.How to tell if artificial intelligence is working the way we want it to
http://blog.naver.com/mssoms
http://jl0620.blogspot.com
http://jk0620.tripod.com
https://www.facebook.com/junggoo.lee.9
.How to tell if artificial intelligence is working the way we want it to
인공 지능이 우리가 원하는 방식으로 작동하는지 확인하는 방법
Adam Zewe, 매사추세츠 공과 대학 크레딧: Pixabay/CC0 공개 도메인 JULY 22, 2022
약 10년 전 딥 러닝 모델은 세계 챔피언 보드 게임 플레이어를 제치고 유방암 진단에서 의사를 능가하는 것에 이르기까지 모든 종류의 작업에서 초인적인 결과를 달성하기 시작했습니다. 이러한 강력한 딥 러닝 모델은 일반적으로 1940년대에 처음 제안되어 인기 있는 유형의 머신 러닝이 된 인공 신경망 을 기반으로 합니다. 컴퓨터는 인간의 두뇌 를 모방한 상호 연결된 노드 또는 뉴런의 레이어를 사용하여 데이터를 처리하는 방법을 배웁니다 .
머신 러닝 분야가 성장함에 따라 인공 신경망도 함께 성장했습니다. 딥 러닝 모델은 이제 방대한 양의 데이터를 사용하여 탐지 또는 분류 작업을 수행하도록 훈련된 여러 계층에서 수백만 또는 수십억 개의 상호 연결된 노드로 구성되는 경우가 많습니다. 그러나 모델이 엄청나게 복잡하기 때문에 모델을 설계하는 연구원들조차 모델이 어떻게 작동하는지 완전히 이해하지 못합니다. 이로 인해 올바르게 작동하는지 여부를 알기가 어렵습니다. 예를 들어 의사가 환자를 진단하는 데 도움이 되도록 설계된 모델은 피부 병변이 암이라고 정확하게 예측했지만 암 조직이 아닌 사진에서 암 조직이 있을 때 자주 발생하는 관련 없는 표시에 초점을 맞춰 그렇게 했습니다. 조직 자체. 이를 스퓨리어스 상관관계라고 합니다.
모델은 예측이 정확하지만 잘못된 이유로 그렇게 합니다. 암 양성 이미지에 마크가 나타나지 않는 실제 임상 환경에서는 진단을 놓칠 수 있습니다. 소위 "블랙박스" 모델을 둘러싼 불확실성이 너무 많은 상황에서 어떻게 상자 안에서 무슨 일이 일어나고 있는지 풀 수 있을까요? 이 퍼즐은 연구자들이 블랙박스 머신 러닝 모델이 예측을 하는 방법에 대한 약간의 빛을 밝히기 위해 설명 방법(해석 방법이라고도 함)을 개발하고 테스트하는 새롭고 빠르게 성장하는 연구 영역으로 이어졌습니다 .
설명 방법은 무엇입니까? 가장 기본적인 수준에서 설명 방법은 전역적이거나 지역적입니다. 로컬 설명 방법은 모델이 어떻게 하나의 특정 예측을 수행했는지 설명하는 데 초점을 맞추는 반면 글로벌 설명은 전체 모델의 전반적인 동작을 설명하려고 합니다. 이것은 종종 더 큰 블랙박스 모델을 모방하는 별도의 단순하고 이해할 수 있는 모델을 개발하여 수행됩니다. 그러나 딥 러닝 모델은 근본적으로 복잡하고 비선형적인 방식으로 작동하기 때문에 효과적인 전역 설명 모델을 개발하는 것은 특히 어렵습니다.
이로 인해 연구자들은 최근 관심을 로컬 설명 방법에 많이 맞추게 되었다고 CSAIL(Computer Science and Artificial Intelligence Laboratory) 대화형 로봇 그룹의 대학원생인 Yilun Zhou는 설명합니다. 기계 학습. 지역 설명 방법의 가장 인기 있는 유형은 크게 세 가지 범주로 나뉩니다. 첫 번째이자 가장 널리 사용되는 설명 방법은 특성 속성으로 알려져 있습니다. 특성 귀속 방법은 모델이 특정 결정을 내릴 때 어떤 특성이 가장 중요했는지 보여줍니다. 기능은 기계 학습 모델에 제공되고 예측에 사용되는 입력 변수입니다. 데이터가 표 형식이면 데이터 세트의 열에서 특성을 가져옵니다(모델에서 원시 데이터를 처리할 수 있도록 다양한 기술을 사용하여 변환됨).
