🌌Cosmo-Particle Workshop🌌
(Dark Matter)

🕰️زمان: ۴ و ۵ آبان ماه ۱۴۰۱

🏬مکان: دانشکده فیزیک دانشگاه تهران

📆مهلت ثبت نام: ۲۵ مهر ماه ۱۴۰۱

🌐ثبت‌نام در وبگاه:
https://sap.ut.ac.ir/cosmo-particle_dark-matter-event/
📧ایمیل:
cosmo.particle.ut@gmail.com

@utsap

📣انجمن علمی آمار دانشگاه بوعلی سینا با همکاری شرکت آگنا برگزار می کند:

🔴کارگاه آشنایی با داشبورد های آماری

🗣مدرس:
دکتر رحیم محمودوند
(دانشیار گروه آمار دانشگاه بوعلی سینا همدان)

⏱زمان برگزاری:
22،19و25 شهریور ماه ۱۴۰۱
ساعت 30 :19 الی 30 :21

📍پلتفرم: ادوبی کانکت

🔻کلاس ها به صورت مجازی ( #آنلاین )

🎥با قابلیت ضبط آفلاین جلسات

🌎لینک برگزاری در صورت ثبت نام ارسال می‌شود.

✅سرفصل ها
_آشنایی با داشبورد و نرم افزار کلیک ویو
_آموزش نحوه استفاده از مولفه های مهم در نرم افزار کلیک ویو
_تهیه داشبورد نمونه و انجام تمرین

🧾همراه با گواهی معتبر دانشگاهی

💳 هزینه ثبت‌نام : 150هزار تومان


📌برای ثبت نام و اطلاعات بیشتر بارکد موجود در پوستر را اسکن کنید یا روی لینک زیر کلیک کنید.
https://yek.link/WorkShop2022

✅با ما در تلگرام و اینستاگرام همراه باشید.

#انجمن_علمی_آمار_دانشگاه_بوعلی_سینا_همدان
#شرکت_آگنا


🆔@statistics_bualisina
🆔@agna_co_2022

🔴💥نظریه ریسمان💥🔴

قسمت دوم:

پیشتر گفتیم که مدل استاندارد ذرات بنیادین توانست تا حد زیادی فیزیک امروز را متحد و یکه کند، مگر در بخش گرانش که استثنا وجود داشت. مشکل گرانش نسبت به بقیه نیروها این است که نمیتوان آن را در مقیاس کوانتومی مورد بررسی قرار داد؛ پس باید به دنبال مدلی باشیم که بتواند گرانش را در میان بقیه ذرات بگنجاند.
نظریه ریسمان راه حلی بود که ارائه شد. 
ایده اصلی نظریه ریسمان بر این تفکر بنا شد که ذرات بنیادین را به جای یک ذره نقطه ای، یک موجود یک بعدی به نام ریسمان (String) بازنگری کنیم. نظریه ریسمان از حمایت خوبی توسط مکانیک کوانتومی برخوردار است؛ چرا که برهم کنش ها و اثر های متقابل میان ریسمان ها را میتوان به سادگی با تعمیم نظریه اغتشاش در نظریه میدان کوانتومی توضیح داد.
یک ریسمان میتواند بسته باشد و یک حلقه را تشکیل دهد یا اینکه باز باشد و دو سر باز داشته باشد. ریسمان ها ایعاد بسیاری کوچکی از مرتبه طول پلانک (planck length) یعنی (32-)^10 متر دارد . بیشتر فیزیکدانان نظری بر این عقیده اند که گرانش کوانتومی دراین مقیاس قابل مطالعه است.
تمام کیهان از ریسمان تشکیل شده است!
ایده اصلی نظریه ریسمان این است. چیز هایی که ما آنها را ذرات بنیادین می نامیم (چه فرمیون ها چه بوزن ها) همگی حاصل ارتعاشات این ریسمان ها هستند. حال از این ریسمان های باز یا بسته هر کدام با یک ارتعاش خاص باعث به وجود آمدن ویژگی های خاصی در آن ریسمان میشوند که نهایتا ما را وادار میکند آن را متمایز و به صورت یک ذره بررسی کنیم. نسخه های اولیه نظریه ریسمان که مختص بوزون ها (ذراتی که نیروها را میان فرمیون ها جابه جا میکنند) بود (Bosonic String Theory)؛ چرا که هدف اولیه فقط گنجاندن گرانش در مقیاس کوانتومی بود اما بعد ها با با ظاهر شدن نظریه ای که ابر ریسمان (Super String Theory) نامیده شد، فرمیون ها نیز درون این نظریه گنجانده شدند.
علاوه بر عدم توضیح فرمیون ها توسط نظریه  Bosonic String Theory این نظریه دو مشکل دیگر داشت. یکی اینکه محاسبات آن نیاز به دنیایی 26 بعدی داشت و مشکل دیگر که باز هم ناشی از ریاضیات این نظریه بود، پیش بینی وجود ذره ای به نام Tachyon بود که جرمی منفی داشت . نظریه ابر ریسمان مشکل پیش بینی Tachyon را کاملا حل کرد و در این نظریه دیگر ردی از جرم منفی دیده نمیشد، درباره ابعاد نیز نظریه ابر ریسمان تعداد بعد ها را از 26 به 10 بعد کاهش داد اما باز هم با این حال جهان ما یک جهان 4 بعدی است، 6 بعد از این نظریه اضافی به نظر میرسد. 
نظریه ابر ریسمان با اضافه کردن مفهوم Spinor  به ریسمان ها حاصل شد . با این حال نظریه ابر ریسمان را تنها زمانی میتوان پذیرفت که یک تقارن بنیادین را که از ریاضیات آن خارج میشود، نیز قبول کرد ، ابرتقارن (Supersymmetry) .
این تقارن بیان میکند که به ازای هر بوزون باید یک همتای فرمیونی وجود داشته باشد که این یعنی تعداد فرمیون ها با بوزون ها برابر است.
پس این نظریه با دو مشکل روبه رو است: یکی اینکه 6 بعد اضافی را در محاسباتش نیاز دارد و دیگری اینکه تعداد فرمیون های پیشنهادی آن با دنیای واقعی مطابقت ندارد.
تا کنون هیچکدام از این دو مشکل به صورت کامل و جدی حل نشده اند و هر دو، نقطه توقف نظری ریسمان تا به کنون بوده اند. برای مشکل ابعاد این نظریه دو پیشنهاد وجود دارد که از همه معروف تر هستند : یکی اینکه جهان ما یک لایه سه بعدی از یک جهان 9 بعدی است (که هردو یک بعد زمانی دارند) و دیگری اینکه 6 بعد اضافی در واقع در همین جهان ما هستند که به دور یک بعد دیگر پیچیده اند و به قدری ابعاد ریزی دارند که از دید ما فقط 3 بعد دیگری قابل مشاهده است.
اگر ایده دوم را بپذیریم، نظریه ابر ریسمان به پیش بینی بینهایت جهان با بینهایت قوانین متفاوت و گوناگون متفاوت دست میزند که جهان ما فقط یکی از آنهاست.
نظریه ابر ریسمان این جهان ها را به پنج دسته تقسیم می کند و برای هرکدام یک نوع نظریه ریسمان در نظر میگیرد:
Type I
Type IIA
Type IIB
Heterotic string theory (SO(32)
Heterotic string theory (E8×E8).

