🔺 بازتعریف افسردگی: آیا افسردگی نقص شیمیایی مغز است یا پاسخ کل بدن به احساس خطر؟
🔹 برای دهه‌ها تصور می‌شد که افسردگی صرفاً ناشی از یک «نابرابری شیمیایی» یا کمبود سروتونین در مغز است. اما دیدگاه‌های جدید در روانپزشکی و علوم اعصاب نشان می‌دهند که افسردگی ممکن است یک پاسخ کاملاً طبیعی و تکاملیِ دستگاه عصبی خودمختار به شرایط تهدیدآمیز باشد؛ پاسخی زیستی که به دلیل غیبت «احساس امنیت» در محیط زندگی، قفل شده و باقی مانده است.
❕ پاسخ «فروپاشی ناشی از ترس» چیست و چگونه کار می‌کند؟
دستگاه عصبی انسان در برابر خطر علاوه بر واکنش‌های «جنگ یا گریز»، مکانیسم مسن‌تری به نام «فروپاشی یا خاموشی» (Fear-Collapse) دارد. در طبیعت، وقتی طعمه راه فراری ندارد، دچار افت ناگهانی فشار خون و ضربان قلب می‌شود تا حمله متوقف گردد. در انسان نیز اگر تهدیدات محیطی (مانند فشارهای روانی یا تروما) مداوم باشند، سیستم عصبی بدن را وارد حالت خاموشی سراسری می‌کند که نتیجه آن افت شدید انرژی سلولی، کندی تفکر و احساس ناامیدی است.
🔹 در این حالت خاموشی، کاهش اکسیژن‌رسانی به سلول‌ها باعث اختلال در کارکرد میتوکندری‌ها (موتورهای تأمین انرژی سلول) می‌شود. این مسئله هم عضلات بدن را دچار ضعف فیزیکی می‌کند و هم کارکرد نواحی مرتبط با ارتباطات اجتماعی را در مغز کند می‌سازد. به همین دلیل، فرد افسرده نه تنها توان فیزیکی، بلکه تمایل و قدرت برقراری ارتباط با دیگران را از دست می‌دهد.
❕ نقش داروهای ضدپژمردگی و ضرورت حفظ درمان‌های پزشکی
اگرچه فرضیه ساده‌انگارانه «نقص سروتونین» امروزه مورد تردید جدی جامیه علمی است، اما داروهای ضدپژمردگی همچنان می‌توانند با تعدیل علائم، تثبیت موقت وضعیت زیستی فرد را فراهم کنند. نباید این داروها را به طور خودسرانه قطع کرد؛ زیرا آن‌ها فرصتی ایجاد می‌کنند تا فرد بتواند با کمک روان‌درمانی و بازسازی احساس امنیت در زندگی، گام‌های بنیادی‌تری برای بهبود بردارد.
🔹 این نظریه تأکید می‌کند که افسردگی یک «نقص ساختاری» در فرد نیست، بلکه نشانه تلاش بدن برای محافظت از خود در محیطی است که آن را ناامن تشخیص می‌دهد. کلید خروج از حالت خاموشی، بازسازی احساس امنیت واقعی در روابط، محیط کار و جامعه است تا سیستم عصبی اجازه خروج از وضعیت اضطراری را پیدا کند.
[منبع]
🆔 @Science_Focus
#روانشناسی #علوم_اعصاب #افسردگی #سلامت_روان #تروما #سیستم_عصبی
🔹 برای دهه‌ها تصور می‌شد که افسردگی صرفاً ناشی از یک «نابرابری شیمیایی» یا کمبود سروتونین در مغز است. اما دیدگاه‌های جدید در روانپزشکی و علوم اعصاب نشان می‌دهند که افسردگی ممکن است یک پاسخ کاملاً طبیعی و تکاملیِ دستگاه عصبی خودمختار به شرایط تهدیدآمیز باشد؛ پاسخی زیستی که به دلیل غیبت «احساس امنیت» در محیط زندگی، قفل شده و باقی مانده است.
❕ پاسخ «فروپاشی ناشی از ترس» چیست و چگونه کار می‌کند؟
دستگاه عصبی انسان در برابر خطر علاوه بر واکنش‌های «جنگ یا گریز»، مکانیسم مسن‌تری به نام «فروپاشی یا خاموشی» (Fear-Collapse) دارد. در طبیعت، وقتی طعمه راه فراری ندارد، دچار افت ناگهانی فشار خون و ضربان قلب می‌شود تا حمله متوقف گردد. در انسان نیز اگر تهدیدات محیطی (مانند فشارهای روانی یا تروما) مداوم باشند، سیستم عصبی بدن را وارد حالت خاموشی سراسری می‌کند که نتیجه آن افت شدید انرژی سلولی، کندی تفکر و احساس ناامیدی است.
🔹 در این حالت خاموشی، کاهش اکسیژن‌رسانی به سلول‌ها باعث اختلال در کارکرد میتوکندری‌ها (موتورهای تأمین انرژی سلول) می‌شود. این مسئله هم عضلات بدن را دچار ضعف فیزیکی می‌کند و هم کارکرد نواحی مرتبط با ارتباطات اجتماعی را در مغز کند می‌سازد. به همین دلیل، فرد افسرده نه تنها توان فیزیکی، بلکه تمایل و قدرت برقراری ارتباط با دیگران را از دست می‌دهد.
❕ نقش داروهای ضدپژمردگی و ضرورت حفظ درمان‌های پزشکی
اگرچه فرضیه ساده‌انگارانه «نقص سروتونین» امروزه مورد تردید جدی جامیه علمی است، اما داروهای ضدپژمردگی همچنان می‌توانند با تعدیل علائم، تثبیت موقت وضعیت زیستی فرد را فراهم کنند. نباید این داروها را به طور خودسرانه قطع کرد؛ زیرا آن‌ها فرصتی ایجاد می‌کنند تا فرد بتواند با کمک روان‌درمانی و بازسازی احساس امنیت در زندگی، گام‌های بنیادی‌تری برای بهبود بردارد.
🔹 این نظریه تأکید می‌کند که افسردگی یک «نقص ساختاری» در فرد نیست، بلکه نشانه تلاش بدن برای محافظت از خود در محیطی است که آن را ناامن تشخیص می‌دهد. کلید خروج از حالت خاموشی، بازسازی احساس امنیت واقعی در روابط، محیط کار و جامعه است تا سیستم عصبی اجازه خروج از وضعیت اضطراری را پیدا کند.
[منبع]
🆔 @Science_Focus
#روانشناسی #علوم_اعصاب #افسردگی #سلامت_روان #تروما #سیستم_عصبی
Psychology Today
What We’ve Been Getting Wrong About Depression
An alternative biological explanation for depression could replace the outdated ‘serotonin-imbalance” causation theory.
❤5👍1👎1
🔺 تنها ۳ دقیقه دویدن سریع، شیمی خون را دگرگون می‌کند: کشف مولکول‌های معجزه‌گر ورزش شدید
🔹 آیا شدت ورزش بر مدت‌زمان آن ارجحیت دارد؟ یک پژوهش جدید و شگفت‌انگیز از دانشگاه راکفلر که در ژورنال معتبر Cell Reports Medicine منتشر شده، نشان می‌دهد که تنها ۳ دقیقه دویدن با تمام توان (اسپرینت)، تغییرات شیمیایی و مولکولی سریع و عمیقی در خون ایجاد می‌کند که ساعت‌ها ورزش با شدت متوسط هرگز قادر به تولید آن نیست.
❕ اگزرکین‌ها (Exerkines): پیام‌رسان‌های جادویی ورزش در خون
هنگام ورزش، بدن مولکول‌ها و پروتئین‌های ویژه‌ای به نام «اگزرکین» را در جریان خون آزاد می‌کند. این مولکول‌ها مانند پیام‌رسان‌های بین‌اندامی عمل کرده و دستور بازسازی، رشد عروق، تنظیم هورمون‌ها و سوزاندن چربی را به سراسر بدن مخابره می‌کنند. دانشمندان دریافتند که آزاد شدن این پیام‌رسان‌ها به شدت به «شدت ورزش» وابسته است، نه طول مدت آن.
🔹 در این آزمایش، محققان اثرات شش نوبت دویدن ۳۰ ثانیه‌ای با تمام توان (در مجموع ۳ دقیقه اسپرینت) را با ۹۰ دقیقه دوچرخه‌سواری مداوم با شدت متوسط مقایسه کردند.
❕ مقایسه ۳ دقیقه اسپرینت در برابر ۹۰ دقیقه دوچرخه‌سواری
نتایج شگفت‌انگیز بود: ۳ دقیقه اسپرینت بلافاصله ترکیب نزدیک به ۲۵ درصد از کل پروتئین‌های اندازه‌گیری‌شده در خون و بیش از ۲۰۰ متابولیت را تغییر داد! در حالی که ۹۰ دقیقه دوچرخه‌سواری متوسط، کمتر از یک‌چهارمِ «یک درصد» از این پروتئین‌ها را فعال کرد. حتی بررسی داده‌های ۵۳ هزار نفر در بانک اطلاعاتی بریتانیا (UK Biobank) نشان داد از میان ۳۳ پروتئینی که از خطر ابتلا به دیابت نوع ۲، چاقی و بیماری‌های قلبی می‌کاهند، اسپرینت ۳۲ پروتئین را فعال کرد، اما ورزش متوسط تنها ۳ پروتئین را تغییر داد.
🔹 همچنین بیش از یک‌چهارم پروتئین‌های فعال‌شده توسط اسپرینت، با کند شدن روند پیری بیولوژیک در ارتباط بودند. دانشمندان کشف کردند که سرعت بالای این پاسخ مولکولی به دلیل پدیده‌ای به نام «برش دامنه‌های خارجی» است؛ فرآیندی که در آن سلول‌ها به جای ساخت پروتئین جدید، پروتئین‌های آماده روی سطح خود را جدا کرده و فوراً وارد خون می‌کنند.
🔹 با وجود این نتایج شگفت‌انگیز، متخصصان تأکید می‌کنند که دویدن با تمام توان (اسپرینت) نیازمند آمادگی جسمانی اولیه و گرم کردن مناسب است تا از آسیب‌های عضلانی و مفصلی جلوگیری شود. این پژوهش نشان می‌دهد که گنجاندن بازه‌های زمانی بسیار کوتاه اما با شدت بالا (HIIT) در روتین ورزشی، می‌تواند میان‌بری علمی برای ارتقای سلامت متابولیک و افزایش طول عمر باشد.
[منبع]
🆔 @Science_Focus
#فیزیولوژی #ورزش #سلامت #طول_عمر #دیابت #متابولیسم #بیوشیمی
🔹 آیا شدت ورزش بر مدت‌زمان آن ارجحیت دارد؟ یک پژوهش جدید و شگفت‌انگیز از دانشگاه راکفلر که در ژورنال معتبر Cell Reports Medicine منتشر شده، نشان می‌دهد که تنها ۳ دقیقه دویدن با تمام توان (اسپرینت)، تغییرات شیمیایی و مولکولی سریع و عمیقی در خون ایجاد می‌کند که ساعت‌ها ورزش با شدت متوسط هرگز قادر به تولید آن نیست.
❕ اگزرکین‌ها (Exerkines): پیام‌رسان‌های جادویی ورزش در خون
هنگام ورزش، بدن مولکول‌ها و پروتئین‌های ویژه‌ای به نام «اگزرکین» را در جریان خون آزاد می‌کند. این مولکول‌ها مانند پیام‌رسان‌های بین‌اندامی عمل کرده و دستور بازسازی، رشد عروق، تنظیم هورمون‌ها و سوزاندن چربی را به سراسر بدن مخابره می‌کنند. دانشمندان دریافتند که آزاد شدن این پیام‌رسان‌ها به شدت به «شدت ورزش» وابسته است، نه طول مدت آن.
🔹 در این آزمایش، محققان اثرات شش نوبت دویدن ۳۰ ثانیه‌ای با تمام توان (در مجموع ۳ دقیقه اسپرینت) را با ۹۰ دقیقه دوچرخه‌سواری مداوم با شدت متوسط مقایسه کردند.
❕ مقایسه ۳ دقیقه اسپرینت در برابر ۹۰ دقیقه دوچرخه‌سواری
نتایج شگفت‌انگیز بود: ۳ دقیقه اسپرینت بلافاصله ترکیب نزدیک به ۲۵ درصد از کل پروتئین‌های اندازه‌گیری‌شده در خون و بیش از ۲۰۰ متابولیت را تغییر داد! در حالی که ۹۰ دقیقه دوچرخه‌سواری متوسط، کمتر از یک‌چهارمِ «یک درصد» از این پروتئین‌ها را فعال کرد. حتی بررسی داده‌های ۵۳ هزار نفر در بانک اطلاعاتی بریتانیا (UK Biobank) نشان داد از میان ۳۳ پروتئینی که از خطر ابتلا به دیابت نوع ۲، چاقی و بیماری‌های قلبی می‌کاهند، اسپرینت ۳۲ پروتئین را فعال کرد، اما ورزش متوسط تنها ۳ پروتئین را تغییر داد.
🔹 همچنین بیش از یک‌چهارم پروتئین‌های فعال‌شده توسط اسپرینت، با کند شدن روند پیری بیولوژیک در ارتباط بودند. دانشمندان کشف کردند که سرعت بالای این پاسخ مولکولی به دلیل پدیده‌ای به نام «برش دامنه‌های خارجی» است؛ فرآیندی که در آن سلول‌ها به جای ساخت پروتئین جدید، پروتئین‌های آماده روی سطح خود را جدا کرده و فوراً وارد خون می‌کنند.
🔹 با وجود این نتایج شگفت‌انگیز، متخصصان تأکید می‌کنند که دویدن با تمام توان (اسپرینت) نیازمند آمادگی جسمانی اولیه و گرم کردن مناسب است تا از آسیب‌های عضلانی و مفصلی جلوگیری شود. این پژوهش نشان می‌دهد که گنجاندن بازه‌های زمانی بسیار کوتاه اما با شدت بالا (HIIT) در روتین ورزشی، می‌تواند میان‌بری علمی برای ارتقای سلامت متابولیک و افزایش طول عمر باشد.
[منبع]
🆔 @Science_Focus
#فیزیولوژی #ورزش #سلامت #طول_عمر #دیابت #متابولیسم #بیوشیمی
Scitechdaily
Scientists Find Just 3 Minutes of Sprinting Can Transform Blood Chemistry
A few minutes of sprinting triggered a much larger immediate molecular response than prolonged moderate exercise and altered proteins linked to better metabolic health.
❤5👍1
🔺 یخچال‌های کوانتومی آی‌بی‌ام: بیش از ۱۸۰ برابر سردتر از اعماق فضا برای ساخت کامپیوترهای کوانتومی آینده
🔹 غول فناوری IBM از یک معماری ماژولار و فوق‌سرد رونمایی کرده که می‌تواند زیرساخت لازم برای اتصال تعداد بسیار بیشتری از پردازنده‌های کوانتومی را فراهم کند. این پیشرفت یک گلوگاه مهم مهندسی در مسیر ساخت کامپیوترهای کوانتومی مقاوم در برابر خطا (Fault-Tolerant) را هدف گرفته و بخشی از مسیر IBM برای ساخت کامپیوتر کوانتومی Starling در سال ۲۰۲۹ است. این سامانه طبق نقشه راه IBM قرار است توانایی اجرای ۱۰۰ میلیون گیت کوانتومی روی ۲۰۰ کیوبیت منطقی را داشته باشد.
❕ دمای نزدیک به صفر مطلق: چرا پردازنده‌های کوانتومی این‌قدر سردند؟
کیوبیت‌های ابررسانا به‌شدت به گرما و نویز محیطی حساس‌اند. به همین دلیل درون یخچال‌های رقیق‌ساز (Dilution Refrigerators) در دماهایی بسیار نزدیک به صفر مطلق کار می‌کنند. دو ماژول جدید IBM در آزمایش اولیه توانستند به دمای کمتر از ۱۵ میلی‌کلوین برسند؛ یعنی حدود ۲۷۳٫۱۴ درجه سانتی‌گراد زیر صفر و بیش از ۱۸۰ برابر سردتر از دمای تابش زمینه کیهانیِ اعماق فضا.
🔹 مشکل فقط سرد کردن یک تراشه نیست. هرچه تعداد کیوبیت‌ها و پردازنده‌ها بیشتر شود، به سیم‌کشی و اتصالات بسیار بیشتری نیاز است. در یخچال‌های معمولی، افزایش ظرفیت می‌تواند فضای کافی برای این اتصالات باقی نگذارد و تعمیر یا توسعه سیستم نیز بسیار دشوار شود.
❕ معماری ماژولار و L-couplerها؛ راهی برای مقیاس‌پذیری
IBM به‌جای ساخت یک یخچال بسیار عظیم، سیستم را به ماژول‌های جداگانه تقسیم کرده که می‌توان آن‌ها را کنار یکدیگر قرار داد. این ماژول‌ها از طریق فناوری موسوم به L-coupler می‌توانند پردازنده‌های کوانتومی جدا از هم را در فاصله حدود یک متر به یکدیگر متصل کنند. این اتصال به انتقال اطلاعات و در نهایت اجرای محاسبات در میان چند پردازنده کمک می‌کند، بدون اینکه لازم باشد برای هر اتصال محفظه فوق‌سرد باز شود.
🔹 IBM اعلام کرده است که در ۲۰۲۷ قصد دارد با استفاده از همین فناوری چند پردازنده را در یک سامانه بزرگ‌تر به هم متصل کند و به دست‌کم ۱۰۰۰ کیوبیت قابل‌برنامه‌ریزی برسد. در گام بعدی، معماری‌های ماژولار بزرگ‌تر قرار است به ساخت Starling در سال ۲۰۲۹ منتهی شوند؛ سامانه‌ای که هدف آن اجرای محاسبات مقاوم در برابر خطا با استفاده از کیوبیت‌های منطقیِ تصحیح‌شده است.
❕ چرا «مقاوم در برابر خطا» اهمیت دارد؟
کیوبیت‌ها بسیار شکننده‌اند و خطا در آن‌ها اجتناب‌ناپذیر است. در یک کامپیوتر کوانتومی مقاوم در برابر خطا، تعداد زیادی کیوبیت فیزیکی برای ساخت کیوبیت‌های منطقی و محافظت از اطلاعات در برابر خطاها به کار گرفته می‌شوند. بنابراین افزایش تعداد کیوبیت‌ها به‌تنهایی کافی نیست؛ باید بتوان تعداد زیادی پردازنده و کیوبیت را به‌طور قابل اعتماد کنترل، متصل و تصحیح خطا کرد.
🔹 موفقیت فعلی IBM هنوز به معنای ساخت یک کامپیوتر کوانتومی مقاوم در برابر خطای عملیاتی نیست. این دستاورد بیشتر یک پیشرفت زیرساختی و مهندسی است که نشان می‌دهد می‌توان سامانه‌های فوق‌سرد را به شکل ماژولار گسترش داد. IBM نیز تازه در حال آزمایش قرار دادن پردازنده‌های کوانتومی واقعی در این معماری است.
🔹 در واقع، مسئله فقط «ساخت کیوبیت‌های بیشتر» نیست؛ آینده رایانش کوانتومی به توانایی اتصال تعداد زیادی پردازنده کوچک به یک سامانه واحد وابسته است. IBM با این معماری تلاش می‌کند دقیقاً همین مشکل را حل کند؛ گامی مهم، اما هنوز یکی از چندین مرحله لازم تا رسیدن به رایانش کوانتومی بزرگ‌مقیاس و مقاوم در برابر خطا.
[منبع]
🆔 @Science_Focus
#کوانتوم #کامپیوتر_کوانتومی #فناوری #آی_بی_ام #فیزیک #ابررسانا
🔹 غول فناوری IBM از یک معماری ماژولار و فوق‌سرد رونمایی کرده که می‌تواند زیرساخت لازم برای اتصال تعداد بسیار بیشتری از پردازنده‌های کوانتومی را فراهم کند. این پیشرفت یک گلوگاه مهم مهندسی در مسیر ساخت کامپیوترهای کوانتومی مقاوم در برابر خطا (Fault-Tolerant) را هدف گرفته و بخشی از مسیر IBM برای ساخت کامپیوتر کوانتومی Starling در سال ۲۰۲۹ است. این سامانه طبق نقشه راه IBM قرار است توانایی اجرای ۱۰۰ میلیون گیت کوانتومی روی ۲۰۰ کیوبیت منطقی را داشته باشد.
❕ دمای نزدیک به صفر مطلق: چرا پردازنده‌های کوانتومی این‌قدر سردند؟
کیوبیت‌های ابررسانا به‌شدت به گرما و نویز محیطی حساس‌اند. به همین دلیل درون یخچال‌های رقیق‌ساز (Dilution Refrigerators) در دماهایی بسیار نزدیک به صفر مطلق کار می‌کنند. دو ماژول جدید IBM در آزمایش اولیه توانستند به دمای کمتر از ۱۵ میلی‌کلوین برسند؛ یعنی حدود ۲۷۳٫۱۴ درجه سانتی‌گراد زیر صفر و بیش از ۱۸۰ برابر سردتر از دمای تابش زمینه کیهانیِ اعماق فضا.
🔹 مشکل فقط سرد کردن یک تراشه نیست. هرچه تعداد کیوبیت‌ها و پردازنده‌ها بیشتر شود، به سیم‌کشی و اتصالات بسیار بیشتری نیاز است. در یخچال‌های معمولی، افزایش ظرفیت می‌تواند فضای کافی برای این اتصالات باقی نگذارد و تعمیر یا توسعه سیستم نیز بسیار دشوار شود.
❕ معماری ماژولار و L-couplerها؛ راهی برای مقیاس‌پذیری
IBM به‌جای ساخت یک یخچال بسیار عظیم، سیستم را به ماژول‌های جداگانه تقسیم کرده که می‌توان آن‌ها را کنار یکدیگر قرار داد. این ماژول‌ها از طریق فناوری موسوم به L-coupler می‌توانند پردازنده‌های کوانتومی جدا از هم را در فاصله حدود یک متر به یکدیگر متصل کنند. این اتصال به انتقال اطلاعات و در نهایت اجرای محاسبات در میان چند پردازنده کمک می‌کند، بدون اینکه لازم باشد برای هر اتصال محفظه فوق‌سرد باز شود.
🔹 IBM اعلام کرده است که در ۲۰۲۷ قصد دارد با استفاده از همین فناوری چند پردازنده را در یک سامانه بزرگ‌تر به هم متصل کند و به دست‌کم ۱۰۰۰ کیوبیت قابل‌برنامه‌ریزی برسد. در گام بعدی، معماری‌های ماژولار بزرگ‌تر قرار است به ساخت Starling در سال ۲۰۲۹ منتهی شوند؛ سامانه‌ای که هدف آن اجرای محاسبات مقاوم در برابر خطا با استفاده از کیوبیت‌های منطقیِ تصحیح‌شده است.
❕ چرا «مقاوم در برابر خطا» اهمیت دارد؟
کیوبیت‌ها بسیار شکننده‌اند و خطا در آن‌ها اجتناب‌ناپذیر است. در یک کامپیوتر کوانتومی مقاوم در برابر خطا، تعداد زیادی کیوبیت فیزیکی برای ساخت کیوبیت‌های منطقی و محافظت از اطلاعات در برابر خطاها به کار گرفته می‌شوند. بنابراین افزایش تعداد کیوبیت‌ها به‌تنهایی کافی نیست؛ باید بتوان تعداد زیادی پردازنده و کیوبیت را به‌طور قابل اعتماد کنترل، متصل و تصحیح خطا کرد.
🔹 موفقیت فعلی IBM هنوز به معنای ساخت یک کامپیوتر کوانتومی مقاوم در برابر خطای عملیاتی نیست. این دستاورد بیشتر یک پیشرفت زیرساختی و مهندسی است که نشان می‌دهد می‌توان سامانه‌های فوق‌سرد را به شکل ماژولار گسترش داد. IBM نیز تازه در حال آزمایش قرار دادن پردازنده‌های کوانتومی واقعی در این معماری است.
🔹 در واقع، مسئله فقط «ساخت کیوبیت‌های بیشتر» نیست؛ آینده رایانش کوانتومی به توانایی اتصال تعداد زیادی پردازنده کوچک به یک سامانه واحد وابسته است. IBM با این معماری تلاش می‌کند دقیقاً همین مشکل را حل کند؛ گامی مهم، اما هنوز یکی از چندین مرحله لازم تا رسیدن به رایانش کوانتومی بزرگ‌مقیاس و مقاوم در برابر خطا.
[منبع]
🆔 @Science_Focus
#کوانتوم #کامپیوتر_کوانتومی #فناوری #آی_بی_ام #فیزیک #ابررسانا
Live Science
IBM's new 'quantum fridges' are nearly 200 times colder than deep space and could pave the way for fault-tolerant quantum computing
IBM's new modular cryogenic system links quantum chips to overcome major infrastructure hurdles and pave the way for a powerful system by 2029.
