.Deciphering Physics: How MIT Uses AI to Answer the Unanswerable

mss(magic square system)master:jk0620
http://blog.naver.com/mssoms
http://jl0620.blogspot.com
https://www.facebook.com/junggoo.lee.9

물리학 해독: MIT가 AI를 사용하여 답할 수 없는 문제에 답하는 방법

추상 복잡한 물리학 예술 개념

주제:인공지능와 함께위상 전환 작성자: ADAM ZEWE, 매사추세츠 공과대학 , 2024년 5월 22일 추상 복잡한 물리학 예술 개념 MIT와 바젤 대학의 연구원들은 알려지지 않은 물리적 시스템에 대한 위상 다이어그램을 효율적으로 매핑하여 잠재적으로 재료 특성과 양자 시스템 연구에 혁명을 일으킬 수 있는 새로운 AI 기반 기계 학습 프레임워크를 개발했습니다. 신용: SciTechDaily.com

-물리적 시스템의 단계를 자동으로 분류할 수 있는 MIT 와 바젤 대학의 새로운 기계 학습 프레임워크는 과학자들이 새로운 물질을 조사하는 데 도움이 될 수 있습니다. 물이 얼면 액체상에서 고체상으로 전환됩니다. 이로 인해 밀도 및 부피와 같은 특성이 크게 변경됩니다. 물에서의 상전이는 너무 흔해서 우리 대부분은 그것에 대해 생각조차 하지 않지만, 새로운 물질이나 복잡한 물리적 시스템의 상전이는 중요한 연구 분야입니다. 이러한 시스템을 완전히 이해하려면 과학자는 단계를 인식하고 단계 사이의 전환을 감지할 수 있어야 합니다.

-그러나 익숙하지 않은 시스템의 위상 변화를 정량화하는 것은 특히 제한된 데이터의 경우 여전히 어려운 일입니다. 위상 감지 분야의 AI 발전 MIT와 스위스 바젤 대학의 연구원들은 생성 인공 지능 모델을 이 문제에 적용하여 새로운 물리적 시스템에 대한 단계 다이어그램을 자동으로 매핑할 수 있는 새로운 기계 학습 프레임워크를 개발했습니다. 물리학을 기반으로 한 기계 학습 접근 방식은 이론적인 전문 지식에 의존하는 힘든 수동 기술보다 더 효율적입니다.

중요한 것은 이들 접근 방식이 생성 모델을 활용하기 때문에 다른 기계 학습 기술에 사용되는 대규모의 레이블이 지정된 교육 데이터 세트가 필요하지 않다는 것입니다. 이러한 프레임워크는 과학자들이 새로운 물질의 열역학적 특성을 조사하거나 양자 시스템의 얽힘을 감지하는 데 도움이 될 수 있습니다. 궁극적으로 이 기술은 과학자들이 물질의 알려지지 않은 단계를 자율적으로 발견하는 것을 가능하게 할 수 있습니다.

“완전히 알려지지 않은 특성을 가진 새로운 시스템이 있는 경우 연구할 관찰 가능한 양을 어떻게 선택하시겠습니까? 적어도 데이터 기반 도구를 사용하면 자동화된 방식으로 대규모의 새 시스템을 검색할 수 있고 시스템의 중요한 변경 사항을 알려줄 수 있기를 바랍니다. 이는 새롭고 이국적인 위상 특성에 대한 자동화된 과학적 발견의 파이프라인에 있는 도구일 수 있습니다.”라고 CSAIL(컴퓨터 과학 및 인공 지능 연구소)의 Julia Lab 박사후 연구원이자 다음 논문의 공동 저자인 Frank Schäfer는 말합니다.

이 접근 방식. Schäfer와 함께 이 논문의 제1저자는 바젤 대학의 대학원생인 Julian Arnold입니다. Alan Edelman, 수학과 응용수학과 교수이자 Julia Lab의 리더; 바젤대학교 물리학과 교수이자 수석 저자인 크리스토프 브루더(Christoph Bruder). 이 연구는 5월 16일 Physical Review Letters 에 게재되었습니다 . AI를 사용하여 위상 전환 감지 물이 얼음으로 변하는 것은 상 변화의 가장 분명한 예 중 하나일 수 있지만, 물질이 일반 전도체에서 초전도체로 전이하는 경우와 같은 보다 이국적인 상 변화는 과학자들의 큰 관심을 끌고 있습니다.

