.Deep in a South Dakota gold mine, physicists prospect for dark matter
http://blog.naver.com/mssoms
http://jl0620.blogspot.com
http://jk0620.tripod.com
https://www.facebook.com/junggoo.lee.9
.Deep in a South Dakota gold mine, physicists prospect for dark matter
사우스다코타 금광 깊은 곳에서 암흑 물질에 대한 물리학자들의 전망
Emily C. Nunez, 메릴랜드 대학교 UMD 물리학 팀은 LUX-ZEPLIN(LZ) 실험의 일부인 탐지기를 사용하여 버려진 금광에 있는 사우스다코타 지표면 1마일 아래에서 암흑 물질의 미스터리를 설명할 수 있는 아직 발견되지 않은 입자를 찾고 있습니다. 우주에서. 제공: Matthew Kapust, 샌포드 FEBRUARY 3, 2023
지하 연구 시설 사우스다코타 서부의 산속에 자리잡은 리드라는 작은 마을은 "기이하고" "가장자리가 거칠다"고 자칭합니다. 미용실이나 애견 공원을 지나 운전하는 방문객들은 수면 1마일 아래에서 특이한, 심지어 초자연적인 실험이 일어나고 있다는 것을 결코 짐작하지 못할 것입니다. 메릴랜드 대학의 물리학 교수진 과 대학원생 을 포함하는 연구팀은 우주 공간 에서 1870년대 골드러시가 한창일 때 운영되었던 이전 금광에 보관된 마을의 샌포드 지하 연구 시설로 가상의 입자를 유인하기를 희망합니다. 그들은 WIMP를 찾고 있습니다. 아니, 97파운드의 나약한 것이 아니라 "약하게 상호작용하는 거대한 입자 "입니다. WIMP 는 우주가 1마이크로초밖에 되지 않았을 때 형성되었다고 생각되며 우리 주변에 보이지 않게 존재할 수 있습니다.
연구 시설은 깊이가 그렇지 않으면 실험을 방해하는 우주 광선의 침입을 방지하기 때문에 이러한 유형의 검색에 적합합니다. WIMP가 관찰되면 물리학에서 가장 난처한 문제인 " 암흑 물질 "이라고 하는 신비하고 가상적인 물질의 본질과 우주 자체의 구조에 대한 단서를 찾을 수 있습니다.
시작하기
UMD 팀은 15년 동안 암흑 물질 을 찾아온 물리학 교수인 카터 홀(Carter Hall)이 이끌고 있습니다. 설명할 수 없는 물리적 현상을 관찰할 수 있는 가능성에 흥분한 Hall은 2012년부터 2016년까지 암흑 물질을 탐지하려고 시도한 Sanford Lab의 초기 장비인 LUX(Large Underground Xenon) 실험에 참여했습니다. LUX는 2018년까지 세계에서 가장 민감한 WIMP 암흑 물질 탐지기였습니다. Sanford에서 후속 실험인 새롭고 개선된 LUX-ZEPLIN(LZ) 실험이 작년에 시작되었습니다. Hall은 LZ가 WIMPS를 검색하도록 특별히 설계되었으며 훨씬 더 큰 목표를 가지고 있으며 이를 암흑 물질 후보로 탐지하거나 배제할 가능성이 훨씬 더 높다고 믿습니다.
WIMPS의 발견은 우주 질량의 누락된 85%를 설명하는 데 도움이 될 수 있습니다. 계산에서는 존재해야 하지만 볼 수 없다고 예측합니다. 스위스의 LHC(Large Hadron Collider)와 같은 입자 분쇄기에서 수행된 실험과 달리 LZ는 암흑 물질을 제조하는 것이 아니라 직접 관찰하려고 시도합니다. UMD 물리학과의 연구 교수인 Anwar Bhatti는 두 접근 방식에 장단점이 있다고 말했습니다. 그는 2005년부터 2013년까지 LHC에서 근무했으며 현재 UMD LZ 팀의 일원입니다. Bhatti는 WIMP에 대한 반박할 수 없는 증거를 찾을 확률은 희박하지만 이전에 발견되지 않은 입자가 실험에 나타나서 흔적을 남기기를 희망한다고 말했습니다. 바티는
-"암흑 물질의 힌트를 볼 가능성이 있지만 결정적인지는 두고 봐야 한다"고 말했다. UMD 물리학 대학원생인 존 실크(John Silk)와 존 암스트롱(John Armstrong)도 이 실험에 참여했으며, 팀은 몇 달 간의 데이터 수집 후 2022년 7월에 첫 번째 결과 세트를 발표했습니다. 암흑 물질은 검출되지 않았지만, 그 결과 실험이 순조롭게 진행되고 있음을 보여줍니다. 연구원들은 최대 5년 동안 데이터 수집을 계속할 것으로 예상합니다. Hall은 "그것은 데이터의 약간의 맛보기에 불과했습니다."라고 말했습니다. "실험이 잘 진행되고 있다는 확신을 주었고 이전에 탐색된 적이 없는 특정 유형의 WIMP를 배제할 수 있었습니다.
