.Remarkable Regenerative Powers: Scientists Solve the Grass Leaf Conundrum
http://blog.naver.com/mssoms
http://jl0620.blogspot.com
http://jk0620.tripod.com
https://www.facebook.com/junggoo.lee.9
.We Asked .a NASA Expert: How Did Perseverance Mars Rover Pick Its Landing Spot? [Video]
우리는 NASA 전문가에게 질문했습니다: Perseverance Mars Rover는 어떻게 착륙 지점을 선택했습니까?
주제:3 월화성 2020 퍼시버런스 로버나사 NASA 작성 : 2021년 12월 9일 화성 탐사선 지형 상대 항법 NASA의 Mars 2020 임무에는 붉은 행성에 더 안전한 착륙을 안내하는 자동 조종 장치가 있습니다. 크레딧: NASA/JPL-Caltech
-NASA 의 인내 화성 탐사선 정확한 착륙 지점을 선택? 믿거나 말거나, 화성 탐사선은 착륙 직전에 착륙할 위치를 정확히 결정했습니다. NASA의 제트 추진 연구소의 Swati Mohan과 같은 엔지니어의 작업과 Terrain Relative Navigation이라는 신기술 덕분입니다.
https://youtu.be/IrZ1KC7TH0k
NASA가 로버를 화성에 보내기로 결정하면 전체 전문가 그룹이 함께 모여 그 임무를 위한 최고의 과학 위해 어디로 가야 하는지 알아냅니다. Perseverance의 임무는 화성에서 과거 생명체의 흔적을 찾는 것이었습니다. 그래서 모든 전문가들이 모여 Jezero 분화구를 골랐습니다.
Jezero 분화구는 고대 호수 바닥이며 과학자들에게 흥미로운 점, 절벽, 암석, 분화구 등으로 인해 엔지니어들이 그곳에 착륙하기가 어렵습니다. 제로 분화구에 안전하게 착륙하기 위해 Perseverance는 Terrain Relative Navigation이라는 완전히 새로운 기술이 필요했습니다. 지형 상대 탐색은 기본적으로 Perseverance에 눈을 추가하는 것과 같습니다. Perseverance는 처음으로 화성 표면으로 내려가면서 땅을 보고 볼 수 있었습니다. 그런 다음 로버는 위치를 파악한 다음 지상에서 볼 수 있는 위험 요소를 기반으로 착륙할 위치를 결정할 수 있었습니다. 이 기술을 통해 Perseverance는 안전하게 착륙하기 위해 Jezero 분화구의 다양한 위험 사이에 바늘을 꿰맬 수 있었습니다. 그렇다면 Perseverance는 정확한 착륙 지점을 어떻게 선택했을까요? 화성에서 시도된 것 중 가장 험난한 지형에 착륙할 수 있는 완전히 새로운 쌍의 눈으로. NASA의 지형 상대 항법 에 대해 자세히 알아보십시오 . https://youtu.be/0lHO5qj0laU
-NASA 의 인내 화성 탐사선 정확한 착륙 지점을 선택? 믿거나 말거나, 화성 탐사선은 착륙 직전에 착륙할 위치를 정확히 결정했습니다. NASA의 제트 추진 연구소의 Swati Mohan과 같은 엔지니어의 작업과 Terrain Relative Navigation이라는 신기술 덕분입니다.
=============
메모 2112100547 나의 사고실험 oms스트로텔링
Sample 1.oms (standard)
b0acfd 0000e0
000ac0 f00bde
0c0fab 000e0d
e00d0c 0b0fa0
f000e0 b0dac0
d0f000 cae0b0
0b000f 0ead0c
0deb00 ac000f
ced0ba 00f000
a0b00e 0dc0f0
0ace00 df000b
0f00d0 e0bc0a
Sample 1.2 quasi oms (standard)
0100000010
0010000100
0001000001
0010001000
0100010000
0001010000
0000100100
0000100010
2000000000
0000001001
sample 2. oss (standard)
zxdxybzyz
zxdzxezxz
xxbyyxzzx
zybzzfxzy
cadccbcdc
cdbdcbdbb
xzezxdyyx
zxezybzyy
bddbcbdca
-NASA's Endurance Mars Rover Choose the Correct Landing Point? Believe it or not, the Mars rover had precisely determined where to land just before landing. Thanks to the work of engineers like Swati Mohan at NASA's Jet Propulsion Laboratory and a new technology called Terrain Relative Navigation.