❤4👍1
🔺 وقتی شایعات سریع‌تر از خاکستر آتشفشان پخش می‌شوند: راهنمای علمی برای تشخیص اخبار زرد
🔹 فوران آتشفشان‌ها از آن دسته حوادث طبیعی هستند که خیلی سریع در شبکه‌های اجتماعی و رسانه‌ها بازتاب پیدا می‌کنند. اما یک پژوهش بین‌المللی که ۳۷۵ گزارش خبری درباره فوران‌های سال‌های اخیر را بررسی کرده، نشان می‌دهد مشکل فقط انتشار «اخبار جعلی» نیست؛ بلکه اصطلاحات علمی نادرست، تیترهای اغراق‌آمیز، تصاویر گمراه‌کننده و تفسیر اشتباه داده‌های علمی نیز می‌توانند خیلی سریع منتشر شوند و باعث ترس عمومی، تصمیم‌های نادرست و حتی خسارت اقتصادی شوند.
❕ یکی از اشتباهات رایج، نامیدن خاکستر آتشفشانی به‌عنوان «دود» است. خاکستر در واقع مجموعه‌ای از ذرات بسیار ریز سنگ، شیشه آتشفشانی و کریستال‌هاست که می‌تواند برای دستگاه تنفسی و موتور هواپیماها خطرناک باشد.
اشتباه رایج دیگر، تصور «مخزن ماگما» به شکل یک غار عظیم پر از ماگمای مایع است. در واقع سامانه‌های ماگمایی ساختارهایی پیچیده و پویا هستند که می‌توانند شامل سنگ نیمه‌مذاب، بلورها، ماگما و گاز باشند؛ چیزی بیشتر شبیه یک شبکه یا اسفنج سنگی تا یک مخزن بزرگ زیرزمینی.
🔹 پژوهشگران در مجموع ۱۸ تصور نادرست رایج درباره آتشفشان‌ها و فوران‌ها شناسایی کرده‌اند. برخی از این اشتباهات به خود پدیده مربوط می‌شوند و برخی دیگر از نحوه گزارش رسانه‌ها سرچشمه می‌گیرند. برای نمونه، یک فوران محلی ممکن است در تیتر خبری به شکل «فاجعه‌ای در راه است» توصیف شود، در حالی که داده‌های علمی چنین برداشتی را تأیید نمی‌کنند.
❕یکی از مهم‌ترین مشکلات در گزارش حوادث طبیعی، تبدیل یک احتمال علمی به یک پیش‌بینی قطعی است.برای مثال، وقتی دانشمندان می‌گویند یک آتشفشان ممکن است در آینده فوران کند، این جمله به معنی «فوران آن به‌زودی قطعی است» نیست. دانشمندان معمولاً با بررسی عواملی مانند زمین‌لرزه‌ها، تغییر شکل زمین، انتشار گازها و دما، احتمال وقوع یک فوران را ارزیابی می‌کنند؛ اما پیش‌بینی دقیق زمان و شدت فوران همیشه ممکن نیست.
🔹 همین تفاوت کوچک در زبان می‌تواند نتیجه بزرگی داشته باشد. یک رسانه ممکن است عبارت محتاطانه «افزایش احتمال فعالیت آتشفشانی» را به تیتر «آتشفشان در آستانه انفجار است!» تبدیل کند و در نتیجه مخاطب را به برداشتی بسیار شدیدتر از واقعیت برساند.
❕ افسانه «ابرآتشفشان» یلوستون
نمونه‌ای مشهور از این مشکل، روایت‌های اغراق‌آمیز درباره یلوستون در آمریکا است. اصطلاح «ابرآتشفشان» واقعی است و به فوران‌هایی بسیار بزرگ اشاره دارد، اما استفاده رسانه‌ای از این واژه گاهی این تصور را ایجاد می‌کند که یلوستون یک بمب ساعتی است که هر لحظه ممکن است منفجر شود و بشریت را نابود کند. در حالی که فعالیت‌های آتشفشانی اخیر یلوستون عمدتاً شامل رویدادهای بسیار کوچک‌تر، از جمله جریان‌های گدازه‌ای، بوده‌اند و هیچ شواهدی نشان نمی‌دهد که نابودی تمدن یا بشریت در نتیجه فوران قریب‌الوقوع آن درپیش باشد.
🔹 بنابراین وجود یک خطر بالقوه با وقوع یک فاجعه قریب‌الوقوع یکسان نیست. رسانه‌ای که این دو را با هم ترکیب کند، حتی اگر اصل خبرش واقعی باشد، می‌تواند تصویری گمراه‌کننده ایجاد کند.
❕ چگونه اخبار آتشفشانی را بهتر بررسی کنیم؟
برای اطلاعات مربوط به وضعیت یک آتشفشان، گزارش‌های رصدخانه‌های آتشفشان‌شناسی، سازمان‌های زمین‌شناسی و مراکز رسمی پایش را در اولویت قرار دهید، نه پست‌های ناشناس شبکه‌های اجتماعی.
بین «احتمال»، «شواهدی از افزایش فعالیت»، «هشدار» و «فوران قطعی» تفاوت بسیار زیادی وجود دارد. تیترهای خبری اغلب این تفاوت‌ها را حذف می‌کنند.
یک تصویر واقعی نیز ممکن است مربوط به فورانی قدیمی یا حتی کشوری دیگر باشد. عکس و ویدئو به‌تنهایی اثبات نمی‌کنند که حادثه‌ای همین حالا اتفاق افتاده است.
ویدئوهای دست‌کاری‌شده یا تولیدشده با هوش مصنوعی می‌توانند جزئیات بصری گمراه‌کننده ایجاد کنند. در یک بحران واقعی، تصویر باید همراه با اطلاعاتی درباره مکان، زمان و منبع آن بررسی شود.
اگر فقط یک حساب کاربری یا یک رسانه از «بزرگترین فوران تاریخ» یا «نابودی قریب‌الوقوع» صحبت می‌کند، اما سازمان‌های علمی چنین هشداری نداده‌اند، باید با احتیاط بسیار بیشتری به خبر نگاه کرد.
🔹 نکته مهم این است که اطلاعات گمراه‌کننده همیشه دروغ آشکار نیستند. گاهی یک گزارش کاملاً واقعی است، اما با حذف یک جمله مهم، انتخاب یک تصویر نامرتبط یا استفاده از یک اصطلاح علمی نادرست، معنای آن تغییر می‌کند.
🔹 آتشفشان‌ها بدون نیاز به اغراق هم پدیده‌هایی شگفت‌انگیز و خطرناک هستند. در زمان وقوع یک بحران طبیعی، توانایی تشخیص تفاوت میان داده علمی، تفسیر رسانه‌ای و شایعه می‌تواند از ترس بی‌دلیل جلوگیری کند و حتی به تصمیم‌گیری‌های ایمن‌تر کمک کند.
[منبع]
🆔 @Science_Focus
#زمین_شناسی #آتشفشان #تفکر_انتقادی #سواد_رسانه_ای #شبه_علم #اخبار_جعلی
🔹 فوران آتشفشان‌ها از آن دسته حوادث طبیعی هستند که خیلی سریع در شبکه‌های اجتماعی و رسانه‌ها بازتاب پیدا می‌کنند. اما یک پژوهش بین‌المللی که ۳۷۵ گزارش خبری درباره فوران‌های سال‌های اخیر را بررسی کرده، نشان می‌دهد مشکل فقط انتشار «اخبار جعلی» نیست؛ بلکه اصطلاحات علمی نادرست، تیترهای اغراق‌آمیز، تصاویر گمراه‌کننده و تفسیر اشتباه داده‌های علمی نیز می‌توانند خیلی سریع منتشر شوند و باعث ترس عمومی، تصمیم‌های نادرست و حتی خسارت اقتصادی شوند.
❕ یکی از اشتباهات رایج، نامیدن خاکستر آتشفشانی به‌عنوان «دود» است. خاکستر در واقع مجموعه‌ای از ذرات بسیار ریز سنگ، شیشه آتشفشانی و کریستال‌هاست که می‌تواند برای دستگاه تنفسی و موتور هواپیماها خطرناک باشد.
اشتباه رایج دیگر، تصور «مخزن ماگما» به شکل یک غار عظیم پر از ماگمای مایع است. در واقع سامانه‌های ماگمایی ساختارهایی پیچیده و پویا هستند که می‌توانند شامل سنگ نیمه‌مذاب، بلورها، ماگما و گاز باشند؛ چیزی بیشتر شبیه یک شبکه یا اسفنج سنگی تا یک مخزن بزرگ زیرزمینی.
🔹 پژوهشگران در مجموع ۱۸ تصور نادرست رایج درباره آتشفشان‌ها و فوران‌ها شناسایی کرده‌اند. برخی از این اشتباهات به خود پدیده مربوط می‌شوند و برخی دیگر از نحوه گزارش رسانه‌ها سرچشمه می‌گیرند. برای نمونه، یک فوران محلی ممکن است در تیتر خبری به شکل «فاجعه‌ای در راه است» توصیف شود، در حالی که داده‌های علمی چنین برداشتی را تأیید نمی‌کنند.
❕یکی از مهم‌ترین مشکلات در گزارش حوادث طبیعی، تبدیل یک احتمال علمی به یک پیش‌بینی قطعی است.برای مثال، وقتی دانشمندان می‌گویند یک آتشفشان ممکن است در آینده فوران کند، این جمله به معنی «فوران آن به‌زودی قطعی است» نیست. دانشمندان معمولاً با بررسی عواملی مانند زمین‌لرزه‌ها، تغییر شکل زمین، انتشار گازها و دما، احتمال وقوع یک فوران را ارزیابی می‌کنند؛ اما پیش‌بینی دقیق زمان و شدت فوران همیشه ممکن نیست.
🔹 همین تفاوت کوچک در زبان می‌تواند نتیجه بزرگی داشته باشد. یک رسانه ممکن است عبارت محتاطانه «افزایش احتمال فعالیت آتشفشانی» را به تیتر «آتشفشان در آستانه انفجار است!» تبدیل کند و در نتیجه مخاطب را به برداشتی بسیار شدیدتر از واقعیت برساند.
❕ افسانه «ابرآتشفشان» یلوستون
نمونه‌ای مشهور از این مشکل، روایت‌های اغراق‌آمیز درباره یلوستون در آمریکا است. اصطلاح «ابرآتشفشان» واقعی است و به فوران‌هایی بسیار بزرگ اشاره دارد، اما استفاده رسانه‌ای از این واژه گاهی این تصور را ایجاد می‌کند که یلوستون یک بمب ساعتی است که هر لحظه ممکن است منفجر شود و بشریت را نابود کند. در حالی که فعالیت‌های آتشفشانی اخیر یلوستون عمدتاً شامل رویدادهای بسیار کوچک‌تر، از جمله جریان‌های گدازه‌ای، بوده‌اند و هیچ شواهدی نشان نمی‌دهد که نابودی تمدن یا بشریت در نتیجه فوران قریب‌الوقوع آن درپیش باشد.
🔹 بنابراین وجود یک خطر بالقوه با وقوع یک فاجعه قریب‌الوقوع یکسان نیست. رسانه‌ای که این دو را با هم ترکیب کند، حتی اگر اصل خبرش واقعی باشد، می‌تواند تصویری گمراه‌کننده ایجاد کند.
❕ چگونه اخبار آتشفشانی را بهتر بررسی کنیم؟
برای اطلاعات مربوط به وضعیت یک آتشفشان، گزارش‌های رصدخانه‌های آتشفشان‌شناسی، سازمان‌های زمین‌شناسی و مراکز رسمی پایش را در اولویت قرار دهید، نه پست‌های ناشناس شبکه‌های اجتماعی.
بین «احتمال»، «شواهدی از افزایش فعالیت»، «هشدار» و «فوران قطعی» تفاوت بسیار زیادی وجود دارد. تیترهای خبری اغلب این تفاوت‌ها را حذف می‌کنند.
یک تصویر واقعی نیز ممکن است مربوط به فورانی قدیمی یا حتی کشوری دیگر باشد. عکس و ویدئو به‌تنهایی اثبات نمی‌کنند که حادثه‌ای همین حالا اتفاق افتاده است.
ویدئوهای دست‌کاری‌شده یا تولیدشده با هوش مصنوعی می‌توانند جزئیات بصری گمراه‌کننده ایجاد کنند. در یک بحران واقعی، تصویر باید همراه با اطلاعاتی درباره مکان، زمان و منبع آن بررسی شود.
اگر فقط یک حساب کاربری یا یک رسانه از «بزرگترین فوران تاریخ» یا «نابودی قریب‌الوقوع» صحبت می‌کند، اما سازمان‌های علمی چنین هشداری نداده‌اند، باید با احتیاط بسیار بیشتری به خبر نگاه کرد.
🔹 نکته مهم این است که اطلاعات گمراه‌کننده همیشه دروغ آشکار نیستند. گاهی یک گزارش کاملاً واقعی است، اما با حذف یک جمله مهم، انتخاب یک تصویر نامرتبط یا استفاده از یک اصطلاح علمی نادرست، معنای آن تغییر می‌کند.
🔹 آتشفشان‌ها بدون نیاز به اغراق هم پدیده‌هایی شگفت‌انگیز و خطرناک هستند. در زمان وقوع یک بحران طبیعی، توانایی تشخیص تفاوت میان داده علمی، تفسیر رسانه‌ای و شایعه می‌تواند از ترس بی‌دلیل جلوگیری کند و حتی به تصمیم‌گیری‌های ایمن‌تر کمک کند.
[منبع]
🆔 @Science_Focus
#زمین_شناسی #آتشفشان #تفکر_انتقادی #سواد_رسانه_ای #شبه_علم #اخبار_جعلی
The Conversation
During eruptions, misinformation can spread further than ash. How can we spot it?
From scary headlines to recycled eruption videos, new research reveals how common misconceptions can fuel misinformation about volcanoes.
❤5👍1
🔺 انقلاب در ذخیره‌سازی انرژی: باتری روی-ید با بیش از ۶۰ هزار چرخه و شارژ ۳ دقیقه‌ای
🔹 پژوهشگران دانشگاه فلیندرز استرالیا نسل جدیدی از باتری‌های روی-یدِ آبی (Aqueous Zinc-Iodine) ساخته‌اند که در آزمایش‌های آزمایشگاهی توانسته بیش از ۶۰ هزار چرخه شارژ و تخلیه را تحمل کند و در یکی از شرایط آزمایش، در حدود ۳ دقیقه شارژ شود. این فناوری در Angewandte Chemie معرفی شده و هدف اصلی آن، استفاده در ذخیره‌سازی انرژی در مقیاس بزرگ مانند شبکه برق و نیروگاه‌های خورشیدی و بادی است.
❕ این باتری چگونه کار می‌کند؟
اصل کار آن شبیه سایر باتری‌های قابل شارژ است: هنگام تخلیه، یک واکنش شیمیایی باعث حرکت یون‌ها درون الکترولیت و حرکت الکترون‌ها در مدار خارجی می‌شود و برق تولید می‌شود. هنگام شارژ، این فرایند برعکس می‌شود و انرژی الکتریکی دوباره در مواد باتری ذخیره می‌شود.
در این باتری، یکی از مواد اصلی روی و دیگری ید است و برخلاف بسیاری از باتری‌های لیتیوم‌یون، الکترولیت آن آبی است؛ یعنی بر پایه آب ساخته شده است.
🔹 همین تفاوت اهمیت زیادی دارد. الکترولیت‌های آلی قابل‌اشتعال در بسیاری از باتری‌های لیتیوم‌یون یکی از عوامل خطر آتش‌سوزی هستند، در حالی که استفاده از الکترولیت آبی می‌تواند ایمنی باتری‌های روی-ید را برای کاربردهای ثابت و بزرگ‌مقیاس افزایش دهد. البته این به معنای «کاملاً بدون خطر» بودن چنین باتری‌هایی نیست.
❕ مشکل اصلی باتری‌های روی-ید چه بود؟
باتری روی-ید از نظر مواد اولیه جذاب است، اما یک مشکل جدی داشت: اثر شاتل (Shuttle Effect).
در جریان شارژ و تخلیه، ترکیباتی از ید موسوم به پلی‌یودیدها تشکیل می‌شوند. برخی از این ترکیبات می‌توانند از محل موردنظر خود حرکت کرده و از طریق جداکننده باتری به بخش دیگر سلول برسند. این جابه‌جایی باعث واکنش‌های ناخواسته، هدررفت مواد فعال و در نهایت افت عملکرد باتری می‌شود.
🔹 پژوهشگران برای حل این مشکل از ماده‌ای به نام سیکلودکسترین (Cyclodextrin) استفاده کردند. سیکلودکسترین از الیگوساکاریدهای ارزان و زیست‌تخریب‌پذیر مشتق می‌شود و ساختاری شبیه حلقه‌ای با یک حفره درون خود دارد.
دانشمندان با اتصال این مولکول‌ها به یک شبکه پلیمری، ساختاری شبیه مجموعه‌ای از قفس‌های میکروسکوپی ایجاد کردند. پلی‌یودیدها می‌توانند درون این حفره‌ها قرار بگیرند و در عین حال برای ادامه واکنش باتری در دسترس باقی بمانند. به این ترتیب، ماده دیگر آزادانه درون باتری سرگردان نمی‌شود و اثر شاتل تا حد زیادی مهار می‌شود.
🔹 نتایج به یک رابطه مهم میان ظرفیت، سرعت شارژ و طول عمر اشاره می‌کنند:
در یک حالت، باتری با ظرفیت حدود ۲۰۰ میلی‌آمپرساعت بر گرم (mAh/g) می‌توانست در حدود ۷ دقیقه شارژ شود و بیش از ۸۰۰۰ چرخه دوام بیاورد.
در حالت دیگر، ظرفیت به حدود ۱۵۰ mAh/g کاهش یافت، اما زمان شارژ به حدود ۳ دقیقه رسید و باتری توانست بیش از ۶۰ هزار چرخه شارژ و تخلیه را تحمل کند. میزان افت ظرفیت نیز در آزمایش‌ها بسیار پایین و حدود ۰٫۰۰۰۱ تا ۰٫۰۰۰۳ درصد در هر چرخه گزارش شد.
❕ چه فرقی با باتری لیتیوم‌یون دارد؟
لیتیوم‌یون برای موبایل، لپ‌تاپ و خودروی برقی مناسب است چون انرژی زیادی را در حجم و وزن کم ذخیره می‌کند. روی-ید برای این کاربردها طراحی نشده؛ مزیتش در ذخیره‌سازی ثابت و بزرگ‌مقیاس است، جایی که هزینه، ایمنی، طول عمر و شارژ/تخلیه مکرر مهم‌تر از وزن و حجم‌اند.
🔋 لیتیوم‌یون: انرژی زیاد، حجم کم ← مناسب موبایل و خودرو
⚡️ روی-ید: طول عمر بسیار بالا، مواد ارزان، الکترولیت آبی ← مناسب ذخیره انرژی شبکه
🔹 ولتاژ این سامانه حدود ۱٫۳ تا ۱٫۴ ولت است و بنابراین قرار نیست مستقیماً جای باتری‌های لیتیومی وسایل الکترونیکی را بگیرد. ارزش اصلی آن در جایی است که می‌خواهیم برق تولیدشده از خورشید و باد را برای استفاده در زمان دیگری ذخیره کنیم.
❕ آیا این یعنی لیتیوم دیگر لازم نیست؟
نه. این فناوری هنوز در مرحله پژوهش و توسعه است و عملکرد یک سلول آزمایشگاهی با یک باتری تجاری در مقیاس نیروگاه یکسان نیست. برای تجاری‌سازی باید مسائلی مانند افزایش مقیاس تولید، هزینه ساخت، چگالی انرژی، دوام در شرایط واقعی و عملکرد هزاران سلول در یک سامانه بزرگ بررسی شوند.
🔹 با این حال، ایده اصلی بسیار جذاب است: به جای تلاش برای ساخت باتری‌ای که حتماً باید بیشترین انرژی را در کمترین وزن ذخیره کند، می‌توان برای شبکه برق باتری‌ای ساخت که ایمن، ارزان، سریع‌شارژ و فوق‌العاده بادوام باشد.
🔹 پژوهشگران فلیندرز اکنون با صنعت برای توسعه نمونه‌های اولیه این فناوری همکاری می‌کنند؛ بنابراین شاید یکی از مسیرهای آینده ذخیره‌سازی انرژی تجدیدپذیر، نه فقط لیتیوم، بلکه ترکیبی از فناوری‌های مختلف باتری مانند روی-ید باشد.
[منبع]
🆔 @Science_Focus
#تکنولوژی #باتری #انرژی_پاک #شیمی #محیط_زیست #تجدیدپذیر #فناوری
🔹 پژوهشگران دانشگاه فلیندرز استرالیا نسل جدیدی از باتری‌های روی-یدِ آبی (Aqueous Zinc-Iodine) ساخته‌اند که در آزمایش‌های آزمایشگاهی توانسته بیش از ۶۰ هزار چرخه شارژ و تخلیه را تحمل کند و در یکی از شرایط آزمایش، در حدود ۳ دقیقه شارژ شود. این فناوری در Angewandte Chemie معرفی شده و هدف اصلی آن، استفاده در ذخیره‌سازی انرژی در مقیاس بزرگ مانند شبکه برق و نیروگاه‌های خورشیدی و بادی است.
❕ این باتری چگونه کار می‌کند؟
اصل کار آن شبیه سایر باتری‌های قابل شارژ است: هنگام تخلیه، یک واکنش شیمیایی باعث حرکت یون‌ها درون الکترولیت و حرکت الکترون‌ها در مدار خارجی می‌شود و برق تولید می‌شود. هنگام شارژ، این فرایند برعکس می‌شود و انرژی الکتریکی دوباره در مواد باتری ذخیره می‌شود.
در این باتری، یکی از مواد اصلی روی و دیگری ید است و برخلاف بسیاری از باتری‌های لیتیوم‌یون، الکترولیت آن آبی است؛ یعنی بر پایه آب ساخته شده است.
🔹 همین تفاوت اهمیت زیادی دارد. الکترولیت‌های آلی قابل‌اشتعال در بسیاری از باتری‌های لیتیوم‌یون یکی از عوامل خطر آتش‌سوزی هستند، در حالی که استفاده از الکترولیت آبی می‌تواند ایمنی باتری‌های روی-ید را برای کاربردهای ثابت و بزرگ‌مقیاس افزایش دهد. البته این به معنای «کاملاً بدون خطر» بودن چنین باتری‌هایی نیست.
❕ مشکل اصلی باتری‌های روی-ید چه بود؟
باتری روی-ید از نظر مواد اولیه جذاب است، اما یک مشکل جدی داشت: اثر شاتل (Shuttle Effect).
در جریان شارژ و تخلیه، ترکیباتی از ید موسوم به پلی‌یودیدها تشکیل می‌شوند. برخی از این ترکیبات می‌توانند از محل موردنظر خود حرکت کرده و از طریق جداکننده باتری به بخش دیگر سلول برسند. این جابه‌جایی باعث واکنش‌های ناخواسته، هدررفت مواد فعال و در نهایت افت عملکرد باتری می‌شود.
🔹 پژوهشگران برای حل این مشکل از ماده‌ای به نام سیکلودکسترین (Cyclodextrin) استفاده کردند. سیکلودکسترین از الیگوساکاریدهای ارزان و زیست‌تخریب‌پذیر مشتق می‌شود و ساختاری شبیه حلقه‌ای با یک حفره درون خود دارد.
دانشمندان با اتصال این مولکول‌ها به یک شبکه پلیمری، ساختاری شبیه مجموعه‌ای از قفس‌های میکروسکوپی ایجاد کردند. پلی‌یودیدها می‌توانند درون این حفره‌ها قرار بگیرند و در عین حال برای ادامه واکنش باتری در دسترس باقی بمانند. به این ترتیب، ماده دیگر آزادانه درون باتری سرگردان نمی‌شود و اثر شاتل تا حد زیادی مهار می‌شود.
🔹 نتایج به یک رابطه مهم میان ظرفیت، سرعت شارژ و طول عمر اشاره می‌کنند:
در یک حالت، باتری با ظرفیت حدود ۲۰۰ میلی‌آمپرساعت بر گرم (mAh/g) می‌توانست در حدود ۷ دقیقه شارژ شود و بیش از ۸۰۰۰ چرخه دوام بیاورد.
در حالت دیگر، ظرفیت به حدود ۱۵۰ mAh/g کاهش یافت، اما زمان شارژ به حدود ۳ دقیقه رسید و باتری توانست بیش از ۶۰ هزار چرخه شارژ و تخلیه را تحمل کند. میزان افت ظرفیت نیز در آزمایش‌ها بسیار پایین و حدود ۰٫۰۰۰۱ تا ۰٫۰۰۰۳ درصد در هر چرخه گزارش شد.
