🔴💥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
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
👍4
🔴💥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
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
👍4👏1
🔴💥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
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
the Guardian
String theory: Is it science's ultimate dead end?
For decades, physicists have been sure they could explain the universe in a handful of complex equations: now many are starting to fear they have been led down a cul-de-sac.
👍1
🔴💥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
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
🏭 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
👍1
🔴💥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
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
👍1
🔴💥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
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
Deepmind
Traffic prediction with advanced Graph Neural Networks
By partnering with Google, DeepMind is able to bring the benefits of AI to billions of people all over the world. From reuniting a speech-impaired user with his original voice, to helping users discover personalised apps, we can apply breakthrough research…
👍1
Forwarded from شورای صنفی دانشگاه صنعتی امیرکبیر
⚫️بنابر تصمیم مدیریت دانشگاه، کلاس های درس در هفته دوم مهر ماه نیز مجازی شد !!
@shorasenfi_polytechnic
@shorasenfi_polytechnic
🤯2😁1
انجمن علمی فیزیک و نجوم دانشگاه صنعتی امیرکبیر pinned Deleted message
انجمن علمی فیزیک و نجوم دانشگاه صنعتی امیرکبیر pinned Deleted message
🔴💥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
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
NobelPrize.org
The Nobel Prize in Physics 2022
The Nobel Prize in Physics 2022 was awarded jointly to Alain Aspect, John F. Clauser and Anton Zeilinger "for experiments with entangled photons, establishing the violation of Bell inequalities and pioneering quantum information science"
👍7❤4👏1
Forwarded from saCHE_AUT (SaChe_AUT)
نامه به دکتر قدسیپور.pdf
2.1 MB
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
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
❤10👏3👍1😁1
⭕️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
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
❤32
Forwarded from امیرکبیریها
حذف اضطراری نیمسال اول 1401.pdf
111.7 KB
🔸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
📌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
Forwarded from انجمن علمی مهندسی انرژی دانشگاه صنعتی امیرکبیر(پلی تکنیک تهران) (амιя κgh)
🌱 انجمن علمی مهندسی انرژی و انجمن علمی فیزیک و نجوم دانشگاه صنعتی امیرکبیر برگزار میکند:
📣📣شروع ثبت نام کارگاه جمع بندی پایانترم ریاضی ۱
👩🏻🏫مدرّس: دکتر مهری رشیدی
🌟تدریسیار برتر دروس ریاضی ۱، ریاضی۲ ، معادلات دیفرانسیل دانشگاه صنعتی امیرکبیر
⏱مدت زمان دوره: ۵ ساعت
🔴برگزاری به صورت حضوری در دانشکده مهندسی انرژی و فیزیک🏫
🗓تاریخ برگزاری کلاس ها: شنبه ۱۰ دی، دوشنبه ۱۲ دی، چهارشنبه ۱۴ دی از ساعت ۱۴ تا ۱۵:۳۰
🛑 ظرفیت دوره محدود میباشد.
🛑 اطلاعات تکمیلی در کانال انجمن علمی مهندسی انرژی امیرکبیر قرار میگیرد.
🛑جهت هر گونه سوال در فرآیند ثبت نام دوره، با آیدی زیر در ارتباط باشید:
@energyE_admin
@EnergyE_AUT
@PSA_AUT
📣📣شروع ثبت نام کارگاه جمع بندی پایانترم ریاضی ۱
👩🏻🏫مدرّس: دکتر مهری رشیدی
🌟تدریسیار برتر دروس ریاضی ۱، ریاضی۲ ، معادلات دیفرانسیل دانشگاه صنعتی امیرکبیر
⏱مدت زمان دوره: ۵ ساعت
🔴برگزاری به صورت حضوری در دانشکده مهندسی انرژی و فیزیک🏫
🗓تاریخ برگزاری کلاس ها: شنبه ۱۰ دی، دوشنبه ۱۲ دی، چهارشنبه ۱۴ دی از ساعت ۱۴ تا ۱۵:۳۰
🛑 ظرفیت دوره محدود میباشد.
🛑 اطلاعات تکمیلی در کانال انجمن علمی مهندسی انرژی امیرکبیر قرار میگیرد.
🛑جهت هر گونه سوال در فرآیند ثبت نام دوره، با آیدی زیر در ارتباط باشید:
@energyE_admin
@EnergyE_AUT
@PSA_AUT
🌱 انجمن علمی مهندسی انرژی و انجمن علمی فیزیک و نجوم دانشگاه صنعتی امیرکبیر برگزار میکند:
📣📣شروع ثبت نام کارگاه جمع بندی پایانترم فیزیک ۱
👩🏻🏫مدرّس: دکتر آریا بزرگمهر
🌟پژوهشگر پسادکتری دانشگاه امیرکبیر
مشاور علمی دانشگاه الزهرا
مدرس فیزیک و ریاضی
⏱مدت زمان دوره: ۴ ساعت
🔴برگزاری به صورت حضوری در دانشکده مهندسی انرژی و فیزیک🏫
🗓تاریخ برگزاری کلاس ها: سهشنبه ۱۳دی، چهارشنبه ۱۴دی، از ساعت ۱۱ تا ۱۳
🛑 ظرفیت دوره محدود میباشد.
🛑 اطلاعات تکمیلی در کانال انجمن علمی مهندسی انرژی امیرکبیر قرار میگیرد.
🛑جهت هر گونه سوال در فرآیند ثبت نام دوره، با آیدی زیر در ارتباط باشید:
@energyE_admin
@EnergyE_AUT
@PSA_AUT
📣📣شروع ثبت نام کارگاه جمع بندی پایانترم فیزیک ۱
👩🏻🏫مدرّس: دکتر آریا بزرگمهر
🌟پژوهشگر پسادکتری دانشگاه امیرکبیر
مشاور علمی دانشگاه الزهرا
مدرس فیزیک و ریاضی
⏱مدت زمان دوره: ۴ ساعت
🔴برگزاری به صورت حضوری در دانشکده مهندسی انرژی و فیزیک🏫
🗓تاریخ برگزاری کلاس ها: سهشنبه ۱۳دی، چهارشنبه ۱۴دی، از ساعت ۱۱ تا ۱۳
🛑 ظرفیت دوره محدود میباشد.
🛑 اطلاعات تکمیلی در کانال انجمن علمی مهندسی انرژی امیرکبیر قرار میگیرد.
🛑جهت هر گونه سوال در فرآیند ثبت نام دوره، با آیدی زیر در ارتباط باشید:
@energyE_admin
@EnergyE_AUT
@PSA_AUT