جالب این است که این پیشنهاد شاید بتواند دلیلی برای عدم برابری تعداد بوزون ها و فرمیون ها نیز ارائه دهد. ولی این پیشنهادات بسیار تخیلی و هنوز ناشناخته هستند و نمیتوان به عنوان یک نظریه از آنها یاد کرد.

ادامه دارد... .

✏گردآورندگان: محمد رستمی، محدثه بنائی، سارا ایرانپور، زهرا یاسر

#Stringtheory
#Mtheorem
#physics
#Highenergyphysics




✅@PSA_AUT

🔴💥نظریه ریسمان💥🔴

قسمت سوم:


نظریه همه چیز (TOE) یک چارچوب فرضی است که همه پدیده های فیزیکی شناخته شده در جهان را توضیح می دهد. محققان از زمان توسعه مکانیک کوانتومی و نظریه نسبیت آلبرت انیشتین در اوایل قرن بیستم، به دنبال چنین مدلی بودند.

هر یک از این ستون‌های فیزیک مدرن، حوزه تحقیقاتی مربوط به خود - کوچک‌ترین و عظیم‌ترین چیزهای کیهان - را با دقت شگفت‌آوری توصیف می‌کنند، اما هر دو مکانیک کوانتومی و نسبیت وقتی روی موضوع یکدیگر اعمال می‌شوند، شکست می‌خورند. تاکنون، یک نظریه فراگیر درباره همه چیز از دانشمندان دور مانده است و برخی معتقدند هدف نهایی غیرواقعی است.
در اواسط قرن بیستم، فیزیکدانان مدل استاندارد را توسعه دادند که «تئوری تقریباً همه چیز» نامیده می شود. این برهمکنش همه ذرات زیر اتمی شناخته شده و سه نیرو از چهار نیروی اساسی را توصیف می کند: الکترومغناطیس و نیروهای هسته ای قوی و ضعیف، اما نه گرانش.
مدلی که شامل گرانش نیز می شود، به عنوان نظریه گرانش کوانتومی شناخته می شود. برخی از محققان بر این باورند که نظریه ریسمان چنین چارچوبی است و برای نظریه همه چیز مناسب است. نظریه ریسمان فرض می کند که ذرات در واقع موجودات یک بعدی و رشته مانند هستند که در یک واقعیت 11 بعدی ارتعاش می کنند. ارتعاشات خواص ذرات مختلف مانند جرم و بار، آنها را تعیین می کند.
اما دانشمندان دیگر ایده نظریه ریسمان را یک بن بست فکری می دانند. پیتر ویت، فیزیکدان نظری در دانشگاه کلمبیا، بارها همکاران خود را به خاطر تعقیب چیزی که او یک رویای خیالی می‌داند، سرزنش کرده است.

وویت در وبلاگ خود نوشت: «مشکل اساسی تحقیقات یکسان سازی نظریه ریسمان این نیست که پیشرفت در 30 سال گذشته کند بوده است، بلکه منفی بوده است، با هر چیزی که آموخته شده است به وضوح نشان می دهد که چرا این ایده کار نمی کند».