-우리는 현재 세계에서 가장 민감한 WIMP 검색입니다." LZ 실험에서 빛의 폭발은 입자 충돌에 의해 생성됩니다. 그런 다음 연구자들은 암흑 물질의 후보인 WIMP(약하게 상호 작용하는 거대 입자)로 알려진 유형을 검색하면서 입자 유형을 결정하기 위해 이러한 섬광의 특성을 사용하여 거꾸로 작업합니다. 크레딧: LUX-ZEPLIN 협업 어둠 속에서 불꽃 암흑 물질에 대한 이러한 직접적인 검색은 지하에서만 수행할 수 있습니다. 연구자들은 암흑 물질 신호를 혼동하고 놓치기 쉽게 만들 수 있는 표면 수준의 우주 방사선을 제거해야 하기 때문입니다. "여기 지구 표면에서 우리는 우리에게 쏟아지는 우주 입자로 끊임없이 목욕하고 있습니다.
-그들 중 일부는 은하계 건너편에서 왔으며 일부는 우주를 가로질러 왔습니다."라고 Hall은 설명했습니다. "우리의 실험은 지하 약 1마일이며, 그 1마일의 암석은 거의 모든 기존 우주선을 흡수합니다. 즉, 상호 작용이 많지 않고 암석에 흡수되지 않는 일부 이국적인 구성 요소를 찾을 수 있습니다." LZ 실험에서 빛의 폭발은 입자 충돌에 의해 생성됩니다. 그런 다음 연구자들은 입자의 유형을 결정하기 위해 이러한 섬광의 특성을 사용하여 거꾸로 작업합니다. UMD 연구 그룹은 삼중수소(방사성 형태의 수소)를 매우 조밀한 가스인 액화 형태의 크세논에 준비하고 주입하는 LZ 실험에 동력을 공급하는 기기를 보정합니다.
일단 혼합되면 방사성 혼합물은 입자 충돌을 관찰할 수 있는 기기 전체로 펌핑됩니다. 그런 다음 연구원들은 암흑 물질이 아닌 배경 이벤트에 장비가 어떻게 반응하는지 결정하기 위해 혼합물의 붕괴를 분석합니다. 제거 과정을 통해 연구자들은 상호 작용 유형이 중요하고 중요하지 않다는 것을 알게 됩니다. "그것은 암흑 물질이 어떻게 생겼는지 알려주지 않으므로 암흑 물질 검색 데이터에서 우리가 찾고자 하는 것은 그 패턴에 맞지 않는 사건입니다."라고 Hall은 말했습니다. 물리 플레이북을 다시 작성하시겠습니까? 연구원들은 다음 데이터 세트가 공개될 때까지 암흑 물질을 발견했는지 알 수 없습니다.
전체적으로 더 많은 양의 데이터가 필요한 첫 번째 데이터 세트보다 두 번째 데이터 세트의 민감도를 크게 초과하기를 원하기 때문에 최소 1년이 걸릴 수 있습니다. 이 WIMP 입자가 감지되면 우주의 근본적인 힘을 설명하는 입자 물리학의 표준 모델을 대대적으로 개편할 것입니다. 이 실험은 우주에 대한 시급한 질문에 답할 수 있지만 새로운 질문을 만들 가능성도 높습니다. "그것은 자연의 근본적인 구성 요소에 대한 우리의 많은 기본 아이디어가 어떤 식으로든 수정되어야 한다는 것을 의미합니다."라고 Hall은 말했습니다. "우리가 알고 있는 것처럼 그것이 입자 물리학에 어떻게 들어맞는지 이해하는 것은 즉시 차세대 입자 물리학자들에게 큰 도전이 될 것입니다." 현재 Hall과 그의 동료들은 이전 광산에서 금을 치는 것과 같은 물리적 현상 인 이국적인 우주 입자를 계속 찾고 있습니다. 메릴랜드 대학교 제공
https://phys.org/news/2023-02-deep-south-dakota-gold-physicists.html
=============================
메모 2302051030 나의 사고실험 oms 스토리텔링
우주선을 감지하여 암흑물질을 찾는 일이 가능하려면 샘플링 inside.oms에 outside.oms.darkmatter가 침투할 수 있는가?의 여부이다. 그 가능성을 샘플링 oss.banq나 qoms.oser.snolagos을 검토해봐야 한다. 허허.