-반면 이미지 처리 작업의 경우 이미지의 모든 픽셀이 하나의 특징입니다. 예를 들어 모델이 X선 이미지에 암이 있다고 예측하는 경우 특징 속성 방법은 모델의 예측에 가장 중요한 특정 X선의 픽셀을 강조 표시합니다. 기본적으로 특성 귀인 방법은 모델이 예측을 할 때 가장 주의를 기울이는 항목을 보여줍니다. Zhou는 "이 기능 속성 설명을 사용하여 잘못된 상관 관계가 우려되는지 확인할 수 있습니다. 예를 들어 워터마크의 픽셀이 강조 표시되는지 또는 실제 종양의 픽셀이 강조 표시되는지 보여줍니다."라고 말합니다.
두 번째 유형의 설명 방법은 반대 사실 설명으로 알려져 있습니다. 입력과 모델의 예측이 주어지면 이 메서드는 입력을 변경하여 다른 클래스에 속하도록 하는 방법을 보여줍니다. 예를 들어, 기계 학습 모델이 차용인이 대출을 거부할 것이라고 예측하는 경우, 반사실적 설명은 대출 신청이 수락되도록 변경해야 하는 요소를 보여줍니다. 모델의 예측에 사용된 두 가지 기능인 신용 점수나 수입이 그녀가 승인되려면 더 높아야 할 수도 있습니다. "이 설명 방법의 좋은 점은 결정을 뒤집기 위해 입력을 변경해야 하는 방법을 정확히 알려준다는 것인데, 이는 실용적인 사용이 가능합니다. 모기지를 신청했지만 받지 못한 사람을 위해 이 설명은 다음과 같이 알려줄 것입니다. 그들이 원하는 결과를 달성하기 위해 무엇을 해야 하는지,"라고 그는 말합니다. 세 번째 범주의 설명 방법은 표본 중요도 설명으로 알려져 있습니다. 다른 방법과 달리 이 방법은 모델을 훈련하는 데 사용된 데이터에 액세스해야 합니다. 샘플 중요도 설명은 특정 예측을 수행할 때 모델이 가장 많이 의존한 훈련 샘플을 보여줍니다. 이상적으로는 입력 데이터와 가장 유사한 샘플입니다. 이러한 유형의 설명은 비합리적으로 보이는 예측을 관찰할 때 특히 유용합니다. 모델 학습에 사용된 특정 샘플에 영향을 주는 데이터 입력 오류가 있을 수 있습니다. 이 지식을 사용하면 해당 샘플을 수정하고 정확도를 개선하기 위해 모델을 다시 훈련할 수 있습니다. 설명 방법은 어떻게 사용됩니까? 이러한 설명을 개발하는 한 가지 동기는 품질 보증을 수행하고 모델을 디버그하는 것입니다. 예를 들어 기능이 모델의 결정에 미치는 영향을 더 잘 이해하면 모델이 잘못 작동하고 있음을 식별하고 문제를 해결하기 위해 개입하거나 모델을 폐기하고 다시 시작할 수 있습니다. 최근 연구의 또 다른 영역은 기계 학습 모델을 사용하여 인간이 이전에 발견하지 못한 과학적 패턴을 발견하는 것입니다. 예를 들어, 임상의를 능가하는 암 진단 모델은 결함이 있을 수 있거나 인간 의사에게 알려지지 않았거나 관련이 없다고 Zhou는 말합니다. 그러나 연구 분야에서는 아직 초기 단계입니다.
경고의 말 Marzyeh Ghassemi는 설명 방법이 모델에서 버그를 포착하거나 시스템의 내부 작동을 이해하려고 할 때 머신 러닝 실무자에게 유용할 수 있지만 최종 사용자는 실제로 이를 사용하려고 할 때 주의해서 진행해야 한다고 말합니다. , 조교수이자 CSAIL의 Healthy ML 그룹 책임자입니다. 의료에서 교육에 이르기까지 더 많은 분야에서 기계 학습이 채택됨에 따라 의사 결정자가 모델의 예측을 더 잘 이해하여 모델을 신뢰하고 실제로 지침을 사용해야 할 때를 알 수 있도록 설명 방법이 사용되고 있습니다. 그러나 Ghassemi 는 이러한 방식을 사용하지 말라고 경고합니다 . "우리는 설명이 전문가와 비전문가를 막론하고 사람들이 특정 추천 시스템의 능력이나 조언에 대해 과신하게 만든다는 것을 발견했습니다.