استیون هاوکینگ، فیزیکدان، در کتاب پرفروش خود «تاریخ مختصر زمان» ( 1988 ) از تمایل خود برای کمک به ایجاد نظریه‌ای درباره همه چیز (که عنوان بیوگرافی 2014 او نیز بود) صحبت کرد. اما محقق معروف بعدها در زندگی تغییر عقیده داد. او فکر می‌کرد که چنین نظریه‌ای برای همیشه دور از دسترس خواهد بود؛ زیرا بر اساس یک سخنرانی در سال 2002 که در وب‌سایتی اختصاص داده شده به فیزیکدان فقید، توصیف‌های بشر از واقعیت همیشه ناقص است.

این واقعیت او را ناراحت نکرد بلکه او را امیدوار کرد. هاوکینگ گفت: «من اکنون خوشحالم که جستجوی ما برای درک، هرگز به پایان نخواهد رسید و ما همیشه چالش کشف جدید‌ را خواهیم داشت. بدون آن، ما راکد خواهیم بود».

ادامه دارد... .

✏گردآورندگان: محمد رستمی، محدثه بنائی، سارا ایرانپور، زهرا یاسر

#Stringtheory
#Mtheorem
#physics
#Highenergyphysics




✅@PSA_AUT

🔴💥نظریه ریسمان💥🔴

قسمت چهارم: نقدهای نظریه ریسمان۱

برای چندین دهه، فیزیکدانان مطمئن بودند که می توانند جهان را در تعداد انگشت شماری از معادلات پیچیده توضیح دهند. اکنون بسیاری ترسیده اند که به یک بن بست کشیده شده باشند!
بلندپروازانه ترین ایده ای که تاکنون توسط دانشمندان مطرح شده است، با شکست قابل توجهی روبرو است.
این اتهام حیرت انگیز توسط فیزیکدانان ناامید از جمله چندین برنده جایزه نوبل مطرح شده است که می گویند نظریه ریسمان - که به دنبال ترسیم کل ساختار جهان در چند معادله کوتاه است - یک بن بست فکری است. دو کتاب جدید منتشر شده در آمریکا اساس آن را زیر سوال می برد. آنها ادعا می کنند که این نظریه به دور از ارائه پاسخ به راز کیهان به بشریت، جعلی است. همانطور که یکی از دانشمندان بیان کرد: «ترویج غیرانتقادی نظریه ریسمان، اکنون به علم آسیب می رساند».

با این حال، طرفداران نظریه ریسمان - که شامل چندین برنده جایزه نوبل نیز می شود - این انتقادات را محکوم کرده و قویاً از رشته خود دفاع کرده اند.
آنها می گویند که نظریه ریسمان قبلاً منجر به پیشرفت های بزرگ بسیاری در ریاضیات و فیزیک شده است. ناگهان نظریه ریسمان دانشمندان را به تله می اندازد - اگرچه منشأ این ایده به اندازه کافی بی ضرر است و می توان آن را در تلاش فیزیکدانان برای خروج از بن بست فکری دنبال کرد.
قرن گذشته، آنها مکانیک کوانتومی را برای توضیح نحوه رفتار اشیاء کوچک - اتم ها و الکترون ها - ایجاد کردند، در حالی که انیشتین نظریه نسبیت عام خود را برای توضیح رفتار اجرام عظیمی مانند کهکشان ها ارائه کرد.
هر دو نظریه به خوبی کار می کنند - اما ناسازگار هستند. فیزیک کوانتومی نمی تواند چیزهای عظیم را توضیح دهد و نسبیت نمی تواند چیزهای کوچک را توضیح دهد. در مقایسه، زیست شناسان نظریه انتخاب طبیعی داروین را برای توضیح موجودات زنده، بزرگ و کوچک، از نهنگ ها تا باکتری ها دارند. فیزیکدانان هیچ کد یکپارچه ای ندارند - چشم اندازی که اینشتین را چنان ناراحت کرد که 20 سال گذشته خود را صرف شکار بی نتیجه برای یک نظریه یکپارچه درباره همه چیز کرد.
سپس در دهه هشتاد، گروهی از دانشمندان نظریه ریسمان را ایجاد کردند. آنها ادعا کردند که ماده از موجودات کوچک نقطه مانندی مانند نوترون ها یا کوارک ها تشکیل نشده است، بلکه از رشته های فوق العاده کوچکی از انرژی تشکیل شده است که ارتعاش می کنند. رشته ای که یک طرفه می لرزد به الکترون تبدیل می شود. دیگری، با ارتعاش متفاوت، به نوترون تبدیل می شود. و دیگری یکی از حاملان نیروی جاذبه می شود.
پروفسور مایکل گرین از دانشگاه کمبریج می‌گوید: «می‌توانید جهان را به‌عنوان یک سمفونی یا یک آهنگ در نظر بگیرید؛ زیرا هر دو از نت‌هایی تشکیل شده‌اند که توسط سیم‌هایی که به روش‌های خاصی ارتعاش می‌کنند».
به نظر جذاب می رسد. متأسفانه، دانشمندان برای اینکه معادلاتشان عملی شود، مجبور شدند شش بعد دیگر را به جهان اضافه کنند: «چهار بعد کافی نبود، اگرچه ما نمی‌توانیم این ابعاد اضافی را ببینیم، زیرا آنها آنقدر محکم مچاله شده‌اند که نامرئی هستند. برای عموم مردم، البته، همه اینها کمی گیج کننده است. با این وجود، نظریه ریسمان به طرز دلگرم‌کننده‌ای - در سطح نظری - برای توضیح موارد بسیار کوچک و فوق‌العاده بزرگ مؤثر بود و بنابراین شروع به تسلط بر مطالعه فیزیک بنیادی در دانشگاه‌های سراسر جهان کرد.
به گفته قهرمانان داستان، به زودی می توان کیهان را در چند معادله ساده که می تواند روی یک تی شرت قرار بگیرد، توصیف کرد.
اما با گذشت سالها، دانشمندان نتوانستند یک مشاهده عملی برای حمایت از این نظریه ارائه دهند. به گفته آنها، یک مشکل این بود که انرژی مورد نیاز برای شکستن ماده باز و مطالعه رشته های درون آن به قدری عظیم است که به ماشین هایی به اندازه کافی بزرگ برای پوشش سیاره نیاز دارد. علاوه بر این مشکلات، محاسبات اخیر یک پیش‌بینی شگفت‌انگیز از نظریه ریسمان ایجاد کرده است: اینکه ممکن است تعداد تقریباً نامحدودی از جهان‌های مختلف وجود داشته باشد که برخی از آنها شبیه جهان ما هستند و برخی دیگر بسیار متفاوت هستند. و نقد از اینجا شروع میشود. یک نظریه غیرقابل اثبات که صحبت از جهان های موازی غیرقابل رؤیت و فضای 10 بعدی برای برخی از فیزیکدانان ثابت شده است.
رابرت لافلین از دانشگاه استنفورد، برنده جایزه نوبل فیزیک در سال 1998، گفت: «به دور از یک امید تکنولوژیکی شگفت‌انگیز برای فردایی بزرگتر، نظریه ریسمان پیامد غم انگیز یک سیستم اعتقادی منسوخ است.

