.Scientists Just Split a Single Photon. Here’s What They Found
mss(magic square system)master:jk0620
http://blog.naver.com/mssoms
http://jl0620.blogspot.com
https://www.facebook.com/junggoo.lee.54/photos_by
https://www.facebook.com/jennidexter/photos_by
Starship version space science
메모 2508200452_소스1.재해석중【】
소스1.
https://scitechdaily.com/scientists-just-split-a-single-photon-heres-what-they-found/
.Scientists Just Split a Single Photon. Here’s What They Found
과학자들이 광자 하나를 분리했습니다. 그 결과는 다음과 같습니다
탐페레 대학교 제공2025년 8월 19일
과학자들은 단일 광자를 분리함으로써 각운동량이 항상 보존됨을 확인했습니다. 이는 10억 대 1의 확률로 계산된 실험으로, 양자 물리학의 기초를 더욱 공고히 합니다. 출처: SciTechDaily.com
1-1.
_물리학자들은 처음으로 단 하나의 광자 조차도 자연의 가장 엄격한 법칙 중 하나인 각운동량 보존 법칙을 따른다는 것을 보여주었습니다.
^!^>>>>>>>>
>sample2.는 광자보다 더 작은 다중우주의 소립자, 무한개 1의 군체 tsp를 다룬다.
>이런 tsp입자들 조차도 엄격한 수학적 조건에 따라야 한다. 으음.
sample2.qoms (standard)
0000000011=2,0
0000001100
0000001100
0000010010
0001100000
0101000000
0010010000
0100100000
2000000000
0010000001
_10억 번의 시도 중 단 한 번만 달성된 이 건초더미 속의 바늘 같은 성공은 가장 작은 규모에서 물리의 초석 법칙이 되었음을 증명할 뿐만 아니라 얽힌 상태에서 안전한 통신에 이르기까지 고급 양자 기술로 가는 길을 열어줍니다.
>>10억 시도?? 놀고들 있네!
>>>10억조번 시도해도, sample2.의 값인 2,0을 확인하기 어렵다. 진정한 과학는 매사 실험적 같잖은 ai 검증으로도 밝혀지는 게 아니다. 쩌어업!
<<<<
1-2.각운동량 보존의 양자 수준 확인
_탐페레 대학교 연구진은 독일과 인도의 동료들과 협력하여 단일 광자가 두 개로 분리될 때 각운동량이 보존된다는 것을 최초로 입증했습니다.
_이 결과는 양자 스케일에서 물리학의 핵심 원리를 확인시켜 주며, 컴퓨팅, 통신, 감지 기술에 사용될 고급 양자 상태를 개발하는 데 도움이 될 수 있는 중요한 이정표입니다.
_보존 법칙은 어떤 과정이 가능하고 어떤 과정이 불가능한지를 결정하기 때문에 과학에 매우 중요합니다.
_당구에서 흔히 볼 수 있는 예로, 충돌하는 동안 한 공의 운동량이 다른 공으로 전달됩니다.
_유사한 원리가 회전하는 물체에도 적용되며, 각운동량을 지닙니다. 빛 또한 각운동량을 가질 수 있는데, 특히 궤도각운동량(OAM)은 광선의 공간적 모양과 관련이 있습니다.
1-3.
_양자 수준에서 이는 개별 광자가 물질과 상호작용할 때 보존되어야 하는 특정 양의 궤도 운동량(OAM)을 가지고 있음을 의미합니다.
_최근 Physical Review Letters 에 게재된 연구에서 탐페레가 이끄는 연구팀은 단일 광자가 쌍으로 나뉘었을 때에도 이 보존 법칙이 여전히 적용되는지 조사했습니다.
_그들의 연구는 보존 실험의 한계를 가능한 가장 작은 규모로 확장했습니다.
_각운동량이 0인 단일 광자(녹색)가 각운동량이 0이거나 반대인 두 광자(빨간색)로 분리되는 모습을 나타낸 모식도(공간적으로 변하는 색상으로 표시).
_두 광자의 합은 0이 되어 기본 각운동량 보존 법칙을 확인시켜 줍니다. 사진 제공: Robert Fickler / 탐페레 대학교
2.