이러한 전환은 중요하고 변경될 것으로 예상되는 수량인 "주문 매개변수"를 식별하여 감지할 수 있습니다. 예를 들어, 물의 온도가 섭씨 0도 이하로 떨어지면 물이 얼고 고체상(얼음)으로 전환됩니다 . 이 경우, 결정 격자의 일부인 물 분자 대 무질서한 상태로 남아 있는 물 분자의 비율로 적절한 차수 매개변수를 정의할 수 있습니다. 과거에 연구자들은 물리학 전문 지식에 의존하여 단계 다이어그램을 수동으로 작성하고 이론적 이해를 바탕으로 어떤 차수 매개변수가 중요한지 파악했습니다.

이는 복잡한 시스템에서는 지루할 뿐만 아니라 새로운 동작을 가진 알려지지 않은 시스템에서는 불가능할 수도 있습니다. 또한 솔루션에 인간의 편견이 도입됩니다. 최근 연구자들은 모델이 이미지를 고양이나 개로 분류하는 것과 같은 방식으로 측정 통계를 물리적 시스템의 특정 단계에서 나오는 것으로 분류하는 방법을 학습함으로써 이 작업을 해결할 수 있는 차별적 분류기를 구축하기 위해 기계 학습을 사용하기 시작했습니다.

과학자들은 생성 모델을 사용하여 물리학에 기반한 방식으로 분류 작업을 훨씬 더 효율적으로 해결할 수 있는 방법을 보여주었습니다. Schäfer는 MIT의 입문 선형 대수학 수업에서도 사용되는 과학 컴퓨팅용 인기 언어인 Julia 프로그래밍 언어가 이러한 생성 모델을 구성하는 데 매우 유용한 많은 도구를 제공한다고 덧붙였 습니다 . ChatGPT 및 Dall-E의 기초가 되는 생성 모델과 같은 생성 모델은 일반적으로 일부 데이터의 확률 분포를 추정하여 작동하며, 이를 사용하여 분포에 맞는 새로운 데이터 포인트(예: 기존 고양이 이미지와 유사한 새로운 고양이 이미지)를 생성합니다.

그러나 검증된 과학 기술을 사용하여 물리적 시스템에 대한 시뮬레이션을 사용할 수 있는 경우 연구자는 확률 분포 모델을 무료로 얻을 수 있습니다. 이 분포는 물리적 시스템의 측정 통계를 설명합니다. 더 많은 지식을 갖춘 모델 연구팀의 통찰력은 이 확률 분포가 분류기를 구성할 수 있는 생성 모델도 정의한다는 것입니다. 그들은 차별적인 접근 방식에서 수행된 것처럼 샘플에서 학습하는 대신 생성 모델을 표준 통계 공식에 연결하여 분류기를 직접 구성합니다.

-“이것은 물리적 시스템에 대해 알고 있는 정보를 기계 학습 체계 내부 깊숙이 통합하는 정말 좋은 방법입니다. 이는 단순히 데이터 샘플에 대해 기능 엔지니어링을 수행하거나 단순한 귀납적 편향을 수행하는 것 이상입니다.”라고 Schäfer는 말합니다. 이 생성 분류기는 온도나 압력과 같은 일부 매개변수가 주어지면 시스템이 어떤 단계에 있는지 결정할 수 있습니다. 그리고 연구원들이 물리적 시스템의 측정값에 기초한 확률 분포를 직접 근사화하기 때문에 분류기는 시스템 지식을 갖습니다. 이를 통해 그들의 방법은 다른 기계 학습 기술보다 더 나은 성능을 발휘할 수 있습니다.

그리고 광범위한 교육 없이 자동으로 작동할 수 있기 때문에 그들의 접근 방식은 단계 전환을 식별하는 계산 효율성을 크게 향상시킵니다. 결국 수학 문제를 풀기 위해 ChatGPT에 요청하는 것과 유사하게 연구원은 "이 샘플이 1단계에 속합니까, 아니면 2단계에 속합니까?"와 같은 질문을 생성 분류기에 질문할 수 있습니다. 또는 “이 샘플은 고온에서 생성되었나요, 아니면 저온에서 생성되었나요?” 과학자들은 또한 이 접근 방식을 사용하여 물리적 시스템의 다양한 이진 분류 작업을 해결하고, 양자 시스템의 얽힘(상태가 얽혀 있는지 여부)을 감지하거나 이론 A 또는 B가 특정 문제를 해결하는 데 가장 적합한지 여부를 결정할 수 있습니다.

