🎥 بزرگترین مشکل نظریه بیگ بنگ

در نظریه استاندارد کیهانشناسی شاید بزرگترین مشکل همان حالت تکینگی نخستین است که با فیزیک شناخته شده‌ی امروز  قابل توصیف نیست.
پروفسور شاون کرول در گفتگویی با راجر پنروز درباره این تکینگی نخستین و حالت اولیه کیهان بحث می‌کند و نظر خود را درباره اینکه حالت آغازین عالم چگونه بوده است را بیان می‌کند.


@cosmos_physics

من سعی می کنم از کار سخت اجتناب کنم. وقتی همه چیز پیچیده به نظر می رسد، اغلب نشانه‌ی این است که راه بهتری برای انجام آن وجود دارد.

فرانک ویلچک، نوبل فیزیک ۲۰۰۴


@cosmos_physics

🎥 به مناسبت ۱۷ ژانویه روز جهانی هدایتگری mentoring

آرنولد سومرفلد فیزیکدان بزرگ آلمانی یکی از بزرگترین مربیان تاریخ علم است. او ۸۴ بار کاندید دریافت جایزه نوبل شد ولی موفق به دریافت آن نگردید. ۷ نفر از شاگردان او برنده جایزه نوبل شدند!
کشف بزرگ سامرفلد ثابت آلفا یا ثابت ساختار ریز است. این عدد حدود ۱/۱۳۷ است و در مدل اتمی بوهر معادل نسبت سرعت الکترون در مدار به سرعت نور است. این ثابت قابل محاسبه با تئوری نیست و از طریق آزمایش به دست آمده است. ثابت آلفا با قدرت نیروی الکترومغناطیسی در ارتباط است.
اگر ثابت آلفا ۴ درصد با مقدار کنونی تفاوت داشت عملا حیات ممکن نبود چرا که عناصر سنگین تر از هلیوم و هیدروژن امکان ایجاد نداشتند.

ولفگانگ پاولی در مورد آلفا :
"وقتی مردم اولین سوالم از شیطان این است که معنی ثابت آلفا چیست؟"

ریچارد فاینمن :
"آلفا از رازهای فیزیک است. ممکن است گفته شود که خدا آنرا نوشته ولی معلوم نیست مداد را چگونه بر روی کاغذ فشرده است؟"


@cosmos_physics

🎥 دیدگاه یک ندانم گرا

لئونارد ساسکیند


@cosmos_physics

🎥 ۱۱ فوریه، روز جهانی زنان و دختران در دانش.

همه ما ماری کوری را به عنوان زنی موفق در دانش میشناسیم ولی بسیاری به خاطر جنسیت خود از شهرت و مقام محروم شدند.

لیزه مایتنر: کشف شکافت هسته‌ای. همکاران او بعدها برنده جایزه نوبل شدند و او محروم ماند.

ج.بل. برنل: کشف اولین پلسار. استاد راهنمای او برنده جایزه نوبل شد.

سیسیلیا پین: کشف ساختار عنصری خورشید. نظریه وی رد شد ولی چهار سال بعد به نام همکارش منتشر شد.

روزالین فرانکلین: اولین تصویر کریستالوگرافی DNA. واتسون و کریک با استفاده از این تصویر موفق به کشف ساختار DNA شدند.

امی نوثر: یکی‌از بزرگترین ریاضی‌دانان تاریخ. قضیه نوثر که از مهمترین قضایای ریاضی است به نام همکار مذکر او به فرهنگستان علوم معرفی شد. او ۷ سال بدون حقوق مجبور به کار شد.

فیلم در مورد این دانشمندان و تبعیض جنسیتی در دانش بحث می‌کند


@cosmos_physics

🎥 نظر راجر پن رز پیرامون مکانیک کوانتومی و آگاهی

پن رز برنده نوبل فیزیک ۲۰۲۰ است

@cosmos_physics

حرکت براونی به حرکت تصادفی و نامنظم ذرات ریز غوطه‌ور در سیال گفته می‌شود. این پدیده ناشی از برخوردهای پی‌درپی مولکول‌های سیال است که به دلیل انرژی حرارتی در حال حرکت هستند. به عبارت دیگر، ذرات معلق با دریافت ضربه‌های متعدد از مولکول‌های اطراف، به صورت تصادفی و بدون جهت مشخص حرکت می‌کنند.

اهمیت: تأییدی بر نظریه اتمی و وجود مولکول‌ها

معادله موجود در تصویر، معادله انتشار یا دیفیوژن نام دارد و به شرح زیر است:

∂P/∂t = D∇²P
در اینجا:
P: غلظت ذرات
t: زمان
D: ضریب انتشار
²∇: عملگر لاپلاسین

این معادله نحوه تغییر غلظت ذرات را در طول زمان به دلیل حرکت براونی توصیف می کند.