❕ چه فرقی با باتری لیتیوم‌یون دارد؟
لیتیوم‌یون برای موبایل، لپ‌تاپ و خودروی برقی مناسب است چون انرژی زیادی را در حجم و وزن کم ذخیره می‌کند. روی-ید برای این کاربردها طراحی نشده؛ مزیتش در ذخیره‌سازی ثابت و بزرگ‌مقیاس است، جایی که هزینه، ایمنی، طول عمر و شارژ/تخلیه مکرر مهم‌تر از وزن و حجم‌اند.
🔋 لیتیوم‌یون: انرژی زیاد، حجم کم ← مناسب موبایل و خودرو
⚡️ روی-ید: طول عمر بسیار بالا، مواد ارزان، الکترولیت آبی ← مناسب ذخیره انرژی شبکه
🔹 ولتاژ این سامانه حدود ۱٫۳ تا ۱٫۴ ولت است و بنابراین قرار نیست مستقیماً جای باتری‌های لیتیومی وسایل الکترونیکی را بگیرد. ارزش اصلی آن در جایی است که می‌خواهیم برق تولیدشده از خورشید و باد را برای استفاده در زمان دیگری ذخیره کنیم.
❕ آیا این یعنی لیتیوم دیگر لازم نیست؟
نه. این فناوری هنوز در مرحله پژوهش و توسعه است و عملکرد یک سلول آزمایشگاهی با یک باتری تجاری در مقیاس نیروگاه یکسان نیست. برای تجاری‌سازی باید مسائلی مانند افزایش مقیاس تولید، هزینه ساخت، چگالی انرژی، دوام در شرایط واقعی و عملکرد هزاران سلول در یک سامانه بزرگ بررسی شوند.
🔹 با این حال، ایده اصلی بسیار جذاب است: به جای تلاش برای ساخت باتری‌ای که حتماً باید بیشترین انرژی را در کمترین وزن ذخیره کند، می‌توان برای شبکه برق باتری‌ای ساخت که ایمن، ارزان، سریع‌شارژ و فوق‌العاده بادوام باشد.
🔹 پژوهشگران فلیندرز اکنون با صنعت برای توسعه نمونه‌های اولیه این فناوری همکاری می‌کنند؛ بنابراین شاید یکی از مسیرهای آینده ذخیره‌سازی انرژی تجدیدپذیر، نه فقط لیتیوم، بلکه ترکیبی از فناوری‌های مختلف باتری مانند روی-ید باشد.
[منبع]
🆔 @Science_Focus
#تکنولوژی #باتری #انرژی_پاک #شیمی #محیط_زیست #تجدیدپذیر #فناوری
Interesting Engineering
Aqueous zinc-iodine batteries achieve 60,000 charge cycles
Researchers have developed an aqueous zinc-iodine rechargeable battery as an alternative to lithium-ion batteries for large-scale energy storage.
❤4👍1
🔺 سریع‌ترین ستاره راه شیری کشف شد: پرواز با ۸ درصد سرعت نور در کنار سیاه‌چاله مرکزی
🔹 اخترشناسان با استفاده از تلسکوپ غول‌پیکر جنوب اروپا (ESO) ستاره‌ای کم‌نور به نام «S301» را در مرکز کهکشان راه شیری کشف کرده‌اند که با سرعت سرسام‌آور ۲۵,۰۰۰ کیلومتر بر ثانیه (بیش از ۸ درصد سرعت نور) به دور سیاه‌چاله کلان‌جرم «کمان ای*» (Sagittarius A*) می‌چرخد. این سریع‌ترین ستاره شناخته‌شده در تاریخ کهکشان ماست.
❕ مدار حیرت‌انگیز S301: عبور از نزدیکی سیاه‌چاله بدون بلعیده شدن
ستاره S301 مداری فوق‌العاده کشیده دارد و هر ۸.۷ سال یک‌بار گردشش را به دور سیاه‌چاله کامل می‌کند. در نزدیک‌ترین فاصله (حضیض مداری)، این ستاره به فاصله‌ای معادل تنها ۱۲ برابر فاصله زمین تا خورشید (تقریباً فاصله سیاره زحل تا خورشید) از افق رویداد سیاه‌چاله می‌رسد! با وجود این نزدیکی بی‌سابقه، S301 سقوط نخواهد کرد، چرا که سیاه‌چاله جاروبرقی کیهانی نیست و اجرام در مدارهای پایدار می‌توانند بدون سقوط به دور آن بچرخند.
🔹 اخترشناسان معتقدند S301 در گذشته بخشی از یک سیستم ستاره‌ای دوتایی بوده که بیش از حد به سیاه‌چاله نزدیک شده است. طی پدیده‌ای به نام «مکانیسم هیلز»، گرانش سهمگین سیاه‌چاله، ستاره جفت را به اعماق فضا پرتاب کرده و S301 را در این مدار تنگ و سریع به دام انداخته است.
❕ آزمایش بزرگ نظریه نسبیت عام اینشتین: کشیدگی فضا-زمان
بر اساس نظریه نسبیت عام اینشتین، یک سیاه‌چاله در حال چرخش، با چرخش خود فضا-زمانِ اطرافش را مانند یک شربت غلیظ می‌چرخاند و کش می‌آورد؛ پدیده‌ای که به آن «کشیدگی فضا-زمان» (Frame-Dragging) می‌گویند. این پیچش فضا-زمان باعث انحراف تدریجی در مدار S301 می‌شود. دانشمندان امیدوارند با رصد این ستاره تا عبور بعدی‌اش در سال ۲۰۳۱، برای اولین بار «سرعت چرخش» (اسپین) سیاه‌چاله مرکز کهکشان را به طور مستقیم اندازه‌گیری کنند.
🔹 این کشف پیشگامانه که در ژورنال معتبر Nature منتشر شده، پنجره‌ای بی‌نظیر برای آزمایش دقیق‌تر قوانین فیزیک در شدیدترین محیط‌های گرانشی کیهان می‌گشاید.
[منبع]
🆔 @Science_Focus
#نجوم #اخترفیزیک #سیاه_چاله #اینشتین #نسبیت_عام #کهکشان_راه_شیری #Nature
🔹 اخترشناسان با استفاده از تلسکوپ غول‌پیکر جنوب اروپا (ESO) ستاره‌ای کم‌نور به نام «S301» را در مرکز کهکشان راه شیری کشف کرده‌اند که با سرعت سرسام‌آور ۲۵,۰۰۰ کیلومتر بر ثانیه (بیش از ۸ درصد سرعت نور) به دور سیاه‌چاله کلان‌جرم «کمان ای*» (Sagittarius A*) می‌چرخد. این سریع‌ترین ستاره شناخته‌شده در تاریخ کهکشان ماست.
❕ مدار حیرت‌انگیز S301: عبور از نزدیکی سیاه‌چاله بدون بلعیده شدن
ستاره S301 مداری فوق‌العاده کشیده دارد و هر ۸.۷ سال یک‌بار گردشش را به دور سیاه‌چاله کامل می‌کند. در نزدیک‌ترین فاصله (حضیض مداری)، این ستاره به فاصله‌ای معادل تنها ۱۲ برابر فاصله زمین تا خورشید (تقریباً فاصله سیاره زحل تا خورشید) از افق رویداد سیاه‌چاله می‌رسد! با وجود این نزدیکی بی‌سابقه، S301 سقوط نخواهد کرد، چرا که سیاه‌چاله جاروبرقی کیهانی نیست و اجرام در مدارهای پایدار می‌توانند بدون سقوط به دور آن بچرخند.
🔹 اخترشناسان معتقدند S301 در گذشته بخشی از یک سیستم ستاره‌ای دوتایی بوده که بیش از حد به سیاه‌چاله نزدیک شده است. طی پدیده‌ای به نام «مکانیسم هیلز»، گرانش سهمگین سیاه‌چاله، ستاره جفت را به اعماق فضا پرتاب کرده و S301 را در این مدار تنگ و سریع به دام انداخته است.
❕ آزمایش بزرگ نظریه نسبیت عام اینشتین: کشیدگی فضا-زمان
بر اساس نظریه نسبیت عام اینشتین، یک سیاه‌چاله در حال چرخش، با چرخش خود فضا-زمانِ اطرافش را مانند یک شربت غلیظ می‌چرخاند و کش می‌آورد؛ پدیده‌ای که به آن «کشیدگی فضا-زمان» (Frame-Dragging) می‌گویند. این پیچش فضا-زمان باعث انحراف تدریجی در مدار S301 می‌شود. دانشمندان امیدوارند با رصد این ستاره تا عبور بعدی‌اش در سال ۲۰۳۱، برای اولین بار «سرعت چرخش» (اسپین) سیاه‌چاله مرکز کهکشان را به طور مستقیم اندازه‌گیری کنند.
🔹 این کشف پیشگامانه که در ژورنال معتبر Nature منتشر شده، پنجره‌ای بی‌نظیر برای آزمایش دقیق‌تر قوانین فیزیک در شدیدترین محیط‌های گرانشی کیهان می‌گشاید.
[منبع]
🆔 @Science_Focus
#نجوم #اخترفیزیک #سیاه_چاله #اینشتین #نسبیت_عام #کهکشان_راه_شیری #Nature
Space
Scientists just found the fastest known star in the Milky Way. It zooms around our black hole at 15,500 miles per second
The star is traveling more than 8% the speed of light.
👍3❤2
🔺 آمیزش آب و روغن در دنیای کوانتوم: پیش‌بینی حالت جدیدی از ماده به نام «قطره‌های کوانتومی»
🔹 در دنیای روزمره، آب و روغن به‌سادگی با هم مخلوط نمی‌شوند. در دنیای کوانتومی هم بوزون‌ها و فرمیون‌ها رفتار بسیار متفاوتی دارند. با این حال، پژوهشگران دانشگاه موناش استرالیا در مقاله‌ای منتشرشده در Physical Review Letters نشان داده‌اند که در شرایط خاص، این دو نوع ذره می‌توانند در کنار هم یک ساختار پایدار و خودبسته به نام «قطره کوانتومی بوز–فرمی» تشکیل دهند. این نتیجه فعلاً یک پیش‌بینی نظری است، اما طبق محاسبات می‌توان آن را با آزمایش‌های موجودِ اتم‌های فوق‌سرد آزمایش کرد.
❕ بوزون و فرمیون چه فرقی دارند؟
ذرات کوانتومی از نظر آمار کوانتومی به دو خانواده اصلی تقسیم می‌شوند:
بوزون‌ها می‌توانند تعداد زیادی در یک حالت کوانتومی یکسان قرار بگیرند. به همین دلیل، در دماهای بسیار پایین می‌توانند پدیده‌هایی مانند چگالش بوز–اینشتین ایجاد کنند.
فرمیون‌ها از اصل طرد پاولی پیروی می‌کنند؛ یعنی دو فرمیون یکسان نمی‌توانند دقیقاً در یک حالت کوانتومی قرار بگیرند. این موضوع باعث ایجاد چیزی می‌شود که به آن فشار فرمی می‌گوییم؛ هرچه فرمیون‌ها بیشتر فشرده شوند، این فشار می‌تواند در برابر فشرده‌تر شدن سیستم مقاومت کند.
❕ پس این دو چگونه یک «قطره» می‌سازند؟
پژوهشگران بررسی کردند که اگر برهم‌کنش میان بوزون‌ها و فرمیون‌ها به‌اندازه کافی قوی و جاذبه‌ای باشد، چه اتفاقی می‌افتد.
در این شرایط، جاذبه میان دو نوع ذره تلاش می‌کند کل سیستم را به سمت داخل جمع کند. اما فرمیون‌ها به دلیل اصل طرد پاولی، فشار کوانتومی رو به بیرون ایجاد می‌کنند.
🔹 اگر این دو اثر دقیقاً در تعادل قرار بگیرند، سیستم نه از هم می‌پاشد و نه کاملاً فرو می‌ریزد؛ بلکه یک ساختار خودبسته و پایدار تشکیل می‌دهد، شبیه یک قطره بسیار کوچک.
به بیان ساده:
جاذبه → ذرات را به داخل می‌کشد
فشار فرمی → مانع فروپاشی می‌شود
⚛️ نتیجه، چیزی شبیه یک قطره مایع در مقیاس کوانتومی است؛ با این تفاوت که پایداری آن حاصل قوانین مکانیک کوانتومی است، نه کشش سطحی یک مایع معمولی.
❕ چرا این کشف مهم است؟
تا پیش از این، توصیف نظری چنین مخلوط‌هایی در محدوده برهم‌کنش‌های ضعیف ساده‌تر بود و رفتار شدیداً برهم‌کنشی به‌خوبی فهم نشده بود. مدل جدید پژوهشگران اجازه می‌دهد این رژیم قوی نیز بررسی شود و نشان می‌دهد که در آن، علاوه بر قطره‌های کوانتومی، پدیده‌های دیگری مانند جدایش فازی و رفتاری شبیه نقطه بحرانی مایع–گاز نیز ممکن است رخ دهند.
🔹 نکته امیدوارکننده این است که پژوهشگران می‌گویند شرایط لازم برای تشکیل این قطره‌ها می‌تواند با مخلوط‌های اتمی فوق‌سردی که هم‌اکنون در آزمایشگاه‌ها وجود دارند قابل دسترس باشد. بنابراین مرحله بعدی می‌تواند آزمایش مستقیم این پیش‌بینی باشد.
❕ آیا این فناوری به‌زودی کامپیوتر کوانتومی می‌سازد؟
فعلاً نه. کاربردهایی مانند حسگرهای فوق‌دقیق و فناوری‌های کوانتومی در این مرحله چشم‌اندازهای احتمالی هستند، نه فناوری‌های آماده. اهمیت اصلی این پژوهش فعلاً در این است که نشان می‌دهد می‌توان با ترکیب دو نوع کاملاً متفاوت از ذرات و تنظیم برهم‌کنش آن‌ها، حالت‌های جدید و خودسازمان‌یافته‌ای از ماده ایجاد یا پیش‌بینی کرد.
🔹 شاید عجیب‌ترین بخش ماجرا همین باشد: در دنیای کوانتومی، ذراتی با رفتارهای کاملاً متفاوت لزوماً مجبور نیستند یکی را انتخاب کنند؛ گاهی همین تفاوت‌ها می‌تواند باعث شکل‌گیری یک وضعیت کاملاً جدید شود.
[منبع] [منبع]
🆔 @Science_Focus
#فیزیک_کوانتوم #حالت_جدید_ماده #بوزون #فرمیون #کوانتوم #فناوری_کوانتومی #کشفیات_علمی
🔹 در دنیای روزمره، آب و روغن به‌سادگی با هم مخلوط نمی‌شوند. در دنیای کوانتومی هم بوزون‌ها و فرمیون‌ها رفتار بسیار متفاوتی دارند. با این حال، پژوهشگران دانشگاه موناش استرالیا در مقاله‌ای منتشرشده در Physical Review Letters نشان داده‌اند که در شرایط خاص، این دو نوع ذره می‌توانند در کنار هم یک ساختار پایدار و خودبسته به نام «قطره کوانتومی بوز–فرمی» تشکیل دهند. این نتیجه فعلاً یک پیش‌بینی نظری است، اما طبق محاسبات می‌توان آن را با آزمایش‌های موجودِ اتم‌های فوق‌سرد آزمایش کرد.
❕ بوزون و فرمیون چه فرقی دارند؟
ذرات کوانتومی از نظر آمار کوانتومی به دو خانواده اصلی تقسیم می‌شوند:
بوزون‌ها می‌توانند تعداد زیادی در یک حالت کوانتومی یکسان قرار بگیرند. به همین دلیل، در دماهای بسیار پایین می‌توانند پدیده‌هایی مانند چگالش بوز–اینشتین ایجاد کنند.
فرمیون‌ها از اصل طرد پاولی پیروی می‌کنند؛ یعنی دو فرمیون یکسان نمی‌توانند دقیقاً در یک حالت کوانتومی قرار بگیرند. این موضوع باعث ایجاد چیزی می‌شود که به آن فشار فرمی می‌گوییم؛ هرچه فرمیون‌ها بیشتر فشرده شوند، این فشار می‌تواند در برابر فشرده‌تر شدن سیستم مقاومت کند.
❕ پس این دو چگونه یک «قطره» می‌سازند؟
پژوهشگران بررسی کردند که اگر برهم‌کنش میان بوزون‌ها و فرمیون‌ها به‌اندازه کافی قوی و جاذبه‌ای باشد، چه اتفاقی می‌افتد.
در این شرایط، جاذبه میان دو نوع ذره تلاش می‌کند کل سیستم را به سمت داخل جمع کند. اما فرمیون‌ها به دلیل اصل طرد پاولی، فشار کوانتومی رو به بیرون ایجاد می‌کنند.
🔹 اگر این دو اثر دقیقاً در تعادل قرار بگیرند، سیستم نه از هم می‌پاشد و نه کاملاً فرو می‌ریزد؛ بلکه یک ساختار خودبسته و پایدار تشکیل می‌دهد، شبیه یک قطره بسیار کوچک.
به بیان ساده:
جاذبه → ذرات را به داخل می‌کشد
فشار فرمی → مانع فروپاشی می‌شود
⚛️ نتیجه، چیزی شبیه یک قطره مایع در مقیاس کوانتومی است؛ با این تفاوت که پایداری آن حاصل قوانین مکانیک کوانتومی است، نه کشش سطحی یک مایع معمولی.
❕ چرا این کشف مهم است؟
تا پیش از این، توصیف نظری چنین مخلوط‌هایی در محدوده برهم‌کنش‌های ضعیف ساده‌تر بود و رفتار شدیداً برهم‌کنشی به‌خوبی فهم نشده بود. مدل جدید پژوهشگران اجازه می‌دهد این رژیم قوی نیز بررسی شود و نشان می‌دهد که در آن، علاوه بر قطره‌های کوانتومی، پدیده‌های دیگری مانند جدایش فازی و رفتاری شبیه نقطه بحرانی مایع–گاز نیز ممکن است رخ دهند.
🔹 نکته امیدوارکننده این است که پژوهشگران می‌گویند شرایط لازم برای تشکیل این قطره‌ها می‌تواند با مخلوط‌های اتمی فوق‌سردی که هم‌اکنون در آزمایشگاه‌ها وجود دارند قابل دسترس باشد. بنابراین مرحله بعدی می‌تواند آزمایش مستقیم این پیش‌بینی باشد.
❕ آیا این فناوری به‌زودی کامپیوتر کوانتومی می‌سازد؟
فعلاً نه. کاربردهایی مانند حسگرهای فوق‌دقیق و فناوری‌های کوانتومی در این مرحله چشم‌اندازهای احتمالی هستند، نه فناوری‌های آماده. اهمیت اصلی این پژوهش فعلاً در این است که نشان می‌دهد می‌توان با ترکیب دو نوع کاملاً متفاوت از ذرات و تنظیم برهم‌کنش آن‌ها، حالت‌های جدید و خودسازمان‌یافته‌ای از ماده ایجاد یا پیش‌بینی کرد.
🔹 شاید عجیب‌ترین بخش ماجرا همین باشد: در دنیای کوانتومی، ذراتی با رفتارهای کاملاً متفاوت لزوماً مجبور نیستند یکی را انتخاب کنند؛ گاهی همین تفاوت‌ها می‌تواند باعث شکل‌گیری یک وضعیت کاملاً جدید شود.
[منبع] [منبع]
🆔 @Science_Focus
#فیزیک_کوانتوم #حالت_جدید_ماده #بوزون #فرمیون #کوانتوم #فناوری_کوانتومی #کشفیات_علمی
Science
Monash physicists uncover a new form of quantum matter that could resh
Monash University physicists have discovered a new form of quantum matter, paving the way for advancements in future quantum technologies and condensed matter physics.
👍3❤2
🔺 مراکز داده فضایی هوش مصنوعی؛ رویای انرژی خورشیدی در برابر «مالیات سنگین ترمودینامیک»
🔹 با افزایش مخالفت‌های عمومی در آمریکا و اروپا با ساخت مراکز داده غول‌پیکر هوش مصنوعی به دلیل مصرف بی‌حدومرز آب و برق، شرکت‌هایی مانند اسپیس‌ایکس، گوگل و استارکلود از طرحی هیجان‌انگیز رونمایی کرده‌اند: پرتاب صدها هزار ماهواره حامل پردازنده‌های هوش مصنوعی به مدار زمین برای استفاده از انرژی خورشیدی دائمی! اما تحلیل‌های جدید در ژورنال‌های IEEE Spectrum و Nature نشان می‌دهند که این ایده رویایی در برابر قوانین سرسخت فیزیک و محیط زیست، به یک کابوس مهندسی تبدیل می‌شود.
❕ مالیات سنگین ترمودینامیک: چالش بزرگ خنک‌سازی در خلاء
شعار اصلی طرفداران مراکز داده فضایی، دسترسی به انرژی خورشیدی بی‌پایان است. اما طبق «قانون استفان-بولتزمن»، تمام برق مصرفی تراشه‌ها در نهایت به «گرمای ضایعاتی» تبدیل می‌شود. در خلاء مطلق فضا، نه هوایی برای وزش وجود دارد و نه آبی برای تبخیر! تنها راه فرار گرما، «تابش فروسرخ» است که فرآیندی فوق‌العاده کند است. برای خنک کردن یک مرکز داده کوچک ۱ مگاواتی در فضا، به رادیاتورهایی به مساحت یک زمین بیسبال و به وزن ۱۰۰ تن نیاز است؛ یعنی وزن تجهیزات خنک‌کننده ۱۰ برابر بیشتر از خودِ پردازنده‌هاست که هزینه پرتاب را سرسام‌آور می‌کند!
🔹 چالش‌ها به خنک‌سازی ختم نمی‌شود؛ انتقال مراکز داده به فضا، تهدیدی جدید برای جوّ زمین و منابع نایاب سیاره ماست.
❕ تخریب لایه ازون و «معدن‌کاری معکوس» در فضا
عمر مفید پردازنده‌های هوش مصنوعی حدود ۵ سال است. با از رده خارج شدن سالانه ۲۰۰ هزار ماهواره، سوختن آن‌ها هنگام ورود به جوّ، سالانه تا ۱۴۴ هزار تن نانوذرات اکسید آلومینیوم تولید می‌کند. این آلاینده‌ها تا ۳۰ سال در استراتوسفر باقی مانده و مانند یک واکنش شیمیایی کنترل‌نشده، لایه ازون را تخریب می‌کنند. علاوه بر این، انتقال سالانه تنها فلز گران‌بها و کمیاب (مانند پالادیوم، طلا، نقره و مس) به فضا و عدم امکان بازیافت آن‌ها، نوعی «معدن‌کاری معکوس» و نابودی منابع تجدیدناپذیر زمین است.
🔹 آسیب‌پذیری شدید پردازنده‌ها در برابر پرتوهای کیهانی (که باعث سوختن مدارها یا خطای محاسباتی می‌شود) و کاهش سالانه کارایی پنل‌های خورشیدی بر اثر تشعشعات، از دیگر مانع‌های بزرگ هستند.
❕ کاربرد واقعی هوش مصنوعی در فضا چیست؟
با وجود این چالش‌ها، فیزیکدانان تأکید می‌کنند که هوش مصنوعی فضایی کلاً بی‌مصرف نیست، بلکه جایگاه دیگری دارد. استفاده از پردازنده‌ها در فضا نه برای آموزش مدل‌های غول‌پیکری مانند ChatGPT، بلکه برای «پردازش در محل» (Edge Computing)—مانند آنالیز فوری تصاویر ماهواره‌ای از جنگل‌ها و زلزله‌ها، یا محاسبات حیاتی برای جلوگیری از تصادف ماهواره‌ها با زباله‌های مداری—کاملاً منطقی و ضروری است.
🔹 به نظر می‌رسد بر خلاف ادعای غول‌های فناوری، راه حل بحران انرژی و آبِ هوش مصنوعی در فضا نیست؛ بلکه در ساخت کاتالیزورهای بهینه‌تر، خنک‌سازی مستقیم با مایعات روی زمین و تجدیدنظر در الگوریتم‌های پرمصرف نهفته است.
[منبع] [منبع]
🆔 @Science_Focus
#هوش_مصنوعی #فناوری_فضایی #ترمودینامیک #محیط_زیست #اسپیس_ایکس #ماهواره #تغییرات_اقلیمی
🔹 با افزایش مخالفت‌های عمومی در آمریکا و اروپا با ساخت مراکز داده غول‌پیکر هوش مصنوعی به دلیل مصرف بی‌حدومرز آب و برق، شرکت‌هایی مانند اسپیس‌ایکس، گوگل و استارکلود از طرحی هیجان‌انگیز رونمایی کرده‌اند: پرتاب صدها هزار ماهواره حامل پردازنده‌های هوش مصنوعی به مدار زمین برای استفاده از انرژی خورشیدی دائمی! اما تحلیل‌های جدید در ژورنال‌های IEEE Spectrum و Nature نشان می‌دهند که این ایده رویایی در برابر قوانین سرسخت فیزیک و محیط زیست، به یک کابوس مهندسی تبدیل می‌شود.