Samplea.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
sampleb.qoms (standard)
0000000011=2,0
0000001100
0000001100
0000010010
0001100000
0101000000
0010010000
0100100000
2000000000-mser.2
0010000001
sample b.poms (standard)
q0000000000
00q00000000
0000q000000
000000q0000
00000000q00
0000000000q
0q000000000
000q0000000
00000q00000
0000000q000
000000000q0
sample c.oss (standard)
zxdxybzyz
zxdzxezxz
xxbyyxzzx
zybzzfxzy
cadccbcdc
cdbdcbdbb
xzezxdyyx
zxezybzyy
bddbcbdca
"It's possible we'll see hints of dark matter, but it remains to be seen if it's conclusive," he said. UMD Physics graduate students John Silk and John Armstrong also participated in the experiment, and the team published the first set of results in July 2022 after months of data collection. No dark matter was detected, but the results show that the experiment is on track. Researchers expect to continue collecting data for up to five years. “It was just a little taste of the data,” said Hall. "It gave us confidence that the experiment was going well and allowed us to rule out certain types of WIMPs that had never been explored before," he said.
-We are currently searching for the most sensitive WIMPs in the world." In the LZ experiment, the bursts of light are produced by particle collisions. The researchers then searched for candidates for dark matter, a type known as weakly interacting massive particles (WIMPs). Credit: LUX-ZEPLIN Collaboration Sparks in the Dark This direct search for dark matter can only be done underground Researchers confused dark matter signals "Here at the Earth's surface, we are constantly bathed in cosmic particles that rain down on us."
“Some of them are from across the galaxy, and some are from across space,” Hall explained. “Our experiment is about a mile underground, and that mile of rock absorbs almost all existing cosmic rays. That means you can find some exotic components that don't interact much and aren't absorbed by the rock." In the LZ experiment, bursts of light are produced by particle collisions. Using properties to work backwards: The UMD research group is calibrating the instrument that powers the LZ experiment, which prepares and injects tritium (a radioactive form of hydrogen) into a liquefied form of xenon, a very dense gas.
=============================
memo 2302051030 my thought experiment oms storytelling
If it is possible to detect cosmic rays and find dark matter, it is whether outside.oms.darkmatter can penetrate into sampling inside.oms. You should consider sampling oss.banq or qoms.oser.snolagos for that possibility. haha.