1에서 1을 빼면 0이 됩니다
_이 법칙에 따르면, OAM이 없는 광자가 두 개로 분리되면, 두 광자의 각운동량 값은 서로 상쇄되어야 합니다.
_예를 들어, 한 광자가 OAM 단위를 가지고 방출되면, 두 번째 광자는 -1 단위의 OAM을 가져야 합니다.
_간단히 말해, 1 + (-1) = 0이라는 방정식은 항상 성립해야 합니다. 레이저 기반 광학 실험에서 유사한 법칙이 여러 번 검증되었지만, 단일 광자에 대해 이것이 확인된 적은 없었습니다.
^!^>>>>>>
> 광자의 궤도각운동량(OAM) 단위법칙은 qms.sample2.0,2 value을 암시한다.
>여기서의 2의 값은 n=1, n+n을 함의 하지만,
>실제로는 광자가 아닌 뭔? 소립자 n=1의 갯수의 합으로 ,
>무한대에 이를 수 있는 양성자, 신종 소립자의 합이 된 값의 qcell.tsp을 의미한다. 어허.
<<<<<<<<
2-2.
_"저희 실험은 단일 광자가 과정을 주도하더라도 OAM이 실제로 보존됨을 보여줍니다.
_이는 가장 기본적인 수준에서 핵심 보존 법칙을 확인시켜 주는데, 이는 궁극적으로 과정의 대칭성에 기반합니다."라고 이 연구의 주저자인 리 코프 박사는 설명합니다.
^!^>>>>>>
sample1.oms.vix.ain의 키랄 대칭을 순수 광자 집단(oms)이 보여주는 거다.
sample1.
msbase12.qpeoms.2square.vector
oms.vix.a'6,vixx.a(b1,g3,k3,o5,n6)
b0acfd|0000e0
000ac0|f00bde
0c0fab|000e0d
e00d0c|0b0fa0
f000e0|b0dac0
d0f000|cae0b0
0b000f|0ead0c
0deb00|ac000f
ced0ba|00f000
a0b00e|0dc0f0
0ace00|df000b
0f00d0|e0bc0a
<<<<<<
2-3.실험실 건초더미에서 광자 바늘을 찾다
필요한 비선형 광학 과정이 매우 비효율적이기 때문에 이 팀의 실험은 정밀한 측정에 의존합니다.
_10억 번째 광자만 광자 쌍으로 변환되므로, 단일 광자에 대한 궤도 각 운동량(OAM) 보존을 측정하는 것은 마치 건초더미에서 바늘을 찾는 것과 같습니다.
_매우 안정적인 광학적 설정, 낮은 배경 노이즈, 가능한 가장 높은 효율의 검출 방식, 그리고 많은 실험적 지속성 덕분에 연구자들은 충분한 성공적인 변환을 기록하여 기본 보존 법칙을 확인할 수 있었습니다.
3.양자 얽힘의 첫 징후
_연구팀은 OAM 보존을 확인했을 뿐만 아니라 생성된 광자 쌍에서 양자 얽힘의 첫 징후를 관찰했는데, 이는 이 기술을 확장하여 더 복잡한 광자 양자 상태를 생성할 수 있음을 시사합니다.
^!^>>>>>
단일 광자에 대한 궤도 각 운동량(OAM) 보존은 susqer 양자 얽힘의 광자 바늘(bar의 이동)의 순간이동이 가능한 구조일듯 하다. 어허.
> 실험실에서 10억번째로 발견될 만큼, susqer 그것이, 결코 흔한 게 아니라는 점이여.
>혹시 모를 일이지만, 수많은 변곡점(smolas)을 가진 3차 함수이상의 홀수 차원의 pms 지수, 역지수를 가졌다면,
> susqer.s=mc^pms(*) 정의역을 가질 수 있음이여. 으음.
>> 이로써, 공간의 구조는 함수가 없는 볼륨 확장, 배경, 마이크로파 광자 에너지 공급자가 역 법칙을 역 제곱 법칙으로 변환한다?
>>> 나 막나가!
이는 qcell.qvix.qms의 역삼각형 상태로 변할 수 있어 입자가 암흑에너지를 보여주는 마스터 키가 될 수도 있음이지..헤헤.