❕ مالیات سنگین ترمودینامیک: چالش بزرگ خنک‌سازی در خلاء
شعار اصلی طرفداران مراکز داده فضایی، دسترسی به انرژی خورشیدی بی‌پایان است. اما طبق «قانون استفان-بولتزمن»، تمام برق مصرفی تراشه‌ها در نهایت به «گرمای ضایعاتی» تبدیل می‌شود. در خلاء مطلق فضا، نه هوایی برای وزش وجود دارد و نه آبی برای تبخیر! تنها راه فرار گرما، «تابش فروسرخ» است که فرآیندی فوق‌العاده کند است. برای خنک کردن یک مرکز داده کوچک ۱ مگاواتی در فضا، به رادیاتورهایی به مساحت یک زمین بیسبال و به وزن ۱۰۰ تن نیاز است؛ یعنی وزن تجهیزات خنک‌کننده ۱۰ برابر بیشتر از خودِ پردازنده‌هاست که هزینه پرتاب را سرسام‌آور می‌کند!
🔹 چالش‌ها به خنک‌سازی ختم نمی‌شود؛ انتقال مراکز داده به فضا، تهدیدی جدید برای جوّ زمین و منابع نایاب سیاره ماست.
❕ تخریب لایه ازون و «معدن‌کاری معکوس» در فضا
عمر مفید پردازنده‌های هوش مصنوعی حدود ۵ سال است. با از رده خارج شدن سالانه ۲۰۰ هزار ماهواره، سوختن آن‌ها هنگام ورود به جوّ، سالانه تا ۱۴۴ هزار تن نانوذرات اکسید آلومینیوم تولید می‌کند. این آلاینده‌ها تا ۳۰ سال در استراتوسفر باقی مانده و مانند یک واکنش شیمیایی کنترل‌نشده، لایه ازون را تخریب می‌کنند. علاوه بر این، انتقال سالانه تنها فلز گران‌بها و کمیاب (مانند پالادیوم، طلا، نقره و مس) به فضا و عدم امکان بازیافت آن‌ها، نوعی «معدن‌کاری معکوس» و نابودی منابع تجدیدناپذیر زمین است.
🔹 آسیب‌پذیری شدید پردازنده‌ها در برابر پرتوهای کیهانی (که باعث سوختن مدارها یا خطای محاسباتی می‌شود) و کاهش سالانه کارایی پنل‌های خورشیدی بر اثر تشعشعات، از دیگر مانع‌های بزرگ هستند.
❕ کاربرد واقعی هوش مصنوعی در فضا چیست؟
با وجود این چالش‌ها، فیزیکدانان تأکید می‌کنند که هوش مصنوعی فضایی کلاً بی‌مصرف نیست، بلکه جایگاه دیگری دارد. استفاده از پردازنده‌ها در فضا نه برای آموزش مدل‌های غول‌پیکری مانند ChatGPT، بلکه برای «پردازش در محل» (Edge Computing)—مانند آنالیز فوری تصاویر ماهواره‌ای از جنگل‌ها و زلزله‌ها، یا محاسبات حیاتی برای جلوگیری از تصادف ماهواره‌ها با زباله‌های مداری—کاملاً منطقی و ضروری است.
🔹 به نظر می‌رسد بر خلاف ادعای غول‌های فناوری، راه حل بحران انرژی و آبِ هوش مصنوعی در فضا نیست؛ بلکه در ساخت کاتالیزورهای بهینه‌تر، خنک‌سازی مستقیم با مایعات روی زمین و تجدیدنظر در الگوریتم‌های پرمصرف نهفته است.
[منبع] [منبع]
🆔 @Science_Focus
#هوش_مصنوعی #فناوری_فضایی #ترمودینامیک #محیط_زیست #اسپیس_ایکس #ماهواره #تغییرات_اقلیمی
IEEE Spectrum
Why Orbital Data Centers Are Harder Than Silicon Valley Thinks
Shedding heat will require ingenious new designs
❤3
🔺 سیگنالی غیرمنتظره در اعماق ۱۶۰۰ متری زمین: آیا نخستین ردپای «ویمپ» ثبت شده است؟
🔹 آزمایش LUX-ZEPLIN یا LZ در عمق حدود ۱٫۶ کیلومتری زمین در داکوتای جنوبی، یک رویداد بسیار غیرعادی ثبت کرده که توضیح آن با پس‌زمینه‌های شناخته‌شده دشوار است. این رویداد می‌تواند با برخورد یک ذره فرضی ماده تاریک از نوع ویمپ (WIMP) سازگار باشد؛ اما فعلاً فقط یک سرنخ امیدوارکننده است و برای اعلام کشف رسمی به داده‌های بیشتری نیاز است.
❕ LZ چگونه به دنبال ماده تاریک می‌گردد؟
ماده تاریک حدود ۸۵ درصد از کل ماده جهان را تشکیل می‌دهد، اما هنوز مستقیماً مشاهده نشده است. یکی از نامزدهای قدیمی و مهم آن، ذرات سنگین با برهم‌کنش ضعیف یا WIMPها هستند.
آشکارساز LZ از حدود ۱۰ تن زنون مایع فوق‌خالص استفاده می‌کند. قرار گرفتن آن در اعماق زمین، به همراه لایه‌های حفاظتی اضافی، بسیاری از ذرات و پرتوهای کیهانی را حذف می‌کند تا احتمال اشتباه گرفتن یک رویداد عادی با سیگنال ماده تاریک کاهش یابد.
🔹 اگر یک ویمپ با هسته زنون برخورد کند، بخشی از انرژی آن به اتم زنون منتقل می‌شود. این برخورد، نور و الکترون‌هایی بسیار ضعیف ایجاد می‌کند که حسگرهای فوق‌حساس LZ آن‌ها را ثبت می‌کنند. از ترکیب این سیگنال‌ها می‌توان انرژی و نوع احتمالی برخورد را بازسازی کرد.
❕ چرا این رویداد عجیب بود؟
پژوهشگران معمولاً به دنبال برخوردهای کم‌انرژی، در محدوده زیر حدود ۳۰ کیلوالکترون‌ولت (keV) هستند؛ حالتی که با ساده‌ترین مدل برهم‌کنش ویمپ با یک نوکلئون سازگار است.
اما پس از اینکه در این محدوده سیگنال قانع‌کننده‌ای پیدا نشد، تیم LZ همان داده‌ها را در انرژی‌های بالاتر نیز بررسی کرد. نتیجه، شناسایی یک رویداد در انرژی حدود ۲۴۸ keV بود؛ بسیار بالاتر از محدوده معمول جستجو.
🔹 این انرژی بالا با ساده‌ترین نوع برخورد ویمپ سازگار نیست. اگر این رویداد واقعاً ناشی از ماده تاریک باشد، احتمالاً با نوع پیچیده‌تری از برهم‌کنش میان ویمپ و کل هسته زنون روبهرو هستیم. همچنین جرم این ویمپ باید دست‌کم حدود ۲۰۰ GeV/c²، یعنی بیش از ۲۰۰ برابر جرم پروتون، باشد.
❕ اما ۲٫۶ سیگما چقدر جدی است؟
رویداد مشاهده‌شده از نظر آماری در سطح ۲٫۶ سیگما قرار دارد. در فیزیک ذرات، برای اعلام یک کشف معمولاً به ۵ سیگما نیاز است؛ سطحی که احتمال مشاهده چنین نتیجه‌ای در فرض پس‌زمینه صرفاً بر اثر نوسان آماری بسیار ناچیز است.
۲٫۶ سیگما به این معنا نیست که «فقط ۰٫۵ درصد احتمال دارد ماده تاریک نباشد». دقیق‌تر این است که داده‌ها در مقایسه با فرضِ وجود تنها پس‌زمینه‌های شناخته‌شده، تنش آماری حدود ۲٫۶ سیگما دارند. بنابراین هنوز احتمال وجود یک سازوکار ناشناخته در پس‌زمینه یا یک نوسان آماری وجود دارد.
🔹 اهمیت این رویداد در این است که ظاهراً یک اتفاق منفرد است که با بسیاری از آزمون‌های پس‌زمینه سازگار نمانده و از دید پژوهشگران ارزش بررسی جدی دارد. خود تیم LZ نیز تأکید کرده که مدعی مشاهده ماده تاریک نیست.
❕ خبر خوب: داده‌های بسیار بیشتری در راه است
تحلیل فعلی فقط ۲۲۰ روز داده، از مارس ۲۰۲۳ تا آوریل ۲۰۲۴ را بررسی کرده است. LZ در مجموع داده‌های بسیار بیشتری جمع‌آوری کرده و ادامه تحلیل می‌تواند مشخص کند که آیا رویدادهای مشابه دیگری نیز وجود دارند یا این مورد در میان داده‌های بیشتر ناپدید می‌شود.
🔹 اگر رویدادهای بیشتری در همین محدوده انرژی پیدا شوند و شواهد آماری به ۵ سیگما برسد، آن‌وقت با یکی از مهم‌ترین نتایج تاریخ فیزیک ذرات روبهرو خواهیم بود. اما در حال حاضر، نتیجه دقیق‌تر این است:
LZ هنوز ماده تاریک را کشف نکرده؛ اما یک سرنخ غیرعادی پیدا کرده که ارزش بررسی بسیار جدی دارد.
🔹 جالب اینجاست که این نتیجه در کنار جستجوهای جدید برای گزینه‌هایی مانند فوتون‌های تاریک و ذرات میلی‌باردار نشان می‌دهد شکار ماده تاریک وارد مرحله‌ای شده که دانشمندان دیگر فقط یک نوع مدل را بررسی نمی‌کنند؛ بلکه در حال باز کردن پنجره‌های کاملاً جدیدی برای پیدا کردن ذراتی هستند که تاکنون از دید ما پنهان مانده‌اند.
[منبع] [منبع]
🆔 @Science_Focus
#فیزیک_ذرات #ماده_تاریک #کیهان_شناسی #ویمپ #فیزیک_بنیادی #آشکارساز_LZ
🔹 آزمایش LUX-ZEPLIN یا LZ در عمق حدود ۱٫۶ کیلومتری زمین در داکوتای جنوبی، یک رویداد بسیار غیرعادی ثبت کرده که توضیح آن با پس‌زمینه‌های شناخته‌شده دشوار است. این رویداد می‌تواند با برخورد یک ذره فرضی ماده تاریک از نوع ویمپ (WIMP) سازگار باشد؛ اما فعلاً فقط یک سرنخ امیدوارکننده است و برای اعلام کشف رسمی به داده‌های بیشتری نیاز است.
❕ LZ چگونه به دنبال ماده تاریک می‌گردد؟
ماده تاریک حدود ۸۵ درصد از کل ماده جهان را تشکیل می‌دهد، اما هنوز مستقیماً مشاهده نشده است. یکی از نامزدهای قدیمی و مهم آن، ذرات سنگین با برهم‌کنش ضعیف یا WIMPها هستند.
آشکارساز LZ از حدود ۱۰ تن زنون مایع فوق‌خالص استفاده می‌کند. قرار گرفتن آن در اعماق زمین، به همراه لایه‌های حفاظتی اضافی، بسیاری از ذرات و پرتوهای کیهانی را حذف می‌کند تا احتمال اشتباه گرفتن یک رویداد عادی با سیگنال ماده تاریک کاهش یابد.
🔹 اگر یک ویمپ با هسته زنون برخورد کند، بخشی از انرژی آن به اتم زنون منتقل می‌شود. این برخورد، نور و الکترون‌هایی بسیار ضعیف ایجاد می‌کند که حسگرهای فوق‌حساس LZ آن‌ها را ثبت می‌کنند. از ترکیب این سیگنال‌ها می‌توان انرژی و نوع احتمالی برخورد را بازسازی کرد.
❕ چرا این رویداد عجیب بود؟
پژوهشگران معمولاً به دنبال برخوردهای کم‌انرژی، در محدوده زیر حدود ۳۰ کیلوالکترون‌ولت (keV) هستند؛ حالتی که با ساده‌ترین مدل برهم‌کنش ویمپ با یک نوکلئون سازگار است.
اما پس از اینکه در این محدوده سیگنال قانع‌کننده‌ای پیدا نشد، تیم LZ همان داده‌ها را در انرژی‌های بالاتر نیز بررسی کرد. نتیجه، شناسایی یک رویداد در انرژی حدود ۲۴۸ keV بود؛ بسیار بالاتر از محدوده معمول جستجو.
🔹 این انرژی بالا با ساده‌ترین نوع برخورد ویمپ سازگار نیست. اگر این رویداد واقعاً ناشی از ماده تاریک باشد، احتمالاً با نوع پیچیده‌تری از برهم‌کنش میان ویمپ و کل هسته زنون روبهرو هستیم. همچنین جرم این ویمپ باید دست‌کم حدود ۲۰۰ GeV/c²، یعنی بیش از ۲۰۰ برابر جرم پروتون، باشد.
❕ اما ۲٫۶ سیگما چقدر جدی است؟
رویداد مشاهده‌شده از نظر آماری در سطح ۲٫۶ سیگما قرار دارد. در فیزیک ذرات، برای اعلام یک کشف معمولاً به ۵ سیگما نیاز است؛ سطحی که احتمال مشاهده چنین نتیجه‌ای در فرض پس‌زمینه صرفاً بر اثر نوسان آماری بسیار ناچیز است.
۲٫۶ سیگما به این معنا نیست که «فقط ۰٫۵ درصد احتمال دارد ماده تاریک نباشد». دقیق‌تر این است که داده‌ها در مقایسه با فرضِ وجود تنها پس‌زمینه‌های شناخته‌شده، تنش آماری حدود ۲٫۶ سیگما دارند. بنابراین هنوز احتمال وجود یک سازوکار ناشناخته در پس‌زمینه یا یک نوسان آماری وجود دارد.
🔹 اهمیت این رویداد در این است که ظاهراً یک اتفاق منفرد است که با بسیاری از آزمون‌های پس‌زمینه سازگار نمانده و از دید پژوهشگران ارزش بررسی جدی دارد. خود تیم LZ نیز تأکید کرده که مدعی مشاهده ماده تاریک نیست.
❕ خبر خوب: داده‌های بسیار بیشتری در راه است
تحلیل فعلی فقط ۲۲۰ روز داده، از مارس ۲۰۲۳ تا آوریل ۲۰۲۴ را بررسی کرده است. LZ در مجموع داده‌های بسیار بیشتری جمع‌آوری کرده و ادامه تحلیل می‌تواند مشخص کند که آیا رویدادهای مشابه دیگری نیز وجود دارند یا این مورد در میان داده‌های بیشتر ناپدید می‌شود.
🔹 اگر رویدادهای بیشتری در همین محدوده انرژی پیدا شوند و شواهد آماری به ۵ سیگما برسد، آن‌وقت با یکی از مهم‌ترین نتایج تاریخ فیزیک ذرات روبهرو خواهیم بود. اما در حال حاضر، نتیجه دقیق‌تر این است:
LZ هنوز ماده تاریک را کشف نکرده؛ اما یک سرنخ غیرعادی پیدا کرده که ارزش بررسی بسیار جدی دارد.
🔹 جالب اینجاست که این نتیجه در کنار جستجوهای جدید برای گزینه‌هایی مانند فوتون‌های تاریک و ذرات میلی‌باردار نشان می‌دهد شکار ماده تاریک وارد مرحله‌ای شده که دانشمندان دیگر فقط یک نوع مدل را بررسی نمی‌کنند؛ بلکه در حال باز کردن پنجره‌های کاملاً جدیدی برای پیدا کردن ذراتی هستند که تاکنون از دید ما پنهان مانده‌اند.
[منبع] [منبع]
🆔 @Science_Focus
#فیزیک_ذرات #ماده_تاریک #کیهان_شناسی #ویمپ #فیزیک_بنیادی #آشکارساز_LZ
New Scientist
The first signs of dark matter particles may finally have been spotted | New Scientist
Most of the matter in the universe is dark matter, but for decades physicists haven’t been able to directly observe it – that may have just changed
❤5
🔺 بازسازی «بیگ‌بنگ کوچک» در سرن: کشف هسته‌های اتمی به شکل پین بولینگ!
🔹 فیزیکدانان در بزرگترین شتاب‌دهنده ذرات جهان (CERN)، با کوبیدن هسته‌های اتمی اکسیژن و نئون با سرعتی نزدیک به سرعت نور به یکدیگر، موفق به بازسازی ماده اولیه‌ای شدند که در نخستین لحظات پیدایش کیهان وجود داشت. این برخوردها نه تنها مرزهای ساخت کوچک‌ترین «بیگ‌بنگ‌های آزمایشگاهی» را جابه‌جا کرد، بلکه رازهای جدیدی را از هندسه شگفت‌انگیز هسته اتم‌ها فاش ساخت.
❕ سوپ کوارک-گلوئون چیست و چرا بازسازی آن اهمیت دارد؟
در نخستین یک‌میلیونیم ثانیه پس از بیگ‌بنگ، جهان به قدری داغ و متراکم بود که پروتون‌ها و نوترون‌ها هنوز شکل نگرفته بودند. در عوض، اجزای سازنده آن‌ها یعنی «کوارک‌ها» و «گلوئون‌ها» مانند یک سوپ فوق‌العاده داغ به صورت آزادانه حرکت می‌کردند. دانشمندان سال‌ها تصور می‌کردند که ایجاد این «پلاسمای اولیه کیهانی» تنها با برخورد هسته‌های فوق‌العاده سنگین (مانند سرب) ممکن است، اما آزمایش جدید ثابت کرد که هسته‌های بسیار سبک‌تر نیز می‌توانند چنین ماده اولیه‌ای را خلق کنند.
🔹 اما هیجان‌انگیزترین بخش این آزمایش، کشف شکل واقعی هسته اتم‌ها از روی ردپای برخورد بود!
❕ سایه پین بولینگ: چگونه الگوی ذرات، شکل هسته را فاش می‌کند؟
هنگام برخورد هسته‌ها، سوپ کوارک-گلوئون حاصل، ظرف کسری از ثانیه منبسط شده و به ذرات جدید تبدیل می‌شود. حرکت این ذرات دقیقاً هندسه اولیه هسته را منعکس می‌کند؛ درست مانند تاباندن نور به یک جسم و دیدن سایه آن! برخورد هسته‌های اکسیژن الگویی کاملاً گرد ایجاد کرد، اما برخورد هسته‌های «نئون-۲۰» الگویی شبیه به «پین بولینگ» به جا گذاشت. این ردپا ثابت کرد که هسته اتم نئون برخلاف تصور عمومی گرد نیست، بلکه شکلی کشیده دارد!
🔹 این روش جدید، راهی کاملاً متفاوت برای مطالعه نیروی هسته‌ای قوی (یکی از چهار نیروی بنیادی جهان) در اختیار فیزیکدانان قرار داده است.
❕ پیوند با نوبل فیزیک ۱۹۷۵ و آینده فیزیک هسته‌ای
ایده غیرکروی بودن هسته اتم‌ها تاریخچه‌ای ۷۰ ساله در موسسه نیلز بور دارد؛ جایی که «آگه بور» (فرزند نیلز بور) به خاطر اثبات همین ساختار غیرکروی، برنده نوبل فیزیک ۱۹۷۵ شد. حالا دانشمندان به جای مطالعه کند و کم‌انرژی اتم‌ها، آن‌ها را با بالاترین انرژی ممکن به هم می‌کوبند تا از روی «سایه برخورد»، ساختار درونی‌شان را تصویربرداری کنند. گام بعدی دانشمندان، انجام این آزمایش با هسته‌های باز هم سبک‌تر مانند هلیوم-۴ است تا مرزهای پیدایش ماده اولیه جهان دقیق‌تر مشخص شود.
[منبع] [منبع]
🆔 @Science_Focus
#فیزیک_ذرات #سرن #بیگ_بنگ #کوارک_گلوئون #کوانتوم #فیزیک_هسته_ای #کشفیات_علمی
🔹 فیزیکدانان در بزرگترین شتاب‌دهنده ذرات جهان (CERN)، با کوبیدن هسته‌های اتمی اکسیژن و نئون با سرعتی نزدیک به سرعت نور به یکدیگر، موفق به بازسازی ماده اولیه‌ای شدند که در نخستین لحظات پیدایش کیهان وجود داشت. این برخوردها نه تنها مرزهای ساخت کوچک‌ترین «بیگ‌بنگ‌های آزمایشگاهی» را جابه‌جا کرد، بلکه رازهای جدیدی را از هندسه شگفت‌انگیز هسته اتم‌ها فاش ساخت.
❕ سوپ کوارک-گلوئون چیست و چرا بازسازی آن اهمیت دارد؟
در نخستین یک‌میلیونیم ثانیه پس از بیگ‌بنگ، جهان به قدری داغ و متراکم بود که پروتون‌ها و نوترون‌ها هنوز شکل نگرفته بودند. در عوض، اجزای سازنده آن‌ها یعنی «کوارک‌ها» و «گلوئون‌ها» مانند یک سوپ فوق‌العاده داغ به صورت آزادانه حرکت می‌کردند. دانشمندان سال‌ها تصور می‌کردند که ایجاد این «پلاسمای اولیه کیهانی» تنها با برخورد هسته‌های فوق‌العاده سنگین (مانند سرب) ممکن است، اما آزمایش جدید ثابت کرد که هسته‌های بسیار سبک‌تر نیز می‌توانند چنین ماده اولیه‌ای را خلق کنند.
🔹 اما هیجان‌انگیزترین بخش این آزمایش، کشف شکل واقعی هسته اتم‌ها از روی ردپای برخورد بود!
❕ سایه پین بولینگ: چگونه الگوی ذرات، شکل هسته را فاش می‌کند؟
هنگام برخورد هسته‌ها، سوپ کوارک-گلوئون حاصل، ظرف کسری از ثانیه منبسط شده و به ذرات جدید تبدیل می‌شود. حرکت این ذرات دقیقاً هندسه اولیه هسته را منعکس می‌کند؛ درست مانند تاباندن نور به یک جسم و دیدن سایه آن! برخورد هسته‌های اکسیژن الگویی کاملاً گرد ایجاد کرد، اما برخورد هسته‌های «نئون-۲۰» الگویی شبیه به «پین بولینگ» به جا گذاشت. این ردپا ثابت کرد که هسته اتم نئون برخلاف تصور عمومی گرد نیست، بلکه شکلی کشیده دارد!
🔹 این روش جدید، راهی کاملاً متفاوت برای مطالعه نیروی هسته‌ای قوی (یکی از چهار نیروی بنیادی جهان) در اختیار فیزیکدانان قرار داده است.
❕ پیوند با نوبل فیزیک ۱۹۷۵ و آینده فیزیک هسته‌ای
ایده غیرکروی بودن هسته اتم‌ها تاریخچه‌ای ۷۰ ساله در موسسه نیلز بور دارد؛ جایی که «آگه بور» (فرزند نیلز بور) به خاطر اثبات همین ساختار غیرکروی، برنده نوبل فیزیک ۱۹۷۵ شد. حالا دانشمندان به جای مطالعه کند و کم‌انرژی اتم‌ها، آن‌ها را با بالاترین انرژی ممکن به هم می‌کوبند تا از روی «سایه برخورد»، ساختار درونی‌شان را تصویربرداری کنند. گام بعدی دانشمندان، انجام این آزمایش با هسته‌های باز هم سبک‌تر مانند هلیوم-۴ است تا مرزهای پیدایش ماده اولیه جهان دقیق‌تر مشخص شود.
[منبع] [منبع]
🆔 @Science_Focus
#فیزیک_ذرات #سرن #بیگ_بنگ #کوارک_گلوئون #کوانتوم #فیزیک_هسته_ای #کشفیات_علمی
Phys.org
A little Big Bang: Bowling-pin-shaped nuclei shed new light on the universe's first moments
What happened in the first moments of the universe—before the building blocks of life and the world we know today came into existence? Physicists at the CERN research facility in Switzerland are trying ...
❤5👍1
🔺 آیا درباره هوش مصنوعی درست فکر می‌کنیم؟ چرا ماشین‌های امروز یک «هوش بیگانه» هستند؟
🔹 وقتی یک مدل زبانی به سوالی پیچیده پاسخ می‌دهد یا قضیه‌ای ریاضی را حل می‌کند، آیا واقعاً در حال «استدلال» است یا فقط متنی تولید می‌کند که شبیه به استدلال انسان به نظر می‌رسد؟ دکتر ملانی میچل، دانشمند برجسته علوم شناختی در موسسه سنتافه، در گفتگوی جدید خود با مجله Quanta معتقد است که بنچمارک‌های فعلی ما برای ارزیابی هوش مصنوعی کاملاً غیرعلمی هستند و ما هوش مصنوعی را با متر و معیار اشتباهی می‌سنجیم.
