.AI-Powered Insights Reveal the Universe’s Fundamental Settings

mss(magic square system)master:jk0620
http://blog.naver.com/mssoms
http://jl0620.blogspot.com
https://www.facebook.com/junggoo.lee.54

 

 

.AI-Powered Insights Reveal the Universe’s Fundamental Settings

AI 기반 통찰력으로 우주의 기본 설정 밝혀내다

Thomas Sumner, Simons Foundation 제공2024년 10월 25일5개의 댓글7분 읽기 페이스북 지저귀다 핀터레스트 전보 공유하다 갤럭시 분포 아트 컨셉 연구자들은 AI를 사용하여 은하 분포를 분석함으로써 우주론적 매개변수의 추정을 개선했으며, 암흑 물질, 암흑 에너지 및 우주의 확장에 대한 이해에 진전을 약속했습니다. 출처: SciTechDaily.com

연구자들은 새로운 AI 기반 방법을 활용해 은하 분포를 분석함으로써 중요한 우주적 매개변수를 추정하는 정확도를 높였습니다. 이 획기적인 발견을 통해 암흑 물질과 에너지에 대한 더욱 정교한 연구가 가능해졌으며, 허블 장력과 기타 우주의 신비를 해결하는 데 큰 영향을 미칠 것입니다. 우주론의 AI 혁명 우주의 행동은 우주론적 매개변수로 알려진 6개의 핵심 숫자로 설명할 수 있습니다.

혁신적인 AI 기반 접근 방식을 사용하여 Flatiron Institute의 연구원과 협력자들은 은하계 분포에서 숨겨진 정보를 발견하여 놀라운 정밀도로 이러한 매개변수 중 5개를 추정했습니다. 그들의 방법은 기존 기술에 비해 훨씬 더 정확한 결과를 제공했습니다. 사실, 그것은 우주의 물질의 덩어리를 설명하는 매개변수에 대한 불확실성을 절반 이상 줄였습니다. AI 기반 추정치는 또한 우주에서 가장 오래된 빛과 같은 다른 우주 현상에서 파생된 값과 긴밀하게 일치했습니다.

시뮬레이션 기반 은하 추론(SimBIG)을 통해 천문학자는 인공 지능 기술을 활용하여 우주의 주요 속성을 더 잘 추정할 수 있습니다. 이 영상은 SimBIG를 훈련하는 데 사용된 시뮬레이션 우주의 은하 분포(오른쪽)를 실제 우주에서 볼 수 있는 은하 분포(왼쪽)와 비교합니다. 출처: Bruno Régaldo-Saint Blancard/SimBIG 협업 SimBIG

소개 연구진은 최근 일련의 논문에서 SimBIG(Simulation-Based Inference of Galaxies)이라 불리는 방법을 소개했는데, 그 중에는 8월 21일에 Nature Astronomy 에 게재된 연구도 있습니다 . 동일한 데이터를 사용하면서 매개변수에 대한 더 엄격한 제약 조건을 생성하는 것은 암흑 물질의 구성에서 우주를 갈라놓는 암흑 에너지의 본질에 이르기까지 모든 것을 연구하는 데 중요할 것이라고 뉴욕시에 있는 Flatiron Institute's Center for Computational Astrophysics(CCA)의 그룹 리더이자 연구 공동 저자인 셜리 호는 말합니다. 특히, 향후 몇 년 동안 우주에 대한 새로운 조사가 온라인에 오르면서 더욱 그렇다고 그녀는 말합니다.

https://youtu.be/ongpn6XP8Ls

시뮬레이션 기반 은하 추론(SimBIG) 프로젝트 인포그래픽 시뮬레이션 기반 은하 추론(SimBIG) 프로젝트의 방법론을 보여주는 인포그래픽. 출처: Lucy Reading-Ikkanda/Simons Foundation

하이 스테이크 우주 연구

"이러한 조사 각각은 수억에서 수십억 달러의 비용이 듭니다." 호가 말했습니다. "이러한 조사가 존재하는 주된 이유는 우리가 이러한 우주론적 매개변수를 더 잘 이해하고 싶어하기 때문입니다. 따라서 매우 실용적인 관점에서 생각해 보면 이러한 매개변수는 각각 수천만 달러의 가치가 있습니다. 이러한 조사에서 가능한 한 많은 지식을 추출하고 우주에 대한 우리의 이해의 경계를 넓히기 위해 최상의 분석이 필요합니다."