<<<<<<<<
_실험이 수행된 실험 양자 광학 그룹을 이끄는 로버트 픽클러 교수는 "이 연구는 근본적으로 중요할 뿐만 아니라
_광자가 공간, 시간, 편광 등 모든 가능한 방식으로 얽힌 새로운 양자 상태를 생성하는 데 크게 한 걸음 더 다가가게 해줍니다."라고 덧붙였습니다.
^!^>>>>>>
>광자는 qpeoms의 1의 값일 수도 있다.
광자가 공간, 시간, 편광 등 모든 가능한 방식으로 얽힌 새로운 양자 상태를 susqer,rivery 방식으로 얽혀 있는 실제로 sample1.에서 그모습을 보여준다.
<<<<<<<
3.양자 광자학의 미래 방향
_앞으로 연구진은 이 계획의 전반적인 효율성을 개선하고 생성된 양자 상태를 측정하는 더 나은 전략을 개발하여,
_향후 실험실 건초더미에서 이러한 광자 바늘을 더 쉽게 찾을 수 있도록 할 계획입니다.
_또한, 생성된 다중 광자 양자 상태를 새로운 기본 양자 시험 및 양자 통신 및 네트워크 계획과 같은 양자 광자 응용 분야에 활용하는 것을 목표로 합니다.
참고문헌: L. Kopf, R. Barros, S. Prabhakar, E. Giese, R. Fickler 저, "단일 광자 수준에서의 각운동량 보존", 2025년 5월 20일, Physical Review Letters .
DOI: 10.1103/PhysRevLett.134.203601
메모 2508191652_소스1.재해석 【】
소스1.
https://phys.org/news/2025-08-glimpse-protein-language.html
.Researchers glimpse the inner workings of protein language models
연구원들은 단백질 언어 모델의 내부 작동을 엿보았습니다
저자: Anne Trafton, 매사추세츠 공과대학교
2025년 8월 19일
_지난 몇 년 동안 단백질의 구조나 기능을 예측할 수 있는 모델은 약물 표적 식별, 새로운 치료용 항체 설계 등 다양한 생물학적 응용 분야에서 널리 사용되었습니다.
_대규모 언어 모델 (LLM) 을 기반으로 하는 이러한 모델은 특정 응용 분야에서 단백질의 적합성을 매우 정확하게 예측할 수 있습니다.
^!^>>>>>>>
>생물에게 단백질은 몸체를 이루는 구조물을 제공한다.
>단백질의 역할을 인코딩하는 일에 msbase.qpeoms의 목록이 존재 한다면,
>side.value 행렬 index에 서술돼 있으리라. 어허.
>때때로 에너지원으로 포식자의 먹잇감으로 피식자 희생의 역할도 한다. 각 행렬의 타이밍이 역할의 기회를 제공한다.
*단백질은 우리 몸을 구성하고 다양한 생명 활동을 유지하는 데 필수적인 영양소입니다. 근육, 뼈, 피부, 머리카락 등 신체 조직을 만들고 유지하며, 효소, 호르몬, 항체 등 생체 기능 유지에도 중요한 역할을 합니다.
또한, 단백질은 우리 몸이 활동할 수 있는 에너지원으로도 작용하며, 수분 균형을 유지하고, 세포 내외로 영양소를 운반하는 등 다양한 기능을 수행합니다.
>물론 그 타이밍이 msbase의 행렬 단백질에만 해당되는 타이밍은 아니다.
_그러나 이러한 모델이 어떻게 예측을 내리는지, 그리고 어떤 단백질 특징이 그러한 결정에 가장 중요한 역할을 하는지 확인할 방법은 없습니다.
1-1.
_새로운 연구에서 MIT 연구진은 새로운 기술을 사용하여 그 " 블랙박스 " 를 열고 단백질 언어 모델이 예측 시 어떤 특징을 고려하는지 확인할 수 있었습니다.
_이 블랙박스 내부에서 무슨 일이 일어나는지 이해하면 연구자들이 특정 작업에 더 적합한 모델을 선택하고, 신약이나 백신 표적을 식별하는 과정을 간소화하는 데 도움이 될 수 있습니다.