ادامه دارد... .
✏گردآورندگان: محمد رستمی، محدثه بنائی، سارا ایرانپور، زهرا یاسر

#Stringtheory
#Mtheorem
#physics
#Highenergyphysics




✅@PSA_AUT

🔴💥نظریه ریسمان💥🔴

قسمت پنجم: نقد های نظریه ریسمان۲

پیتر ویت، از دانشگاه کلمبیا و لی اسمولین، از مؤسسه Perimeter کانادا به تازگی کتاب هایی در مورد حمله به نظریه ریسمان منتشر کرده اند.
وویت - نویسنده کتاب «حتی اشتباه نیست» گفت: «نظریه ریسمان چیزی تولید نکرده است».
اسمولین که کتابش «مشکل با فیزیک» نام دارد، از این نکته حمایت کرد. او گفت که دانشمندان تمام انرژی خود را در یک رویکرد نظری ریخته اند که ثابت شده است عقیم است.
او گفت: «گویی هر محقق پزشکی در جهان به این نتیجه رسیده بود که تنها راهی برای مبارزه با سرطان وجود دارد و روی این خط حمله متمرکز شده‌اند؛ به قیمت تمام راه‌های دیگر».
سپس مشخص شد که این رویکرد کارساز نیست و دانشمندان متوجه می شوند که 20 سال را تلف کرده اند. این موازی با نظریه ریسمان است. به گفته منتقدان، بخشی از مشکل این است که در دهه هشتاد، فیزیکدانان جوان با استعداد توسط اساتید تشویق شدند که نظریه ریسمان را به دلیل وعده‌های بسیار زیاد آن اتخاذ کنند. اکنون آنها مدیران بخش میانسالی هستند که زندگی خود را به این موضوع اختصاص داده اند و نمی توانند آن را جعلی ببینند.
جای تعجب نیست که چنین اتهاماتی با عصبانیت توسط نظریه پردازان ریسمان رد می شود.
آنها استدلال می کنند که یک نظریه درباره همه چیز، یک شبه ایجاد نمی شود!
دیوید گروس، از دانشگاه کالیفرنیا سانتا باربارا و یکی دیگر از برندگان جایزه نوبل، گفت: «نظریه ریسمان در مسیر درستی قرار دارد اما این مسیر بسیار طولانی است. پیشرفت های بیشتری مورد نیاز است». سانجایه رامگولام، از کوئین مری، دانشگاه لندن، گفت: همچنین درست نیست که استدلال کنیم که این نظریه اشتباه است؛ زیرا هیچ پیش‌بینی قابل اثبات یا ردی ندارد. چندین راه وجود دارد که می‌توانیم نظریه ریسمان را اثبات یا رد کنیم. به عنوان مثال، برخورد دهنده بزرگ هادرونی جدید اروپا [که در سرن در ژنو ساخته می شود]، ممکن است به اندازه کافی قدرتمند باشد که شواهدی را ارائه دهد که نشان می دهد ما در مسیر درستی هستیم. در مورد این تصور که نظریه پردازان ریسمان سرشان در شن گیر کرده و از دیدن حقیقت امتناع می ورزند، گرین قاطعانه آن را رد می کند: «همه دانشمندان با ایده های جدید هیجان زده هستند. به همین دلیل است که ما دانشمند هستیم. اما وقتی نوبت به یک نظریه واحد می رسد، هیچ ایده جدیدی وجود نداشته است. هیچ جایگزینی برای نظریه ریسمان وجود ندارد. این تنها نمایش در شهر و جهان است».