여섯 가지 우주론적 매개변수는 우주에 존재하는 일반 물질, 암흑 물질, 암흑 에너지의 양과 빅뱅 이후의 조건 ( 예: 냉각 시 신생 우주의 불투명도, 우주의 질량이 퍼져 있는지 큰 덩어리인지)을 설명합니다.

Nature Astronomy 연구의 공동 저자이자 CCA의 연구 분석가인 리엄 파커는 매개변수가 "근본적으로 우주의 '설정'으로, 우주가 가장 큰 규모에서 어떻게 작동하는지 결정합니다."라고 말합니다.

은하 분포 비교 이 스냅샷은 SimBIG(오른쪽)를 훈련하는 데 사용된 시뮬레이션된 우주의 은하 분포를 실제 우주(왼쪽)에서 볼 수 있는 은하 분포와 비교합니다. 출처: Bruno Régaldo-Saint Blancard/SimBIG 협업

은하계 분석의 혁신

우주론자들이 매개변수를 계산하는 가장 중요한 방법 중 하나는 우주의 은하계 군집을 연구하는 것입니다. 이전에는 이러한 분석이 은하계의 대규모 분포만을 살펴보았습니다. 프린스턴 대학 의 연구원이자 Nature Astronomy 연구 의 주저자인 ChangHoon Hahn은 "우리는 작은 규모로 내려가지 못했습니다."라고 말합니다 . "지난 몇 년 동안 우리는 거기에 추가 정보가 있다는 것을 알고 있었지만 그것을 추출할 좋은 방법이 없었습니다."

심층적 통찰력을 위한 AI 활용 한은 AI를 활용하여 소규모 정보를 추출하는 방법을 제안했습니다. 그의 계획에는 두 단계가 있었습니다. 첫째, 그와 그의 동료들은 시뮬레이션된 우주의 모습을 기반으로 우주론적 매개변수의 값을 결정하도록 AI 모델을 훈련했습니다. 그런 다음 모델에 실제 은하 분포 관측치를 보여주었습니다. Hahn, Ho, Parker와 동료들은 CCA에서 개발한 Quijote 시뮬레이션 모음에서 상자 모양의 우주 2,000개를 보여줌으로써 모델을 훈련시켰는데, 각 우주는 우주론적 매개변수에 대해 다른 값을 사용하여 생성되었습니다.

연구자들은 심지어 2,000개의 우주를 은하계 조사에서 생성된 데이터처럼 보이게 만들었습니다. 여기에는 대기와 망원경 자체의 결함이 포함되어 있어 모델에 현실적인 연습을 제공합니다. Hahn은 "많은 수의 시뮬레이션이지만 관리할 수 있는 양입니다."라고 말합니다. " 기계 학습이 없다면 수십만 개가 필요할 것입니다." 시뮬레이션을 섭취함으로써, 모델은 시간이 지남에 따라 우주론적 매개변수의 값이 개별 은하 쌍 사이의 거리와 같은 은하 클러스터링의 소규모 차이와 어떻게 상관관계가 있는지를 학습했습니다.

SimBIG은 또한 한 번에 세 개 이상의 은하를 살펴보고 그 사이에 생성된 모양(예: 길고 늘어진 삼각형 또는 쪼그리고 앉은 정삼각형)을 분석하여 우주의 은하의 더 큰 그림 배열에서 정보를 추출하는 방법을 학습했습니다. 정확한 측정과 미래 전망 연구자들은 훈련된 모델을 사용하여 Baryon Oscillation Spectroscopic Survey에서 측정한 109,636개의 실제 은하를 제시했습니다. 그들이 바랐던 대로, 모델은 데이터의 소규모 및 대규모 세부 정보를 활용하여 우주론적 매개변수 추정치의 정확도를 높였습니다.