Samplea.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
sampleb. qoms (standard)
0000000011=2,0
0000001100
0000001100
0000010010
0001100000
0101000000
0010010000
0100100000
2000000000-mser.2
0010000001
sample b.poms (standard)
q0000000000
00q00000000
0000q000000
000000q0000
00000000q00
0000000000q
0q000000000
000q0000000
00000q00000
0000000q000
000000000q0
sample c.oss (standard)
zxdxybzyz
zxdzxezxz
xxbyyxzzx
zybzzfxzy
cadccbcdc
cdbdcbdbb
xzezxdyyx
zxezybzyy
bddbcbdca
.AI helps scientists decipher cellular structures
AI는 과학자들이 세포 구조를 해독하도록 돕습니다
Annika Grandison, 유럽 분자 생물학 연구소 DeePiCt 2D 및 3D CNN 아키텍처는 cryo-ET 데이터에서 구획 세분화 및 입자 위치 파악을 결합하는 자동화된 워크플로우에서 구현되었습니다. a , CNN U-Net 아키텍처: 2D 네트워크는 깊이(D) = 5 및 초기 기능 수(IF) = 16인 2D 공간 좌표에서 모든 텐서 작업을 수행합니다. 3D 네트워크는 3D 공간 차원에서 텐서 연산을 수행합니다. 빨간색의 아키텍처 하이퍼파라미터(D, IF, 배치 정규화 계층(BN))는 사용자가 설정할 수 있습니다. b – e , DeepPiCt 파이프라인은 cryo-ET의 다양한 구조적 특징을 훈련하고 예측하는 데 사용됩니다. 비, DeePiCt 파이프라인은 구획 분할을 위한 2D 네트워크와 입자 위치 파악을 위한 3D 네트워크의 두 개의 독립적인 CNN으로 구성됩니다. c , 트레이닝된 네트워크는 이미지 대비를 개선하기 위해 스펙트럼 일치 필터로 사전 처리될 수 있는 입력 단층 촬영에 적용됩니다. 예제 2D 단층 촬영 슬라이스는 소포체(ER), 액포(V), 핵 및 세포외 공간(ECS)이 있는 세포질을 시각화합니다. d , 세포질(2D CNN에서, 상단), 멤브레인, 리보솜 및 지방산 합성 효소(FAS, 3D CNN에서, 하단)에 대한 DeePiCt 원시 예측은 임계값, 클러스터 크기 및 중심 맞춤으로 후처리됩니다. 이자형, 두 네트워크의 출력은 입자 예측을 세포질 마스크(상단)와 교차하고 특정 막(핵막, 보라색, 중간)과 접촉하는 입자(NPC, 녹색)를 선택하고 식별하기 위해 세포 컨텍스트를 포함하도록 결합될 수 있습니다. 특정 소기관(예: ER)과 관련된 입자(예: 리보솜, 주황색). 신용: 자연 방법 (2023). DOI: 10.1038/s41592-022-01746-2 FEBRUARY 3, 2023
훈련받지 않은 사람의 눈에는 극저온 전자 단층 촬영이 세포의 상세한 스냅샷보다 모래의 흔적처럼 보입니다. 극저온 전자 현미경 및 단층 촬영과 같은 강력한 현미경 기술을 훈련받은 전문가는 이러한 이미지를 사용하여 세포 소기관의 위치와 모양 및 대형 분자 복합체의 구조를 연구할 수 있습니다. 결과적으로 연구자들은 건강한 상태와 질병 상태 모두에서 세포의 내부 작용에 대한 통찰력을 얻을 수 있습니다. 그러나 이 접근 방식에는 큰 단점이 있습니다. 훈련된 전문가는 단층 촬영에서 다양한 세포 구조를 인식하고 라벨링하는 데 매우 능숙할 수 있지만 프로세스는 매우 시간이 많이 걸립니다.
이것이 바로 EMBL Heidelberg의 Zaugg, Mahamid, Kreshuk 및 Diz-Muñoz 그룹이 저온 전자 단층 촬영에서 세포 구조에 신속하고 효율적으로 주석을 추가하는 인공 지능 기반 방법을 만든 이유입니다. 그들은 Nature Methods 의 최근 간행물에서 이 도구를 설명했으며 과학계 에서 액세스하고 사용할 수 있도록 공개적으로 제공했습니다 . 딥 러닝 프레임워크인 DeePiCt(Deep Picker in Context)는 사람의 눈보다 훨씬 빠르게 세포 소기관과 분자 복합체를 인식하고 레이블을 지정하여 인간의 편견 없이 풍부하고 상세한 세포 이미지를 생성할 수 있습니다(그림의 오른쪽 원에 있는 이미지와 같음). 위 이미지). "DeePiCt, 특히 우리가 제공하는 훈련된 모델은 누구나 자신의 단층 촬영의 시끄러운 배경에서 관심 있는 특정 입자와 구조를 감지할 수 있게 해줍니다. 저에게는 이것이 우리 작업의 최고의 결과 중 하나입니다." 주디스 자그가 말했다. "DeePiCt가 없으면 숙련된 전문가에게 주석에 대한 도움을 요청해야 했으며 이는 잠재적으로 매우 오래 걸렸습니다. DeePiCt는 세포 구조 생물학에서 높은 처리량을 가능하게 하는 중요한 단계라고 생각합니다."