나는 인간이 '조언에 의문을 제기하자'라고 묻는 내부 회로를 끄지 않는 것이 매우 중요하다고 생각합니다. 나 에게 주어진 것'이라고 그녀는 말한다. 과학자들은 마이크로소프트 연구원 들의 최근 연구 를 인용하면서 다른 최근 연구를 근거로 설명하면 사람들이 지나치게 자신감을 갖게 된다는 것을 알고 있다고 덧붙였 습니다. 은색 총알과는 거리가 먼 설명 방법에는 문제가 있습니다. 예를 들어, Ghassemi의 최근 연구는 설명 방법이 편견을 영속화하고 불우한 집단의 사람들에게 더 나쁜 결과를 초래할 수 있음을 보여주었습니다. 설명 방법의 또 다른 함정은 처음부터 설명 방법이 올바른지 여부를 알 수 없는 경우가 많다는 것입니다. 설명을 실제 모델과 비교해야 하지만 사용자는 모델이 어떻게 작동하는지 모르기 때문에 순환 논리라고 Zhou는 말합니다. 그와 다른 연구원들은 실제 모델의 예측에 더 충실하도록 설명 방법을 개선하기 위해 노력하고 있지만 Zhou는 최상의 설명조차도 소금 한 알로 취해야 한다고 경고합니다.
"게다가, 사람들은 일반적으로 이러한 모델을 인간과 같은 의사 결정자로 인식하고 우리는 지나치게 일반화하는 경향이 있습니다. 우리는 사람들을 진정시키고 억제하여 그들이 이러한 지역적 설명에서 구축한 일반화된 모델 이해가 올바른지 확인해야 합니다. 균형을 이뤘다"고 덧붙였다. Zhou의 가장 최근 연구는 바로 그것을 하려고 합니다. 기계 학습 설명 방법의 다음 단계는 무엇입니까? Ghassemi는 설명을 제공하는 데 초점을 맞추기보다는 의사 결정권자가 정보를 이해할 수 있도록 정보를 제공하는 방법을 연구하기 위해 연구 커뮤니티에서 더 많은 노력을 기울여야 하고 기계 학습 모델이 제대로 작동하도록 하기 위해 더 많은 규제를 시행해야 한다고 주장합니다. 실제로 책임감 있게 사용됩니다. 더 나은 설명 방법만으로는 답이 없습니다. "업계에서조차 우리가 이 정보를 가지고 멋진 대시보드를 만들고 사람들이 그것으로 더 나은 성과를 낼 것이라고 가정할 수 없다는 인식이 훨씬 더 많다는 것을 알게 되어 매우 기쁩니다. 측정 가능한 개선 조치가 필요합니다. , 그리고 의학과 같은 이러한 심층적인 기술 분야에서 정보를 표시하는 방식을 개선하기 위한 실제 지침으로 이어지기를 바랍니다."라고 그녀는 말합니다.
설명 개선에 중점을 둔 새로운 작업 외에도 Zhou는 모델 디버깅, 과학적 발견, 공정성 감사 및 안전 보장과 같은 특정 사용 사례에 대한 설명 방법과 관련된 더 많은 연구를 볼 수 있을 것으로 기대합니다. 설명 방법의 세분화된 특성과 다양한 사용 사례의 요구 사항을 식별함으로써 연구자는 설명을 특정 시나리오와 일치시키는 이론을 수립할 수 있으며, 이는 실제 시나리오에서 설명을 사용할 때 발생하는 몇 가지 함정을 극복하는 데 도움이 될 수 있습니다. 추가 탐색 사용자가 기계 학습 모델의 예측을 신뢰할지 여부를 결정하는 데 도움이 되는 방법은 편향을 영속화할 수 있습니다. 매사추세츠 공과대학 제공
https://techxplore.com/news/2022-07-artificial-intelligence.html
=====================
메모 22072300713 나의 사고실험 oms 스토리텔링
인공지능을 우리가 원하는 방식으로 작동하는지 확인하는 방법은 비교적 간단할 수 있다. 매우 어려운 100만경의 경우수 배열을 1초이내 도출하도록 복잡한 과정 을 인공지능에게 맡기고 하나의 픽셀로 X선의 oms값을 주도록 유도하면 된다. 허허.