^!^>>>>>>>>
^근소한 차이이긴 하지만, msbase 단백질이 qpeoms로 분리 결합을 행하여 magicsum을 유지할 때,
^각 행렬의 값의 변화는 내부에 어떤 일이 분자적으로 벌어졌는지 알아낼 수 있다. 어허.
1-2.
_MIT 컴퓨터 과학 및 인공지능 연구소의 계산 및 생물학 그룹 책임자이자 Simons 수학과 교수이자 본 연구의 수석 저자인 보니 버거는
_"이 연구는 이러한 표현에 의존하는 후속 작업의 설명 가능성 향상에 광범위한 영향을 미칩니다."라고 말했습니다. "또한, 단백질 언어 모델이 추적하는 특징을 파악하는 것은 이러한 표현으로부터 새로운 생물학적 통찰력을 도출할 수 있는 잠재력을 가지고 있습니다."
MIT 대학원생인 온카르 구즈랄(Onkar Gujral)이 이번 주 미국 국립과학원 회보(Proceedings of the National Academy of Sciences) 에 게재된 이 연구의 주저자입니다 .
MIT 대학원생인 미히르 바프나(Mihir Bafna)와 MIT 생물공학과 교수인 에릭 알름(Eric Alm)도 이 논문의 저자입니다.
1-2.블랙박스 열기
_2018년, 버거와 전 MIT 대학원생 트리스탄 베플러 박사는 최초의 단백질 언어 모델을 제시했습니다.
_이 모델은 알파폴드 개발을 가속화한 후속 단백질 모델인 ESM2와 오메가폴드처럼 LLM에 기반을 두었습니다.
_ChatGPT를 포함한 이 모델들은 방대한 양의 텍스트를 분석하여 어떤 단어들이 함께 등장할 가능성이 가장 높은지 파악할 수 있습니다.
1-3.
단백질 언어 모델도 유사한 접근법을 사용하지만, 단어를 분석하는 대신 아미노산 서열을 분석합니다.
_연구자들은 이러한 모델을 사용하여 단백질의 구조와 기능을 예측하고, 특정 약물과 결합할 수 있는 단백질을 식별하는 등의 응용 분야에 활용했습니다.
2.
_2021년 연구 에서 버거와 동료들은 단백질 언어 모델을 사용하여 바이러스 표면 단백질의 어느 부분이 바이러스 탈출을 가능하게 하는 방식으로 돌연변이될 가능성이 낮은지 예측했습니다.
_이를 통해 인플루엔자, HIV, SARS-CoV-2 백신의 잠재적 표적을 파악할 수 있었습니다.
그러나 이 모든 연구에서 모델이 어떻게 예측을 내렸는지는 알 수 없었습니다.
_버거는 "우리는 마지막에 어느 정도 예측을 할 수 있었지만, 이 블랙박스의 개별 구성 요소에서 무슨 일이 일어나는지 전혀 알 수 없었습니다."라고 말합니다.
2-1.
새로운 연구에서 연구진은 단백질 언어 모델이 어떻게 예측을 내리는지 탐구하고자 했습니다. LLM과 마찬가지로 단백질 언어 모델은 신경망 내 다양한 "노드"의 활성화 패턴으로 구성된 표상 형태로 정보를 부호화합니다.
_이러한 노드는 뇌 내 기억과 기타 정보를 저장하는 뉴런 네트워크와 유사합니다.
LLM의 내부 작동 원리는 해석하기 쉽지 않지만, 지난 몇 년 동안 연구자들은 희소 오토인코더(sparse autoencoder)라는 알고리즘을 사용하여 이러한 모델이 어떻게 예측을 내리는지 밝혀내기 시작했습니다.
2-2.
_버거 연구실의 새로운 연구는 이 알고리즘을 단백질 언어 모델에 적용한 최초의 연구입니다.
_희소 오토인코더는 신경망 내에서 단백질이 표현되는 방식을 조정하는 방식으로 작동합니다.
_일반적으로 주어진 단백질은 제한된 수의 뉴런(예: 480개)의 활성화 패턴으로 표현됩니다. 희소 오토인코더는 이 표현을 훨씬 더 많은 수의 노드(예: 20,000개)로 확장합니다.
2-3.