DeePiCt 프레임워크를 사용하면 과학자들은 세포 구조가 있는 위치에 따라 단층 촬영에서 세포 구조를 쉽게 분류할 수 있습니다. 이것은 예를 들어 미토콘드리아에 있는 리보솜의 종류와 소포체에 있는 종류를 비교하는 데 사용할 수 있습니다. 이러한 분석을 통해 리보솜이 이러한 다양한 막에 결합하는 방법에 대한 알려지지 않은 구조적 세부 사항이 이미 밝혀졌습니다. 이 소프트웨어는 두 가지 유형의 컨벌루션 신경망을 결합합니다. 이미지에서 패턴을 찾고 개체를 구별할 수 있는 딥 러닝 알고리즘 입니다. 첫 번째는 소기관 및 세포질과 같은 세포 구조를 분할하도록 훈련되었으며 2D 슬라이스에서 작동합니다. 두 번째는 관심 입자(예: 리보솜)를 분할하도록 훈련되었으며 단층 촬영의 3차원 공간에서 작동합니다. 중요한 것은 일단 네트워크가 일련의 단층 사진에서 특정 입자를 인식하도록 훈련되면 다른 종에 속하는 세포의 입자를 포함하여 이전에 본 적이 없는 새로운 단층 사진에서 동일한 입자를 식별할 수 있다는 것입니다. 이것은 DeePiCt가 다양한 샘플 유형에 대한 극저온 전자 단층 촬영을 사용하는 연구원들에 의해 사용될 수 있음을 의미합니다. DeePiCt 프레임워크에 의한 극저온 전자 단층 촬영(왼쪽 원)과 4개의 세포 구조(빨간색: 액틴, 녹색: 리보솜, 청록색: 미세소관, 보라색: 막)의 주석을 통합한 신경망의 예술적 해석. 크레딧: Joana Gomes Campos de Carvalho/EMBL
-표시된 이미지에서 네트워크는 인간 세포의 보이지 않는 단층 촬영에서 이러한 구조를 예측하기 위해 세 가지 다른 유기체의 세포에서 네 가지 별개의 구조(액틴, 리보솜, 미세소관 및 막)를 감지하도록 훈련되었습니다. Julia Mahamid 는 "이제 우리는 이것이 효과가 있음을 보여 주었고 연구 커뮤니티 에서 소프트웨어를 사용할 수 있게 되어 기쁩니다."라고 말했습니다. "우리는 이러한 딥 러닝 접근 방식이 극저온 전자 단층 촬영의 표준으로 확립되기를 바랍니다. 그리고 우리는 EMBL-EBI 아카이브 에서 주석이 잘 달린 20개의 단층 촬영 세트를 제공하고 있으며 , 이를 통해 추가 방법을 촉발하고 지원할 것으로 기대합니다. 과학계 내에서의 발전
." 추가 정보: Irene de Teresa-Trueba 외, 세포 내에서 분자 패턴의 감독된 마이닝을 위한 컨볼루션 네트워크, Nature Methods (2023). DOI: 10.1038/s41592-022-01746-2 저널 정보: Nature Methods 유럽분자생물학연구소 제공
https://phys.org/news/2023-02-ai-scientists-decipher-cellular.html
.The AI immune system that's changing our understanding of human health
인간 건강에 대한 이해를 바꾸는 AI 면역 시스템
인공 면역 시스템은 면역 시스템이 학습하고 기억하는 방법에 기반한 지능형 알고리즘이며 생물학적 및 기술적 침입자로부터 자신을 보호하는 능력을 변형시킬 수 있습니다. 이 기사는 지난 24 시간 동안 642 회 조회되었습니다 .
건강 2023년 1월 31일 그레이엄 로턴 2E1DWA2 심장 사랑 기호, 건강, 사이버 기술 로맨스, 인공 지능 및 심장 개념. 미래형 추상 3d 렌더링 그림입니다. AI를 사용하여 면역 체계를 복제하면 작동 방식을 밝히는 데 도움이 될 수 있습니다. 슈코르제비악/알라미 면역 체계의 가장 중요한 특징 중 하나는 배우고 기억할 수 있다는 것인데, 이는 뇌와 경쟁할 수 있는 일종의 생물학적 지능입니다.
-그리고 뇌와 마찬가지로 연구자들은 인공 면역 지능(AII)이라는 AI를 만들어 이 지능을 인공적으로 복제하려고 시도하고 있습니다. 인공 면역 지능(AII)은 면역 체계에 대한 우리의 이해를 향상시키고 컴퓨터에서 악의적인 침입자가 해를 끼치는 것을 방지하는 데 사용될 수 있습니다. 뇌의 지능은 고정된 뉴런 사이의 연결로 구현되는 반면, 면역 체계는 움직이는 면역 세포 간의 일시적인 상호 작용에 기반합니다. 그러나 원리는 동일하며 둘 다 컴퓨터 프로그램에서 복제할 수 있습니다.