❕ درس بزرگ «هانز باهوش»: خطای فاحش در بنچمارک‌های هوش مصنوعی
در اوایل قرن بیستم در آلمان، اسبی به نام «هانز باهوش» ادعا می‌کرد که می‌تواند ریاضی حل کند! وقتی می‌پرسیدند «۴ به اضافه ۵ چند می‌شود؟»، او ۹ بار سم خود را بر زمین می‌کوبید. اما روانشناسان با آزمایش‌های دقیق دریافتند هانز ریاضی بلد نیست، بلکه نشانه‌های میکروسکوپی و ناخودآگاهِ چهره پرسش‌کننده را می‌خواند! امروزه مدل‌های هوش مصنوعی نیز دچار همین «اثر هانز باهوش» می‌شوند؛ آن‌ها با الگویابی‌های متنی سطحی و میان‌برها در داده‌ها، تست‌ها را پاس می‌کنند بدون اینکه مفهوم واقعی پشت مسئله را درک کرده باشند.
🔹 این عدم درک واقعی، ما را با مفهوم دیگری در علوم شناختی روبرو می‌کند.
❕ تفکیک «عملکرد» از «شایستگی»: چرا هوش مصنوعی یک «هوش بیگانه» است؟
در روانشناسی، «عملکرد» (پاسخ دادن به یک تست) با «شایستگی» (درک عمیق و توانایی انجام وظیفه در دنیای واقعی) متفاوت است. قبول شدن هوش مصنوعی در آزمون وکالت یا پزشکی، به معنای توانایی او برای انجام شغل پیچیده و آزادِ یک وکیل یا پزشک نیست. هوش مصنوعی یک «هوش بیگانه» است که مکانیسم‌های شناختی آن هیچ شباهتی به انسان ندارد. به همین دلیل در هوش مصنوعی، کارهای سخت برای انسان (مثل حل مسائل پیچیده ریاضی) آسان است، اما کارهای ساده برای انسان (مثل درک عامه، حواس‌پنج‌گانه و درک شهودی از محیط) فوق‌العاده سخت و درمانده‌کننده می‌شود!
🔹 برای رهایی از توهم هوشمندی ماشین‌ها، دانشمندان علوم شناختی روش‌های مطالعه روانشناسی کودکان و حیوانات را وارد هوش مصنوعی کرده‌اند.
❕ اصول شش‌گانه ملانی میچل برای ارزیابی واقعی شناخت در ماشین‌ها
۱- مهار خطای انسان‌انگاری: پرهیز از نسبت دادن عواطف و تفکر انسانی به ماشینی که فقط انگلیس روان صحبت می‌کند.
۲- طراحی آزمایش‌های کنترل‌شده: تست کردن مدل با حذف داده‌های کلیدی (مثلاً پرسیدن سوال بدون نشان دادن تصویر) برای رو شدن دستِ الگوریتم.
۳- تغییر بنچمارک‌ها: آزمایش مدل با ورودی‌های کاملاً جدید و خارج از داده‌های آموزشی (Out of distribution).
۴- تفسیرپذیری مکانیکی: ابداع ابزارهایی شبیه به fMRI مغز برای بررسی وزن‌ها و نورون‌های درونی هوش مصنوعی.
۵- سنجش شایستگی در برابر عملکرد: تفکیک مهارتِ میان‌بر زدن از درک واقعی مفاهیم.
۶- تحلیل حالت‌های شکست: بررسی دقیق «توهمات» و خطاهای مدل به جای پنهان کردن نتایج منفی.
🔹 به باور دانشمندان، هوش مصنوعی آینده جایگزین انسان نخواهد شد، بلکه ابزاری بی‌نظیر برای کشف‌های جدید است؛ به شرط آنکه ابعاد واقعیِ این «هوش بیگانه» را به درستی بشناسیم و دچار توهم نشویم.
[منبع]
🆔 @Science_Focus
#هوش_مصنوعی #علوم_شناختی #روانشناسی #هوش_بیگانه #تست_هوش_مصنوعی #تفکر_انتقادی #کوآنتا
🔹 وقتی یک مدل زبانی به سوالی پیچیده پاسخ می‌دهد یا قضیه‌ای ریاضی را حل می‌کند، آیا واقعاً در حال «استدلال» است یا فقط متنی تولید می‌کند که شبیه به استدلال انسان به نظر می‌رسد؟ دکتر ملانی میچل، دانشمند برجسته علوم شناختی در موسسه سنتافه، در گفتگوی جدید خود با مجله Quanta معتقد است که بنچمارک‌های فعلی ما برای ارزیابی هوش مصنوعی کاملاً غیرعلمی هستند و ما هوش مصنوعی را با متر و معیار اشتباهی می‌سنجیم.
❕ درس بزرگ «هانز باهوش»: خطای فاحش در بنچمارک‌های هوش مصنوعی
در اوایل قرن بیستم در آلمان، اسبی به نام «هانز باهوش» ادعا می‌کرد که می‌تواند ریاضی حل کند! وقتی می‌پرسیدند «۴ به اضافه ۵ چند می‌شود؟»، او ۹ بار سم خود را بر زمین می‌کوبید. اما روانشناسان با آزمایش‌های دقیق دریافتند هانز ریاضی بلد نیست، بلکه نشانه‌های میکروسکوپی و ناخودآگاهِ چهره پرسش‌کننده را می‌خواند! امروزه مدل‌های هوش مصنوعی نیز دچار همین «اثر هانز باهوش» می‌شوند؛ آن‌ها با الگویابی‌های متنی سطحی و میان‌برها در داده‌ها، تست‌ها را پاس می‌کنند بدون اینکه مفهوم واقعی پشت مسئله را درک کرده باشند.
🔹 این عدم درک واقعی، ما را با مفهوم دیگری در علوم شناختی روبرو می‌کند.
❕ تفکیک «عملکرد» از «شایستگی»: چرا هوش مصنوعی یک «هوش بیگانه» است؟
در روانشناسی، «عملکرد» (پاسخ دادن به یک تست) با «شایستگی» (درک عمیق و توانایی انجام وظیفه در دنیای واقعی) متفاوت است. قبول شدن هوش مصنوعی در آزمون وکالت یا پزشکی، به معنای توانایی او برای انجام شغل پیچیده و آزادِ یک وکیل یا پزشک نیست. هوش مصنوعی یک «هوش بیگانه» است که مکانیسم‌های شناختی آن هیچ شباهتی به انسان ندارد. به همین دلیل در هوش مصنوعی، کارهای سخت برای انسان (مثل حل مسائل پیچیده ریاضی) آسان است، اما کارهای ساده برای انسان (مثل درک عامه، حواس‌پنج‌گانه و درک شهودی از محیط) فوق‌العاده سخت و درمانده‌کننده می‌شود!
🔹 برای رهایی از توهم هوشمندی ماشین‌ها، دانشمندان علوم شناختی روش‌های مطالعه روانشناسی کودکان و حیوانات را وارد هوش مصنوعی کرده‌اند.
❕ اصول شش‌گانه ملانی میچل برای ارزیابی واقعی شناخت در ماشین‌ها
۱- مهار خطای انسان‌انگاری: پرهیز از نسبت دادن عواطف و تفکر انسانی به ماشینی که فقط انگلیس روان صحبت می‌کند.
۲- طراحی آزمایش‌های کنترل‌شده: تست کردن مدل با حذف داده‌های کلیدی (مثلاً پرسیدن سوال بدون نشان دادن تصویر) برای رو شدن دستِ الگوریتم.
۳- تغییر بنچمارک‌ها: آزمایش مدل با ورودی‌های کاملاً جدید و خارج از داده‌های آموزشی (Out of distribution).
۴- تفسیرپذیری مکانیکی: ابداع ابزارهایی شبیه به fMRI مغز برای بررسی وزن‌ها و نورون‌های درونی هوش مصنوعی.
۵- سنجش شایستگی در برابر عملکرد: تفکیک مهارتِ میان‌بر زدن از درک واقعی مفاهیم.
۶- تحلیل حالت‌های شکست: بررسی دقیق «توهمات» و خطاهای مدل به جای پنهان کردن نتایج منفی.
🔹 به باور دانشمندان، هوش مصنوعی آینده جایگزین انسان نخواهد شد، بلکه ابزاری بی‌نظیر برای کشف‌های جدید است؛ به شرط آنکه ابعاد واقعیِ این «هوش بیگانه» را به درستی بشناسیم و دچار توهم نشویم.
[منبع]
🆔 @Science_Focus
#هوش_مصنوعی #علوم_شناختی #روانشناسی #هوش_بیگانه #تست_هوش_مصنوعی #تفکر_انتقادی #کوآنتا
Quanta Magazine
Are We Thinking Correctly About AI Intelligence?
Computer scientist Melanie Mitchell discusses why artificial intelligence doesn’t “think” or “reason” like humans, and how we can create better methods for measuring machine cognition.
❤5👍1
🔺 پایان بحران گرانش؟ سه کشف نظری بزرگ که راز انیشتین، آنتروپی و حیات را برملا می‌کنند
🔹 کیهان‌شناسی مدرن با بحرانی بزرگ روبروست: نظریه نسبیت عام برای توضیح کهکشان‌ها مجبور شده ۹۵ درصد جهان را به عناصر ناشناخته‌ای به نام «ماده تاریک» و «انرژی تاریک» نسبت دهد! از سوی دیگر، فیزیک کوانتوم انرژی خلاء را بی‌نهایت بزرگ پیش‌بینی می‌کند که با واقعیت در تضاد است. اما موج جدیدی از تحقیقات در ژورنال‌های Physical Review Letters و Physical Review D، با ترکیب «فیزیک اطلاعات»، «ترمودینامیک» و «توپولوژی کوانتومی» در حال حل این معماهای دیرینه‌اند.
❕ حل بزرگترین تناقض فیزیک: حفاظت توپولوژیکِ ثابت کیهان‌شناسی
طبق فیزیک کوانتوم، نوسانات خلاء باید انرژی «ثابت کیهان‌شناسی» (عاملی که باعث شتاب انبساط جهان می‌شود) را به حدی غول‌آسا کنند که جهان در دم فروپاشد! اما فیزیکدانان دانشگاه براون نشان دادند که اگر فضا-زمان دارای یک «توپولوژی یا شکل هندسی خاص» (مشابه اثر کوانتومی هال در فیزیک ماده چگال) باشد، این ساختار هندسی مانند یک سپر دفاعی عمل کرده و تمام نوسانات مخرب کوانتومی را بی‌اثر می‌کند؛ در نتیجه، مقدار ثابت کیهان‌شناسی دقیقاً روی همان عدد بسیار کوچک و پایداری که می‌بینیم قفل می‌شود.
🔹 اما اگر جهان دائماً رو به بی‌نظمی می‌رود، حیات و ساختارهای پیچیده چگونه شکل گرفتند؟
❕ معمای آنتروپی: چگونه حیات در کیهانی آشفته متولد شد؟
قانون دوم ترمودینامیک می‌گوید آنتروپی (بی‌نظمی) جهان دائماً در حال افزایش است. پس چگونه ستاره‌ها، سیارات و حیات منظم شکل گرفتند؟ پژوهش جدید دانشگاه کوئین مری لندن بر اساس نظریه «گرانش ناشی از آنتروپی» به این پارادوکس پاسخ می‌دهد: با انبساط کیهان، اگرچه «آنتروپی کل» جهان بالا می‌رود، اما «آنتروپی در واحد حجم» کاهش می‌یابد! این پهن شدن و توزیع وسیع آنتروپی در فضای در حال اتساع، فضای تنفسی لازم را برای شکل‌گیری ساختارهای منظم و حیات در مقیاس‌های محلی فراهم می‌سازد.
🔹 این یافته‌ها با نظریات جدیدی که گرانش را به اطلاعات پیوند می‌دهند، تکمیل می‌شوند.
❕ گرانش به مثابه فشرده‌سازی داده‌ها و فیزیک اطلاعات
در این پارادایم جدید، گرانش یک نیروی بنیادی مستقل نیست، بلکه حاصل «فشرده‌سازی داده‌ها» و تلاش کیهان برای کاهش پیچیدگی اطلاعات است. همان‌طور که در پست‌های قبلی اشاره کردیم، نظریه «گرانش نوپدید» ساخاروف و اصل عدم قطعیت در افق کیهانی نشان می‌دهند که فضا-زمان، انرژی تاریک و حیات، همگی محصولاتِ رفتار جمعیِ اطلاعات کوانتومی هستند. با این رویکرد، دیگر نیازی به اختراع فرضی مواد ناشناخته نیست؛ گرانش خود محصول مدیریت اطلاعات در کیهان است.
[منبع] [منبع] [منبع]
🆔 @Science_Focus
#فیزیک_نظری #گرانش_کوانتومی #ثابت_کیهان_شناسی #آنتروپی #ترمودینامیک #انرژی_تبار #فیزیک_اطلاعات #کوانتوم
🔹 کیهان‌شناسی مدرن با بحرانی بزرگ روبروست: نظریه نسبیت عام برای توضیح کهکشان‌ها مجبور شده ۹۵ درصد جهان را به عناصر ناشناخته‌ای به نام «ماده تاریک» و «انرژی تاریک» نسبت دهد! از سوی دیگر، فیزیک کوانتوم انرژی خلاء را بی‌نهایت بزرگ پیش‌بینی می‌کند که با واقعیت در تضاد است. اما موج جدیدی از تحقیقات در ژورنال‌های Physical Review Letters و Physical Review D، با ترکیب «فیزیک اطلاعات»، «ترمودینامیک» و «توپولوژی کوانتومی» در حال حل این معماهای دیرینه‌اند.
❕ حل بزرگترین تناقض فیزیک: حفاظت توپولوژیکِ ثابت کیهان‌شناسی
طبق فیزیک کوانتوم، نوسانات خلاء باید انرژی «ثابت کیهان‌شناسی» (عاملی که باعث شتاب انبساط جهان می‌شود) را به حدی غول‌آسا کنند که جهان در دم فروپاشد! اما فیزیکدانان دانشگاه براون نشان دادند که اگر فضا-زمان دارای یک «توپولوژی یا شکل هندسی خاص» (مشابه اثر کوانتومی هال در فیزیک ماده چگال) باشد، این ساختار هندسی مانند یک سپر دفاعی عمل کرده و تمام نوسانات مخرب کوانتومی را بی‌اثر می‌کند؛ در نتیجه، مقدار ثابت کیهان‌شناسی دقیقاً روی همان عدد بسیار کوچک و پایداری که می‌بینیم قفل می‌شود.
🔹 اما اگر جهان دائماً رو به بی‌نظمی می‌رود، حیات و ساختارهای پیچیده چگونه شکل گرفتند؟
❕ معمای آنتروپی: چگونه حیات در کیهانی آشفته متولد شد؟
قانون دوم ترمودینامیک می‌گوید آنتروپی (بی‌نظمی) جهان دائماً در حال افزایش است. پس چگونه ستاره‌ها، سیارات و حیات منظم شکل گرفتند؟ پژوهش جدید دانشگاه کوئین مری لندن بر اساس نظریه «گرانش ناشی از آنتروپی» به این پارادوکس پاسخ می‌دهد: با انبساط کیهان، اگرچه «آنتروپی کل» جهان بالا می‌رود، اما «آنتروپی در واحد حجم» کاهش می‌یابد! این پهن شدن و توزیع وسیع آنتروپی در فضای در حال اتساع، فضای تنفسی لازم را برای شکل‌گیری ساختارهای منظم و حیات در مقیاس‌های محلی فراهم می‌سازد.
🔹 این یافته‌ها با نظریات جدیدی که گرانش را به اطلاعات پیوند می‌دهند، تکمیل می‌شوند.
❕ گرانش به مثابه فشرده‌سازی داده‌ها و فیزیک اطلاعات
در این پارادایم جدید، گرانش یک نیروی بنیادی مستقل نیست، بلکه حاصل «فشرده‌سازی داده‌ها» و تلاش کیهان برای کاهش پیچیدگی اطلاعات است. همان‌طور که در پست‌های قبلی اشاره کردیم، نظریه «گرانش نوپدید» ساخاروف و اصل عدم قطعیت در افق کیهانی نشان می‌دهند که فضا-زمان، انرژی تاریک و حیات، همگی محصولاتِ رفتار جمعیِ اطلاعات کوانتومی هستند. با این رویکرد، دیگر نیازی به اختراع فرضی مواد ناشناخته نیست؛ گرانش خود محصول مدیریت اطلاعات در کیهان است.
[منبع] [منبع] [منبع]
🆔 @Science_Focus
#فیزیک_نظری #گرانش_کوانتومی #ثابت_کیهان_شناسی #آنتروپی #ترمودینامیک #انرژی_تبار #فیزیک_اطلاعات #کوانتوم
Phys.org
Could the mathematical 'shape' of the universe solve the cosmological constant problem?
The cosmological constant is the mathematical description of the energy that drives the ever-accelerating expansion of the cosmos. It's also the source of one of the most enduring and confounding problems ...
❤6
🔺 رمزگشایی از یک معمای ۱۵۰ ساله: چرا یک میلیارد سال از تاریخ زمین ناپدید شده است؟
🔹 در سال ۱۸۶۹، وقتی جان وسلی پاول در حال کاوش در دیواره‌های صخره‌ای «گرند کنیون» بود، متوجه یک اتفاق عجیب شد: لایه‌ای از سنگ‌ها با قدمت ۵۲۰ میلیون سال، مستقیماً روی سنگ‌های باستانی ۱.۴ تا ۱.۸ میلیارد ساله قرار گرفته بودند! هیچ اثری از سنگ‌های مابین آن‌ها وجود نداشت. انگار نزدیک به یک میلیارد سال از تاریخ لایه‌نگاری سیاره زمین ناگهان به هوا رفته و ناپدید شده بود. این شکاف عظیم که در سراسر جهان دیده می‌شود، «ناپیوستگی بزرگ» نام گرفت.
❕ ناپیوستگی بزرگ (Great Unconformity) چیست؟
ناپیوستگی بزرگ به مفقود شدن لایه‌های سنگی در تاریخ زمین‌شناسی گفته می‌شود که طی آن، بخش وسیعی از پوسته زمین بر اثر فرسایش شدید ساییده شده و از بین رفته است. این شکاف عمیق دقیقاً در زمانی رخ داده که زمین در حال انتقال از دوران باستانی به سیاره زیست‌پذیر امروزی بود؛ ناپدید شدن این لایه‌ها، بخش مهمی از تاریخ تکامل زمین را مبهم کرده بود.
🔹 برای سال‌ها، فرضیه محبوب این بود که حدود ۷۰۰ میلیون سال پیش در دوره‌ای موسوم به «زمین گلوله برفی»، یخچال‌های سراسری کل سیاره را پوشاندند و مانند یک بولدوزر عظیم، کیلومترها از پوسته زمین را تراشیده و به اقیانوس‌ها ریختند. اما پژوهش جدیدی که در ژورنال معتبر PNAS منتشر شده، این داستان یخچالی را کاملاً رد می‌کند.
❕ متهم اصلی: تولد و مرگ ابرقاره باستانی «کلمبیا»
دانشمندان با آنالیز کریستال‌های بسیار مقاوم «زیرکون» در چین و استفاده از روش‌های پیشرفته گاه‌شماری گرمایی، دریافتند که شدیدترین دوره فرسایش پوسته زمین، بین ۲.۱ تا ۱.۶ میلیارد سال پیش رخ داده است؛ یعنی صدها میلیون سال *قبل* از عصر زمین گلوله برفی! این بازه زمانی دقیقاً با شکل‌گیری «کلمبیا» (یکی از نخستین ابرقاره‌های تاریخ زمین) هم‌زمانی دارد. برخوردهای سهمگین صفحات تکتونیکی، لایه‌های عمیق سنگ را به سطح رانده و فرسایش شدید تدریجی، این لایه‌ها را محو کرده است.
🔹 این کشف جدید، نگاه دانشمندان به تاریخ حیات را نیز تغییر می‌دهد.
❕ تغییر در داستان «انفجار کامبرین» و تکامل حیات
پیش‌تر تصور می‌شد که فرسایش یخچالی در عصر زمین گلوله برفی، حجم عظیمی از مواد مغذی را وارد اقیانوس‌ها کرده و باعث «انفجار کامبرین» (ظهور ناگهانی جانوران پیچیده در ۵۳۰ میلیون سال پیش) شده است. اما اثبات اینکه بخش اعظم فرسایش پوسته زمین، یک میلیارد سال قبل‌تر و بر اثر فعالیت‌های تکتونیکی ابرقاره کلمبیا رخ داده، این نظریه را رد می‌کند و نشان می‌دهد ناپیوستگی بزرگ حاصل یک رویداد یکباره یخچالی نبوده، بلکه نتیجه فرآیندهای طولانی تکتونیکی در سراسر زمین بوده است.
[منبع] [منبع]
🆔 @Science_Focus
#زمین_شناسی #تاریخ_زمین #تکتونیک #ابرقاره_کلمبیا #تکامل #انفجار_کامبرین #کشفیات_علمی
🔹 در سال ۱۸۶۹، وقتی جان وسلی پاول در حال کاوش در دیواره‌های صخره‌ای «گرند کنیون» بود، متوجه یک اتفاق عجیب شد: لایه‌ای از سنگ‌ها با قدمت ۵۲۰ میلیون سال، مستقیماً روی سنگ‌های باستانی ۱.۴ تا ۱.۸ میلیارد ساله قرار گرفته بودند! هیچ اثری از سنگ‌های مابین آن‌ها وجود نداشت. انگار نزدیک به یک میلیارد سال از تاریخ لایه‌نگاری سیاره زمین ناگهان به هوا رفته و ناپدید شده بود. این شکاف عظیم که در سراسر جهان دیده می‌شود، «ناپیوستگی بزرگ» نام گرفت.
❕ ناپیوستگی بزرگ (Great Unconformity) چیست؟
ناپیوستگی بزرگ به مفقود شدن لایه‌های سنگی در تاریخ زمین‌شناسی گفته می‌شود که طی آن، بخش وسیعی از پوسته زمین بر اثر فرسایش شدید ساییده شده و از بین رفته است. این شکاف عمیق دقیقاً در زمانی رخ داده که زمین در حال انتقال از دوران باستانی به سیاره زیست‌پذیر امروزی بود؛ ناپدید شدن این لایه‌ها، بخش مهمی از تاریخ تکامل زمین را مبهم کرده بود.
🔹 برای سال‌ها، فرضیه محبوب این بود که حدود ۷۰۰ میلیون سال پیش در دوره‌ای موسوم به «زمین گلوله برفی»، یخچال‌های سراسری کل سیاره را پوشاندند و مانند یک بولدوزر عظیم، کیلومترها از پوسته زمین را تراشیده و به اقیانوس‌ها ریختند. اما پژوهش جدیدی که در ژورنال معتبر PNAS منتشر شده، این داستان یخچالی را کاملاً رد می‌کند.
❕ متهم اصلی: تولد و مرگ ابرقاره باستانی «کلمبیا»
دانشمندان با آنالیز کریستال‌های بسیار مقاوم «زیرکون» در چین و استفاده از روش‌های پیشرفته گاه‌شماری گرمایی، دریافتند که شدیدترین دوره فرسایش پوسته زمین، بین ۲.۱ تا ۱.۶ میلیارد سال پیش رخ داده است؛ یعنی صدها میلیون سال *قبل* از عصر زمین گلوله برفی! این بازه زمانی دقیقاً با شکل‌گیری «کلمبیا» (یکی از نخستین ابرقاره‌های تاریخ زمین) هم‌زمانی دارد. برخوردهای سهمگین صفحات تکتونیکی، لایه‌های عمیق سنگ را به سطح رانده و فرسایش شدید تدریجی، این لایه‌ها را محو کرده است.
🔹 این کشف جدید، نگاه دانشمندان به تاریخ حیات را نیز تغییر می‌دهد.
❕ تغییر در داستان «انفجار کامبرین» و تکامل حیات
پیش‌تر تصور می‌شد که فرسایش یخچالی در عصر زمین گلوله برفی، حجم عظیمی از مواد مغذی را وارد اقیانوس‌ها کرده و باعث «انفجار کامبرین» (ظهور ناگهانی جانوران پیچیده در ۵۳۰ میلیون سال پیش) شده است. اما اثبات اینکه بخش اعظم فرسایش پوسته زمین، یک میلیارد سال قبل‌تر و بر اثر فعالیت‌های تکتونیکی ابرقاره کلمبیا رخ داده، این نظریه را رد می‌کند و نشان می‌دهد ناپیوستگی بزرگ حاصل یک رویداد یکباره یخچالی نبوده، بلکه نتیجه فرآیندهای طولانی تکتونیکی در سراسر زمین بوده است.