이러한 추정치는 너무 정확해서 약 4배 더 많은 은하를 사용하는 기존 분석과 동일했습니다. Ho는 우주에 은하가 그렇게 많지 않기 때문에 이것이 중요하다고 말합니다. 더 적은 데이터로 더 높은 정확도를 얻음으로써 SimBIG은 가능한 것의 한계를 넓힐 수 있습니다. Hahn은 그 정밀성의 흥미로운 응용 분야 중 하나가 허블 긴장으로 알려진 우주론적 위기라고 말합니다. 이 긴장은 우주의 모든 것이 얼마나 빨리 퍼져 나가는지 설명하는 허블 상수의 불일치 추정치에서 발생합니다.

허블 상수를 계산하려면 '우주의 통치자'를 사용하여 우주의 크기를 추정해야 합니다. 먼 은하계의 초신성이라 불리는 폭발하는 별까지의 거리를 기반으로 한 추정치는 우주의 가장 오래된 빛의 변동 간격을 기반으로 한 추정치보다 약 10% 더 높습니다. 앞으로 몇 년 안에 온라인에 올라오는 새로운 조사는 우주의 역사를 더 많이 포착할 것입니다. 이러한 조사의 데이터를 SimBIG과 결합하면 허블 긴장의 정도와 불일치를 해결할 수 있는지 또는 우주의 개정된 모델이 필요한지 더 잘 알 수 있을 것이라고 Hahn은 말합니다. "우리가 양을 매우 정확하게 측정하고 긴장이 있다고 확실히 말할 수 있다면, 그것은 암흑 에너지와 우주의 팽창에 대한 새로운 물리학을 밝혀낼 수 있을 것입니다."라고 그는 말합니다.

참고문헌: ChangHoon Hahn, Pablo Lemos, Liam Parker, Bruno Régaldo-Saint Blancard, Michael Eickenberg, Shirley Ho, Jiamin Hou, Elena Massara, Chirag Modi, Azadeh Moradinezhad Dizgah 및 David Spergel의 "Ciscosmological constraints from non-Gaussian and nonlinear galaxy clustering using the SimBIG inference framework", 2024년 8월 21일, Nature Astronomy . DOI: 10.1038/s41550-024-02344-2 한, 호, 파커는 플랫 아이언 연구소 계산수학 센터 (CCM) 의 마이클 아이켄버그 , CCA의 파블로 레모스, CCA 및 CCM의 치라그 모디, CCM의 브루노 레갈도-생 블랑카르드, 사이먼스 재단 회장 데이비드 슈퍼겔, 플로리다 대학 의 지아민 호우, 워털루 대학 의 엘레나 마사라 , 제네바 대학의 아자데 모라디네자드 디즈가와 함께 Nature Astronomy SimBIG 연구에 참여했습니다.

https://scitechdaily.com/ai-powered-insights-reveal-the-universes-fundamental-settings/

 

메모 2410290427

인공지능이 동일한 데이터를 사용하면서 매개변수에 대한 더 엄격한 제약 조건을 생성하는 것은 암흑 물질의 구성에서 우주를 갈라놓는 암흑 에너지의 본질에 이르기까지 모든 것을 연구하는 통찰력 가질까?

문제는 첫째, 데이타를 어느 기반에 두느냐에 따라 다르고, 데이타 처리 컴퓨팅 성능이 어느 정도인가?에 따른 딥러닝 데이타의 공통분모 패턴찾기가 AI의 추론값이며 통찰력이 될 수 있다.

그래서 얻어낸 AI 능력의 범위의 한계인 데이타의 타성과 컴퓨팅 성능으로 인한 결론이 보인다. 그것은 늘 한계에 머물고 마냥 반복된다는거다. 도약은 '새로운 관점의 데이타 종류'와 컴퓨팅을 초월한 '지적인 인간의 뉴런에 기대를 해야한다'는 점이다.

그 한계를 벗어나려면 msbase.qpeoms 이론을 받아드려야 한다. 우리가 아는 것 모르는 데이타나 매카니즘의 모든것이 그곳에 있다. 어허. 다중우주를 논하고 초원자 번호 수천억 원소주기율을 논한다. 그것이 AI가 다룰 수 있는 과제도 아니고 그곳에 지적인 접근으로 개입할 수준이 아니다. 허허. 빛보다 빠른 생각의 속도는 곱의 msbase 미적분을 통해 합의 msbase 계층에서 우주론이 나타난다. 허허.

Memo 2410290427

Will AI have insight into everything from the composition of dark matter to the nature of dark energy that divides the universe by creating stricter constraints on parameters while using the same data?