===============
memo 2112100547 my thought experiment oms strotelling
Spaceships that will make various landings in the future will need to have sample 1.oms feet to demonstrate very sophisticated technology. vixer is the body and vixxer is the leg. The landing of the spacecraft is multi-legged, allowing it to land on or attach to very heavy or light super-giant structures, gas bodies, moving objects, and sophisticated complex objects. haha.
Sample 1.oms (standard)
b0acfd 0000e0
000ac0 f00bde
0c0fab 000e0d
e00d0c 0b0fa0
f000e0 b0dac0
d0f000 cae0b0
0b000f 0ead0c
0deb00 ac000f
ced0ba 00f000
a0b00e 0dc0f0
0ace00 df000b
0f00d0 e0bc0a
Sample 1.2 quasi oms (standard)
0100000010
0010000100
0001000001
0010001000
0100010000
0001010000
0000100100
0000100010
2000000000
0000001001
sample 2. oss (standard)
zxdxybzyz
zxdzxezxz
xxbyyxzzx
zybzzfxzy
cadccbcdc
cdbdcbdbb
xzezxdyyx
zxezybzyy
bddbcbdca
.Remarkable Regenerative Powers: Scientists Solve the Grass Leaf Conundrum
놀라운 재생 능력: 과학자들이 풀잎 수수께끼를 풀다
주제:진화존 이네스 센터식물 과학 By JOHN INNES CENTER 2021년 12월 9일 옥수수 성장 시간 경과 옥수수 성장 시간 경과. 잔디는 잔디 깎는 기계가 정기적으로 베고 소와 양이 풀을 뜯고 있지만 계속해서 다시 자랍니다. 놀라운 재생력의 비밀은 부분적으로 잎의 모양에 있지만, 그 모양이 어떻게 생기는지에 대해서는 오랫동안 논쟁의 대상이 되어 왔습니다. 논쟁은 우리의 주요 작물인 밀, 쌀, 옥수수와 관련이 있습니다. 왜냐하면 그들은 같은 종류의 잎을 가진 풀과의 구성원이기 때문입니다. 잔디 잎 형성의 미스터리는 이제 최신 컴퓨터 모델링 및 발달 유전 기술을 사용하여 코넬 대학교, 캘리포니아 대학교 버클리, 에딘버러 대학교와 협력하여 John Innes Center 팀에 의해 밝혀졌습니다. 교신저자 중 한 명인 Enrico Coen 교수는 Science지에 실린 발견에 대해 이렇게 말했습니다. “풀잎은 수수께끼였습니다. 수립과 그 진화와 발전을위한 서로 다른 모델을 테스트함으로써 우리는 현재의 이론 가능성이 정확하고, 폐기 아이디어는 19를 제안한 것을 보여준 일 세기 마크 가까이 많은 것입니다. "
옥수수 식물 개발 옥수수 식물 개발 – 주요 작물이자 풀과의 구성원. 새로운 연구는 풀잎이 어떻게 진화했는지 설명합니다. 크레딧: 아니스 리처드슨
꽃이 만발하는 식물은 외떡잎식물과 eudicots로 분류할 수 있습니다. 풀과를 포함하는 외떡잎식물은 잎이 밑동에서 줄기를 둘러싸고 있으며 전체에 평행한 맥이 있습니다. 십자화과, 콩과 식물 및 가장 일반적인 정원 관목과 나무를 포함하는 유디콧은 잎자루라고 하는 줄기에 의해 줄기에서 떨어져 있는 잎이 있으며 일반적으로 그물 모양의 정맥이 있는 넓은 판을 가지고 있습니다. 풀에서 잎의 밑부분은 시스(sheath)라고 하는 관 모양의 구조를 형성합니다. 외피는 식물이 자라는 끝을 지면에 가깝게 유지하면서 식물의 높이를 증가시켜 잔디 깎는 기계의 날이나 초식 동물의 앞니로부터 식물을 보호합니다. 19 년 일 세기, 식물 학자 잔디 피복이 eudicot 잎의 잎자루에 해당하는 것을 제안했다. 그러나 이 도면은 20 도전되었다 번째 식물 해부학자는 잎자루가 잔디 잎과 유사한 평행 혈관을 가지고 주목하면 세기 및 (선단에서의 작은 영역을 제외하고) 전체 잔디 잎 잎자루에서 유래되었다고 결론 지었다. 최근 컴퓨터 모델링 및 발달 유전학의 발전을 사용하여 팀은 풀 개발 문제를 다시 검토했습니다. 그들은 풀잎이 어떻게 자라는지에 대한 다양한 가설을 모델링하고 실험 결과에 대해 각 모델의 예측을 테스트했습니다.
