط را ندارند (افراد به‌اصطلاح "نرمال") استفاده می‌کند.
🔹 چالش علمی کجاست؟
نویسنده استدلال می‌کند که از نظر بیولوژیکی، مغز هر انسانی در هر لحظه منحصر به فرد است. هیچ دو مغزی شبیه هم نیستند و حتی مغز خود شما با مغز چند ثانیه پیشتان متفاوت است. بنابراین، دسته‌بندی بشریت به دو گروه «ما» (متفاوت‌ها) و «آن‌ها» (نرمال‌ها) از نظر علمی دقیق نیست، زیرا گروه «آن‌ها» وجود خارجی ندارد.
❕ تشبیه «بدنِ نرمال» (سوماتوتیپیکال)
برای درک بهتر، بیایید این مفهوم را به جسم تعمیم دهیم. آیا می‌توانیم بگوییم عده‌ای دارای «تنوع جسمی» (دارای آلرژی، آسم، ضعف چشم و...) هستند و بقیه «جسم‌هنجار» (بدن کاملاً بی‌نقص و استاندارد)؟ خیر. تقریباً همه انسان‌ها تفاوت‌های جسمی دارند. در مورد مغز هم همینطور است؛ اضطراب، تفاوت‌های خلقی و شیوه‌های یادگیری در همه وجود دارد.
🔹مقاله هشدار می‌دهد که اگر این جنبش بر دوگانه «ما در برابر نرمال‌ها» اصرار کند، ممکن است با بن‌بست روبرو شود، چون هرچه جلوتر می‌رویم می‌بینیم که «تنوع» در بین همان افراد به‌اصطلاح نرمال هم بی‌نهایت است. هدف نهایی و زیباتر علم و جامعه باید این باشد: پذیرش اینکه «نرمال بودن» یک افسانه است و همه ما، بدون استثنا، دارای تنوع عصبی هستیم.
[منبع]
🆔 @Science_Focus
#علوم_اعصاب #روانشناسی #تنوع_عصبی #اوتیسم #ADHD #جامعه_شناسی_علم
STAT
The definitional problems at the heart of the neurodiversity movement
The very name of the neurodiversity movement creates a linguistic problem.
🔺 مغز شما به خواب «فرو می‌رود» یا ناگهان «سقوط» می‌کند؟ کشف لحظه دقیق خاموشی مغز
🔹 سال‌ها تصور می‌شد که به خواب رفتن شبیه کم‌نور شدن تدریجی یک لامپ (با کلید دیمر) است؛ فرآیندی که آرام‌آرام از بیداری به خواب تغییر می‌کند. اما پژوهش جدید محققان امپریال کالج لندن که در ژورنال معتبر Nature Neuroscience منتشر شده، نشان می‌دهد که این تصور اشتباه است. مغز ما آرام خاموش نمی‌شود، بلکه مثل «سقوط از لبه پرتگاه» به ناگهان وارد خواب می‌شود.
❕ نقطه عطف (Tipping Point) چیست؟
تصور کنید روی لبه صندلی تعادل خود را حفظ کرده‌اید. شما تا آخرین لحظه «بیدار» و متعادل هستید، اما به محض اینکه از یک زاویه خاص عبور کنید، ناگهان «سقوط» می‌کنید. این تحقیق نشان می‌دهد مغز هم دقیقاً همین رفتار را دارد. فعالیت‌های عصبی ناگهان دچار یک افت شدید می‌شوند و شما را از دنیای بیداری جدا می‌کنند. هیچ مرحله بینابینی پایداری وجود ندارد.
🔹 چرا پشت فرمان احساس خواب‌آلودگی خطرناک است؟
یکی از ترسناک‌ترین یافته‌های این پژوهش، تفاوت زمان‌بندی در خاموش شدن بخش‌های مختلف مغز است. محققان دریافتند که «قشر پس‌سری» (مسئول پردازش بینایی) زودتر از «قشر پیشانی» (مسئول تفکر و تصمیم‌گیری) به خواب می‌رود.
معنی آن چیست؟ یعنی ممکن است شما پشت فرمان فکر کنید هنوز بیدارید و کنترل دارید (چون مغزتان فکر می‌کند)، اما سیستم بینایی شما عملاً خوابیده است یا در آستانه خاموشی مطلق است.
🔹 این مدل جدید ریاضی که با دقت ۹۵٪ لحظه خواب را پیش‌بینی می‌کند، می‌تواند انقلابی در دستگاه‌های هشداردهنده خواب‌آلودگی ایجاد کند. اگر ساعت هوشمند یا خودروی شما بداند که شما به آن «لبه پرتگاه» نزدیک شده‌اید، می‌تواند پیش از سقوط ناگهانی مغزتان، شما را بیدار کند.