단백질에 대한 정보가 480개의 뉴런으로만 인코딩될 경우, 각 노드가 여러 개의 특징에 대해 활성화되어 각 노드가 어떤 특징을 인코딩하는지 파악하기가 매우 어렵습니다.
_그러나 신경망을 20,000개의 노드로 확장하면 이러한 추가 공간과 희소성 제약 조건 덕분에 정보가 "분산"될 수 있는 공간이 생깁니다.
_ 이제 이전에 여러 노드에 의해 인코딩되었던 단백질의 특징이 하나의 노드에 저장될 수 있습니다.
^!^>>>>>>
>유의미한 magicsum 정답=1을 위해 무의미한 수많은 nonm.sum(*) 오답이 존재한다. 어허
3.
_"희소 표현에서, 빛을 내는 뉴런들은 더 의미 있는 방식으로 빛을 발합니다."라고 구자랄은 말합니다.
_"희소 표현이 만들어지기 전에는 네트워크가 정보를 너무 빽빽하게 압축해서 뉴런을 해석하기 어렵습니다."
^!^>>>>>>>
^ 희소성 국소의 원리(*)가 이미 정의역 되었다.
이는 마치 실험실에서 검증한대로 실물을 제작하거나 천문학적 관측장비에 탑재하는 일과 유사하다. 국소적 현상은 거대한 현상과 닮았다는 유사적 상대성의 원리을 적용한다.
3-1.해석 가능한 모델
_연구진은 여러 단백질의 희소 표현을 얻은 후, 클로드(인기 챗봇인 Anthropic과 동명)라는 AI 비서를 사용하여 표현을 분석했습니다.
_클로드에게 희소 표현을 각 단백질의 알려진 특징(분자 기능, 단백질 계열, 세포 내 위치 등)과 비교하도록 요청했습니다.
_수천 개의 표현을 분석하여 클로드는 어떤 노드가 특정 단백질 특징에 해당하는지 파악하고 이를 쉬운 영어로 설명할 수 있습니다.
_예를 들어, 알고리즘은 "이 뉴런은 이온이나 아미노산, 특히 세포막에 위치한 이온이나 아미노산의 막관통 수송에 관여하는 단백질을 감지하는 것으로 보입니다."라고 말할 수 있습니다.
3-2.
_이 과정은 노드를 훨씬 더 "해석하기 쉽게" 만들어, 연구자들이 각 노드가 무엇을 인코딩하는지 파악할 수 있게 합니다.
^!^>>>>>>>
>단백질 인코딩은 msbase를 qoeoms로 분해하여 읽혀지는 모습 같다. 어허.
_연구진은 이러한 노드가 인코딩할 가능성이 가장 높은 특징은 단백질 군과 여러 가지 대사 및 생합성 과정을 포함한 특정 기능임을 발견했습니다.
_"희소 자동 인코더를 훈련할 때는 해석 가능하도록 훈련하는 것이 아니라 표현을 매우 희소하게 만들도록 유도함으로써 결국 해석 가능성을 높이는 결과를 가져온다"고 구자랄은 말한다.
3-3.
_특정 단백질 모델이 어떤 특징을 인코딩하는지 이해하면
_연구자들이 특정 작업에 적합한 모델을 선택하거나, 모델에 제공하는 입력 유형을 조정하여 최상의 결과를 도출하는 데 도움이 될 수 있습니다.
_또한, 모델이 인코딩하는 특징을 분석하면 언젠가 생물학자들이 연구 중인 단백질에 대해 더 자세히 알아가는 데 도움이 될 수 있습니다.
_구자랄은 "어느 시점에 모델이 훨씬 더 강력해지면 모델을 열어서 이미 알고 있는 것보다 더 많은 생물학을 배울 수 있을 것"이라고 말했습니다.
추가 정보: Berger, Bonnie, "Sparse autoencoders uncover biologyly interpretable features in protein language model representations", 미국 국립과학원 회보 (2025). DOI: 10.1073/pnas.2506316122 . doi.org/10.1073/pnas.2506316122
저널 정보: 미국 국립과학원 회보
매사추세츠 공과대학교
본 기사는 MIT 연구, 혁신, 교육에 대한 소식을 다루는 인기 사이트인 MIT News( web.mit.edu/newsoffice/ ) 의 호의로 재게재되었습니다 .
댓글