[منبع] [منبع]
🆔 @Science_Focus
#زمین_شناسی #تاریخ_زمین #تکتونیک #ابرقاره_کلمبیا #تکامل #انفجار_کامبرین #کشفیات_علمی
PNAS
Tectonism rather than “snowball Earth” glaciation is responsible for the Great Unconformity
The Great Unconformity (GUn)—a widely recognized discontinuity and associated gap in the rock record between Precambrian and Cambrian rocks—represe...
❤5
🔺 ادعای جدید درباره «کشتی نوح» در ترکیه: اسکن‌های راداری یا سوگیری تأییدی؟
🔹 عارضه زمین‌شناختی «دوروپینار» در شرق ترکیه - ساختاری ۱۵۷ متری و قایق‌شکل که سال‌هاست توسط برخی جویندگان غیررسمی به عنوان بقایای کشتی نوح تبلیغ می‌شود - بار دیگر با انتشار یک بیانیه مطبوعاتی خبرساز شده است. تیمی از پژوهشگران ادعا کرده‌اند که با رادارهای پیشرفته نفوذی به زمین، «ناهنجاری‌های زیرسطحی» جدیدی در این محل کشف کرده‌اند.
❕ اسکن‌های راداری چه چیزی را نشان می‌دهند؟
این تیم با استفاده از سیستم راداری (BakhtarRadar) ادعا کرده‌اند که این ساختار یک توده سنگی یکنواخت نیست، بلکه لایه‌بندی‌ها و کانالی ۲۵۰ فوتی (شبیه به یک راهرو یا تونل) در عمق آن دیده می‌شود. با این حال، خود این پژوهشگران اعتراف کرده‌اند که این داده‌ها اولیه است، هیچ حفاری یا نمونه‌برداری فیزیکی از آن انجام نشده و ادعاهایشان هنوز به اثبات نرسیده است.
🔹 اما چرا جامعه علمی و زمین‌شناسان به شدت نسبت به این اخبار مشکوک هستند؟
❕ چرا زمین‌شناسان این ادعاها را رد می‌کنند؟
زمین‌شناسان و باستان‌شناسان برجسته اجماع دارند که عارضه دوروپینار چیزی جز یک «پدیده طبیعی زمین‌شناختی» (حاصل جریان‌های گلی، فرسایش و چین‌خوردگی‌های رسوبی) نیست. اسکن‌های راداری به تنهایی هرگز اثبات‌کننده یک ساختار باستان‌شناسی نیستند، زیرا شکستگی‌های طبیعی سنگ، لایه‌های آب زیرزمینی و حفره‌های زمین‌شناسی نیز دقیقاً تصویری مشابه «راهرو» یا «اتاقک» در رادار ایجاد می‌کنند. مهم‌تر از آن، اعضای این تیم پیش از انجام اسکن‌ها اعلام کرده بودند که باور دارند این محل کشتی نوح است؛ رفتاری که در علم «سوگیری تأییدی» (Confirmation Bias) نامیده می‌شود.
🔹 جالب اینجاست که حتی گروه‌های مذهبی و خلقت‌گرا (مانند سازمان Answers in Genesis) نیز از این بیانیه مطبوعاتی انتقاد کرده و اعلام کرده‌اند ارائه داده‌های خام راداری بدون در نظر گرفتن تفسیرهای بدیهیِ زمین‌شناختی، غیرعلمی است. تا زمانی که نتایج این اسکن‌ها در یک ژورنال معتبر با داوری همتا چاپ نشود و نمونه‌های فیزیکی حاصل از حفاری استخراج نگردد، ساختار دوروپینار از نظر علم، صرفاً یک عارضه طبیعی زمین‌شناسی باقی خواهد ماند.
[منبع]
🆔 @Science_Focus
#زمین_شناسی #باستان_شناسی #تفکر_انتقادی #شبه_علم #ترویج_علم
🔹 عارضه زمین‌شناختی «دوروپینار» در شرق ترکیه - ساختاری ۱۵۷ متری و قایق‌شکل که سال‌هاست توسط برخی جویندگان غیررسمی به عنوان بقایای کشتی نوح تبلیغ می‌شود - بار دیگر با انتشار یک بیانیه مطبوعاتی خبرساز شده است. تیمی از پژوهشگران ادعا کرده‌اند که با رادارهای پیشرفته نفوذی به زمین، «ناهنجاری‌های زیرسطحی» جدیدی در این محل کشف کرده‌اند.
❕ اسکن‌های راداری چه چیزی را نشان می‌دهند؟
این تیم با استفاده از سیستم راداری (BakhtarRadar) ادعا کرده‌اند که این ساختار یک توده سنگی یکنواخت نیست، بلکه لایه‌بندی‌ها و کانالی ۲۵۰ فوتی (شبیه به یک راهرو یا تونل) در عمق آن دیده می‌شود. با این حال، خود این پژوهشگران اعتراف کرده‌اند که این داده‌ها اولیه است، هیچ حفاری یا نمونه‌برداری فیزیکی از آن انجام نشده و ادعاهایشان هنوز به اثبات نرسیده است.
🔹 اما چرا جامعه علمی و زمین‌شناسان به شدت نسبت به این اخبار مشکوک هستند؟
❕ چرا زمین‌شناسان این ادعاها را رد می‌کنند؟
زمین‌شناسان و باستان‌شناسان برجسته اجماع دارند که عارضه دوروپینار چیزی جز یک «پدیده طبیعی زمین‌شناختی» (حاصل جریان‌های گلی، فرسایش و چین‌خوردگی‌های رسوبی) نیست. اسکن‌های راداری به تنهایی هرگز اثبات‌کننده یک ساختار باستان‌شناسی نیستند، زیرا شکستگی‌های طبیعی سنگ، لایه‌های آب زیرزمینی و حفره‌های زمین‌شناسی نیز دقیقاً تصویری مشابه «راهرو» یا «اتاقک» در رادار ایجاد می‌کنند. مهم‌تر از آن، اعضای این تیم پیش از انجام اسکن‌ها اعلام کرده بودند که باور دارند این محل کشتی نوح است؛ رفتاری که در علم «سوگیری تأییدی» (Confirmation Bias) نامیده می‌شود.
🔹 جالب اینجاست که حتی گروه‌های مذهبی و خلقت‌گرا (مانند سازمان Answers in Genesis) نیز از این بیانیه مطبوعاتی انتقاد کرده و اعلام کرده‌اند ارائه داده‌های خام راداری بدون در نظر گرفتن تفسیرهای بدیهیِ زمین‌شناختی، غیرعلمی است. تا زمانی که نتایج این اسکن‌ها در یک ژورنال معتبر با داوری همتا چاپ نشود و نمونه‌های فیزیکی حاصل از حفاری استخراج نگردد، ساختار دوروپینار از نظر علم، صرفاً یک عارضه طبیعی زمین‌شناسی باقی خواهد ماند.
[منبع]
🆔 @Science_Focus
#زمین_شناسی #باستان_شناسی #تفکر_انتقادی #شبه_علم #ترویج_علم
The Debrief
New Radar Scans Reveal Mysterious “Subsurface Anomalies” Beneath Controversial “Noah’s Ark” Site
New scans may offer clues to what lies beneath Turkey’s famous Durupınar site, which has long been associated with “Noah’s Ark" claims.
❤5👍1
🔺 جادوی ریاضیات: چگونه یک نخ و یک سهمی ساده، ما را به رمزنگاری مدرن می‌رسانند؟
🔹 خیلی از ما نمودار سهمی y = x^2 را از دوران مدرسه به یاد داریم. اما همین نمودار ساده یک ویژگی جالب دارد: می‌توان با چند میخ و یک نخ، از آن برای ضرب دو عدد استفاده کرد! جالب‌تر اینکه ایده «محاسبه با نقاط روی یک منحنی» ما را به یکی از مهم‌ترین ابزارهای ریاضیات مدرن، یعنی منحنی‌های بیضوی، و در نهایت رمزنگاری دیجیتال می‌رساند.
❕ ماشین حساب سهمی: ضرب اعداد با نخ و میخ!
فرض کنید می‌خواهیم ۳ × ۴ را حساب کنیم.
ابتدا سهمی y = x^2 را رسم کنید. روی نقطه (-3, 9) یک میخ و روی نقطه (4, 16) میخ دیگری قرار دهید. حالا یک نخ مستقیم بین این دو نقطه بکشید.
نکته جالب اینجاست که نخ، محور عمودی (y) را دقیقاً در عدد ۱۲ قطع می‌کند:
۳ × ۴ = ۱۲
🔹 چرا؟ چون اگر دو عدد دلخواه a و b داشته باشیم، دو نقطه زیر را روی سهمی انتخاب می‌کنیم:
(-a, a^2) و (b, b^2)
خطی که این دو نقطه را به هم وصل می‌کند، همیشه محور y را در نقطه‌ای با مقدار:
c = a × b
قطع می‌کند.
یعنی فقط با شکل سهمی و یک خط مستقیم می‌توان ضرب دو عدد را به یک مسئله هندسی تبدیل کرد!
❕ اما این چه ربطی به رمزنگاری دارد؟
در رمزنگاری، دانشمندان به دنبال مسئله‌هایی هستند که انجامشان در یک جهت آسان باشد، اما برعکس کردنشان بسیار دشوار شود.
مثلاً در RSA، ضرب دو عدد اول بسیار بزرگ آسان است، اما وقتی حاصل‌ضرب را در اختیار دارید، پیدا کردن آن دو عدد اول می‌تواند بسیار دشوار باشد. امنیت RSA تا حد زیادی به همین دشواری تجزیه عدد به عوامل اول وابسته است.
🔹 اما خانواده دیگری از روش‌ها به جای اعداد بسیار بزرگ، از نقاط روی منحنی‌ها استفاده می‌کنند. یکی از مهم‌ترین آن‌ها رمزنگاری منحنی بیضوی (ECC) است.
❕ منحنی بیضوی چیست؟
منحنی بیضوی یک منحنی ریاضی با شکل خاصی است که معمولاً با رابطه‌ای مانند زیر نمایش داده می‌شود:
y^2 = x^3 + ax + b
نکته مهم این نیست که این منحنی چه شکلی دارد؛ بلکه این است که می‌توان روی نقاط آن، عملیات ریاضی تعریف کرد.
مثلاً اگر دو نقطه روی منحنی داشته باشیم، می‌توان خطی از میان آن‌ها عبور داد. این خط معمولاً منحنی را در نقطه سومی قطع می‌کند و با قوانین مشخص ریاضی، از این نقاط می‌توان یک «جمع» جدید ساخت.
🔹 با تکرار همین عملیات می‌توان یک نقطه را بارها و بارها با خودش ترکیب کرد؛ چیزی شبیه:
P → 2P → 3P → 4P → ...
محاسبه این مسیر در جهت جلو نسبتاً سریع است، اما اگر فقط نقطه نهایی را بدانید، پیدا کردن تعداد دفعاتی که این عملیات انجام شده می‌تواند بسیار دشوار باشد.
❕ اینجاست که یک ویژگی مهم وارد می‌شود
ECC بر پایه مسئله‌ای به نام لگاریتم گسسته روی منحنی بیضوی بنا شده است؛ مسئله‌ای که برای کامپیوترهای معمولی، با پارامترهای مناسب، بسیار دشوار است.
به همین دلیل می‌توان با کلیدهایی بسیار کوچک‌تر از RSA به سطح امنیت مشابهی رسید.
🔹 برای مثال، یک کلید ECC با اندازه بسیار کمتر می‌تواند امنیتی مشابه یک کلید RSA بسیار بزرگ فراهم کند. این موضوع باعث شده ECC برای فناوری‌هایی که محدودیت سرعت، حافظه یا پهنای باند دارند بسیار جذاب باشد و در ارتباطات امن، امضاهای دیجیتال و بسیاری از سامانه‌های اینترنتی مورد استفاده قرار گیرد.
❕ پس سهمی، رمزنگاری ساخته است؟
نه دقیقاً!
ماشین حساب سهمی و ECC یک الگوریتم واحد نیستند و ECC نسخه پیشرفته‌تر همان ماشین حساب هندسی محسوب نمی‌شود. ارتباط واقعی آن‌ها در یک ایده عمیق‌تر است:
🔹 در هر دو، می‌توان یک مسئله عددی را با هندسه و نقاط روی یک منحنی نمایش داد و روی این نقاط عملیات ریاضی انجام داد.
در ماشین حساب سهمی، این ایده را برای کاری ساده مثل ضرب به کار می‌بریم.
در منحنی‌های بیضوی، همین نگاه هندسی با ریاضیات بسیار پیچیده‌تری ترکیب می‌شود تا مسئله‌ای ساخته شود که محاسبه آن آسان، اما معکوس‌کردنش دشوار باشد.
❕ آیا این قفل هندسی برای همیشه امن است؟
احتمالاً نه.
یک کامپیوتر کوانتومی در مقیاس کافی، با استفاده از الگوریتم شور (Shor) می‌تواند مسئله‌هایی مانند تجزیه اعداد بزرگ و لگاریتم گسسته را بسیار سریع‌تر حل کند. در نتیجه، امنیت RSA و ECC در برابر چنین رایانه‌هایی به خطر خواهد افتاد.
🔹 به همین دلیل دانشمندان از هم‌اکنون روی رمزنگاری پساکوانتومی (Post-Quantum Cryptography) کار می‌کنند؛ روش‌هایی که امیدوارند حتی در برابر کامپیوترهای کوانتومی آینده نیز امن باقی بمانند.
🔹 و شاید این یکی از جذاب‌ترین درس‌های ریاضیات باشد: گاهی یک نمودار ساده مثل y = x^2 چیزی بیشتر از یک تمرین مدرسه‌ای است؛ می‌تواند پنجره‌ای باشد به دنیایی که در آن هندسه، جبر و امنیت دیجیتال به هم می‌رسند.
[منبع]
🆔 @Science_Focus
#ریاضیات #هندسه #رمزنگاری #امنیت_سایبری #الگوریتم #فناوری
🔹 خیلی از ما نمودار سهمی y = x^2 را از دوران مدرسه به یاد داریم. اما همین نمودار ساده یک ویژگی جالب دارد: می‌توان با چند میخ و یک نخ، از آن برای ضرب دو عدد استفاده کرد! جالب‌تر اینکه ایده «محاسبه با نقاط روی یک منحنی» ما را به یکی از مهم‌ترین ابزارهای ریاضیات مدرن، یعنی منحنی‌های بیضوی، و در نهایت رمزنگاری دیجیتال می‌رساند.
❕ ماشین حساب سهمی: ضرب اعداد با نخ و میخ!
فرض کنید می‌خواهیم ۳ × ۴ را حساب کنیم.
ابتدا سهمی y = x^2 را رسم کنید. روی نقطه (-3, 9) یک میخ و روی نقطه (4, 16) میخ دیگری قرار دهید. حالا یک نخ مستقیم بین این دو نقطه بکشید.
نکته جالب اینجاست که نخ، محور عمودی (y) را دقیقاً در عدد ۱۲ قطع می‌کند:
۳ × ۴ = ۱۲
🔹 چرا؟ چون اگر دو عدد دلخواه a و b داشته باشیم، دو نقطه زیر را روی سهمی انتخاب می‌کنیم:
(-a, a^2) و (b, b^2)
خطی که این دو نقطه را به هم وصل می‌کند، همیشه محور y را در نقطه‌ای با مقدار:
c = a × b
قطع می‌کند.
یعنی فقط با شکل سهمی و یک خط مستقیم می‌توان ضرب دو عدد را به یک مسئله هندسی تبدیل کرد!
❕ اما این چه ربطی به رمزنگاری دارد؟
در رمزنگاری، دانشمندان به دنبال مسئله‌هایی هستند که انجامشان در یک جهت آسان باشد، اما برعکس کردنشان بسیار دشوار شود.
مثلاً در RSA، ضرب دو عدد اول بسیار بزرگ آسان است، اما وقتی حاصل‌ضرب را در اختیار دارید، پیدا کردن آن دو عدد اول می‌تواند بسیار دشوار باشد. امنیت RSA تا حد زیادی به همین دشواری تجزیه عدد به عوامل اول وابسته است.
🔹 اما خانواده دیگری از روش‌ها به جای اعداد بسیار بزرگ، از نقاط روی منحنی‌ها استفاده می‌کنند. یکی از مهم‌ترین آن‌ها رمزنگاری منحنی بیضوی (ECC) است.
❕ منحنی بیضوی چیست؟
منحنی بیضوی یک منحنی ریاضی با شکل خاصی است که معمولاً با رابطه‌ای مانند زیر نمایش داده می‌شود:
y^2 = x^3 + ax + b
نکته مهم این نیست که این منحنی چه شکلی دارد؛ بلکه این است که می‌توان روی نقاط آن، عملیات ریاضی تعریف کرد.
مثلاً اگر دو نقطه روی منحنی داشته باشیم، می‌توان خطی از میان آن‌ها عبور داد. این خط معمولاً منحنی را در نقطه سومی قطع می‌کند و با قوانین مشخص ریاضی، از این نقاط می‌توان یک «جمع» جدید ساخت.
🔹 با تکرار همین عملیات می‌توان یک نقطه را بارها و بارها با خودش ترکیب کرد؛ چیزی شبیه:
P → 2P → 3P → 4P → ...
محاسبه این مسیر در جهت جلو نسبتاً سریع است، اما اگر فقط نقطه نهایی را بدانید، پیدا کردن تعداد دفعاتی که این عملیات انجام شده می‌تواند بسیار دشوار باشد.
❕ اینجاست که یک ویژگی مهم وارد می‌شود
ECC بر پایه مسئله‌ای به نام لگاریتم گسسته روی منحنی بیضوی بنا شده است؛ مسئله‌ای که برای کامپیوترهای معمولی، با پارامترهای مناسب، بسیار دشوار است.
به همین دلیل می‌توان با کلیدهایی بسیار کوچک‌تر از RSA به سطح امنیت مشابهی رسید.
🔹 برای مثال، یک کلید ECC با اندازه بسیار کمتر می‌تواند امنیتی مشابه یک کلید RSA بسیار بزرگ فراهم کند. این موضوع باعث شده ECC برای فناوری‌هایی که محدودیت سرعت، حافظه یا پهنای باند دارند بسیار جذاب باشد و در ارتباطات امن، امضاهای دیجیتال و بسیاری از سامانه‌های اینترنتی مورد استفاده قرار گیرد.
❕ پس سهمی، رمزنگاری ساخته است؟
نه دقیقاً!
ماشین حساب سهمی و ECC یک الگوریتم واحد نیستند و ECC نسخه پیشرفته‌تر همان ماشین حساب هندسی محسوب نمی‌شود. ارتباط واقعی آن‌ها در یک ایده عمیق‌تر است:
🔹 در هر دو، می‌توان یک مسئله عددی را با هندسه و نقاط روی یک منحنی نمایش داد و روی این نقاط عملیات ریاضی انجام داد.
در ماشین حساب سهمی، این ایده را برای کاری ساده مثل ضرب به کار می‌بریم.
در منحنی‌های بیضوی، همین نگاه هندسی با ریاضیات بسیار پیچیده‌تری ترکیب می‌شود تا مسئله‌ای ساخته شود که محاسبه آن آسان، اما معکوس‌کردنش دشوار باشد.
❕ آیا این قفل هندسی برای همیشه امن است؟
احتمالاً نه.
یک کامپیوتر کوانتومی در مقیاس کافی، با استفاده از الگوریتم شور (Shor) می‌تواند مسئله‌هایی مانند تجزیه اعداد بزرگ و لگاریتم گسسته را بسیار سریع‌تر حل کند. در نتیجه، امنیت RSA و ECC در برابر چنین رایانه‌هایی به خطر خواهد افتاد.
🔹 به همین دلیل دانشمندان از هم‌اکنون روی رمزنگاری پساکوانتومی (Post-Quantum Cryptography) کار می‌کنند؛ روش‌هایی که امیدوارند حتی در برابر کامپیوترهای کوانتومی آینده نیز امن باقی بمانند.
🔹 و شاید این یکی از جذاب‌ترین درس‌های ریاضیات باشد: گاهی یک نمودار ساده مثل y = x^2 چیزی بیشتر از یک تمرین مدرسه‌ای است؛ می‌تواند پنجره‌ای باشد به دنیایی که در آن هندسه، جبر و امنیت دیجیتال به هم می‌رسند.
[منبع]
🆔 @Science_Focus
#ریاضیات #هندسه #رمزنگاری #امنیت_سایبری #الگوریتم #فناوری
Scientific American
Why parabolas are crucial to cryptography
Cryptographers use points along a curve to build tough codes
❤3👍1
تازه‌های علمی
🔺 بازسازی «بیگ‌بنگ کوچک» در سرن: کشف هسته‌های اتمی به شکل پین بولینگ! 🔹 فیزیکدانان در بزرگترین شتاب‌دهنده ذرات جهان (CERN)، با کوبیدن هسته‌های اتمی اکسیژن و نئون با سرعتی نزدیک به سرعت نور به یکدیگر، موفق به بازسازی ماده اولیه‌ای شدند که در نخستین لحظات پیدایش…
🔺 تصاویر کتاب‌های درسی اشتباه بود؟ شکل هسته اتم‌ها آن‌قدرها هم ساده نیست!
🔹 در پست قبلی کانال دیدیم که برخورد هسته‌های اکسیژن-۱۶ و نئون-۲۰ در LHC توانست سرنخ‌هایی درباره شکل غیرکروی هسته‌ها آشکار کند. اما یک پرسش مهم باقی می‌ماند:
دانشمندان دقیقاً چگونه از برخورد چند هسته، درباره شکل چیزی به این کوچکی نتیجه می‌گیرند؟ و این «شکل» اصلاً به چه معناست؟
❕ هسته اتم یک توپ کوچک و ثابت نیست
وقتی در کتاب‌های درسی هسته اتم را به شکل یک کره رسم می‌کنیم، این تصویر بیشتر یک مدل ساده آموزشی است تا یک عکس واقعی.
هسته از پروتون‌ها و نوترون‌ها تشکیل شده و رفتار آن کاملاً کوانتومی است. بنابراین موقعیت ذرات درون آن یک شکل هندسی کاملاً ثابت مثل یک جسم جامد معمولی ایجاد نمی‌کند. در عوض، هسته دارای توزیع احتمال است و بسته به حالت انرژی خود می‌تواند آرایش‌ها و شکل‌های متفاوتی داشته باشد.
برای مثال، محاسبات هسته‌ای پیش‌بینی کرده‌اند که اکسیژن-۱۶ می‌تواند آرایشی نزدیک به چهاروجهی داشته باشد، در حالی که نئون-۲۰ تمایل بیشتری به یک آرایش کشیده و شبیه پین بولینگ نشان می‌دهد.
🔹 بنابراین وقتی می‌گوییم «هسته نئون پین بولینگ است»، منظور این نیست که درون اتم یک پین بولینگ واقعی و ثابت وجود دارد؛ بلکه یعنی توزیع متوسط ماده هسته‌ای می‌تواند در برخی حالت‌ها کشیده‌تر از یک کره باشد.
❕ پس آزمایش LHC چگونه این شکل را آشکار می‌کند؟
دانشمندان نمی‌توانند مستقیماً داخل هسته را نگاه کنند. در عوض، آن‌ها هسته‌ها را تقریباً با سرعت نور به یکدیگر برخورد می‌دهند.
در بعضی از برخوردها، انرژی آن‌قدر زیاد است که ماده‌ای فوق‌العاده داغ به نام پلاسمای کوارک–گلوئون (QGP) ایجاد می‌شود؛ حالتی که در آن پروتون‌ها و نوترون‌ها دیگر به شکل معمول خود باقی نمی‌مانند.
این ماده بسیار سریع منبسط می‌شود و ذرات زیادی از آن بیرون می‌آیند.
🔹 نکته کلیدی اینجاست:
شکل و نحوه توزیع هسته‌ها در لحظه برخورد → بر الگوی حرکت ذرات خروجی اثر می‌گذارد.
به همین دلیل فیزیکدانان با اندازه‌گیری جهت حرکت هزاران ذره می‌توانند سرنخ‌هایی درباره هندسه اولیه برخورد پیدا کنند.
این موضوع کمی شبیه این است که یک جسم ناشناخته را لمس کنیم اما خود جسم را نبینیم و فقط از روی الگویی که هنگام برخورد ایجاد می‌کند، درباره شکل آن نتیجه بگیریم.
❕ چرا اکسیژن و نئون برای این آزمایش جالب‌اند؟
این دو هسته از نظر تعداد نوکلئون‌ها به یکدیگر نزدیک‌اند، بنابراین انتظار می‌رود تکامل ماده حاصل از برخورد آن‌ها تا حد زیادی مشابه باشد.