[منبع]
🆔 @Science_Focus
#علوم_اعصاب #مغز #خواب #ایمنی #تکنولوژی #سلامت
🔹 سال‌ها تصور می‌شد که به خواب رفتن شبیه کم‌نور شدن تدریجی یک لامپ (با کلید دیمر) است؛ فرآیندی که آرام‌آرام از بیداری به خواب تغییر می‌کند. اما پژوهش جدید محققان امپریال کالج لندن که در ژورنال معتبر Nature Neuroscience منتشر شده، نشان می‌دهد که این تصور اشتباه است. مغز ما آرام خاموش نمی‌شود، بلکه مثل «سقوط از لبه پرتگاه» به ناگهان وارد خواب می‌شود.
❕ نقطه عطف (Tipping Point) چیست؟
تصور کنید روی لبه صندلی تعادل خود را حفظ کرده‌اید. شما تا آخرین لحظه «بیدار» و متعادل هستید، اما به محض اینکه از یک زاویه خاص عبور کنید، ناگهان «سقوط» می‌کنید. این تحقیق نشان می‌دهد مغز هم دقیقاً همین رفتار را دارد. فعالیت‌های عصبی ناگهان دچار یک افت شدید می‌شوند و شما را از دنیای بیداری جدا می‌کنند. هیچ مرحله بینابینی پایداری وجود ندارد.
🔹 چرا پشت فرمان احساس خواب‌آلودگی خطرناک است؟
یکی از ترسناک‌ترین یافته‌های این پژوهش، تفاوت زمان‌بندی در خاموش شدن بخش‌های مختلف مغز است. محققان دریافتند که «قشر پس‌سری» (مسئول پردازش بینایی) زودتر از «قشر پیشانی» (مسئول تفکر و تصمیم‌گیری) به خواب می‌رود.
معنی آن چیست؟ یعنی ممکن است شما پشت فرمان فکر کنید هنوز بیدارید و کنترل دارید (چون مغزتان فکر می‌کند)، اما سیستم بینایی شما عملاً خوابیده است یا در آستانه خاموشی مطلق است.
🔹 این مدل جدید ریاضی که با دقت ۹۵٪ لحظه خواب را پیش‌بینی می‌کند، می‌تواند انقلابی در دستگاه‌های هشداردهنده خواب‌آلودگی ایجاد کند. اگر ساعت هوشمند یا خودروی شما بداند که شما به آن «لبه پرتگاه» نزدیک شده‌اید، می‌تواند پیش از سقوط ناگهانی مغزتان، شما را بیدار کند.
[منبع]
🆔 @Science_Focus
#علوم_اعصاب #مغز #خواب #ایمنی #تکنولوژی #سلامت
Indian Defence Review
Researchers Discover the Exact Moment Your Brain 'Falls' Into Sleep – Literally
For years, scientists believed that falling asleep was a gradual process, but new research has shown that it’s much more abrupt.
❤2
🔺 فست‌فود، ساعت مغز را جلو می‌کشد: ارتباط رژیم غذایی التهاب‌زا با پیری زودرس مغز
🔹 همه می‌دانیم تغذیه ناسالم برای قلب و کبد مضر است، اما پژوهش جدیدی روی بیش از ۲۰ هزار نفر نشان می‌دهد که غذاهای ناسالم مستقیماً بر «سن بیولوژیکی مغز» نیز اثر می‌گذارند. این مطالعه که در ژورنال معتبر European Journal of Epidemiology منتشر شده، هشدار می‌دهد که رژیم‌های غذایی التهاب‌زا می‌توانند فرآیند پیر شدن مغز را تسریع کنند.
❕ منظور از «سن مغزی» چیست؟
محققان با استفاده از اسکن‌های MRI و هوش مصنوعی، ساختار مغز افراد را تحلیل می‌کنند. اگر ساختار مغز یک فرد ۵۰ ساله، شبیه به میانگین مغزهای ۵۱ ساله باشد، می‌گویند «سن مغزی» او یک سال جلوتر است (Gap مثبت). این نشان‌دهنده پیری سریع‌تر و سلامت کمتر مغز است.
🔹 یافته‌های کلیدی:
محققان با بررسی داده‌های تغذیه‌ای و اسکن مغزی شرکت‌کنندگان دریافتند:
۱- افرادی که بیشترین مصرف غذاهای التهاب‌زا را داشتند، مغزشان به طور میانگین نیم سال پیرتر از همسالانشان بود که تغذیه سالم داشتند.
۲- این اثر در افراد بالای ۶۰ سال شدیدتر بود و مغز آن‌ها نزدیک به یک سال پیرتر از سن تقویمی‌شان به نظر می‌رسید.
۳- این ارتباط حتی با در نظر گرفتن فاکتورهای ژنتیکی (مانند ژن آلزایمر) نیز برقرار بود؛ یعنی تغذیه سالم برای همه، با هر ژنتیکی، حیاتی است.