The problem is that, first, it depends on what basis the data is based on, and how much computing power is available for data processing. The common denominator pattern finding of deep learning data can be the inference value and insight of AI.

So, the conclusion due to the inertia of data and computing power, which is the limit of the scope of AI capabilities obtained, is visible. It always stays at the limit and is repeated. The leap is that we must expect 'a new type of data from a new perspective' and 'intelligent human neurons that transcend computing'.

To overcome that limit, we must accept the msbase.qpeoms theory. All the data and mechanisms we know and don't know are there. Oh, oh. Discussing the multiverse and the periodicity of the super-atomic number of hundreds of billions. It's not a task that AI can handle, and it's not at the level where we can intervene with an intelligent approach. Hehe. The speed of thought faster than light is the msbase calculus of the product, and cosmology appears at the msbase layer of the sum. Hehe.

 

 

 

.Scientists discover a promising way to create new superheavy elements

과학자들은 새로운 초중원소를 만드는 유망한 방법을 발견했습니다

David Appell, Phys.org 제공 초중원소(SHE) 차트는 원자 번호(양성자) 대 중성자 수로 표시되어 있습니다. 상자는 발견된 SHE이며, 예측된 반감기가 있습니다. 원은 안정성의 섬입니다. 출처: Wikipedia Commons, October 27, 2024

우주에서 가장 무거운 원소는 무엇인가? 무한히 많은 원소가 있는가? 초중원소는 어디서 어떻게 자연적으로 생성될 수 있는가? 존재하는 것으로 알려진 가장 무거운 풍부한 원소는 우라늄으로, 양성자 92개(원자 번호 "Z")를 가지고 있습니다. 하지만 과학자들은 Z가 118인 오가네손까지 초중원소를 합성하는 데 성공했습니다 . 바로 앞에는 양성자 116개를 가진 리버모륨과 양성자 117개를 가진 테네신이 있습니다. 모두 짧은 반감기(원소 원자의 집합체 절반이 붕괴되는 데 걸리는 시간)를 가지고 있으며, 보통 1초 미만이고 일부는 마이크로초만큼 짧습니다.

이러한 원소를 만들고 감지하는 것은 쉽지 않으며 강력한 입자 가속기와 정교한 측정이 필요합니다. 하지만 고-Z 원소를 생산하는 전형적인 방법은 한계에 도달하고 있습니다. 이에 대응하여 미국과 유럽의 과학자 그룹이 지배적인 기존 기술을 넘어서는 초중원소를 생산하는 새로운 방법을 고안했습니다. 캘리포니아의 로렌스 버클리 국립연구소에서 수행한 그들의 연구는 Physical Review Letters 에 게재 되었습니다 .

"오늘날 '안정성의 섬'이라는 개념은 여전히 ​​흥미로운 주제이며, 세그레 차트 에서 그 정확한 위치와 범위는 이론 및 실험 핵물리학 모두에서 활발히 연구되고 있습니다." LBNL의 JM 게이츠와 동료들이 논문에 썼습니다. 안정성의 섬은 초중원소와 그 동위 원소 (양성자 수는 같지만 중성자 수는 다른 핵)가 근처 원소보다 반감기가 훨씬 길 수 있는 지역입니다 . Z=112 근처의 동위 원소에서 발생할 것으로 예상되었습니다. 초중원소를 발견하고 동위 원소를 만드는 기술은 여러 가지가 있지만, 가장 효과적인 방법 중 하나는 액티나이드 계열 원소의 표적에 칼슘 원자 빔, 특히 20개의 양성자와 28개(48에서 20을 뺀 값)의 중성자를 가진 칼슘의 동위 원소 인 48-칼슘( 48 Ca)을 포격하는 것입니다. 액티나이드 원소의 양성자 수는 89에서 103까지이고, 48 Ca는 양성자와 중성자 모두의 " 매직 넘버 " 를 가지고 있어서 특별합니다 . 즉, 그 수가 핵의 사용 가능한 에너지 껍질을 완전히 채웁니다. 양성자 및/또는 중성자 수는 마법과 같아서 원자핵이 극도로 안정적입니다.