منابع:
1.https://www.theguardian.com/science/2006/oct/08/research.highereducation
2.https://www.space.com/theory-of-everything-definition.html
3. steuard/research/StringIntro/slide20.html ~/http://www.slimy.com
4.https://www.youtube.com/watch?v=n7cOlBxtKSo 5.https://en.wikipedia.org/wiki/String_theory 6.https://byjus.com/physics/stringtheory/


✏گردآورندگان: محمد رستمی، محدثه بنائی، سارا ایرانپور، زهرا یاسر

#Stringtheory
#Mtheorem
#physics
#Highenergyphysics




✅@PSA_AUT

🔴💥پیش‌بینی ترافیک با استفاده از شبکه‌های عصبی گرافی پیشرفته💥🔴

قسمت اول:

تیم DeepMind با همکاری Google می‌تواند مزایای هوش مصنوعی را برای میلیاردها نفر در سراسر جهان به ارمغان بیاورد. از اتحاد مجدد یک کاربر دارای اختلال گفتار با صدای اصلی خود گرفته تا کمک به کاربران برای کشف برنامه های شخصی سازی شده، می توان تحقیقاتی را برای مشکلات دنیای واقعی در مقیاس Google اعمال کرد.

*همکاری با گوگل مپ:

مردم برای پیش‌بینی دقیق ترافیک و زمان تخمینی ورود (ETA) به Google Maps متکی هستند. اینها ابزارهای مهم و مفیدی هستند؛ مخصوصاً در مواقعی که باید در اطراف ترافیک راه بیفتید، اگر باید به دوستان و خانواده اطلاع دهید که دیر می‌کنید، یا اگر باید به موقع در یک جلسه مهم شرکت کنید. این ویژگی‌ها همچنین برای کسب‌ و کارهایی مانند شرکت‌های اشتراک‌گذاری سواری، که از پلتفرم نقشه‌های Google استفاده می‌کنند تا خدمات خود را با اطلاعاتی درباره زمان‌های تحویل، همراه با قیمت‌های تخمینی بر اساس مدت سفر، تقویت کنند.

محققان DeepMind با تیم Google Maps همکاری کرده اند تا دقت ETAهای بلادرنگ را تا 50 درصد در مکان هایی مانند برلین، جاکارتا، سائوپائولو، سیدنی، توکیو و واشنگتن دی سی با استفاده از تکنیک های پیشرفته یادگیری ماشین از جمله شبکه های عصبی گرافی بهبود بخشند.

*چگونه گوگل مپ ETA ها را پیش بینی می کند؟

برای محاسبه ETA، گوگل مپ داده‌های ترافیک زنده را برای بخش‌های جاده در سراسر جهان تجزیه و تحلیل می‌کند. در حالی که این داده‌ها تصویر دقیقی از ترافیک فعلی به Google Maps ارائه می‌دهند، اما ترافیکی را که راننده می‌تواند انتظار ۱۰، ۲۰ یا حتی ۵۰ دقیقه رانندگی خود را داشته باشد، محاسبه نمی‌کند. برای پیش‌بینی دقیق ترافیک آینده، Google Maps  از یادگیری ماشینی برای ترکیب شرایط ترافیکی زنده با الگوهای ترافیکی تاریخی جاده‌های سراسر جهان استفاده می‌کند. این فرآیند به دلایل متعددی پیچیده است. به عنوان مثال - حتی اگر ساعت شلوغی به طور اجتناب ناپذیری هر روز صبح و عصر اتفاق می افتد، زمان دقیق ساعت شلوغی می تواند به طور قابل توجهی از روز به روز و ماه به ماه متفاوت باشد. عوامل اضافی مانند کیفیت جاده، محدودیت سرعت، تصادفات و بسته شدن [راه] نیز می توانند به پیچیدگی مدل پیش بینی بیفزایند.

تیمDeepMind با Google Maps همکاری کرد تا به بهبود دقت ETA خود در سراسر جهان کمک کند. در حالی که ETA های پیش‌بینی‌کننده Google Maps برای بیش از 97٪ سفرها به طور مداوم دقیق بوده است، این همکاری باعث شد تا نادرستی‌های باقی‌مانده را حتی بیشتر به حداقل رساند؛ گاهی اوقات بیش از 50٪ در شهرهایی مانند تایچونگ. برای انجام این کار در مقیاس جهانی، از یک معماری یادگیری ماشین تعمیم‌یافته به نام شبکه‌های عصبی گراف استفاده شد که به امکان می‌دهد با استفاده از سوگیری‌های یادگیری رابطه‌ای، استدلال مکانی-زمانی را برای مدل‌سازی ساختار اتصال شبکه‌های جاده‌ای در دنیای واقعی انجام داد. در اینجا نحوه عملکرد آن آمده است:

*تقسیم جاده های جهان به Supersegments:

شبکه‌های جاده‌ای به «ابر بخش» تقسیم شد که از چندین بخش مجاور جاده که حجم ترافیک قابل توجهی را به اشتراک می‌گذارند، تشکیل شده است. در حال حاضر، سیستم پیش‌بینی ترافیک Google Maps از اجزای زیر تشکیل شده است:

(۱) یک تحلیلگر مسیر که ترابایت اطلاعات ترافیک را برای ساختن Supersegments پردازش می‌کند و (۲) یک مدل شبکه عصبی گرافیکی جدید، که با اهداف متعدد بهینه شده و زمان سفر را برای هر ابربخش پیش‌بینی می‌کند.