❕ غذاهای «التهاب‌زا» و «ضدالتهاب» کدامند؟
* التهاب‌زا (باید محدود شوند): گوشت قرمز فرآوری شده (سوسیس و کالباس)، کربوهیدرات‌های تصفیه شده (نان سفید، شیرینی)، نوشیدنی‌های شیرین، غذاهای سرخ‌کردنی و چربی‌های اشباع.
* ضدالتهاب (دوستدار مغز): سبزیجات برگ‌دار، انواع توت‌ها (به دلیل پلی‌فنول)، چای سبز و سیاه، سیر، پیاز، زنجبیل، زردچوبه، و اسیدهای چرب امگا-۳ (ماهی و گردو).
🔹 مکانیسم احتمالی این است که رژیم ناسالم باعث ایجاد «التهاب سیستمیک» در بدن می‌شود که نهایتاً به سلول‌های مغزی آسیب می‌رساند. این مطالعه نشان می‌دهد که انتخاب‌های غذایی روزانه ما، اهرمی قدرتمند برای حفظ جوانی مغز در دوران سالمندی است.
[منبع]
🆔 @Science_Focus
#تغذیه #سلامت #مغز #پیری #علوم_اعصاب #سبک_زندگی
🔹 همه می‌دانیم تغذیه ناسالم برای قلب و کبد مضر است، اما پژوهش جدیدی روی بیش از ۲۰ هزار نفر نشان می‌دهد که غذاهای ناسالم مستقیماً بر «سن بیولوژیکی مغز» نیز اثر می‌گذارند. این مطالعه که در ژورنال معتبر European Journal of Epidemiology منتشر شده، هشدار می‌دهد که رژیم‌های غذایی التهاب‌زا می‌توانند فرآیند پیر شدن مغز را تسریع کنند.
❕ منظور از «سن مغزی» چیست؟
محققان با استفاده از اسکن‌های MRI و هوش مصنوعی، ساختار مغز افراد را تحلیل می‌کنند. اگر ساختار مغز یک فرد ۵۰ ساله، شبیه به میانگین مغزهای ۵۱ ساله باشد، می‌گویند «سن مغزی» او یک سال جلوتر است (Gap مثبت). این نشان‌دهنده پیری سریع‌تر و سلامت کمتر مغز است.
🔹 یافته‌های کلیدی:
محققان با بررسی داده‌های تغذیه‌ای و اسکن مغزی شرکت‌کنندگان دریافتند:
۱- افرادی که بیشترین مصرف غذاهای التهاب‌زا را داشتند، مغزشان به طور میانگین نیم سال پیرتر از همسالانشان بود که تغذیه سالم داشتند.
۲- این اثر در افراد بالای ۶۰ سال شدیدتر بود و مغز آن‌ها نزدیک به یک سال پیرتر از سن تقویمی‌شان به نظر می‌رسید.
۳- این ارتباط حتی با در نظر گرفتن فاکتورهای ژنتیکی (مانند ژن آلزایمر) نیز برقرار بود؛ یعنی تغذیه سالم برای همه، با هر ژنتیکی، حیاتی است.
❕ غذاهای «التهاب‌زا» و «ضدالتهاب» کدامند؟
* التهاب‌زا (باید محدود شوند): گوشت قرمز فرآوری شده (سوسیس و کالباس)، کربوهیدرات‌های تصفیه شده (نان سفید، شیرینی)، نوشیدنی‌های شیرین، غذاهای سرخ‌کردنی و چربی‌های اشباع.
* ضدالتهاب (دوستدار مغز): سبزیجات برگ‌دار، انواع توت‌ها (به دلیل پلی‌فنول)، چای سبز و سیاه، سیر، پیاز، زنجبیل، زردچوبه، و اسیدهای چرب امگا-۳ (ماهی و گردو).
🔹 مکانیسم احتمالی این است که رژیم ناسالم باعث ایجاد «التهاب سیستمیک» در بدن می‌شود که نهایتاً به سلول‌های مغزی آسیب می‌رساند. این مطالعه نشان می‌دهد که انتخاب‌های غذایی روزانه ما، اهرمی قدرتمند برای حفظ جوانی مغز در دوران سالمندی است.
[منبع]
🆔 @Science_Focus
#تغذیه #سلامت #مغز #پیری #علوم_اعصاب #سبک_زندگی
PsyPost
Pro-inflammatory diets linked to accelerated brain aging in older adults
A study of over 20,000 adults suggests that diets high in inflammatory foods are linked to accelerated brain aging. This association appears strongest in individuals over the age of 60.
❤1
🔺 پایان جهان تغییر کرد؟ پژوهش جنجالی جدید، نظریه «انرژی تاریک» را به چالش می‌کشد
🔹 تا همین اواخر، داستان مورد توافق اخترشناسان درباره پایان جهان غم‌انگیز اما مشخص بود: کیهان با سرعتی فزاینده به انبساط خود ادامه می‌دهد، کهکشان‌ها از هم دور می‌شوند و جهان در نهایت در یک «انجماد بزرگ» و تاریک به پایان می‌رسد. اما یک پژوهش جدید و جنجالی که در ژورنال MNRAS منتشر شده، می‌گوید شاید ما در تمام این سال‌ها اشتباه می‌کردیم و جهان در حال «ترمز کردن» است!