Sample a.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 b.qoms(standard)
0000000011=2,0
0000001100
0000001100
0000010010
0001100000
0101000000
0010010000
0100100000
2000000000
0010000001
sample b.poms(standard)
p&pp=6n-1(+1)
q0000000000
00q00000000
0000q000000
000000q0000
00000000q00
000000000q
0q000000000
000q0000000
00000q00000
0000000q000
000000000q0
sample c.oss(standard)
zxdxybzyz
zxdzxezxz
xxbyyxzzx
zybzzfxzy
cadccbcdc
cdbdcbdbb
xzezxdyyx
zxezybzyy
bddbcbdca
- On the other hand, for image processing tasks, every pixel in an image is a feature. For example, if the model predicts that an X-ray image has cancer, the feature attribute method highlights the specific X-ray pixels that are most important to the model's prediction. Basically, feature attribution methods show what the model pays the most attention to when making predictions. "You can use this feature attribute description to see if you're concerned about false correlations," Zhou says. "For example, it shows whether a pixel in a watermark is highlighted, or a pixel in a real tumor."
=======================
memo 22072300713 my thought experiment oms storytelling
Making sure AI works the way we want it to be can be relatively simple. It is enough to entrust the complicated process to the artificial intelligence to derive the number array within 1 second, and induce it to give the oms value of X-rays to one pixel. haha.
Sample a.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 b.qoms(standard)
0000000011=2,0
0000001100
0000001100
0000010010
0001100000
0101000000
0010010000
0100100000
2000000000
0010000001
sample b.poms(standard)
p&pp=6n-1(+1)
q0000000000
00q00000000
0000q000000
000000q0000
00000000q00
000000000q
0q000000000
000q0000000
00000q00000
0000000q000
000000000q0
sample c.oss(standard)
zxdxybzyz
zxdzxezxz
xxbyyxzzx
zybzzfxzy
cadccbcdc
cdbdcbdbb
xzezxdyyx
zxezybzyy
bddbcbdca
.The observation of Chern mosaic and Berry-curvature magnetism in magic angle graphene
매직 앵글 그래핀에서 Chern 모자이크 및 Berry-curvature 자기의 관찰
잉그리드 파델리, Phys.org a, MATBG 샘플에 적용된 백게이트 전압 V_bg^dc+V_bg^ac와 해당하는 국부 자기장 B_z^ac(x,y)의 변화를 보여주는 도식 레이아웃은 스캐닝 SOT를 사용하여 이미지화됩니다. Chern 모자이크는 MATBG에 개략적으로 표시됩니다. b, m_z(x,y,ν_↑)는 B_a=50mT 및 ν=0.966에서 측정되었습니다. 빨간색(파란색) 색상은 상자성 유사(반자성) 국부 차동 자화를 나타냅니다. c, C=1(KB 편광, 파란색), C=-1(KA, 빨간색) 및 C=0 또는 반금속 중간 영역을 보여주는 m_z(x,y,ν_↑)의 진화에서 파생된 Chern 모자이크 맵( 초록). 크레딧: Grover et al. Weizmann Institute of Science, Barcelona Institute of Science and Technology, JULY 22, 2022 FEATURE
-일본 쓰쿠바 소재 국립 재료 과학 연구소의 연구원들은 최근 매직 앵글 그래핀에서 Chern 모자이크 토폴로지와 Berry-curvature 자기를 조사했습니다. Nature Physics 에 발표된 그들의 논문 은 응집 물질 물리 시스템에서 발생할 수 있는 위상 장애에 대한 새로운 통찰력을 제공합니다. 이 연구를 수행한 연구원 중 한 명인 Matan Bocarsly는 "MATBG( Magic angle twisted bilayer graphene )는 실험적으로 접근할 수 있는 평평한 밴드로 인해 지난 몇 년 동안 엄청난 관심을 불러일으켰고, 상관관계가 높은 물리학의 놀이터를 만들었습니다."라고 말했습니다.