بزرگترین چالشی که هنگام ایجاد یک سیستم ماشین لرنینگ برای تخمین زمان سفر با استفاده از Supersegments باید حل شود، یک چالش معماری است. چگونه نمونه هایی با اندازه پویا از بخش های متصل را با دقت دلخواه به گونه ای نشان دهیم که یک مدل واحد بتواند به موفقیت برسد؟

ادامه دارد... .

✏مترجم: محدثه بنائی، خسرو همت

✅@PSA_AUT

⏳ رویداد حضوری در دانشگاه صنعتی شریف

🏭 در گیمین ۲۰۲۲، بازی کن، یاد بگیر و قهرمان شو!

🏆 بیش از ۱۰۰ میلیون‌ تومان جایزه برای تیم‌های برتر

💻 در دنیای شبیه‌سازی‌شدهٔ گیمین، کسب‌وکارتو مدیریت کن و هیجانو تجربه کن!

🌎 یه رقابت بین‌المللی که توسط انجمن علمی دانشکدهٔ مهندسی صنایع شریف برگزار می‌شه

✅ همین حالا، در گیمین ثبت‌نام کن و همراه خانوادهٔ بزرگ گیمین شو 👇🏻

🌐 https://b2n.ir/j20220 🌐

🆔 @Gamein_Sharif

🔴💥پیش‌بینی ترافیک با استفاده از شبکه‌های عصبی گرافی پیشرفته💥🔴

قسمت دوم:

اثبات اولیه مفهوم با یک رویکرد مستقیم شروع شد، تا آنجا که ممکن بود از سیستم ترافیک موجود استفاده می‌کرد، به‌ویژه بخش‌بندی موجود شبکه‌های جاده‌ای و خط لوله داده بلادرنگ مربوط به آن. Supersegment، مجموعه‌ای از بخش‌های جاده را پوشش می‌دهد که در آن هر بخش دارای طول خاص و ویژگی‌های سرعت مربوطه است. در ابتدا یک مدل شبکه عصبی کاملا متصل برای هر Supersegment آموزش داده میشود. این نتایج اولیه امیدوارکننده بودند و پتانسیل استفاده از شبکه‌های عصبی را برای پیش‌بینی زمان سفر نشان دادند. با این حال، با توجه به اندازه‌های دینامیکی Supersegments، به یک مدل شبکه عصبی آموزش‌دیده جداگانه برای هر یک نیاز بود. برای گسترش مقیاس، باید میلیون‌ها مدل از این مدل را آموزش دهیم که چالش زیرساختی قابل‌توجهی را ایجاد می‌کند. این ما را بر آن داشت تا مدل‌هایی را بررسی کنیم که می‌توانند توالی‌های طول متغیر را مدیریت کنند، مانند شبکه‌های عصبی بازگشتی (RNN).
با این حال، ترکیب ساختار بیشتر از شبکه جاده دشوار بود. در عوض، تصمیم گرفتیم از شبکه های عصبی گراف استفاده کنیم. در مدل‌سازی ترافیک، به نحوه عبور خودروها از طریق شبکه‌ای از جاده‌ها علاقه‌مندیم و شبکه‌های عصبی نمودار می‌توانند پویایی شبکه و انتشار اطلاعات را مدل‌سازی کنند.
مدل ما، شبکه جاده محلی را به عنوان یک گراف در نظر می‌گیرد که در آن هر بخش مسیر مربوط به یک گره است و یال‌هایی بین بخش‌هایی وجود دارد که در همان جاده متوالی هستند یا از طریق یک تقاطع به هم متصل می‌شوند. در یک شبکه عصبی گراف، یک الگوریتم ارسال پیام اجرا می‌شود که در آن پیام‌ها و تأثیر آن‌ها بر حالت‌های یال و گره توسط شبکه‌های عصبی یاد گرفته می‌شود. از این منظر، Supersegments، زیرگراف های جاده هستند که به صورت تصادفی متناسب با تراکم ترافیک نمونه برداری شدند. بنابراین یک مدل واحد را می توان با استفاده از این زیرگراف های نمونه آموزش داد و می تواند در مقیاس به کار گرفته شود.
شبکه‌های عصبی گراف، سوگیری یادگیری تحمیل‌شده توسط شبکه‌های عصبی کانولوشن و شبکه‌های عصبی تکراری را با تعمیم مفهوم «مجاور بودن» گسترش می‌دهند و به ما این امکان را می‌دهند تا ارتباطات پیچیده‌ دلخواهی داشته باشیم تا نه تنها ترافیک مقابل یا پشت خود، بلکه در امتداد جاده‌های مجاور و متقاطع را مدیریت کنیم. در یک شبکه عصبی گراف، گره های مجاور پیام هایی را به یکدیگر ارسال می کنند. با حفظ این ساختار، یک سوگیری محلی را تحمیل می‌کنیم که در آن گره‌ها راحت‌تر به گره‌های مجاور مربوط می شوند (این فقط به یک مرحله ارسال پیام نیاز دارد). این مکانیسم‌ها به شبکه‌های عصبی گراف اجازه می‌دهند تا از ساختار اتصال شبکه جاده‌ها به طور مؤثرتری استفاده کنند.
آزمایش‌های ما دستاوردهایی را در قدرت پیش‌بینی از گسترش به جاده‌های مجاور که بخشی از جاده اصلی نیستند، نشان داده‌اند. به عنوان مثال، به این فکر کنید که چگونه یک شلوغی در یک خیابان فرعی می تواند بر ترافیک یک جاده بزرگتر تأثیر بگذارد. با پوشش تقاطع های متعدد، این مدل توانایی پیش بینی بومی تاخیر در پیچ ها، تاخیرهای ناشی از ادغام و زمان کلی پیمایش در ترافیک توقف و حرکت را به دست می آورد. این توانایی شبکه‌های عصبی گراف برای تعمیم بر فضاهای ترکیبی، همان چیزی است که به تکنیک مدل‌سازی ما قدرت می‌دهد. هر Supersegment که می‌تواند طول و پیچیدگی متفاوتی داشته باشد - از مسیرهای ساده دو بخش تا مسیرهای طولانی‌تر شامل صدها گره - می‌تواند توسط همان مدل شبکه عصبی گراف پردازش شود.