또한 이 접근 방식을 사용하여 챗봇이 최상의 결과를 제공하도록 특정 매개변수를 조정하는 방법을 식별함으로써 ChatGPT와 같은 대규모 언어 모델을 더 잘 이해하고 개선할 수 있습니다. 앞으로 MIT 팀은 위상 전이를 효과적으로 감지하고 필요한 계산량을 추정하는 데 필요한 측정 횟수에 대한 이론적 보장을 연구하려고 합니다.

참조: Julian Arnold, Frank Schäfer, Alan Edelman 및 Christoph Bruder의 "Mapping Out Phase Diagrams with Generative Classifiers", 2024년 5월 16일, Physical Review Letters . DOI: 10.1103/PhysRevLett.132.207301 이 연구는 부분적으로 스위스 국립 과학 재단, MIT-스위스 록히드 마틴 종자 기금 및 MIT 국제 과학 기술 이니셔티브의 자금 지원을 받았습니다.

https://scitechdaily.com/deciphering-physics-how-mit-uses-ai-to-answer-the-unanswerable/

메모 2405230453

기후변화로 지구촌에 기상이변이 속출하고 예보는 더더욱 어려움을 겪는다. 데이타는 많아도 이를 분석하는 지식이 제한되면 기상이변으로 부터 문명사회를 지키기가 더욱 어려울 수 있다.

그래서 지구전체의 물의 상변이를 대규모로 예측하는 기술이 필요하고 이를 분석할 컴퓨터가 인공지능적인 기계적 학습을 가능한 딥러닝 소프트웨어이면 더욱 효율적이다.

데이타가 너무 많아서 패턴찾기 어려우면, 인공지능이 그 노력을 전자식으로 줄여줄 수 있다. 그러나 여전히 최종결정에 대한 확인은 인간의 지시에 따르게 하면 인공지능이 결정권을 행세하는 일이 없이 안전한 방향을 갈 수도 있으리라.

소스1. 편집
-물리적 시스템의 단계를 자동으로 분류할 수 있는 MIT 와 바젤 대학의 새로운 기계 학습 프레임워크는 과학자들이 새로운 물질을 조사하는 데 도움이 될 수 있다.

-물이 얼면 액체상에서 고체상으로 전환된다. 이로 인해 밀도 및 부피와 같은 특성이 크게 변경된다. 물에서의 상전이는 너무 흔해서 우리 대부분은 그것에 대해 생각조차 하지 않지만, 새로운 물질이나 복잡한 물리적 시스템의 상전이는 중요한 연구 분야이다.

-이러한 시스템을 완전히 이해하려면 과학자는 단계를 인식하고 단계 사이의 전환을 감지할 수 있어야 한다.

-그러나 익숙하지 않은 시스템의 위상 변화를 정량화하는 것은 특히 제한된 데이터의 경우 여전히 어려운 일이다.

-위상 감지 분야의 AI 발전 MIT와 스위스 바젤 대학의 연구원들은 생성 인공 지능 모델을 이 문제에 적용하여 새로운 물리적 시스템에 대한 단계 다이어그램을 자동으로 매핑할 수 있는 새로운 기계 학습 프레임워크를 개발했다.

-물리학을 기반으로 한 기계 학습 접근 방식은 이론적인 전문 지식에 의존하는 힘든 수동 기술보다 더 효율적이다.

1.
순서수를 정하는 문제에 대해 꿈에서 문제를 제시했다. 인공지능이 꿈을 꿀일 없으니 순전히 사람의 생각으로 문제를 재구성해 보았다. 3개의 가로 줄이 있고 순번을 정하는 일인듯하다. 2차원적인 순서수 배치는 사선을 따라 왼쪽에서 오른쪽으로 반복되었다. 그리고 1차원적인 순서수 정하는 x좌표측 0123...보다 뭔가 새로운듯 만족했던 것 같다.

그리고 잠에서 깨어나 왜 이런 꿈을 꿨는지, 좀 의아했지만, 곧이여, 만약 회의를 하기 위해 원탁회의를 한다면 msbase가 매우 효율적일듯 싶었다. 허허. 의견을 동일하게 전달 하려거나 결론을 내려 전체가 동기화된 결정을 알리는 문제는 마치 지구촌 기상이변에서 국지적인 상변이가 전체에 어떤 영향을 끼는지 알리는 카오스 문제의 해법과 유사하지 않을까? msbase원탁 순서수 배치는 인공지능이 데이타를 분석하는 기존방식과 다른 아이디어이다. 그규모도 엄청나다. 지구촌 물을 나노단위에서 상전이되는 현상을 초기에 카오스 이론처럼 파악할 수 있다.