Phys.org에 "전송 측정에서 관찰된 그러한 상관 위상 중 하나는 양자 비정상 홀 효과이며, 여기에서 적용된 자기장 이 없을 때도 위상 에지 전류가 존재합니다 ." 양자 비정상 홀 효과는 물질의 홀 저항이 소위 폰 클리칭 상수로 양자화되는 전하 수송 관련 현상입니다. 이는 Bocarsly와 그의 동료가 이전 연구, 특히 그래핀과 MATBG에서 광범위하게 연구한 이른바 정수 양자 홀 효과와 유사합니다. 연구원들은 과거 발견을 바탕으로 가장 효과적인 것으로 밝혀진 측정 도구를 사용하여 양자 비정상 홀 효과를 추가로 조사하기 시작했습니다.
이를 위해 날카로운 피펫의 정점에 제작된 주 사형 초전도 양자 간섭 장치 (SQUID)를 사용했습니다. 이 장치는 100nm 규모의 이미지를 수집할 수 있는 극도로 민감한 국부 자력계(즉, 자기장을 측정하는 센서)입니다. Bocarsly는 "샘플의 캐리어 밀도를 변경하여 국부 자기장의 응답을 측정했습니다."라고 설명했습니다. "낮은 인가 필드에서 이 자기 응답은 Berry 곡률에 의해 유도되는 Bloch 파동 함수의 내부 궤도 자화와 정확히 상관 관계가 있습니다.
-따라서 본질적으로 우리는 로컬 Berry 곡률을 측정하는 로컬 프로브를 가지고 있습니다." MATBG에서 국부 베리 곡률에 의해 유도된 궤도 자기를 직접 측정하는 것은 이전에 달성된 적이 없는 매우 어려운 작업입니다. 이는 신호가 매우 약하여 기존의 대부분의 자기 측정 도구를 피하기 때문입니다.
-Bocarsly와 그의 동료들은 이 파악하기 어려운 신호를 처음으로 직접 측정했습니다. 실험하는 동안 샘플에서 Chern 모자이크 토폴로지를 관찰하여 MATBG에서 새로운 토폴로지 장애를 식별했습니다. Bocarsly는 "Chern 수 또는 전자 시스템의 토폴로지는 일반적으로 글로벌 토폴로지 불변량으로 생각됩니다. "우리는 장치 규모(미크론 단위)에서 C 번호가 불변하지 않고 +1과 -1 사이에서 교대로 나타난다는 것을 관찰했습니다. 이것은 설명해야 하는 응축 물질 시스템에 새로운 유형의 무질서인 위상 무질서를 도입합니다.
장치 제작 및 이론적 분석 을 위해 ." 이 연구원 팀의 최근 연구는 자기 및 토폴로지 측면에서 MATBG의 이해에 크게 기여합니다. 미래에는 이 물질에 대한 보다 정확한 이론적 모델의 개발을 알릴 수 있을 뿐만 아니라 잠재적으로 다양한 양자 컴퓨팅 장치에서의 구현을 용이하게 할 수 있습니다. Bocarsly는 "저장 국부 궤도 자화 프로브는 국부 시간 반전 대칭 파괴와 같은 다른 기본 특성을 조사하는 데에도 사용할 수 있습니다."라고 덧붙였습니다. "MATBG의 정수 채우기 상태와 이들이 따르는 대칭에 대해 여전히 많은 미해결 질문이 있으며, 이는 향후 탐색에 대한 흥미로운 방향이 될 수 있습니다."
추가 탐색 Berry 곡률 쌍극자의 부호 변화를 통한 위상 상전이의 직접 감지 추가 정보: Sameer Grover et al, Chern 모자이크 및 마법각 그래핀의 베리 곡률 자기, Nature Physics (2022). DOI: 10.1038/s41567-022-01635-7 저널 정보: 네이처 물리학
https://phys.org/news/2022-07-chern-mosaic-berry-curvature-magnetism-magic.html
=====================
메모 2207230644 나의 사고실험 oms 스토리텔링
매직 앵글 그래핀에서 Chern 모자이크 및 Berry-curvature 자기의 관찰은 실험적으로 접근할 수 있는 평평한 밴드로 인해 지난 몇 년 동안 엄청난 관심을 불러일으켰고, 상관관계가 높은 물리학의 놀이터를 만들었습니다."라고 말한다. 그런데 파악하기 그 어려운 신호를 처음으로 직접 측정했다.