@cosmos_physics
@mathematics_learn

جورج گاموف پیشبینی کرد که جهان ما با یک مهبانگ داغ آغاز شده و زمانی پلاسما کل فضا را پر کرده بود. هر چه به نقاط دورتری از فضا نگاه میکنیم، در ابتدا کهکشان های پیر را در نزدیکی خودمان میبینیم و سپس کهکشان های جوان و پشت سر آنها گاز هیدروژن سردِ شفاف و در نهایت دیواری از پلاسمای هیدروژن درخشان را میبینیم. سوی دیگر این دیوار را نمیتوانیم ببینیم زیرا کدر است (پلاسمای هیدروژن داغ کدر است). بنابراین اینطور بنظر می رسد که توسط یک پلاسمای غول آسا محاصره شده ایم.
گاموف و دانشجویانش نتیجه گرفتند که این کره پلاسما باید به اندازه نصف سطح خورشید دما داشته باشد که طی ۱۴ میلیارد سال حرکت در فضا و انبساط کیهان، اکنون به دمای حدود ۳ کلوین رسیده است. این تابش، همان تابش پس زمینه کیهانی است.

برگرفته از کتاب جهان ریاضی ما
مکس تگمارک

@cosmos_physics

🎥 مستند "آیا جهان بیشتر از ۳ بعد دارد؟"  قسمت اول

جهان قابل مشاهده , ابعاد اضافی
آیا سفر به درون ابعاد دیگر امکان پذیر است؟


@cosmos_physics

در پس سالی سخت
دل بسته ایم به بهار
که جانمان را زنده کند
به امید نو شدن ...

سال نو مبارک💐


@cosmos_physics

🎥 مستند "آیا جهان بیشتر از ۳ بعد دارد؟"  قسمت دوم


بعد چهارم ماده تاریک
آیا سفر به درون ابعاد دیگر امکان پذیر است؟


@cosmos_physics

انتگرال مسیر فاینمن


یکی از فرمول‌بندی‌های مکانیک کوانتومی است که توسط ریچارد فاینمن معرفی شد. این فرمول‌بندی جایگزینی برای فرمول‌بندی شرودینگر و هایزنبرگ است و از مفاهیم مکانیک لاگرانژی استفاده می‌کند.

مفهم کلی:

در فرمول‌بندی انتگرال مسیر، احتمال گذار یک سیستم کوانتومی از حالت اولیه | xi,ti​⟩ به حالت نهایی | xf,tf​⟩ به‌صورت جمع روی تمام مسیرهای ممکن بین این دو نقطه در نظر گرفته می‌شود. هر مسیر به تابع موج سهمی با یک فاز خاص می‌دهد که متناسب با کنش کلاسیکی مسیر است.

@cosmos_physics
@mathematics_learn

🎥 آیا جهان برای وجود حیات تنظیم شده؟
چطور ممکن است ثابت های کیهانی رقم‌های متفاوتی در سایر جهان‌ها داشته باشند؟
چطورممکن است تعداد زیادی جهان با قوانین متفاوت از هم ،ثابت های کیهانی متفاوت از هم، موجود باشند؟
آیا جهانهای چندگانه روزی تایید خواهند شد؟

برایان گرین


@cosmos_physics

🎥 مستند "آیا جهان بیشتر از ۳ بعد دارد؟"  قسمت  سوم


  نظریه ریسمان
آیا سفر به درون ابعاد دیگر امکان پذیر است؟


@cosmos_physics

🎥 مستند "آیا جهان بیشتر از ۳ بعد دارد؟"  قسمت  چهارم


  نظریه ریسمان، جهانهای موازی
آیا سفر به درون ابعاد دیگر امکان پذیر است؟


@cosmos_physics

🎥 مستند "آیا جهان بیشتر از ۳ بعد دارد؟"  قسمت  پنجم


 تفاوت ابعاد، سِرن
آیا سفر به درون ابعاد دیگر امکان پذیر است؟


@cosmos_physics

🎥 مستند "آیا جهان بیشتر از ۳ بعد دارد؟"  قسمت  ششم
قسمت پایانی


 ابعاد بزرگ
آیا سفر به درون ابعاد دیگر امکان پذیر است؟


@cosmos_physics

🎥 مصاحبه ای با دیراک و توضیحاتش درباره کوانتوم و درک خودش از بعضی مباحث کوانتومی


@cosmos_physics

📚 The Great Rift in Physics

Tim Maudlin

مسئله گرانش کوانتومی نه یک چالش بلکه یک ناسازگاری عمیق در مبانی نظریه کوانتومی و نسبیت است.

مقاله جدید از تیم مادلین


@cosmos_physics

🎥 آیا از درهم‌تنیدگی کوانتومی میتوان برای انتقال اطلاعات با سرعت بیش از سرعت نور استفاده کرد؟

درهم‌تنیدگی کوانتومی پدیده ایست که بک یا چند ذره مختلف را به گونه ای با هم مرتبط می‌کند که اگر یک ویژگی کوانتومی یک ذره را اندازه‌گیری کنید، بلافاصله از ویژگی کوانتومی سایر ذره ها هم مطلع خواهید شد. مهم نیست این ذرات چقدر با هم فاصله داشته باشند (می‌توانند در دو سوی جهان قابل رویت باشند)
این پدیده بارها مشاهده شده است و جایزه نوبل فیزیک ۲۰۲۲ درباره آن بود!