참고로, 혼돈 이론 또는 chaos theory은 동역학계 이론에서 특정 동역학계의 시간 변화가 초기 조건에 지수적으로 민감하며, 시간 변화에 따른 궤도가 매우 복잡한 형태를 보이는 현상이다.

보기1.
040902
030507
080106

No photo description available.

chaos theory
Orbit of Lorenz equation. The Lorenz equation is a representative continuous-time chaotic system, and the orbit of the Lorenz equation has a complex shape as shown above. This is one of the strange attractors.

Chaos theory or chaos theory is a phenomenon in which the time change of a specific dynamical system is exponentially sensitive to initial conditions, and the trajectory according to time change shows a very complex form in the dynamical system theory. Chaos theory or chaos theory is the theory that logical laws exist even in seemingly chaotic states, and is a field of mathematics that studies chaotic systems.

Nonlinear dynamic systems can exhibit various phenomena, including:

permanently suspended
Permanently inflated (unbound systems only)
periodic movement
quasi-periodic movement
chaos movement

The type of behavior that appears is determined by the initial conditions of the system and the values of existing parameters. In the case of chaotic systems, they do not exhibit phenomena such as (quasi-) periodic orbits or expansion, and exhibit very complex orbits.

A chaotic dynamical system is a dynamical system that satisfies the following three properties. It must be sensitive to initial conditions (i.e., small changes in initial conditions can result in large differences in results) and exhibit phase mixing. It has dense periodic orbits. Each condition is specifically as follows.

Sensitivity to initial conditions means that the Lyapunov exponent is positive. Since the Lyapunov exponent is positive, the time evolution of the system depends exponentially on the initial conditions. This is often called the butterfly effect and is said to be a key property of chaotic systems, but sensitivity to initial conditions is only one of the three conditions that define chaotic systems. (i.e. sensitive to initial conditions, but not chaotic).

============================
Memo 2405230453

Due to climate change, abnormal weather events continue to occur around the world, making forecasting even more difficult. Although there is a lot of data, if the knowledge to analyze it is limited, it can be more difficult to protect a civilized society from extreme weather events.

Therefore, technology is needed to predict the phase transition of water throughout the Earth on a large scale, and it is more efficient if the computer that analyzes this is deep learning software capable of artificial intelligence mechanical learning.

If there is too much data and it is difficult to find patterns, artificial intelligence can electronically reduce the effort. However, if we still follow human instructions to confirm the final decision, we can go in a safe direction without artificial intelligence pretending to have decision-making authority.

Source 1. edit
-A new machine learning framework from MIT and the University of Basel that can automatically classify the stages of a physical system could help scientists investigate new materials.

-When water freezes, it changes from liquid to solid. This causes significant changes in properties such as density and volume. Phase transitions in water are so common that most of us don't even think about them, but phase transitions in new materials or complex physical systems are an important area of research.

-To fully understand these systems, scientists must be able to recognize the stages and detect transitions between stages.

-However, quantifying phase changes in unfamiliar systems remains difficult, especially with limited data.

-AI Advances in Phase Sensing Researchers from MIT and the University of Basel, Switzerland, have applied generative artificial intelligence models to this problem to develop a new machine learning framework that can automatically map phase diagrams for new physical systems.

-Machine learning approaches based on physics are more efficient than laborious manual techniques that rely on theoretical expertise.

One.
A problem was presented in a dream about determining an ordinal number. Since artificial intelligence has no dream, I tried to reconstruct the problem purely through human thinking. There are three horizontal lines and it seems to be a matter of deciding the order. The two-dimensional arrangement of ordinal numbers was repeated from left to right along a diagonal line. And I was satisfied as it seemed like something new compared to the x-coordinate of 0123... which determines the one-dimensional order number.

And when I woke up, I was a little puzzled as to why I had this dream, but then I thought, if I were to hold a round table for a meeting, MSbase would be very efficient. haha. Wouldn't the problem of conveying opinions in the same way or reaching a conclusion to inform a synchronized decision for the entire world be similar to the solution to the chaos problem of informing how local phase variations in global weather events affect the whole? The msbase round table sequence arrangement is a different idea from the existing way artificial intelligence analyzes data. The scale is also enormous. The phenomenon of phase transition in global water at the nanoscale can be initially understood like chaos theory.