예를 들어, 48 Ca의 반감기는 약 600억(6 x 10 19 )년으로 우주의 나이보다 훨씬 깁니다. (반면에 중성자가 하나 더 많은 49 Ca는 약 9분 만에 반으로 붕괴됩니다.) 이러한 반응은 "열융합" 반응이라고 합니다. 또 다른 기술은 50-티타늄에서 70-아연까지의 동위 원소 빔을 납이나 비스무트 표적에 가속시키는 "냉융합" 반응이라고 합니다. 이러한 반응으로 오가네손(Z=118)까지의 초중원소가 발견되었습니다.

하지만 반응의 단면을 통해 생성 확률을 측정하는 새로운 초중원소를 생성하는 데 필요한 시간은 점점 더 길어지고, 때로는 몇 주가 걸리는 실행 시간도 걸렸습니다. 예측된 안정의 섬에 매우 가까워서 과학자들은 오가네손보다 더 나아갈 기술이 필요합니다.

아인슈타이늄이나 페르뮴의 표적은 그 자체로 초중이기 때문에 적합한 표적을 만들기에 충분히 생산할 수 없습니다. 게이츠와 그의 팀은 "새로운 반응 접근 방식이 필요합니다."라고 썼습니다. 그리고 그것이 그들이 발견한 것입니다.

핵의 이론적 모델은 오가네손 아래의 초중원소의 생성 속도를 악티나이드 타겟과 48-칼슘보다 무거운 동위 원소 빔을 사용하여 성공적으로 예측했습니다. 이러한 모델은 또한 Z=119 및 Z=120인 원소를 생성하려면 50-티타늄 빔이 가장 잘 작동하며 가장 높은 단면적을 갖는다는 데 동의합니다. 하지만 이론가들은 빔의 필요한 에너지와 같은 모든 필요한 매개변수를 확정하지 못했고, 모델에 필요한 질량 중 일부는 실험가에 의해 측정되지 않았습니다.

정확한 숫자는 초중원소의 생산 속도가 그렇지 않으면 엄청나게 달라질 수 있기 때문에 중요합니다. 양성자 수가 119에서 122까지인 원자를 생산하기 위한 여러 실험적 노력이 이미 시도되었습니다. 모두 만족스럽지 않았고, 그들이 단면에 대해 결정한 한계는 다른 이론적 핵 모델을 제한할 수 없었습니다. 게이츠와 그의 팀은 244-Pu(플루토늄) 표적에 50-티타늄을 빔으로 조사하여 리버모륨(Z=116) 동위 원소의 생산을 조사했습니다.

로렌스 버클리 국립연구소의 88인치 사이클로트론 가속기를 사용하여, 팀은 사이클로트론에서 빠져나온 초당 평균 6조 개의 티타늄 이온을 생성하는 빔을 생성했습니다. 이는 22일 동안 12.2cm2의 원형 면적을 가진 플루토늄 타겟에 영향을 미쳤습니다. 그들은 여러 가지 측정을 한 결과, 290-리버모륨이 두 가지 다른 핵 붕괴 사슬을 통해 생성되었음을 확인했습니다. "이것은 48-칼슘이 아닌 빔을 사용한 예측된 안정성 섬 근처에서 SHE[초중원소]가 생산된 첫 번째 보고입니다." 그들은 결론지었습니다. 반응 단면적 또는 상호작용 확률은 더 무거운 빔 동위 원소에서 예상했던 대로 감소했지만 "이 측정의 성공은 새로운 SHE의 발견이 실제로 실험적 범위 내에 있음을 입증합니다." 이 발견은 비마법적 핵의 충돌이 다른 초중원자와 동위 원소(둘 다)를 생성할 수 있는 잠재력을 보여준 최초의 사례로, 앞으로의 발견을 위한 길을 닦기를 바랍니다. 약 110개의 초중원소 동위 원소가 존재하는 것으로 알려져 있지만, 이와 같은 새로운 기술로 발견되기를 기다리는 50개가 더 있을 것으로 예상됩니다.

추가 정보: JM Gates et al, Toward the Discovery of New Elements: Production of Livermorium ( Z=116 ) with Ti50, Physical Review Letters (2024). DOI: 10.1103/PhysRevLett.133.172502 저널 정보: Physical Review Letters

https://phys.org/news/2024-10-scientists-superheavy-elements.html

https://www.thoughtco.com/ununoctium-facts-element-118-606613