ادامه‌دارد... .

✏مترجم: محدثه بنائی، خسرو همت

✅@PSA_AUT

🔴💥پیش‌بینی ترافیک با استفاده از شبکه‌های عصبی گرافی پیشرفته💥🔴

قسمت سوم:

* از تحقیقات پایه تا مدل‌های یادگیری ماشینی آماده تولید

یک چالش بزرگ برای یک سیستم یادگیری ماشین تولید که اغلب در محیط دانشگاهی نادیده گرفته می شود، شامل تنوع زیادی است که می تواند در چندین دوره آموزشی یک مدل وجود داشته باشد. در حالی که تفاوت‌های کوچک در کیفیت را می‌توان به سادگی به‌عنوان مقداردهی اولیه ضعیف در محیط‌های آکادمیک‌تر کنار گذاشت، این ناهماهنگی‌های کوچک زمانی که در میلیون‌ها کاربر با هم جمع شوند، می‌توانند تأثیر زیادی داشته باشند. به این ترتیب، تقویت شبکه عصبی گراف در برابر این تنوع در آموزش، در مرکز توجه قرار گرفت؛ زیرا ما مدل را به سمت تولید سوق دادیم. کشف کردیم که شبکه‌های عصبی گراف به ویژه به تغییرات در برنامه آموزشی حساس هستند - دلیل اصلی این بی‌ثباتی، تنوع زیاد در ساختارهای نموداری است که در طول آموزش استفاده می‌شود. یک دسته از نمودارها می تواند شامل هرجایی از گراف های کوچک با دو گره تا نمودارهای بزرگ با بیش از 100 گره باشد.
با این حال، پس از آزمون و خطای بسیار، رویکردی برای حل این مشکل با انطباق یک تکنیک یادگیری تقویتی جدید برای استفاده در یک محیط تحت نظارت ایجاد کردیم. در آموزش یک سیستم یادگیری ماشینی، نرخ یادگیری یک سیستم مشخص می کند که چقدر «پلاستیک» - یا قابل تغییر به اطلاعات جدید - است. محققان اغلب نرخ یادگیری مدل‌های خود را در طول زمان کاهش می‌دهند؛ زیرا بین یادگیری چیزهای جدید و فراموش کردن ویژگی‌های مهمی که قبلاً آموخته‌اند، تعادلی وجود دارد.
در ابتدا از یک برنامه زمان‌بندی نرخ یادگیری به طور تصاعدی رو به زوال برای تثبیت پارامترهای خود پس از یک دوره از پیش تعریف‌شده آموزش استفاده کردیم. همچنین تکنیک‌های گروه‌بندی مدل را که در کارهای قبلی مؤثر بوده‌اند، بررسی و تحلیل کردیم تا ببینیم آیا می‌توانیم واریانس مدل بین دوره‌های آموزشی را کاهش دهیم یا خیر.
در پایان، موفق ترین رویکرد برای این مشکل، استفاده از MetaGradients برای تطبیق پویا نرخ یادگیری در طول آموزش بود - به طور موثر به سیستم اجازه داد تا زمان بندی نرخ یادگیری بهینه خود را یاد بگیرد. با تطبیق خودکار میزان یادگیری در حین آموزش، مدل ما نه تنها به کیفیت بالاتری نسبت به قبل دست یافت، بلکه یاد گرفت که نرخ یادگیری را به طور خودکار کاهش دهد. این منجر به نتایج پایدارتر شد و ما را قادر ساخت که از معماری جدید خود در تولید استفاده کنیم.
ساخت مدل ها به وسیله توابع زیان(loss) قابل تغییر، تعمیم می یابد.
در حالی که هدف نهایی سیستم مدل‌سازی ما، کاهش خطاها در تخمین‌های سفر است، دریافتیم که استفاده از ترکیب خطی توابع زیان چندگانه (با وزن مناسب)، توانایی مدل را برای تعمیم بسیار افزایش می‌دهد. به طور خاص، یک هدف چند زیان(multi-loss) را با استفاده از یک عامل تنظیم‌کننده در وزن‌های مدل، زیان L_2 و L_1 در زمان‌های پیمایش جهانی، و همچنین تلفات فردی Huber و احتمال ورود منفی (NLL) برای هر گره در گراف، تنظیم کردیم. با ترکیب این زیان ها، توانستیم مدل خود را هدایت کنیم و از تطبیق بیش از حد در مجموعه داده آموزشی جلوگیری کنیم. در حالی که اندازه‌گیری‌های ما از کیفیت در آموزش تغییری نکرد، بهبودهایی که در طول آموزش مشاهده شد، مستقیم‌تر به مجموعه‌های تست‌های نگه‌داشته‌شده و آزمایش‌های سراسر، ترجمه شد.
در حال حاضر در حال بررسی این موضوع هستیم که آیا تکنیک MetaGradient می‌تواند برای تغییر ترکیب عملکرد از دست دادن چند جزئی در طول تمرین، با استفاده از کاهش خطاهای برآورد سفر به عنوان یک معیار راهنما، مورد استفاده قرار گیرد یا خیر. این کار از تلاش‌های MetaGradient الهام گرفته شده است که در یادگیری تقویتی موفق بوده است و آزمایش‌های اولیه، نتایج امیدوارکننده‌ای را نشان می‌دهند.