For reference, chaos theory or chaos theory is a phenomenon in which the time change of a specific dynamical system is exponentially sensitive to initial conditions, and the trajectory according to time change shows a very complex form in the dynamical system theory.

Example 1.
040902
030507
080106

sample qoms (standard)
0000000011=2,0
0000001100
0000001100
0000010010
0001100000
0101000000
0010010000
0100100000
2000000000
0010000001

sample pms (standard)
q0000000000
00q00000000
0000q000000
000000q0000
00000000q00
0000000000q
0q000000000
000q0000000
00000q00000
0000000q000
000000000q0

Sample msoss
zxdxybzyz
zxdzxezxz
xxbyyxzz
zybzzfxzy
cadccbcdc
cdbdcbdbb
xzezxdyyx
zxezybzyy
bddbcbdca

.Using wobbling stellar material, astronomers measure the spin of a supermassive black hole for the first time

흔들리는 별 물질을 사용하여 천문학자들은 처음으로 초대질량 블랙홀의 회전을 측정합니다

블랙홀

매사추세츠 공과대학 제니퍼 추(Jennifer Chu) 신용: CC0 공개 도메인 MAY 22, 2024

-MIT, NASA 및 다른 곳의 천문학자들은 항성 축제의 흔들리는 여파를 사용하여 블랙홀이 얼마나 빨리 회전하는지 측정하는 새로운 방법을 가지고 있습니다. 이 방법은 블랙홀 조수 붕괴 사건, 즉 블랙홀이 지나가는 별에 조수를 가하여 산산조각으로 찢어버리는 엄청나게 밝은 순간을 활용합니다. 블랙홀의 엄청난 조석력에 의해 별이 붕괴되면서 별의 절반은 날아가고 나머지 절반은 블랙홀 주위로 날아가면서 회전하는 항성 물질로 이루어진 매우 뜨거운 강착 원반이 생성됩니다. MIT가 이끄는 팀은 새로 생성된 강착 원반의 흔들림이 중앙 블랙홀의 고유 회전을 해결하는 데 핵심이라는 것을 보여주었습니다.

-네이처( Nature) 에 게재된 한 연구에서 천문학자 들은 조수 붕괴 사건 직후 블랙홀이 생성하는 X선 섬광의 패턴을 추적하여 인근 초거대 블랙홀의 회전을 측정했다고 보고했습니다 . 연구팀은 몇 달에 걸쳐 섬광을 추적한 결과, 블랙홀 자체의 회전에 의해 밀리고 당겨질 때 앞뒤로 흔들리는 밝고 뜨거운 강착 원반의 신호일 가능성이 높다고 판단했습니다. 시간이 지남에 따라 디스크의 흔들림이 어떻게 변하는지 추적함으로써 과학자들은 디스크가 블랙홀의 회전에 얼마나 많은 영향을 받는지, 그리고 블랙홀 자체가 얼마나 빨리 회전하는지 알아낼 수 있었습니다.

-그들의 분석에 따르면 블랙홀은 빛의 속도의 25% 미만으로 회전하고 있었습니다. 이는 블랙홀에 비해 상대적으로 느린 속도였습니다 . 이번 연구의 주요 저자인 MIT 연구원인 Dheeraj "DJ" Pasham은 이 새로운 방법이 앞으로 몇 년 안에 지역 우주에 있는 수백 개의 블랙홀의 회전을 측정하는 데 사용될 수 있다고 말했습니다. 과학자들이 근처에 있는 많은 블랙홀의 회전을 조사할 수 있다면 중력 거인이 우주 역사에 걸쳐 어떻게 진화했는지 이해하기 시작할 수 있습니다. "이 방법으로 앞으로 몇 년 동안 여러 시스템을 연구함으로써 천문학자들은 블랙홀 스핀의 전체 분포를 추정하고 시간이 지남에 따라 블랙홀 스핀이 어떻게 진화하는지에 대한 오랜 질문을 이해할 수 있습니다"라고 MIT Kavli 천체 물리학 연구소 회원인 Pasham은 말합니다.