놀랍게도, 그들은 19을 기반으로 모델을 발견 일 칼집 잎자루 등가의 세기의 아이디어가 훨씬 더 강력 현재보기보다 지원되었다. 이것은 폐기된 이론(곤충의 '하복부' 쪽이 우리와 같은 척추동물의 등)에 해당한다는 폐기된 이론이 새로운 발달 유전 연구에 비추어 입증된 동물 발달의 발견을 반영합니다. 풀 연구는 유전자 활동의 공통 패턴을 기반으로 하는 성장 규칙의 단순한 변조가 어떻게 다양한 잎 모양의 놀라운 다양성을 생성할 수 있는지 보여줍니다. 참조: "원시 확장 및 잎자루-판 리모델링에 의한 잔디 잎의 진화" 2021년 12월 9일, Science . DOI: 10.1126/science.abf9407
https://scitechdaily.com/remarkable-regenerative-powers-scientists-solve-the-grass-leaf-conundrum/
.Simulating matter on the nanoscale with AI
AI로 나노 스케일 물질 시뮬레이션 딥마인드
크레딧: Pixabay/CC0 공개 도메인 DECEMBER 9, 2021
과학 저널 사이언스(Science)에 오늘 발표된 논문 에서 DeepMind는 신경망을 사용하여 기존 방법보다 화학 시스템에서 전자 상호 작용을 더 정확하게 설명할 수 있는 방법을 보여줍니다. 1960년대에 설립된 밀도 기능 이론(Density Functional Theory)은 전자 밀도와 상호 작용 에너지 간의 매핑을 설명합니다.
-50년 이상 동안 전자 밀도 와 상호 작용 에너지 간의 정확한 매핑 특성( 소위 밀도 함수)은 알려지지 않은 상태로 남아 있습니다. 이 분야의 상당한 발전에서 DeepMind는 신경망을 사용하여 이전에 달성할 수 있었던 것보다 더 정확한 밀도 및 전자 간의 상호 작용 맵을 구축할 수 있음을 보여주었습니다 . 기능을 신경망으로 표현하고 정확한 속성을 훈련 데이터에 통합함으로써 DeepMind는 두 가지 중요한 시스템 오류(비편재화 오류 및 스핀 대칭 깨짐)가 없는 기능을 학습하도록 모델을 훈련할 수 있었고 결과적으로 광범위한 화학 반응의 종류. 단기적으로 이것은 우리 코드의 가용성을 통해 즉각적인 사용을 위해 정확한 밀도 함수의 개선된 근사치를 연구원들에게 제공할 것입니다.
장기적으로 이것은 양자 역학 수준에서 물질을 정확하게 시뮬레이션하는 딥 러닝의 가능성을 보여주는 또 다른 단계입니다. 이는 연구원들이 나노 수준에서 물질, 의약품 및 촉매에 대한 질문을 탐구할 수 있게 함으로써 컴퓨터에서 물질 설계를 가능하게 할 수 있습니다. DeepMind의 연구 과학자인 James Kirkpatrick은 "나노 규모의 기술을 이해하는 것은 청정 전기에서 플라스틱 오염에 이르기까지 21세기의 주요 과제 중 일부를 해결하는 데 점점 더 중요해지고 있습니다.