کج‌فهمی مهم در این زمینه این است که تصور می‌شود با این پدیده میتوان انتقال اطلاعات با بیش از سرعت نور را انجام داد!
انیشتن درباره این پدیده توصیف معروف زیر را دارد
Spukhafte fernwirkung
Spooky action at a distance
یا کنش شبح‌وار در دوردست

فیلم توضیح می‌دهد که چرا امکان انتقال اطلاعات با درهم‌تنیدگی کوانتومی وجود ندارد. در واقع نتیجه اندازه‌گیری یکی از ذرات درهم‌تنیده، کاملا تصادفی است و نمی‌توان اطلاعات خاصی را به هر یک‌ از حالات اندازه گیری شده نسبت داد تا بتوان با اندازه گیری ذره دیگر به آن اطلاعات رسید!

@cosmos_physics

آیا علم در آستانهٔ دگرگونی است؟

با ظهور و گسترش هوش مصنوعی، به‌ویژه یادگیری ماشین مبتنی بر شبکه‌های عصبی، این پرسش جدی مطرح شده است که آیا در آینده‌ای نه‌چندان دور، مفهوم «روش علمی» و شاید کلیت علم، دستخوش تحولی بنیادین خواهد شد؟

در روش علمی سنتی، ما با مشاهدهٔ طبیعت به دنبال ساختن مدل‌هایی هستیم که بتوانند رفتار طبیعت را توصیف و پیش‌بینی کنند. جالب آن‌که این دقیقاً همان کاری است که سیستم‌های یادگیری ماشین نیز انجام می‌دهند: داده‌ها را دریافت می‌کنند، بر اساس آن‌ها مدل می‌سازند، و از دل این مدل‌ها پیش‌بینی‌هایی ارائه می‌دهند—و حتی در برخی موارد، چیزهایی خلق می‌کنند که به نظر «نو» می‌رسند.

با این حال، منتقدان تأکید می‌کنند که میان مدل‌سازی علمی و مدل‌سازی توسط یادگیری ماشین تفاوتی بنیادین وجود دارد: مدل‌های علمی معمولاً تفسیرپذیر هستند، در حالی‌که مدل‌های یادگیری ماشین، به‌ویژه شبکه‌های عصبی عمیق، مانند جعبه سیاه عمل می‌کنند. به بیان دیگر مدل سازی علمی به "فهم" ما از طبیعت کمک می کند در حالی که مدل سازی ماشینی به نظر می رسد فهم را فراهم نمی کند.

برای مثال، در فیزیک، ما ممکن است با یک معادلهٔ دیفرانسیل رفتار یک سامانه را پیش‌بینی کنیم؛ معادله‌ای که قابل تحلیل است، معنا و ساختار دارد، و می‌توان برای آن تفاسیر فیزیکی روشنی ارائه داد. اما در مقابل، شبکهٔ عصبی‌ای که همان پدیده را پیش‌بینی می‌کند، ممکن است میلیون‌ها پارامتر داشته باشد که هیچ‌گونه تفسیر مستقیمی برایشان وجود ندارد.

در اینجا مسئلهٔ «تفسیر» به‌عنوان دغدغه‌ای جدی مطرح می‌شود و این موضوع ما را به حوزهٔ فلسفهٔ علم می‌کشاند:
تفسیرپذیری دقیقاً یعنی چه؟ چگونه می‌توان گفت که یک مدل یا یک معادله تفسیر دارد؟ و چه زمانی علم صرفاً به «پیش‌بینی درست» بسنده نمی‌کند، بلکه به دنبال «فهم» هم هست؟

در این میان، رویکردهایی نیز شکل گرفته‌اند که تلاش می‌کنند از دل داده‌ها، مدل‌های تفسیرپذیر علمی استخراج کنند. یکی از این تلاش‌ها، استفاده از روش‌هایی مانند رگرسیون نمادین (symbolic regression) است که هدف آن یافتن معادلات ریاضی ساده و معنادار از دل داده‌های پیچیده است. اما این‌که آیا این روش‌ها واقعاً می‌توانند جای مدل‌سازی سنتی را بگیرند، و تا چه اندازه در کشف قوانین علمی بنیادی موفق بوده‌اند، همچنان محل بحث است.

مقاله‌ای جدید با عنوان
On the definition and importance of interpretability in scientific machine learning
به این مسائل می‌پردازد. نویسندگان معتقدند بسیاری از تلاش‌ها برای تفسیرپذیر کردن یادگیری ماشین، مانند استفاده از روش‌های «رگرسیون نمادین»، تفسیر را با «سادگی ریاضی» یا «فشردگی» اشتباه گرفته‌اند. آن‌ها پیشنهاد می‌دهند که باید تفسیری *مکانیزمی* از مدل‌ها داشته باشیم، یعنی درک کنیم چگونه و چرا خروجی‌ها تولید می‌شوند، نه فقط اینکه مدل کوتاه و زیبا باشد.

🗞 مقاله


@cosmos_physics