✏مترجم: محدثه بنائی، خسرو همت


🔗منبع خبر:

✔Traffic prediction with advanced Graph Neural Networks
https://www.deepmind.com/blog/traffic-prediction-with-advanced-graph-neural-networks

✅@PSA_AUT

اطلاعیه
غیرحضوری شدن تمامی کلاس‌ها در هفته پیش رو

@psa_aut

⚫️بنابر تصمیم مدیریت دانشگاه، کلاس های درس در هفته دوم مهر ماه نیز مجازی شد !!

@shorasenfi_polytechnic

🔴💥اعطای جایزه‌ نوبل فیزیک سال ۲۰۲۲💥🔴

آکادمی سلطنتی علوم سوئد تصمیم گرفت جایزه نوبل فیزیک 2022 را به سه فیزیکدان که اسامی آنها در ادامه آمده است، اعطا کند:

*الن اسپه (Alain Aspect):
Université Paris-Saclay and
École Polytechnique، Palaiseau, France

*جان اف.کلوزر (John F. Clauser):
J.F. Clauser & Assoc.، Walnut Creek، CA، USA

*آنتون زایلینگر (Anton Zeilinger):
University of Vienna, Austria

این جایزه به منظور آزمایش‌هایی با فوتون‌های درهم‌تنیده، اثبات نقض نابرابری‌های بل و علم اطلاعات کوانتومی پیشگام، اعطا شد.

✔ حالات درهم تنیده - از نظریه تا فناوری:

الن اسپه، جان کلوزر و آنتون زایلینگر هر کدام آزمایش‌های پیشگامانه‌ای را با استفاده از حالت‌های کوانتومی درهم‌تنیده انجام داده‌اند که در آن دو ذره حتی زمانی که از هم جدا می‌شوند مانند یک واحد عمل می‌کنند. نتایج آنها راه را برای فناوری جدید مبتنی بر اطلاعات کوانتومی باز کرده است.

✔برای مطالعه جزئیات بیشتر، به لینک های زیر مراجعه نمایید:

🔗لینک اطلاعات عمومی:
https://bit.ly/3C3tMwY

🔗لینک اطلاعات پیشرفته:
https://bit.ly/3r1A0Y3

🔗لینک خبر:
https://bit.ly/3UxKoEs

✅@PSA_AUT

نامه ۱۲ انجمن علمی دانشگاه صنعتی امیرکبیر خطاب به ریاست دانشگاه، در حمایت از دانشجویان تعلیقی و ممنوع الورود

انجمن علمی دانشکده های:
- مهندسی پلیمر و رنگ
- مهندسی شیمی
- مهندسی پزشکی
- مهندسی دریا
- مهندسی هوا و فضا
- مهندسی صنایع
- مهندسی معدن
- مهندسی عمران و محیط زیست
- ریاضی و علوم کامپیوتر
- فیزیک
- شیمی

⭕️با توجه به شرایط فعلی دانشگاه، کلیه فعالیت‌ها، برنامه ها و رویدادهای انجمن علمی فیزیک و نجوم دانشگاه صنعتی امیرکبیر تا اطلاع ثانوی لغو می‌باشد.

امید است بتوانیم در شرایطی بهتر مجددا در کنار شما عزیزان و دوستداران علم، شروع به فعالیت کنیم🥀

انجمن علمی فیزیک و نجوم دانشگاه صنعتی امیرکبیر💫

@PSA_AUT

🔸اطلاعیه حذف اضطراری نیمسال اول ۱۴۰۱

📌مطابق تقویم آموزشی حذف اضطراری در تاریخ ٣ و ٤ دی ماه در نظر گرفته شده است ولی با توجه به جمع بندی نظرات شورای آموزشی دانشگاه به اطلاع میرساند که حذف اضطراری نیمسال اول ١٤٠١ از تاریخ شنبه ۳ دی الی چهارشنبه ۱۴ دی ماه تمدید گردیده و در سامانه ی سما قابل انجام است.

☑️ @Amirkabiriha