실험하는 동안 샘플에서 Chern 모자이크 토폴로지를 관찰하여 MATBG에서 새로운 토폴로지 장애를 식별했다. 장치 규모(미크론 단위)에서 C 번호가 불변하지 않고 +1과 -1 사이에서 교대로 나타난다는 것을 관찰했다. 이것은 설명해야 하는 응축 물질 시스템에 새로운 유형의 무질서인 위상 무질서를 도입한 것이다.
샘플b.qoms에서의 특이점의 위치는 불변한데 중첩의 값이 교대로 나타나는 현상을 응축물질 시스템의 새로운 유형의 위상 무질서 배열을 도입한 것으로도 해석될 수 있다. 이는 물론 거대한 랜덤과 카오스의 불확실성을 유인하여 특이점에 다중 중첩 단위를 만들낸 quasi.oms 매직 앵글이다. 허허.
이러한 현상이 자연에 대규모로 벌어지는 평평한 매직밴드에 고자기장일때 필라멘트 거대구조가 웹을 형성하여 특이점으로 모이게 하는 현상을 이해하는 매직 중첩의 은하계 출현을 도울 수도 있음이여. 허허.
Sample a.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 b.qoms(standard)
0000000011=2,0
0000001100
0000001100
0000010010
0001100000
0101000000
0010010000
0100100000
2000000000
0010000001
sample b.poms(standard)
p&pp=6n-1(+1)
q0000000000
00q00000000
0000q000000
000000q0000
00000000q00
000000000q
0q000000000
000q0000000
00000q00000
0000000q000
000000000q0
sample c.oss(standard)
zxdxybzyz
zxdzxezxz
xxbyyxzzx
zybzzfxzy
cadccbcdc
cdbdcbdbb
xzezxdyyx
zxezybzyy
bddbcbdca
-Researchers at the National Institute of Materials Science and Technology in Tsukuba, Japan recently investigated Chern mosaic topology and Berry-curvature magnetism in magic-angle graphene. Their paper, published in Nature Physics, provides new insights into the phase disturbances that can occur in condensed matter physical systems. Matan Bocarsly, one of the researchers who conducted the study, said: "Magical angle twisted bilayer graphene (MATBG) has garnered tremendous interest in the past few years due to its experimentally accessible flat bands and has created a playground for highly correlated physics. made," he said.
-Bocarsly and his colleagues measured this elusive signal directly for the first time. During the experiment, we observed the Chern mosaic topology in the samples to identify novel topological disturbances in MATBG. "The topology of Chern numbers, or electronic systems, is generally thought of as global topological invariants," Bocarsly said. "We found that at the device scale (in microns), C numbers are not invariant, but alternate between +1 and -1. observed. This introduces a new type of disorder, topological disorder, to the condensed matter system that must be accounted for.
=======================
memo 2207230644 my thought experiment oms storytelling
Observations of Chern mosaics and Berry-curvature magnetism in magic-angle graphene have generated tremendous interest in the past few years due to their experimentally accessible flat bands, creating a playground for highly correlated physics.” However, for the first time, the difficult-to-understand signal was measured directly.
A novel topological disorder was identified in MATBG by observing the Chern mosaic topology in the samples during the experiment. On the device scale (in microns), we observed that the C number was not invariant and alternated between +1 and -1. This introduces a new type of disorder, topological disorder, to the condensed matter system to be accounted for.
The phenomenon that the position of the singularity in the sample b.qoms is invariant but the overlapping values appear alternately can be interpreted as the introduction of a new type of phase disordered arrangement of the condensed matter system. This is, of course, the quasi.oms magic angle that creates multiple nested units in singularities by inducing huge random and chaotic uncertainties. haha.
This phenomenon may help the emergence of galaxies of magic superposition to understand the phenomenon in which filamentous macrostructures form a web and gather into singularities when a high magnetic field is applied to a flat magic band that occurs on a large scale in nature. haha.
Sample a.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 b.qoms(standard)
0000000011=2,0
0000001100
0000001100
0000010010
0001100000
0101000000
0010010000
0100100000
2000000000
0010000001
sample b.poms(standard)
p&pp=6n-1(+1)
q0000000000
00q00000000
0000q000000
000000q0000
00000000q00
000000000q
0q000000000
000q0000000
00000q00000
0000000q000
000000000q0
sample c.oss(standard)
zxdxybzyz
zxdzxezxz
xxbyyxzzx
zybzzfxzy
cadccbcdc
cdbdcbdbb
xzezxdyyx
zxezybzyy
bddbcbdca
댓글