❕ ماجرا چیست؟ داستان «شمع‌های استاندارد»
دانشمندان برای اندازه‌گیری فواصل کیهانی از انفجارهای ستاره‌ای خاصی به نام «ابرنواختر نوع Ia» استفاده می‌کنند. فرض بر این بود که این انفجارها همیشه روشنایی یکسانی دارند (مثل لامپ‌های ۱۰۰ وات استاندارد). وقتی دیدند این لامپ‌ها در فواصل دور، کم‌نورتر از حد انتظارند، نتیجه گرفتند که جهان با شتاب (توسط انرژی تاریک) در حال انبساط است.
🔹 چالش جدید:
پژوهش جدید ادعا می‌کند که این «شمع‌ها» آنقدرها هم استاندارد نیستند! تحلیل داده‌های جدید نشان می‌دهد که روشنایی این ابرنواخترها به «سن ستاره» بستگی دارد. اگر این خطای محاسباتی را اصلاح کنیم، دیگر نیازی به فرض کردن «انرژی تاریکِ شتاب‌دهنده» نیست. در واقع، داده‌ها نشان می‌دهند که انبساط جهان ممکن است در حال کند شدن باشد.
❕ دو سناریوی متفاوت برای پایان جهان:
۱- انجماد بزرگ (Big Freeze): (مدل استاندارد فعلی) انرژی تاریک پیروز می‌شود، همه چیز از هم دور و سرد می‌شود.
۲- فروپاشی بزرگ (Big Crunch): (پیشنهاد مدل جدید) انرژی تاریک ضعیف می‌شود، جاذبه پیروز می‌شود و جهان دوباره در خود فرو می‌ریزد (معکوس بیگ بنگ).
🔹 خطر «برون‌یابی» (Extrapolation):
همانطور که استفان دی‌کربی، اخترفیزیکدان، توضیح می‌دهد، پیش‌بینی آینده جهان یک «برون‌یابی» است؛ یعنی ما بر اساس داده‌های محدودِ امروز، می‌خواهیم میلیاردها سال آینده را حدس بزنیم. مثل این است که با دیدن عکس ۵ سالگی و ۷ سالگی یک کودک، بخواهیم چهره ۸۰ سالگی او را نقاشی کنیم.
این پژوهش جدید یادآوری می‌کند که دانش ما از کیهان هنوز کامل نیست و سرنوشت نهایی جهان ممکن است به جای تاریکی ابدی، یک شروع دوباره آتشین باشد.
[منبع] [منبع]
🆔 @Science_Focus
#کیهان_شناسی #انرژی_تاریک #پایان_جهان #ابرنواختر #نجوم #بیگ_بنگ
🔹 تا همین اواخر، داستان مورد توافق اخترشناسان درباره پایان جهان غم‌انگیز اما مشخص بود: کیهان با سرعتی فزاینده به انبساط خود ادامه می‌دهد، کهکشان‌ها از هم دور می‌شوند و جهان در نهایت در یک «انجماد بزرگ» و تاریک به پایان می‌رسد. اما یک پژوهش جدید و جنجالی که در ژورنال MNRAS منتشر شده، می‌گوید شاید ما در تمام این سال‌ها اشتباه می‌کردیم و جهان در حال «ترمز کردن» است!
❕ ماجرا چیست؟ داستان «شمع‌های استاندارد»
دانشمندان برای اندازه‌گیری فواصل کیهانی از انفجارهای ستاره‌ای خاصی به نام «ابرنواختر نوع Ia» استفاده می‌کنند. فرض بر این بود که این انفجارها همیشه روشنایی یکسانی دارند (مثل لامپ‌های ۱۰۰ وات استاندارد). وقتی دیدند این لامپ‌ها در فواصل دور، کم‌نورتر از حد انتظارند، نتیجه گرفتند که جهان با شتاب (توسط انرژی تاریک) در حال انبساط است.
🔹 چالش جدید:
پژوهش جدید ادعا می‌کند که این «شمع‌ها» آنقدرها هم استاندارد نیستند! تحلیل داده‌های جدید نشان می‌دهد که روشنایی این ابرنواخترها به «سن ستاره» بستگی دارد. اگر این خطای محاسباتی را اصلاح کنیم، دیگر نیازی به فرض کردن «انرژی تاریکِ شتاب‌دهنده» نیست. در واقع، داده‌ها نشان می‌دهند که انبساط جهان ممکن است در حال کند شدن باشد.
❕ دو سناریوی متفاوت برای پایان جهان:
۱- انجماد بزرگ (Big Freeze): (مدل استاندارد فعلی) انرژی تاریک پیروز می‌شود، همه چیز از هم دور و سرد می‌شود.