در نتیجه، اگر بین برخوردهای O+O و Ne+Ne تفاوت مشخصی در الگوی جریان ذرات دیده شود، این تفاوت می‌تواند بیشتر به شکل اولیه خود هسته‌ها مربوط باشد، نه تفاوت‌های بزرگ در تکامل بعدی پلاسمای کوارک–گلوئون.
🔹 در داده‌های CMS، هر دو نوع برخورد الگوهای «جریان جمعی» از خود نشان دادند. در برخوردهای تقریباً روبهرو، جریان بیضوی نئون قوی‌تر بود؛ الگویی که با این ایده سازگار است که نئون-۲۰ نسبت به اکسیژن-۱۶ ساختاری تغییرشکل‌یافته‌تر و کشیده‌تر دارد.
❕ اما هنوز یک «عکس سه‌بعدی» از هسته نداریم
این قسمت بسیار مهم است.
نتایج آزمایش نشان می‌دهند که برخوردهای نئون و اکسیژن با پیش‌بینی‌های مربوط به تفاوت هندسی آن‌ها همخوانی کیفی دارند، اما پژوهشگران هنوز نتوانسته‌اند از این داده‌ها یک مقدار دقیق و قطعی برای میزان تغییرشکل نئون-۲۰ استخراج کنند.
حتی یکی از الگوهای جریان ذرات، یعنی جریان مثلثی (v3)، با پیش‌بینی مدل‌های فعلی به‌طور کامل سازگار نبود.
🔹 بنابراین این آزمایش را بهتر است نه به‌عنوان «عکسبرداری مستقیم از هسته»، بلکه به‌عنوان نوعی توموگرافی غیرمستقیم در مقیاس هسته‌ای در نظر بگیریم: فیزیکدانان از نتیجه برخورد برای بازسازی ویژگی‌هایی از چیزی استفاده می‌کنند که مستقیماً قابل مشاهده نیست.
❕ چرا این موضوع مهم است؟
شکل هسته فقط یک کنجکاوی هندسی نیست. ساختار هسته‌ای بر نحوه برهم‌کنش آن با هسته‌های دیگر و بر رفتار ماده فوق‌داغی که در برخوردهای پرانرژی ایجاد می‌شود اثر می‌گذارد.
به همین دلیل، فهم بهتر هندسه هسته‌ها می‌تواند به آزمایش دقیق‌تر نیروی هسته‌ای قوی و رفتار ماده در شرایط بسیار شدید کمک کند.
🔹 پس آن تصویر ساده و گردی که از هسته اتم در کتاب‌ها می‌بینیم کاملاً «غلط» نیست؛ بلکه ساده‌سازی است.
واقعیت کوانتومی بسیار عجیب‌تر است:
هسته یک توپ کوچک و سخت نیست؛ یک سامانه کوانتومی پویاست که شکل و آرایش آن می‌تواند با حالت انرژی و شرایط فیزیکی تغییر کند.
و حالا فیزیکدانان در LHC یاد گرفته‌اند که حتی بدون دیدن مستقیم این جهان زیراتمی، می‌توانند ردپای هندسه آن را از میان هزاران ذره خروجی بازسازی کنند.
[منبع]
🆔 @Science_Focus
#فیزیک #فیزیک_هسته_ای #سرن #کوارک #شتاب_دهنده #ذرات_بنیادی #علم
🔹 در پست قبلی کانال دیدیم که برخورد هسته‌های اکسیژن-۱۶ و نئون-۲۰ در LHC توانست سرنخ‌هایی درباره شکل غیرکروی هسته‌ها آشکار کند. اما یک پرسش مهم باقی می‌ماند:
دانشمندان دقیقاً چگونه از برخورد چند هسته، درباره شکل چیزی به این کوچکی نتیجه می‌گیرند؟ و این «شکل» اصلاً به چه معناست؟
❕ هسته اتم یک توپ کوچک و ثابت نیست
وقتی در کتاب‌های درسی هسته اتم را به شکل یک کره رسم می‌کنیم، این تصویر بیشتر یک مدل ساده آموزشی است تا یک عکس واقعی.
هسته از پروتون‌ها و نوترون‌ها تشکیل شده و رفتار آن کاملاً کوانتومی است. بنابراین موقعیت ذرات درون آن یک شکل هندسی کاملاً ثابت مثل یک جسم جامد معمولی ایجاد نمی‌کند. در عوض، هسته دارای توزیع احتمال است و بسته به حالت انرژی خود می‌تواند آرایش‌ها و شکل‌های متفاوتی داشته باشد.
برای مثال، محاسبات هسته‌ای پیش‌بینی کرده‌اند که اکسیژن-۱۶ می‌تواند آرایشی نزدیک به چهاروجهی داشته باشد، در حالی که نئون-۲۰ تمایل بیشتری به یک آرایش کشیده و شبیه پین بولینگ نشان می‌دهد.
🔹 بنابراین وقتی می‌گوییم «هسته نئون پین بولینگ است»، منظور این نیست که درون اتم یک پین بولینگ واقعی و ثابت وجود دارد؛ بلکه یعنی توزیع متوسط ماده هسته‌ای می‌تواند در برخی حالت‌ها کشیده‌تر از یک کره باشد.
❕ پس آزمایش LHC چگونه این شکل را آشکار می‌کند؟
دانشمندان نمی‌توانند مستقیماً داخل هسته را نگاه کنند. در عوض، آن‌ها هسته‌ها را تقریباً با سرعت نور به یکدیگر برخورد می‌دهند.
در بعضی از برخوردها، انرژی آن‌قدر زیاد است که ماده‌ای فوق‌العاده داغ به نام پلاسمای کوارک–گلوئون (QGP) ایجاد می‌شود؛ حالتی که در آن پروتون‌ها و نوترون‌ها دیگر به شکل معمول خود باقی نمی‌مانند.
این ماده بسیار سریع منبسط می‌شود و ذرات زیادی از آن بیرون می‌آیند.
🔹 نکته کلیدی اینجاست:
شکل و نحوه توزیع هسته‌ها در لحظه برخورد → بر الگوی حرکت ذرات خروجی اثر می‌گذارد.
به همین دلیل فیزیکدانان با اندازه‌گیری جهت حرکت هزاران ذره می‌توانند سرنخ‌هایی درباره هندسه اولیه برخورد پیدا کنند.
این موضوع کمی شبیه این است که یک جسم ناشناخته را لمس کنیم اما خود جسم را نبینیم و فقط از روی الگویی که هنگام برخورد ایجاد می‌کند، درباره شکل آن نتیجه بگیریم.
❕ چرا اکسیژن و نئون برای این آزمایش جالب‌اند؟
این دو هسته از نظر تعداد نوکلئون‌ها به یکدیگر نزدیک‌اند، بنابراین انتظار می‌رود تکامل ماده حاصل از برخورد آن‌ها تا حد زیادی مشابه باشد.
در نتیجه، اگر بین برخوردهای O+O و Ne+Ne تفاوت مشخصی در الگوی جریان ذرات دیده شود، این تفاوت می‌تواند بیشتر به شکل اولیه خود هسته‌ها مربوط باشد، نه تفاوت‌های بزرگ در تکامل بعدی پلاسمای کوارک–گلوئون.
🔹 در داده‌های CMS، هر دو نوع برخورد الگوهای «جریان جمعی» از خود نشان دادند. در برخوردهای تقریباً روبهرو، جریان بیضوی نئون قوی‌تر بود؛ الگویی که با این ایده سازگار است که نئون-۲۰ نسبت به اکسیژن-۱۶ ساختاری تغییرشکل‌یافته‌تر و کشیده‌تر دارد.
❕ اما هنوز یک «عکس سه‌بعدی» از هسته نداریم
این قسمت بسیار مهم است.
نتایج آزمایش نشان می‌دهند که برخوردهای نئون و اکسیژن با پیش‌بینی‌های مربوط به تفاوت هندسی آن‌ها همخوانی کیفی دارند، اما پژوهشگران هنوز نتوانسته‌اند از این داده‌ها یک مقدار دقیق و قطعی برای میزان تغییرشکل نئون-۲۰ استخراج کنند.
حتی یکی از الگوهای جریان ذرات، یعنی جریان مثلثی (v3)، با پیش‌بینی مدل‌های فعلی به‌طور کامل سازگار نبود.
🔹 بنابراین این آزمایش را بهتر است نه به‌عنوان «عکسبرداری مستقیم از هسته»، بلکه به‌عنوان نوعی توموگرافی غیرمستقیم در مقیاس هسته‌ای در نظر بگیریم: فیزیکدانان از نتیجه برخورد برای بازسازی ویژگی‌هایی از چیزی استفاده می‌کنند که مستقیماً قابل مشاهده نیست.
❕ چرا این موضوع مهم است؟
شکل هسته فقط یک کنجکاوی هندسی نیست. ساختار هسته‌ای بر نحوه برهم‌کنش آن با هسته‌های دیگر و بر رفتار ماده فوق‌داغی که در برخوردهای پرانرژی ایجاد می‌شود اثر می‌گذارد.
به همین دلیل، فهم بهتر هندسه هسته‌ها می‌تواند به آزمایش دقیق‌تر نیروی هسته‌ای قوی و رفتار ماده در شرایط بسیار شدید کمک کند.
🔹 پس آن تصویر ساده و گردی که از هسته اتم در کتاب‌ها می‌بینیم کاملاً «غلط» نیست؛ بلکه ساده‌سازی است.
واقعیت کوانتومی بسیار عجیب‌تر است:
هسته یک توپ کوچک و سخت نیست؛ یک سامانه کوانتومی پویاست که شکل و آرایش آن می‌تواند با حالت انرژی و شرایط فیزیکی تغییر کند.
و حالا فیزیکدانان در LHC یاد گرفته‌اند که حتی بدون دیدن مستقیم این جهان زیراتمی، می‌توانند ردپای هندسه آن را از میان هزاران ذره خروجی بازسازی کنند.
[منبع]
🆔 @Science_Focus
#فیزیک #فیزیک_هسته_ای #سرن #کوارک #شتاب_دهنده #ذرات_بنیادی #علم
Phys.org
LHC collisions reveal oxygen and neon's shifting nuclear geometry
Many people are aware that the Large Hadron Collider (LHC) at CERN smashes tiny subatomic particles together at nearly the speed of light to test foundational laws of physics and discover new fundamental ...
❤4👍2
🔺 بازگرداندن سلول‌های سرطانی و پیر به حالت طبیعی: فناوری جدید ROOT در زیست‌شناسی سامانه‌ای
🔹 برای دهه‌ها، علم پزشکی یک واقعیت تلخ را پذیرفته بود: وقتی یک سلول به حالت سرطانی تغییر شکل می‌دهد یا دچار فرسودگی و پیری می‌شود، این تغییر «برگشت‌ناپذیر» است. به همین دلیل تمام درمان‌های فعلی بر پایه نابود کردن سلول بیمار (مانند شیمی‌درمانی) استوارند که اغلب به سلول‌های سالم نیز آسیب می‌زنند. اکنون دانشمندان دانشگاه KAIST با معرفی فناوری جدیدی به نام ROOT، نشان داده‌اند که می‌توان این تغییرات «برگشت‌ناپذیر» را معکوس کرد و سلول بیمار را مجدداً به یک سلول کاملاً سالم و نرمال تبدیل نمود!
❕ جیغ میکروفون و قفل شدن سلول‌ها در حالت بیماری
وقتی سلول‌ها تحت تأثیر عوامل محیطی به حالت سرطانی تبدیل می‌شوند، هزاران «حلقه بازخورد مثبت» درون آن‌ها فعال می‌شود. این وضعیت دقیقاً شبیه به «سوت کشیدن یا جیغ میکروفون» در کنار بلندگو است؛ جایی که صدا دائماً خودش را تقویت می‌کند. در سلول سرطانی نیز مولکول‌ها دائماً یکدیگر را فعال نگه می‌دارند، به طوری که حتی پس از قطع عامل بیماری‌زا، سلول در آن حالت آسیب‌دیده «قفل» می‌ماند. این فناوری جدید که در ژورنال معتبر PNAS منتشر شده، با مدلسازی ریاضی این شبکه‌ها، موفق شده «هسته برگشت‌ناپذیری» سلول را شناسایی کند.
🔹 الگوریتم ROOT به جای کشتن سلول، دو راهکار کنترلی هوشمندانه برای بازگرداندن سلامتی به سلول ارائه می‌دهد.
❕ دو استراتژی هوشمندانه: بازنشانی و معکوس‌سازی قفل سلول
۱- کنترل بازنشانی (Resetting): مانند این است که قفل در جای خود بماند، اما درِ قفل‌شده باز شده و سلول به نقطه آغازینِ سالم بازگردانده شود.
۲- کنترل معکوس‌سازی (Reversing): منشأ خودِ قفل را از بین می‌برد؛ مانند از کار انداختن مکانیزم قفل خودکار در، تا سلول بتواند بدون گیر کردن، آزادانه به حالت طبیعی خود بازگردد.
🔹 دانشمندان این فناوری زیست‌شناسی سامانه‌ای را با موفقیت روی مدل‌های آزمایشگاهی، از جمله فرآیند تهاجم و متاستاز در سرطان ریه آزمودند و توانستند سلول‌های سرطانی را به سلول‌های سالم اولیه بازگردانند. این دستاورد یک تغییر پارادایم بزرگ در پزشکی آینده است: حرکت از «داروهای سمی و نابودکننده سلول» به سمت «بازبرنامه‌ریزی و ترمیم هوشمند سلول‌های بیمار».
[منبع]
🆔 @Science_Focus
#زیست_شناسی #سرطان #پزشکی #زیست_شناسی_سامانه_ای #پیری #درمان_سرطان #فناوری
🔹 برای دهه‌ها، علم پزشکی یک واقعیت تلخ را پذیرفته بود: وقتی یک سلول به حالت سرطانی تغییر شکل می‌دهد یا دچار فرسودگی و پیری می‌شود، این تغییر «برگشت‌ناپذیر» است. به همین دلیل تمام درمان‌های فعلی بر پایه نابود کردن سلول بیمار (مانند شیمی‌درمانی) استوارند که اغلب به سلول‌های سالم نیز آسیب می‌زنند. اکنون دانشمندان دانشگاه KAIST با معرفی فناوری جدیدی به نام ROOT، نشان داده‌اند که می‌توان این تغییرات «برگشت‌ناپذیر» را معکوس کرد و سلول بیمار را مجدداً به یک سلول کاملاً سالم و نرمال تبدیل نمود!
❕ جیغ میکروفون و قفل شدن سلول‌ها در حالت بیماری
وقتی سلول‌ها تحت تأثیر عوامل محیطی به حالت سرطانی تبدیل می‌شوند، هزاران «حلقه بازخورد مثبت» درون آن‌ها فعال می‌شود. این وضعیت دقیقاً شبیه به «سوت کشیدن یا جیغ میکروفون» در کنار بلندگو است؛ جایی که صدا دائماً خودش را تقویت می‌کند. در سلول سرطانی نیز مولکول‌ها دائماً یکدیگر را فعال نگه می‌دارند، به طوری که حتی پس از قطع عامل بیماری‌زا، سلول در آن حالت آسیب‌دیده «قفل» می‌ماند. این فناوری جدید که در ژورنال معتبر PNAS منتشر شده، با مدلسازی ریاضی این شبکه‌ها، موفق شده «هسته برگشت‌ناپذیری» سلول را شناسایی کند.
🔹 الگوریتم ROOT به جای کشتن سلول، دو راهکار کنترلی هوشمندانه برای بازگرداندن سلامتی به سلول ارائه می‌دهد.
❕ دو استراتژی هوشمندانه: بازنشانی و معکوس‌سازی قفل سلول
۱- کنترل بازنشانی (Resetting): مانند این است که قفل در جای خود بماند، اما درِ قفل‌شده باز شده و سلول به نقطه آغازینِ سالم بازگردانده شود.
۲- کنترل معکوس‌سازی (Reversing): منشأ خودِ قفل را از بین می‌برد؛ مانند از کار انداختن مکانیزم قفل خودکار در، تا سلول بتواند بدون گیر کردن، آزادانه به حالت طبیعی خود بازگردد.
🔹 دانشمندان این فناوری زیست‌شناسی سامانه‌ای را با موفقیت روی مدل‌های آزمایشگاهی، از جمله فرآیند تهاجم و متاستاز در سرطان ریه آزمودند و توانستند سلول‌های سرطانی را به سلول‌های سالم اولیه بازگردانند. این دستاورد یک تغییر پارادایم بزرگ در پزشکی آینده است: حرکت از «داروهای سمی و نابودکننده سلول» به سمت «بازبرنامه‌ریزی و ترمیم هوشمند سلول‌های بیمار».
[منبع]
🆔 @Science_Focus
#زیست_شناسی #سرطان #پزشکی #زیست_شناسی_سامانه_ای #پیری #درمان_سرطان #فناوری
Phys.org
New ROOT method charts a path to reversing biological changes once thought irreversible
Once a cell has locked into an abnormal state—the way cancer cells do—can it ever be restored to normal? A KAIST research team led by Professor Kwang-Hyun Cho of the Department of Bio and Brain Engineering ...
❤4👍1
🔺 احضار «زنبورهای قاتل» توسط گیاهان: کشف میراث دفاعی پنهان در خاک
🔹 گیاهان در دفاع از خود، بسیار هوشمندتر و مجهزتر از آن چیزی هستند که تصورش را می‌کردیم. یک پژوهش جدید فاش کرده است که وقتی برخی گیاهان مورد حمله آفات برگ‌خوار قرار می‌گیرند، نه تنها با انتشار مواد شیمیایی در هوا زنبورهای قاتل را برای نابودی آفت احضار می‌کنند، بلکه با تغییر باکتری‌های خاک، یک «پیام هشدار ماندگار» برای نسل‌های بعدی خود به جا می‌گذارند!
❕ زنبورهای پارازیتوئید: قاتلان اجیرشده گیاه
پژوهشگران در مطالعه‌ای که در ژورنال معتبر Cell Reports منتشر شده، نحوه دفاع گیاه «لوبیا چشم‌بلبلی» در برابر آفت کشنده‌ای به نام «مگس مینوز برگ» را بررسی کردند. لارو این آفت با حفر تونل در برگ‌ها، محصول را نابود می‌کند. اما گیاه دست روی دست نمی‌گذارد؛ به محض حمله آفت، ترکیبات فرّاری در هوا آزاد می‌کند که مانند یک «سوت آژیر» عمل کرده و زنبورهای پارازیتوئید را جلب می‌کند. این زنبورهای بسیار کوچک با تخم‌ریزی درون بدن لارو آفت، آن را از درون نابود می‌سازند!
🔹 اما کشف شگفت‌انگیز اصلی، در اعماق خاک و زیر ریشه‌ها رخ می‌دهد.
❕ امضای دفاعی در خاک: پیام‌های شیمیایی ریشه برای نسل‌های بعد
سیگنال‌های هوایی عمر کوتاهی دارند، اما گیاه همزمان ترکیبات فلاوونوئیدی خاصی را از طریق ریشه‌هایش به درون خاک ترشح می‌کند. این مواد شیمیایی، ساختار باکتری‌های اطراف ریشه (میکروبیوم خاک) را دستکاری می‌کنند. این باکتری‌های تغییریافته مانند یک «میراث دفاعی ماندگار» در خاک باقی می‌مانند و باعث می‌شوند گیاهان بعدی که در این خاک می‌رویند، حتی قبل از حمله آفت، سیستم دفاعی‌شان در حالت آماده‌باش کامل قرار گیرد و با کوچک‌ترین تهدید، سیگنال جلب زنبورها را بسیار سریع‌تر آزاد کنند!
🔹 این فرآیند نشان می‌دهد که گیاهان می‌توانند استرس‌های کوتاه‌مدت را به یک «حافظه دفاعی بلندمدت» در خاک تبدیل کنند. به گفته دانشمندان، درک این شبکه ارتباطی میان گیاه، باکتری‌های خاک و حشرات شکارچی، انقلابی در کشاورزی پایدار ایجاد می‌کند و به ما اجازه می‌دهد تا بدون نیاز به سموم شیمیاییِ خطرناک، تنها با به کارگیری شبکه دفاع طبیعیِ خودِ طبیعت از محصولات کشاورزی محافظت کنیم.
[منبع]
🆔 @Science_Focus
#زیست_شناسی #کشاورزی #محیط_زیست #گیاهان #کشاورزی_پایدار #حشرات #علم
🔹 گیاهان در دفاع از خود، بسیار هوشمندتر و مجهزتر از آن چیزی هستند که تصورش را می‌کردیم. یک پژوهش جدید فاش کرده است که وقتی برخی گیاهان مورد حمله آفات برگ‌خوار قرار می‌گیرند، نه تنها با انتشار مواد شیمیایی در هوا زنبورهای قاتل را برای نابودی آفت احضار می‌کنند، بلکه با تغییر باکتری‌های خاک، یک «پیام هشدار ماندگار» برای نسل‌های بعدی خود به جا می‌گذارند!
❕ زنبورهای پارازیتوئید: قاتلان اجیرشده گیاه
پژوهشگران در مطالعه‌ای که در ژورنال معتبر Cell Reports منتشر شده، نحوه دفاع گیاه «لوبیا چشم‌بلبلی» در برابر آفت کشنده‌ای به نام «مگس مینوز برگ» را بررسی کردند. لارو این آفت با حفر تونل در برگ‌ها، محصول را نابود می‌کند. اما گیاه دست روی دست نمی‌گذارد؛ به محض حمله آفت، ترکیبات فرّاری در هوا آزاد می‌کند که مانند یک «سوت آژیر» عمل کرده و زنبورهای پارازیتوئید را جلب می‌کند. این زنبورهای بسیار کوچک با تخم‌ریزی درون بدن لارو آفت، آن را از درون نابود می‌سازند!
🔹 اما کشف شگفت‌انگیز اصلی، در اعماق خاک و زیر ریشه‌ها رخ می‌دهد.
❕ امضای دفاعی در خاک: پیام‌های شیمیایی ریشه برای نسل‌های بعد
سیگنال‌های هوایی عمر کوتاهی دارند، اما گیاه همزمان ترکیبات فلاوونوئیدی خاصی را از طریق ریشه‌هایش به درون خاک ترشح می‌کند. این مواد شیمیایی، ساختار باکتری‌های اطراف ریشه (میکروبیوم خاک) را دستکاری می‌کنند. این باکتری‌های تغییریافته مانند یک «میراث دفاعی ماندگار» در خاک باقی می‌مانند و باعث می‌شوند گیاهان بعدی که در این خاک می‌رویند، حتی قبل از حمله آفت، سیستم دفاعی‌شان در حالت آماده‌باش کامل قرار گیرد و با کوچک‌ترین تهدید، سیگنال جلب زنبورها را بسیار سریع‌تر آزاد کنند!
🔹 این فرآیند نشان می‌دهد که گیاهان می‌توانند استرس‌های کوتاه‌مدت را به یک «حافظه دفاعی بلندمدت» در خاک تبدیل کنند. به گفته دانشمندان، درک این شبکه ارتباطی میان گیاه، باکتری‌های خاک و حشرات شکارچی، انقلابی در کشاورزی پایدار ایجاد می‌کند و به ما اجازه می‌دهد تا بدون نیاز به سموم شیمیاییِ خطرناک، تنها با به کارگیری شبکه دفاع طبیعیِ خودِ طبیعت از محصولات کشاورزی محافظت کنیم.
[منبع]
🆔 @Science_Focus
#زیست_شناسی #کشاورزی #محیط_زیست #گیاهان #کشاورزی_پایدار #حشرات #علم
Gizmodo
This Plant Summons Parasitic Wasps to Kill Its Enemies
New research shows how some plants recruit wasps and soil bacteria to keep their leaves safe from harm.
❤5👍2
🔺 خاطرات فراموش‌شده هرگز پاک نمی‌شوند: کشف «ردپای خاموش حافظه» و نحوه شکل‌گیری خاطره کاذب
🔹 آیا خاطراتی که فراموش می‌کنیم برای همیشه از بین می‌روند یا در اعماق مغز ما مخفی شده‌اند؟ یک پژوهش پیشگامانه جدید که در ژورنال معتبر Nature Neuroscience منتشر شده، با بررسی مغز مگس سرکه نشان می‌دهد که خاطرات فراموش‌شده پاک نمی‌شوند، بلکه به حالت «خاموش» درمی‌آیند و می‌توان آن‌ها را بازیافت یا حتی دستکاری کرد.
❕ ردپای فعال در برابر ردپای خاموش: دو حالت متفاوت حافظه
دانشمندان دریافتند که اطلاعات در سیستم عصبی در دو حالت ذخیره می‌شوند. حالت اول «ردپای فعال» است که رفتار و تصمیم‌گیری‌های روزمره را هدایت می‌کند اما به مرور زمان کم‌رنگ می‌شود. وقتی رفتاری به ظاهر فراموش می‌شود، اطلاعات پاک نمی‌شوند، بلکه به «ردپای خاموش» تغییر حالت می‌دهند. در این وضعیت، خاطره هیچ تأثیر مستقیمی بر رفتار ندارد، اما مانند یک فایل بایگانی‌شده در مدارهای عصبی خنثی (در ناحیه اجسام قارچی مغز) باقی می‌ماند.