"이 연구는 분자를 함께 묶는 접착제인 전자 간의 상호 작용을 더 잘 이해할 수 있도록 하는 올바른 방향으로 가는 한 걸음입니다." 이 분야의 발전을 가속화하기 위해 DeepMind는 논문과 오픈 소스 코드를 무료로 사용할 수 있도록 했습니다.
추가 탐색 재료의 수소 저장 효율을 시뮬레이션하는 새로운 방법 추가 정보: James Kirkpatrick et al, Pushing the Frontiers of Density Functionals by Solving the Fractional Electron Problem, Science (2021). DOI: 10.1126/science.abj6511 . www.science.org/doi/10.1126/science.abj6511 저널 정보: 과학 딥마인드 제공
https://phys.org/news/2021-12-simulating-nanoscale-ai.html
=============
메모 2112100455 나의 사고실험 oms스트로텔링
샘플1.oms는 좌우을 회전하는 스핀 대칭구조를 가지고 있다. 동시에 회전하듯 원소들이 시스템을 돌고 있다. 그 원소는샘플1.oms 업버전에서 vixer 1 bar과 vixxer(smola) n!-1 bar들이다. 그 원소들은 여전히 우주의 모든입자의 갯수처럼 많고 지속적으로 움직이고 있다.
이는 오늘날 인공지능으로 불리는 프로그램식 DeepMind가 두 가지 중요한 시스템 오류(비편재화 오류 및 스핀 대칭 깨짐)가 없는 기능을 학습하도록 모델을 제한적으로 훈련하도록 만들어 광범위한 화학 반응, 양자반응의 종류를 가용성있게 우리에게 제공할 수 있을듯 하다.
Sample 1.oms (standard)
b0acfd 0000e0
000ac0 f00bde
0c0fab 000e0d
e00d0c 0b0fa0
f000e0 b0dac0
d0f000 cae0b0
0b000f 0ead0c
0deb00 ac000f
ced0ba 00f000
a0b00e 0dc0f0
0ace00 df000b
0f00d0 e0bc0a
Sample 1.2 quasi oms (standard)
0100000010
0010000100
0001000001
0010001000
0100010000
0001010000
0000100100
0000100010
2000000000
0000001001
sample 2. oss (standard)
zxdxybzyz
zxdzxezxz
xxbyyxzzx
zybzzfxzy
cadccbcdc
cdbdcbdbb
xzezxdyyx
zxezybzyy
bddbcbdca
For more than -50 years, the exact mapping properties between electron density and interaction energy (the so-called density function) remain unknown. In significant advances in this field, DeepMind has shown that neural networks can be used to build more accurate density and electron interaction maps than previously achievable. By representing the features as neural networks and incorporating precise attributes into the training data, DeepMind was able to train the model to learn features that are free of two important system errors (delocalization errors and broken spin symmetry), and consequently a wide range of chemical reactions. In the short term, this will provide researchers with an improved approximation of the exact density function for immediate use through the availability of our code.
===============
memo 2112100455 my thought experiment oms strotelling
Sample 1.oms has a spin symmetry structure that rotates left and right. Elements revolve around the system as if they were rotating at the same time. The elements are vixer 1 bar and vixxer(smola) n!-1 bars in sample 1.oms upgrade. The elements are still as numerous and constantly moving as every particle in the universe.
This allows programmatic DeepMind, today called artificial intelligence, to train a model limitedly to learn a function that is free of two important system errors (delocalization errors and broken spin symmetry), making a wide range of chemical and quantum types of reactions available to us. seems to be able to provide.
Sample 1.oms (standard)
b0acfd 0000e0
000ac0 f00bde
0c0fab 000e0d
e00d0c 0b0fa0
f000e0 b0dac0
d0f000 cae0b0
0b000f 0ead0c
0deb00 ac000f
ced0ba 00f000
a0b00e 0dc0f0
0ace00 df000b
0f00d0 e0bc0a
Sample 1.2 quasi oms (standard)
0100000010
0010000100
0001000001
0010001000
0100010000
0001010000
0000100100
0000100010
2000000000
0000001001
sample 2. oss (standard)
zxdxybzyz
zxdzxezxz
xxbyyxzzx
zybzzfxzy
cadccbcdc
cdbdcbdbb
xzezxdyyx
zxezybzyy
bddbcbdca
댓글