우주 연구. 이 연구의 공동 저자에는 NASA, 체코의 Masaryk University, Leeds University, Syracuse University, Tel Aviv University, Polish Academy of Sciences 등을 포함한 여러 기관의 공동 작업자가 포함됩니다. 찢어진 열기 모든 블랙홀은 시간이 지남에 따라 우주와의 만남에 의해 형성되는 고유한 스핀을 가지고 있습니다. 예를 들어, 블랙홀이 주로 강착을 통해 성장한 경우(일부 물질이 디스크에 떨어지는 짧은 순간) 이로 인해 블랙홀이 상당히 빠른 속도로 회전하게 됩니다. 대조적으로, 블랙홀이 주로 다른 블랙홀과 병합하여 성장하는 경우, 하나의 블랙홀의 스핀이 다른 블랙홀의 스핀과 만나기 때문에 각각의 병합으로 인해 속도가 느려질 수 있습니다. 블랙홀이 회전하면서 주변의 시공간도 함께 끌어당깁니다.

이 항력 효과는 블랙홀에 의해 생성된 것과 같은 매우 강한 중력장이 주변 공간과 시간을 끌어당길 수 있는 방식을 설명하는 오랜 이론인 Lense-Thirring 세차운동의 예입니다. 일반적으로 이 효과는 블랙홀 주변에서는 뚜렷하지 않습니다. 왜냐하면 거대한 물체는 빛을 방출하지 않기 때문입니다. 그러나 최근 몇 년 동안 물리학자들은 조수 붕괴 사건(TDE)과 같은 경우에 과학자들이 별 파편이 끌려가는 동안 빛을 추적할 수 있는 기회를 가질 수 있다고 제안했습니다. 그런 다음 그들은 블랙홀의 회전을 측정할 수 있기를 바랄 것입니다.

특히, TDE 동안 과학자들은 별이 어떤 방향에서든 블랙홀 위로 떨어지면서 블랙홀의 스핀과 관련하여 기울어지거나 잘못 정렬될 수 있는 백열의 조각난 물질 디스크를 생성할 수 있다고 예측합니다. (부착 원반을 자체적으로 별도의 회전을 갖는 도넛 구멍 주위를 회전하는 기울어진 도넛으로 상상해 보십시오.) 원반이 블랙홀의 회전을 만나면 블랙홀이 원반을 끌어당겨 정렬되면서 원반이 흔들립니다. 결국 디스크가 블랙홀의 회전에 안착되면서 흔들림은 가라앉습니다. 따라서 과학자들은 TDE의 흔들리는 디스크가 블랙홀 스핀의 측정 가능한 신호가 되어야 한다고 예측했습니다.

"그러나 핵심은 올바른 관찰을 하는 것이었습니다"라고 Pasham은 말했습니다. "이를 수행할 수 있는 유일한 방법은 조수 붕괴 현상이 발생하자마자 망원경을 사용하여 이 물체를 매우 오랜 시간 동안 계속해서 관찰해야 하는 것입니다. 그러면 몇 분에서 몇 분까지 모든 종류의 시간 척도를 조사할 수 있습니다. 몇 달까지." 높은 케이던스 캐치 지난 5년 동안 Pasham은 Lense-Thirring 세차운동의 징후를 신속하게 추적하고 추적할 수 있을 만큼 충분히 밝고 가까운 조수 붕괴 현상을 찾아왔습니다. 2020년 2월, 그와 그의 동료들은 운이 좋게도 약 10억 광년 떨어진 은하에서 나오는 밝은 섬광인 AT2020ocn을 탐지했는데, 이는 처음에 Zwicky Transient Facility의 광학 대역에서 발견되었습니다.

광학 데이터에서 플래시는 TDE 이후 첫 번째 순간인 것으로 나타났습니다. 밝고 상대적으로 가까이 있기 때문에 Pasham은 TDE가 디스크 흔들림의 징후를 찾고 호스트 은하 중심에 있는 블랙홀의 회전을 측정할 수 있는 이상적인 후보일 수 있다고 의심했습니다. 하지만 그러기 위해서는 훨씬 더 많은 데이터가 필요할 것입니다. Pasham은 "빠르고 높은 케이던스 데이터가 필요했습니다."라고 말했습니다. "핵심은 이 세차 운동 또는 흔들림이 초기에만 나타나야 하기 때문에 이것을 초기에 포착하는 것이었습니다. 나중에 디스크가 더 이상 흔들리지 않을 것입니다."