۲- فروپاشی بزرگ (Big Crunch): (پیشنهاد مدل جدید) انرژی تاریک ضعیف می‌شود، جاذبه پیروز می‌شود و جهان دوباره در خود فرو می‌ریزد (معکوس بیگ بنگ).
🔹 خطر «برون‌یابی» (Extrapolation):
همانطور که استفان دی‌کربی، اخترفیزیکدان، توضیح می‌دهد، پیش‌بینی آینده جهان یک «برون‌یابی» است؛ یعنی ما بر اساس داده‌های محدودِ امروز، می‌خواهیم میلیاردها سال آینده را حدس بزنیم. مثل این است که با دیدن عکس ۵ سالگی و ۷ سالگی یک کودک، بخواهیم چهره ۸۰ سالگی او را نقاشی کنیم.
این پژوهش جدید یادآوری می‌کند که دانش ما از کیهان هنوز کامل نیست و سرنوشت نهایی جهان ممکن است به جای تاریکی ابدی، یک شروع دوباره آتشین باشد.
[منبع] [منبع]
🆔 @Science_Focus
#کیهان_شناسی #انرژی_تاریک #پایان_جهان #ابرنواختر #نجوم #بیگ_بنگ
Smithsonian Magazine
The Universe's Expansion May Be Slowing Down, Not Speeding Up, New Research Suggests
A new study challenges a long-held idea that the universe's expansion is accelerating
❤2
🔺 کشف گنجینه ۱.۵ تریلیون دلاری در دهانه سوپرآتشفشان: بزرگترین ذخیره لیتیوم جهان در آمریکا پیدا شد
🔹 زمین‌شناسان در مرز ایالت‌های نوادا و اورگان آمریکا، چیزی پیدا کرده‌اند که می‌تواند سرنوشت انرژی جهان را تغییر دهد: یک ذخیره عظیم لیتیوم (ماده حیاتی باتری‌ها) که در دهانه یک سوپرآتشفشان خاموش به نام «مک‌درمیت» پنهان شده است. برآوردها نشان می‌دهد این مخزن حاوی ۲۰ تا ۴۰ میلیون تن لیتیوم به ارزش تقریبی ۱.۵ تریلیون دلار است.
❕ چرا لیتیوم در آتشفشان پیدا شد؟
حدود ۱۶ میلیون سال پیش، این سوپرآتشفشان فوران کرد و دهانه عظیمی به جا گذاشت که بعدها به دریاچه تبدیل شد. آب‌های داغ زیرزمینی (هیدروترمال) که سرشار از لیتیوم بودند، به این دریاچه نفوذ کردند و طی میلیون‌ها سال، رسوبات گلی کف دریاچه را با لیتیوم اشباع کردند. حالا با خشک شدن دریاچه، ما با لایه‌های ضخیمی از خاک رس غنی از لیتیوم روبرو هستیم.
🔹 اهمیت و چالش‌ها:
این کشف می‌تواند وابستگی صنایع باتری‌سازی و خودروهای برقی به واردات را کاملاً قطع کند و نیاز دهه‌های آینده را تأمین نماید. اما استخراج این «طلای سفید» بدون هزینه نیست:
۱- چالش فنی: استخراج لیتیوم از خاک رس نیازمند روش‌های شیمیایی پیچیده و مصرف آب و اسید فراوان است.
۲- چالش اخلاقی: این منطقه زیستگاه حیات وحش کمیاب و همچنین سرزمینی مقدس برای بومیان منطقه است که نگران تخریب میراث فرهنگی و محیط زیست خود هستند.
❕ انواع منابع لیتیوم:
* آب‌شور (Brine): رایج‌ترین نوع (مانند شیلی). آب شور پمپاژ و تبخیر می‌شود. ارزان اما کند.
* سنگ سخت (Hard Rock): استخراج سنتی معدن (مانند استرالیا). سریع اما پرهزینه.
* خاک رس (Sedimentary): نوع جدید کشف شده در آمریکا. پتانسیل حجم بالا اما نیازمند تکنولوژی جدید.
🔹 این کشف ما را بر سر یک دوراهی بزرگ قرار می‌دهد: آیا برای ساختن آینده‌ای سبز با خودروهای برقی، حاضریم بخشی از طبیعت بکر و میراث فرهنگی را قربانی کنیم؟
[منبع]
🆔 @Science_Focus
#انرژی #تکنولوژی #معدن #لیتیوم #باتری #محیط_زیست #زمین_شناسی
🔹 زمین‌شناسان در مرز ایالت‌های نوادا و اورگان آمریکا، چیزی پیدا کرده‌اند که می‌تواند سرنوشت انرژی جهان را تغییر دهد: یک ذخیره عظیم لیتیوم (ماده حیاتی باتری‌ها) که در دهانه یک سوپرآتشفشان خاموش به نام «مک‌درمیت» پنهان شده است. برآوردها نشان می‌دهد این مخزن حاوی ۲۰ تا ۴۰ میلیون تن لیتیوم به ارزش تقریبی ۱.۵ تریلیون دلار است.