🔹 پیش‌تر در کانال درباره «نقشه‌برداری کامل از سیستم عصبی مگس سرکه» (کانکتوم) نوشتیم. دانشمندان با استفاده از همان نقشه‌های دقیق اتصالات عصبی، موفق شدند نورون‌ها و مسیرهای دوپامینی دقیقی را که مسئول تغییر حالت خاطرات از خاموش به فعال هستند، شناسایی کنند.
❕ چگونه یک یادآوری می‌تواند حافظه واقعی یا «کاذب» بسازد؟
وقتی جاندار در معرض یک نشانه حسّی مرتبط (مانند بو یا محیط قبلی) قرار می‌گیرد، سیگنال‌های عصبی، خاطره را از حالت «خاموش» دوباره به حالت «فعال» تبدیل می‌کنند. اما شگفت‌انگیزترین بخش کشف این بود که اگر نشانه‌های یادآوری گمراه‌کننده باشند، مغز اطلاعات بایگانی‌شده را به شکلی اشتباه بازسازی کرده و یک «حافظه کاذب» می‌سازد. این مکانیسم نشان می‌دهد که بازخوانی حافظه یک فیلم ضبط‌شده و ثابت نیست، بلکه یک «بازسازی پویا» است که به نشانه‌های زمانِ بازخوانی بستگی دارد.
🔹 این یافته‌ها نشان می‌دهند چرا انسان‌ها نیز در اثر سؤالات تلقینی یا نشانه‌های نادرست، خاطرات کاذب از رویدادهایی که هرگز اتفاق نیفتاده‌اند می‌سازند. درک نحوه سوئیچ مغز بین خاطرات فعال و خاموش، نه تنها رازهای بازیافت حافظه را روشن می‌کند، بلکه می‌تواند راهکارهای جدیدی برای بررسی زوال عقل و فراموشی ناشی از سالمندی ارائه دهد.
[منبع]
🆔 @Science_Focus
#علوم_اعصاب #مغز #حافظه #مگس_سرکه #کانکتوم #Nature
🔹 آیا خاطراتی که فراموش می‌کنیم برای همیشه از بین می‌روند یا در اعماق مغز ما مخفی شده‌اند؟ یک پژوهش پیشگامانه جدید که در ژورنال معتبر Nature Neuroscience منتشر شده، با بررسی مغز مگس سرکه نشان می‌دهد که خاطرات فراموش‌شده پاک نمی‌شوند، بلکه به حالت «خاموش» درمی‌آیند و می‌توان آن‌ها را بازیافت یا حتی دستکاری کرد.
❕ ردپای فعال در برابر ردپای خاموش: دو حالت متفاوت حافظه
دانشمندان دریافتند که اطلاعات در سیستم عصبی در دو حالت ذخیره می‌شوند. حالت اول «ردپای فعال» است که رفتار و تصمیم‌گیری‌های روزمره را هدایت می‌کند اما به مرور زمان کم‌رنگ می‌شود. وقتی رفتاری به ظاهر فراموش می‌شود، اطلاعات پاک نمی‌شوند، بلکه به «ردپای خاموش» تغییر حالت می‌دهند. در این وضعیت، خاطره هیچ تأثیر مستقیمی بر رفتار ندارد، اما مانند یک فایل بایگانی‌شده در مدارهای عصبی خنثی (در ناحیه اجسام قارچی مغز) باقی می‌ماند.
🔹 پیش‌تر در کانال درباره «نقشه‌برداری کامل از سیستم عصبی مگس سرکه» (کانکتوم) نوشتیم. دانشمندان با استفاده از همان نقشه‌های دقیق اتصالات عصبی، موفق شدند نورون‌ها و مسیرهای دوپامینی دقیقی را که مسئول تغییر حالت خاطرات از خاموش به فعال هستند، شناسایی کنند.
❕ چگونه یک یادآوری می‌تواند حافظه واقعی یا «کاذب» بسازد؟
وقتی جاندار در معرض یک نشانه حسّی مرتبط (مانند بو یا محیط قبلی) قرار می‌گیرد، سیگنال‌های عصبی، خاطره را از حالت «خاموش» دوباره به حالت «فعال» تبدیل می‌کنند. اما شگفت‌انگیزترین بخش کشف این بود که اگر نشانه‌های یادآوری گمراه‌کننده باشند، مغز اطلاعات بایگانی‌شده را به شکلی اشتباه بازسازی کرده و یک «حافظه کاذب» می‌سازد. این مکانیسم نشان می‌دهد که بازخوانی حافظه یک فیلم ضبط‌شده و ثابت نیست، بلکه یک «بازسازی پویا» است که به نشانه‌های زمانِ بازخوانی بستگی دارد.
🔹 این یافته‌ها نشان می‌دهند چرا انسان‌ها نیز در اثر سؤالات تلقینی یا نشانه‌های نادرست، خاطرات کاذب از رویدادهایی که هرگز اتفاق نیفتاده‌اند می‌سازند. درک نحوه سوئیچ مغز بین خاطرات فعال و خاموش، نه تنها رازهای بازیافت حافظه را روشن می‌کند، بلکه می‌تواند راهکارهای جدیدی برای بررسی زوال عقل و فراموشی ناشی از سالمندی ارائه دهد.
[منبع]
🆔 @Science_Focus
#علوم_اعصاب #مغز #حافظه #مگس_سرکه #کانکتوم #Nature
Medical Xpress
Fruit fly study sheds light on how forgotten memories return and change
As they explore the world, humans and other animals create many memories that they will later recall and that might inform their future actions. Over time, however, some of these memories can be forgotten ...
❤3👍1
🔺 شناسایی سن بیولوژیک اعضای بدن با یک آزمایش خون: انقلاب هوش مصنوعی در پایش سلامت اندام‌ها
🔹 تاریخ تولد شما می‌گوید چند سال از زندگیتان گذشته است، اما نمی‌تواند بگوید که آیا قلب، مغز یا کلیه‌های شما نیز به یک اندازه پیر شده‌اند یا خیر. یک پژوهش پیشگامانه جدید که در ژورنال معتبر Nature Medicine منتشر شده، نشان می‌دهد که اندام‌های مختلف بدن با سرعت‌های متفاوتی پیر می‌شوند و هوش مصنوعی اکنون می‌تواند سن بیولوژیک هر عضو را تنها از روی ردپای آن در خون تخمین بزند.
❕ ساعت‌های بافتی: هوش مصنوعی چگونه پیری اعضا را می‌بیند؟
دانشمندان مؤسسه CeMM در وین با تحلیل بیش از ۲۵ هزار تصویر میکروسکوپی از ۴۰ نوع بافت مختلف در ۲۹ عضو بدن، به هوش مصنوعی آموزش دادند تا تغییرات ظریف ساختاری مرتبط با پیری مانند فیبروز (سفت شدن بافت)، از دست رفتن مویرگ‌ها و تجمع چربی را تشخیص دهد. این مدل‌ها «ساعت‌های بافتی» ایجاد کردند که می‌توانند مشخص کنند آیا یک عضو (مثلاً ریه یک فرد ۶۰ ساله) از نظر ساختاری جوان‌تر یا پیرتر از سن تقویمی فرد است.
🔹 اما نمونه‌برداری (بیوپسی) مستقیم از بافت اندام‌های حیاتی برای انسان‌های زنده، کاری تهاجمی و پرخطر است. دانشمندان برای حل این چالش، دست به یک نوآوری زدند.
❕ نقشه‌برداری خون: خواندن سن اندام‌ها بدون نیاز به نمونه‌برداری
محققان الگوی تغییرات ساختاری بافت‌ها را با الگوهای فعالیت ژنی (RNA) در نمونه‌های خون همان افراد مطابقت دادند. سپس مدل دوم هوش مصنوعی ساخته شد که می‌تواند تنها با آنالیز خون، «شکاف سنی» اندام‌های مختلف را محاسبه کند. بررسی این آزمایش روی مبتلایان به بیماری‌های مختلف نشان داد که در افراد مبتلا به سکته مغزی یا آلزایمر، تنها «مغز» شکاف سنی بالایی نشان می‌دهد و در مبتلایان به بیماری کرون، سیستم گوارشی سن بیولوژیک بالاتری دارد.
🔹 این فناوری نشان می‌دهد که کاهش سن بیولوژیک بدن به یک عدد واحد، تصویر کاملی از سلامت ارائه نمی‌دهد. با این حال، محققان تأکید می‌کنند که این آزمایش هنوز در مراحل تحقیقاتی است و برای ورود به کلینیک‌ها و بیمارستان‌ها، به حدود یک دهه ارزیابی‌های بالینی بیشتر نیاز دارد.
[منبع]
🆔 @Science_Focus
#هوش_مصنوعی #پزشکی #سن_بیولوژیک #طول_عمر #Nature_Medicine #ژنتیک
🔹 تاریخ تولد شما می‌گوید چند سال از زندگیتان گذشته است، اما نمی‌تواند بگوید که آیا قلب، مغز یا کلیه‌های شما نیز به یک اندازه پیر شده‌اند یا خیر. یک پژوهش پیشگامانه جدید که در ژورنال معتبر Nature Medicine منتشر شده، نشان می‌دهد که اندام‌های مختلف بدن با سرعت‌های متفاوتی پیر می‌شوند و هوش مصنوعی اکنون می‌تواند سن بیولوژیک هر عضو را تنها از روی ردپای آن در خون تخمین بزند.
❕ ساعت‌های بافتی: هوش مصنوعی چگونه پیری اعضا را می‌بیند؟
دانشمندان مؤسسه CeMM در وین با تحلیل بیش از ۲۵ هزار تصویر میکروسکوپی از ۴۰ نوع بافت مختلف در ۲۹ عضو بدن، به هوش مصنوعی آموزش دادند تا تغییرات ظریف ساختاری مرتبط با پیری مانند فیبروز (سفت شدن بافت)، از دست رفتن مویرگ‌ها و تجمع چربی را تشخیص دهد. این مدل‌ها «ساعت‌های بافتی» ایجاد کردند که می‌توانند مشخص کنند آیا یک عضو (مثلاً ریه یک فرد ۶۰ ساله) از نظر ساختاری جوان‌تر یا پیرتر از سن تقویمی فرد است.
🔹 اما نمونه‌برداری (بیوپسی) مستقیم از بافت اندام‌های حیاتی برای انسان‌های زنده، کاری تهاجمی و پرخطر است. دانشمندان برای حل این چالش، دست به یک نوآوری زدند.
❕ نقشه‌برداری خون: خواندن سن اندام‌ها بدون نیاز به نمونه‌برداری
محققان الگوی تغییرات ساختاری بافت‌ها را با الگوهای فعالیت ژنی (RNA) در نمونه‌های خون همان افراد مطابقت دادند. سپس مدل دوم هوش مصنوعی ساخته شد که می‌تواند تنها با آنالیز خون، «شکاف سنی» اندام‌های مختلف را محاسبه کند. بررسی این آزمایش روی مبتلایان به بیماری‌های مختلف نشان داد که در افراد مبتلا به سکته مغزی یا آلزایمر، تنها «مغز» شکاف سنی بالایی نشان می‌دهد و در مبتلایان به بیماری کرون، سیستم گوارشی سن بیولوژیک بالاتری دارد.
🔹 این فناوری نشان می‌دهد که کاهش سن بیولوژیک بدن به یک عدد واحد، تصویر کاملی از سلامت ارائه نمی‌دهد. با این حال، محققان تأکید می‌کنند که این آزمایش هنوز در مراحل تحقیقاتی است و برای ورود به کلینیک‌ها و بیمارستان‌ها، به حدود یک دهه ارزیابی‌های بالینی بیشتر نیاز دارد.
[منبع]
🆔 @Science_Focus
#هوش_مصنوعی #پزشکی #سن_بیولوژیک #طول_عمر #Nature_Medicine #ژنتیک
ScienceAlert
A Single Blood Sample May Reveal The Biological Age of Each of Your Organs
Yikes.
❤4👍1
🔺 رونمایی از GPT-6 Astra: یک قدم به AGI یا فقط یک جهش بزرگ دیگر؟
🔹 OpenAI در ۳ سپتامبر ۲۰۲۶ مدل جدید GPT-6 Astra را معرفی کرد و آن را قدرتمندترین مدل خود تاکنون دانست؛ مدلی که در استفاده از رایانه، برنامه‌نویسی، پژوهش علمی، کارهای حرفه‌ای و امنیت سایبری جهش قابل توجهی نشان می‌دهد. OpenAI حتی از آغاز «دوران AGI» سخن گفته است. اما این ادعا ما را دقیقاً به بحثی برمی‌گرداند که در مطلب قبلی کانال درباره آینده AGI و مفهوم SAI مطرح کردیم: اصلاً معیار «هوش عمومی» چیست؟
❕ Astra در چه چیزی واقعاً متفاوت است؟
یکی از جالب‌ترین نتایج مربوط به آزمون ARC-AGI-3 است؛ مجموعه‌ای از محیط‌های ناشناخته و انتزاعی که مدل باید بدون آموزش قبلی، قواعد هر محیط را کشف کند و بر اساس آن برنامه‌ریزی کند.
Astra در جریان حل این مسائل، برای خودش نوعی مدل نمادین فشرده از محیط می‌سازد؛ مثلاً قوانین، وضعیت اشیا، مختصات و برنامه حرکات را با یک نوع نشانه‌گذاری جبری ثبت می‌کند و بعد از آن برای برنامه‌ریزی استفاده می‌کند.
🔹 نکته جالب‌تر این است که Astra در نسخه مورد بررسی ARC Prize، از نظر تعداد اقدام‌ها در ۹۶٪ مراحل، از میانه انسان‌هایی که آن مراحل را حل کرده بودند کارآمدتر عمل کرد؛ به‌طور میانگین نیز حدود ۵۱٫۷٪ اقدام کمتر انجام داد. البته این نتیجه به معنی «۹۶٪ پاسخ درست» نیست؛ معیار مورد نظر، کارایی در حل محیط‌هایی است که مدل موفق به حل آن‌ها شده است.
❕ این دقیقاً همان مسئله‌ای است که در بحث AGI مطرح کردیم
در مطلب قبلی گفتیم که یک هوش عمومی واقعی فقط با انجام تعداد زیادی کار انسانی تعریف نمی‌شود. سؤال مهم‌تر این است که آیا سیستم می‌تواند قواعد یک مسئله جدید را کشف کند، یک مدل ذهنی از آن بسازد و سپس مهارتی را که قبلاً آموزش ندیده به دست آورد؟
رفتار Astra در ARC-AGI-3 از این نظر جالب است؛ چون مدل فقط پاسخ‌های از پیش آموزش‌دیده را بازیابی نمی‌کند، بلکه در محیط جدید، قواعد را استخراج و برای آن‌ها یک نمایش فشرده می‌سازد.
اما همین‌جا باید محتاط باشیم: ARC-AGI-3 یک مجموعه محیط‌های بسته، مشخص و قابل کنترل است و رسیدن به عملکرد بالا در آن به‌تنهایی اثبات نمی‌کند که یک مدل در دنیای واقعی دارای هوش عمومی انسانی شده است. حتی خود ARC Prize نیز این نتیجه را به‌تنهایی «اثبات AGI» نمی‌داند.
❕ روی دیگر ماجرا: چرا Astra برای ایمنی هم خبرساز شده است؟
همزمان با افزایش توانایی‌های عمومی، Astra نخستین مدل OpenAI است که به سطح Critical (بحرانی) در چارچوب آمادگی امنیتی این شرکت رسیده است.
منظور چیست؟ طبق ارزیابی OpenAI، Astra در صورت داشتن ابزار و دسترسی مناسب می‌تواند آسیب‌پذیری‌های ناشناخته (Zero-Day) را پیدا کرده و روش‌های بهره‌برداری از آن‌ها را در سیستم‌های به‌شدت محافظت‌شده، بدون هدایت مرحله‌به‌مرحله انسان، توسعه دهد. به همین دلیل OpenAI دسترسی به پیشرفته‌ترین قابلیت‌های سایبری مدل را محدود کرده و لایه‌های حفاظتی و نظارتی بیشتری ایجاد کرده است.
🔹 این موضوع اهمیت بحثی را که در پست قبلی درباره AGI داشتیم بیشتر می‌کند: هرچه یک مدل سازگارتر، خودمختارتر و توانمندتر در یادگیری مهارت‌های جدید می‌شود، مسئله فقط «آیا هوشمند است؟» نیست؛ بلکه باید پرسید چقدر قابل کنترل، قابل پیش‌بینی و قابل نظارت است؟
❕ پس آیا Astra همان AGI است؟
هنوز پاسخ روشنی وجود ندارد.
OpenAI می‌تواند بگوید Astra آغاز دوران AGI است، اما خودِ مفهوم AGI همچنان تعریف واحد و مورد توافقی ندارد. شاید این مدل نشان‌دهنده یک جهش مهم به سمت یادگیری انطباق‌پذیر و توانایی عمومی‌تر باشد؛ همان جهتی که در مطلب قبلی کانال به‌عنوان یکی از نقدهای اصلی مفهوم سنتی AGI بررسی کردیم.
🔹 شاید سؤال مهم‌تر از اینکه «آیا Astra به AGI رسیده؟» این باشد:
«آیا داریم به ماشین‌هایی نزدیک می‌شویم که بتوانند تقریباً برای هر محیط جدید، خیلی سریع یک مدل از آن بسازند، مهارت لازم را یاد بگیرند و سپس آن را با سطحی نزدیک به انسان یا حتی فراتر از انسان اجرا کنند؟»
اگر پاسخ در سال‌های آینده «بله» باشد، مرز میان AGI، SAI و هوش تخصصیِ بسیار انعطاف‌پذیر بیش از هر زمان دیگری مبهم خواهد شد.
[منبع] [منبع]
🆔 @Science_Focus
#هوش_مصنوعی #فناوری #OpenAI #آسترا #امنیت_سایبری #علوم_کامپیوتر #AGI
🔹 OpenAI در ۳ سپتامبر ۲۰۲۶ مدل جدید GPT-6 Astra را معرفی کرد و آن را قدرتمندترین مدل خود تاکنون دانست؛ مدلی که در استفاده از رایانه، برنامه‌نویسی، پژوهش علمی، کارهای حرفه‌ای و امنیت سایبری جهش قابل توجهی نشان می‌دهد. OpenAI حتی از آغاز «دوران AGI» سخن گفته است. اما این ادعا ما را دقیقاً به بحثی برمی‌گرداند که در مطلب قبلی کانال درباره آینده AGI و مفهوم SAI مطرح کردیم: اصلاً معیار «هوش عمومی» چیست؟
❕ Astra در چه چیزی واقعاً متفاوت است؟
یکی از جالب‌ترین نتایج مربوط به آزمون ARC-AGI-3 است؛ مجموعه‌ای از محیط‌های ناشناخته و انتزاعی که مدل باید بدون آموزش قبلی، قواعد هر محیط را کشف کند و بر اساس آن برنامه‌ریزی کند.
Astra در جریان حل این مسائل، برای خودش نوعی مدل نمادین فشرده از محیط می‌سازد؛ مثلاً قوانین، وضعیت اشیا، مختصات و برنامه حرکات را با یک نوع نشانه‌گذاری جبری ثبت می‌کند و بعد از آن برای برنامه‌ریزی استفاده می‌کند.
🔹 نکته جالب‌تر این است که Astra در نسخه مورد بررسی ARC Prize، از نظر تعداد اقدام‌ها در ۹۶٪ مراحل، از میانه انسان‌هایی که آن مراحل را حل کرده بودند کارآمدتر عمل کرد؛ به‌طور میانگین نیز حدود ۵۱٫۷٪ اقدام کمتر انجام داد. البته این نتیجه به معنی «۹۶٪ پاسخ درست» نیست؛ معیار مورد نظر، کارایی در حل محیط‌هایی است که مدل موفق به حل آن‌ها شده است.
❕ این دقیقاً همان مسئله‌ای است که در بحث AGI مطرح کردیم
در مطلب قبلی گفتیم که یک هوش عمومی واقعی فقط با انجام تعداد زیادی کار انسانی تعریف نمی‌شود. سؤال مهم‌تر این است که آیا سیستم می‌تواند قواعد یک مسئله جدید را کشف کند، یک مدل ذهنی از آن بسازد و سپس مهارتی را که قبلاً آموزش ندیده به دست آورد؟
رفتار Astra در ARC-AGI-3 از این نظر جالب است؛ چون مدل فقط پاسخ‌های از پیش آموزش‌دیده را بازیابی نمی‌کند، بلکه در محیط جدید، قواعد را استخراج و برای آن‌ها یک نمایش فشرده می‌سازد.
اما همین‌جا باید محتاط باشیم: ARC-AGI-3 یک مجموعه محیط‌های بسته، مشخص و قابل کنترل است و رسیدن به عملکرد بالا در آن به‌تنهایی اثبات نمی‌کند که یک مدل در دنیای واقعی دارای هوش عمومی انسانی شده است. حتی خود ARC Prize نیز این نتیجه را به‌تنهایی «اثبات AGI» نمی‌داند.
❕ روی دیگر ماجرا: چرا Astra برای ایمنی هم خبرساز شده است؟
همزمان با افزایش توانایی‌های عمومی، Astra نخستین مدل OpenAI است که به سطح Critical (بحرانی) در چارچوب آمادگی امنیتی این شرکت رسیده است.
منظور چیست؟ طبق ارزیابی OpenAI، Astra در صورت داشتن ابزار و دسترسی مناسب می‌تواند آسیب‌پذیری‌های ناشناخته (Zero-Day) را پیدا کرده و روش‌های بهره‌برداری از آن‌ها را در سیستم‌های به‌شدت محافظت‌شده، بدون هدایت مرحله‌به‌مرحله انسان، توسعه دهد. به همین دلیل OpenAI دسترسی به پیشرفته‌ترین قابلیت‌های سایبری مدل را محدود کرده و لایه‌های حفاظتی و نظارتی بیشتری ایجاد کرده است.
🔹 این موضوع اهمیت بحثی را که در پست قبلی درباره AGI داشتیم بیشتر می‌کند: هرچه یک مدل سازگارتر، خودمختارتر و توانمندتر در یادگیری مهارت‌های جدید می‌شود، مسئله فقط «آیا هوشمند است؟» نیست؛ بلکه باید پرسید چقدر قابل کنترل، قابل پیش‌بینی و قابل نظارت است؟
❕ پس آیا Astra همان AGI است؟
هنوز پاسخ روشنی وجود ندارد.
OpenAI می‌تواند بگوید Astra آغاز دوران AGI است، اما خودِ مفهوم AGI همچنان تعریف واحد و مورد توافقی ندارد. شاید این مدل نشان‌دهنده یک جهش مهم به سمت یادگیری انطباق‌پذیر و توانایی عمومی‌تر باشد؛ همان جهتی که در مطلب قبلی کانال به‌عنوان یکی از نقدهای اصلی مفهوم سنتی AGI بررسی کردیم.
🔹 شاید سؤال مهم‌تر از اینکه «آیا Astra به AGI رسیده؟» این باشد:
«آیا داریم به ماشین‌هایی نزدیک می‌شویم که بتوانند تقریباً برای هر محیط جدید، خیلی سریع یک مدل از آن بسازند، مهارت لازم را یاد بگیرند و سپس آن را با سطحی نزدیک به انسان یا حتی فراتر از انسان اجرا کنند؟»
اگر پاسخ در سال‌های آینده «بله» باشد، مرز میان AGI، SAI و هوش تخصصیِ بسیار انعطاف‌پذیر بیش از هر زمان دیگری مبهم خواهد شد.
[منبع] [منبع]
🆔 @Science_Focus
#هوش_مصنوعی #فناوری #OpenAI #آسترا #امنیت_سایبری #علوم_کامپیوتر #AGI
Telegram
تازه‌های علمی
🔺 توهم «هوش عمومی مصنوعی»: چرا لکان و همکارانش می‌گویند آینده هوش مصنوعی شاید در AGI نباشد؟
🔹 امروزه از مدیران شرکت‌های فناوری تا پژوهشگران، از دستیابی به هوش عمومی مصنوعی (AGI) صحبت می‌شود؛ سامانه‌ای که بتواند طیف بسیار گسترده‌ای از کارهایی را که انسان…
🔹 امروزه از مدیران شرکت‌های فناوری تا پژوهشگران، از دستیابی به هوش عمومی مصنوعی (AGI) صحبت می‌شود؛ سامانه‌ای که بتواند طیف بسیار گسترده‌ای از کارهایی را که انسان…
❤2👍1