팀은 NASA의 NICER 망원경이 TDE를 포착하고 한 번에 몇 달에 걸쳐 지속적으로 관찰할 수 있다는 것을 발견했습니다. Neutron star Interior Composition ExploreR의 약어인 NICER는 국제 우주 정거장의 X선 망원경으로 블랙홀 및 기타 극중 중력 물체 주변의 X선 복사를 측정합니다. Pasham과 그의 동료들은 조석 붕괴 사건이 처음 감지된 후 200일 동안 NICER의 AT2020ocn 관측을 조사했습니다. 그들은 이 사건이 여러 주기 동안 15일마다 정점에 도달한 후 결국에는 사라지는 X선을 방출한다는 사실을 발견했습니다.

-그들은 최고점을 TDE의 강착 디스크가 정면으로 흔들리면서 NICER의 망원경을 향해 X선을 직접 방출한 후 계속해서 X선을 방출하면서 흔들리는 시간으로 해석했습니다(15일마다 누군가를 향해 손전등을 흔드는 것과 유사함). 연구자들은 이러한 흔들림 패턴을 취하여 Lense-Thirring 세차운동에 대한 원래 이론에 적용했습니다. 블랙홀의 질량과 붕괴된 별의 질량 추정치를 바탕으로 그들은 블랙홀의 회전에 대한 추정치를 빛의 속도의 25% 미만으로 추정할 수 있었습니다.

그들의 결과는 과학자들이 블랙홀의 회전을 추정하기 위해 조수 붕괴 사건 이후 흔들리는 원반 의 관찰을 사용한 최초의 기록입니다 . 향후 몇 년 안에 루빈 천문대와 같은 새로운 망원경이 온라인에 등장함에 따라 Pasham은 블랙홀 스핀을 파악할 수 있는 더 많은 기회를 예상합니다. Pasham은 "초거대 블랙홀의 회전은 그 블랙홀의 역사를 알려줍니다."라고 말합니다.

"루빈이 포착한 것 중 작은 부분이 이런 종류의 신호를 가지고 있더라도 이제 우리는 수백 개의 TDE의 회전을 측정할 수 있는 방법을 갖게 되었습니다. 그러면 우리는 우주의 나이에 따라 블랙홀이 어떻게 진화했는지에 대해 큰 설명을 할 수 있습니다. " 추가 정보: Dheeraj Pasham, 초거대 블랙홀이 별을 파괴한 후 Lense–Thirring 세차 운동, Nature (2024). DOI: 10.1038/s41586-024-07433-w . www.nature.com/articles/s41586-024-07433-w 저널 정보: 자연 매사추세츠 공과대학 제공

https://phys.org/news/2024-05-stellar-material-astronomers-supermassive-black.html

메모 2405230616

블랙홀을 oms.vix.ain으로 봐야만 거대한 블랙홀 zz'xbar 집단이 회전운동을 하는 거대하고 웅장한 모습이 보인다. 그 샘플이 바로 보기1.이다. 허허.

블랙홀 회전은 아무 곳에서 볼수 있는 게 아니다. 키랄 선대칭 하에서 vixer.blackhole이 궤도상 자유 이동한다.

보기1.을 확장하면 vix.a'6억조도 쉽게 나타난다. 그곳에는 6억조의 블랙홀이 존재하고 회전운동 한다. 그러면 중력 거인이 어떻게 우주역사를 썼는지 알려준다. 허허.

No photo description available.

Memo 2405230616

Only when you look at a black hole with oms.vix.ain can you see the gigantic and majestic image of a large group of black holes zz'xbar rotating in motion. The sample is example 1. haha.

Black hole rotation is not something that can be seen anywhere. Under chiral line symmetry, the vixer.blackhole moves freely in its orbit.

If you expand Example 1, vix.a'600 trillion can easily be seen. There are 600 trillion black holes there and they rotate. Then, we will tell you how the gravitational giant wrote the history of the universe. haha.

sample qoms (standard)
0000000011=2,0
0000001100
0000001100
0000010010
0001100000
0101000000
0010010000
0100100000
2000000000
0010000001

sample pms (standard)
q0000000000
00q00000000
0000q000000
000000q0000
00000000q00
0000000000q
0q000000000
000q0000000
00000q00000
0000000q000
000000000q0

Sample msoss
zxdxybzyz
zxdzxezxz
xxbyyxzz
zybzzfxzy
cadccbcdc
cdbdcbdbb
xzezxdyyx
zxezybzyy
bddbcbdca