❕ چرا لیتیوم در آتشفشان پیدا شد؟
حدود ۱۶ میلیون سال پیش، این سوپرآتشفشان فوران کرد و دهانه عظیمی به جا گذاشت که بعدها به دریاچه تبدیل شد. آب‌های داغ زیرزمینی (هیدروترمال) که سرشار از لیتیوم بودند، به این دریاچه نفوذ کردند و طی میلیون‌ها سال، رسوبات گلی کف دریاچه را با لیتیوم اشباع کردند. حالا با خشک شدن دریاچه، ما با لایه‌های ضخیمی از خاک رس غنی از لیتیوم روبرو هستیم.
🔹 اهمیت و چالش‌ها:
این کشف می‌تواند وابستگی صنایع باتری‌سازی و خودروهای برقی به واردات را کاملاً قطع کند و نیاز دهه‌های آینده را تأمین نماید. اما استخراج این «طلای سفید» بدون هزینه نیست:
۱- چالش فنی: استخراج لیتیوم از خاک رس نیازمند روش‌های شیمیایی پیچیده و مصرف آب و اسید فراوان است.
۲- چالش اخلاقی: این منطقه زیستگاه حیات وحش کمیاب و همچنین سرزمینی مقدس برای بومیان منطقه است که نگران تخریب میراث فرهنگی و محیط زیست خود هستند.
❕ انواع منابع لیتیوم:
* آب‌شور (Brine): رایج‌ترین نوع (مانند شیلی). آب شور پمپاژ و تبخیر می‌شود. ارزان اما کند.
* سنگ سخت (Hard Rock): استخراج سنتی معدن (مانند استرالیا). سریع اما پرهزینه.
* خاک رس (Sedimentary): نوع جدید کشف شده در آمریکا. پتانسیل حجم بالا اما نیازمند تکنولوژی جدید.
🔹 این کشف ما را بر سر یک دوراهی بزرگ قرار می‌دهد: آیا برای ساختن آینده‌ای سبز با خودروهای برقی، حاضریم بخشی از طبیعت بکر و میراث فرهنگی را قربانی کنیم؟
[منبع]
🆔 @Science_Focus
#انرژی #تکنولوژی #معدن #لیتیوم #باتری #محیط_زیست #زمین_شناسی
Tom's Hardware
$1.5 trillion lithium deposit found in U.S. supervolcano crater — site could supply batteries for decades
Enough lithium for decades worth of battery manufacturing has been discovered in the McDermitt Caldera, on the Nevada – Oregon border.
❤1
🔺 وقتی صحنه جرم، به کشف باستانی تبدیل می‌شود: گورستان ۴۵۰۰ ساله‌ای که روی ویرانه‌هایی کهن‌تر بنا شده بود
🔹 وقتی گروهی از باستان‌شناسان آماتور در مزرعه‌ای در نزدیکی منچستر انگلیس شروع به حفاری کردند و استخوان‌های انسان یافتند، اولین کارشان تماس با پلیس بود؛ آن‌ها نگران بودند که صحنه یک جنایت تازه را کشف کرده باشند. اما بررسی‌ها نشان داد که این استخوان‌ها نه متعلق به یک پرونده جنایی، بلکه بازمانده از یک تدفین در «عصر مفرغ» (حدود ۴۵۰۰ سال پیش) هستند. اما داستان واقعی و شگفت‌انگیزتر، زیر این گورستان نهفته بود.
🔹 با ادامه حفاری، تیم متوجه شد که این گورستان روی بقایای یک ساختار دایره‌ای بسیار عظیم‌تر و قدیمی‌تر بنا شده است. شکل خندق و پشته‌های خاک نشان می‌دهد که اینجا احتمالاً یک «هنج» (Henge) باستانی بوده است.
❕ «هنج» (Henge) چیست؟
هنج‌ها سازه‌هایی دایره‌ای یا بیضی‌شکل از دوران پیش از تاریخ (معمولاً عصر نوسنگی) هستند که با یک خندق و خاکریز محصور می‌شدند. معروف‌ترین نمونه آن «استون‌هنج» است. این مکان‌ها معمولاً کاربرد مذهبی، آیینی یا گردهمایی داشته‌اند و ساختن آن‌ها نیازمند کار گروهی عظیم بوده است.
🔹 بازیافت مکان مقدس
نکته شگفت‌انگیز اینجاست که ساختار زیرین ممکن است بسیار قدیمی‌تر باشد (برخی تخمین‌های اولیه به ۱۲۰۰۰ سال پیش یا ۱۰ هزار سال قبل از میلاد اشاره دارند). به نظر می‌رسد مردم عصر مفرغ (۴۵۰۰ سال پیش) با دیدن ویرانه‌های این بنای عظیم و قدیمی، متوجه «خاص» بودن این مکان شده‌اند و تصمیم گرفته‌اند مردگان خود را دقیقاً در همین مکان مقدسِ باستانی دفن کنند.