지난 몇 년 동안 네덜란드 Radboud 대학의 Johannes Textor와 그의 동료들은 시뮬레이션된 T 세포의 컴퓨터 기반 집단 형태로 AII를 구축해 왔습니다. 각각의 시뮬레이션된 면역 세포는 고유한 특성을 가지고 있으며 시뮬레이션된 병원체 복제를 제거하는 데 긍정적인 기여를 하는 세포와 사멸하지 않는 세포를 통해 강화를 통해 집합적으로 학습합니다. 이미 AII는 면역학자들이 오래된 문제를 해결하는 데 도움을 주고 있습니다. 예를 들어, Textor와 그의 동료 Inge Wortel은 T-세포가 위협이 무엇인지 학습하는 방법을 설명하는 면역학의 오랜 아이디어를 테스트하기 위해 AII를 구축했습니다.
=============================
메모 2302050929 나의 사고실험 oms 스토리텔링
표시된 샘플 데이타 2D,3D=DDAI.PiCt 이미지를 인공지능 방식으로 DeePiCt.oms방식으로 접근한다면 vixer.DeePiCt의 계층이 무한히 늘어날 수 있다.
여기서 이미지가 단일 속성을 가진다면 연속성을 가지는 일정한 oms 스페이스바를 가지거나 전체적으로 vix.a(n!).omsful 상태를 유지할 것이다. 더러 banq_space.void을 가질 수 있어도 일정한 간격의 패턴이 존재한다면 이미지에서 vix계층을 완전히 DDAI+1 분리하는 것은 어려운 문제가 아니다.
Samplea.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
sampleb.qoms (standard)
0000000011=2,0
0000001100
0000001100
0000010010
0001100000
0101000000
0010010000
0100100000
2000000000-mser.2
0010000001
sample b.poms (standard)
q0000000000
00q00000000
0000q000000
000000q0000
00000000q00
0000000000q
0q000000000
000q0000000
00000q00000
0000000q000
000000000q0
sample c.oss (standard)
zxdxybzyz
zxdzxezxz
xxbyyxzzx
zybzzfxzy
cadccbcdc
cdbdcbdbb
xzezxdyyx
zxezybzyy
bddbcbdca
-In the image shown, the network has been trained to detect four distinct structures (actin, ribosomes, microtubules, and membranes) in cells from three different organisms in order to predict these structures in invisible tomograms of human cells. “Now that we have shown that it works, we are excited to make the software available to the research community,” said Julia Mahamid. “We hope that this deep learning approach will become the standard for cryo-electron tomography. And we are providing a well-annotated set of 20 tomograms in the EMBL-EBI archive, which will spark and support additional methods. expect it to be
-And just like the brain, researchers are attempting to replicate this intelligence artificially by creating an AI called artificial immune intelligence (AII). Artificial immune intelligence (AII) can be used to advance our understanding of the immune system and prevent malicious intruders from doing harm to computers. The intelligence of the brain is realized by connections between fixed neurons, whereas the immune system is based on transient interactions between mobile immune cells. However, the principle is the same and both can be replicated in computer programs.
=============================
memo 2302050929 my thought experiment oms storytelling
If the displayed sample data 2D, 3D = DDAI.PiCt image is accessed in the DeePiCt.oms method in an artificial intelligence method, the hierarchy of vixer.DeePiCt can be infinitely increased.
Here, if the image has a single property, it will have a constant oms spacebar with continuity or will maintain vix.a(n!).omsful state as a whole. Even if you can have banq_space.void, it is not a difficult problem to completely separate the DDAI+1 vix layer from the image if there is a pattern of regular intervals.
Samplea.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
sampleb. qoms (standard)
0000000011=2,0
0000001100
0000001100
0000010010
0001100000
0101000000
0010010000
0100100000
2000000000-mser.2
0010000001
sample b.poms (standard)
q0000000000
00q00000000
0000q000000
000000q0000
00000000q00
0000000000q
0q000000000
000q0000000
00000q00000
0000000q000
000000000q0
sample c.oss (standard)
zxdxybzyz
zxdzxezxz
xxbyyxzzx
zybzzfxzy
cadccbcdc
cdbdcbdbb
xzezxdyyx
zxezybzyy
bddbcbdca
댓글