🔹 ویلیام آلدریج، از اعضای تیم می‌گوید: «مردم عصر مفرغ چنین سازه‌های دایره‌ای بزرگی نمی‌ساختند؛ آن‌ها فقط از چیزی که از قبل آنجا بود استفاده کرده‌اند.» این کشف نشان می‌دهد که حافظه تاریخی و تقدس یک مکان می‌تواند برای هزاران سال در بین نسل‌های مختلف بشر باقی بماند.
[منبع]
🆔 @Science_Focus
#باستان_شناسی #تاریخ #انگلستان #عصر_مفرغ #نوسنگی #کشف_علمی
🔹 وقتی گروهی از باستان‌شناسان آماتور در مزرعه‌ای در نزدیکی منچستر انگلیس شروع به حفاری کردند و استخوان‌های انسان یافتند، اولین کارشان تماس با پلیس بود؛ آن‌ها نگران بودند که صحنه یک جنایت تازه را کشف کرده باشند. اما بررسی‌ها نشان داد که این استخوان‌ها نه متعلق به یک پرونده جنایی، بلکه بازمانده از یک تدفین در «عصر مفرغ» (حدود ۴۵۰۰ سال پیش) هستند. اما داستان واقعی و شگفت‌انگیزتر، زیر این گورستان نهفته بود.
🔹 با ادامه حفاری، تیم متوجه شد که این گورستان روی بقایای یک ساختار دایره‌ای بسیار عظیم‌تر و قدیمی‌تر بنا شده است. شکل خندق و پشته‌های خاک نشان می‌دهد که اینجا احتمالاً یک «هنج» (Henge) باستانی بوده است.
❕ «هنج» (Henge) چیست؟
هنج‌ها سازه‌هایی دایره‌ای یا بیضی‌شکل از دوران پیش از تاریخ (معمولاً عصر نوسنگی) هستند که با یک خندق و خاکریز محصور می‌شدند. معروف‌ترین نمونه آن «استون‌هنج» است. این مکان‌ها معمولاً کاربرد مذهبی، آیینی یا گردهمایی داشته‌اند و ساختن آن‌ها نیازمند کار گروهی عظیم بوده است.
🔹 بازیافت مکان مقدس
نکته شگفت‌انگیز اینجاست که ساختار زیرین ممکن است بسیار قدیمی‌تر باشد (برخی تخمین‌های اولیه به ۱۲۰۰۰ سال پیش یا ۱۰ هزار سال قبل از میلاد اشاره دارند). به نظر می‌رسد مردم عصر مفرغ (۴۵۰۰ سال پیش) با دیدن ویرانه‌های این بنای عظیم و قدیمی، متوجه «خاص» بودن این مکان شده‌اند و تصمیم گرفته‌اند مردگان خود را دقیقاً در همین مکان مقدسِ باستانی دفن کنند.
🔹 ویلیام آلدریج، از اعضای تیم می‌گوید: «مردم عصر مفرغ چنین سازه‌های دایره‌ای بزرگی نمی‌ساختند؛ آن‌ها فقط از چیزی که از قبل آنجا بود استفاده کرده‌اند.» این کشف نشان می‌دهد که حافظه تاریخی و تقدس یک مکان می‌تواند برای هزاران سال در بین نسل‌های مختلف بشر باقی بماند.
[منبع]
🆔 @Science_Focus
#باستان_شناسی #تاریخ #انگلستان #عصر_مفرغ #نوسنگی #کشف_علمی
Yahoo News
Amateur Archaeologists Found an Ancient Burial Ground On Top of a 12,000-Year-Old Monument
The burial site was 4,500 years old, but archaeology society members saw enough evidence to believe it was already in use nearly 8,000 years earlier.
🔺 «فسیل زنده» اعماق اقیانوس: ماهی مرکب خون‌آشام، حلقه گمشده بین اسکوییدها و هشت‌پاها
🔹 در اعماق تاریک اقیانوس، موجودی زندگی می‌کند که نامش لرزه بر اندام می‌اندازد: «ماهی مرکب خون‌آشام». اما دانشمندان با توالی‌یابی ژنوم عظیم این موجود، دریافته‌اند که او نه یک هیولا، بلکه یک «کتابخانه زنده» از تاریخ تکامل است که راز جدایی اسکوییدها و هشت‌پاها را در ۳۰۰ میلیون سال پیش فاش می‌کند.
❕ ماهی مرکب خون‌آشام (Vampyroteuthis) چیست؟
برخلاف نامش، این جانور خون نمی‌خورد و تهاجمی نیست؛ بلکه از ذرات غذایی معلق در آب تغذیه می‌کند. نامش را مدیون رنگ قرمز تیره و پوستی شبیه شنل است که بازوهایش را به هم وصل می‌کند. نکته جالب‌تر اینکه او از نظر فنی نه «ماهی مرکب» (Squid) است و نه «هشت‌پا» (Octopus)؛ بلکه تنها بازمانده از یک گروه باستانی است که ویژگی‌های هر دو را دارد. ژاپنی‌ها به درستی آن را «خفاش-اختاپوس» می‌نامند.
🔹 ژنوم غول‌پیکر و دست‌نخورده
پژوهش جدید که در ژورنال iScience منتشر شده، نشان می‌دهد ژنوم این موجود شامل ۱۱ میلیارد حرف ژنتیکی است (بیش از ۳ برابر ژنوم انسان!). اما شگفتی اصلی در «ساختار» آن است.
دانشمندان دریافتند که چیدمان کروموزوم‌های این موجود در طول صدها میلیون سال تقریباً بدون تغییر مانده و شباهت زیادی به اجداد باستانی اسکوییدها دارد. این در حالی است که پسرعموهای تکامل‌یافته‌اش، یعنی هشت‌پاها، ژنوم خود را کاملاً به هم ریخته، ترکیب کرده و تغییر داده‌اند تا به هوش و ویژگی‌های امروزی برسند.
🔹 حلقه اتصال
این مطالعه ثابت می‌کند که هشت‌پاها از اجدادی شبیه به اسکوییدها تکامل یافته‌اند. ماهی مرکب خون‌آشام دقیقاً در میانه این مسیر ایستاده است؛ او ساختار بدنی شبیه هشت‌پاها پیدا کرده (از دست دادن صدف)، اما ساختار ژنتیکی باستانی شبیه اسکوییدها را حفظ کرده است. او مانند یک «فسیل زنده» به ما نشان می‌دهد که قبل از انقلاب ژنتیکی هشت‌پاها، نقشه حیات در اعماق دریا چگونه بوده است.
[منبع]
🆔 @Science_Focus
#زیست_شناسی #تکامل #اقیانوس #ژنتیک #حیات_وحش #عجایب
🔹 در اعماق تاریک اقیانوس، موجودی زندگی می‌کند که نامش لرزه بر اندام می‌اندازد: «ماهی مرکب خون‌آشام». اما دانشمندان با توالی‌یابی ژنوم عظیم این موجود، دریافته‌اند که او نه یک هیولا، بلکه یک «کتابخانه زنده» از تاریخ تکامل است که راز جدایی اسکوییدها و هشت‌پاها را در ۳۰۰ میلیون سال پیش فاش می‌کند.
❕ ماهی مرکب خون‌آشام (Vampyroteuthis) چیست؟
برخلاف نامش، این جانور خون نمی‌خورد و تهاجمی نیست؛ بلکه از ذرات غذایی معلق در آب تغذیه می‌کند. نامش را مدیون رنگ قرمز تیره و پوستی شبیه شنل است که بازوهایش را به هم وصل می‌کند. نکته جالب‌تر اینکه او از نظر فنی نه «ماهی مرکب» (Squid) است و نه «هشت‌پا» (Octopus)؛ بلکه تنها بازمانده از یک گروه باستانی است که ویژگی‌های هر دو را دارد. ژاپنی‌ها به درستی آن را «خفاش-اختاپوس» می‌نامند.
🔹 ژنوم غول‌پیکر و دست‌نخورده
پژوهش جدید که در ژورنال iScience منتشر شده، نشان می‌دهد ژنوم این موجود شامل ۱۱ میلیارد حرف ژنتیکی است (بیش از ۳ برابر ژنوم انسان!). اما شگفتی اصلی در «ساختار» آن است.
دانشمندان دریافتند که چیدمان کروموزوم‌های این موجود در طول صدها میلیون سال تقریباً بدون تغییر مانده و شباهت زیادی به اجداد باستانی اسکوییدها دارد. این در حالی است که پسرعموهای تکامل‌یافته‌اش، یعنی هشت‌پاها، ژنوم خود را کاملاً به هم ریخته، ترکیب کرده و تغییر داده‌اند تا به هوش و ویژگی‌های امروزی برسند.
🔹 حلقه اتصال
این مطالعه ثابت می‌کند که هشت‌پاها از اجدادی شبیه به اسکوییدها تکامل یافته‌اند. ماهی مرکب خون‌آشام دقیقاً در میانه این مسیر ایستاده است؛ او ساختار بدنی شبیه هشت‌پاها پیدا کرده (از دست دادن صدف)، اما ساختار ژنتیکی باستانی شبیه اسکوییدها را حفظ کرده است. او مانند یک «فسیل زنده» به ما نشان می‌دهد که قبل از انقلاب ژنتیکی هشت‌پاها، نقشه حیات در اعماق دریا چگونه بوده است.
[منبع]
🆔 @Science_Focus
#زیست_شناسی #تکامل #اقیانوس #ژنتیک #حیات_وحش #عجایب
Earth.com
‘Living fossil’ reveals ancient link between squids and octopuses
The vampire squid genome shows it kept ancient features shared with squids, while octopuses gained major chromosomal changes.