สถานที่แปลกใหม่สำหรับสิ่งมีชีวิตต่างดาว พบกับนักวิทยาศาสตร์ดาวเทียมวัย 16 ปี

สถานที่แปลกใหม่สำหรับสิ่งมีชีวิตต่างดาว พบกับนักวิทยาศาสตร์ดาวเทียมวัย 16 ปี

เป็นองค์กรที่ค้นหาหลักฐานของชีวิตทางเทคโนโลยีโดยการสำรวจดวงดาวใกล้เคียงหนึ่งล้านดวงในทางช้างเผือกรวมถึงกาแลคซีใกล้เคียง 100 แห่ง การค้นหาใช้เวลาห้าปีและใช้คลื่นวิทยุและแถบแสงที่หลากหลาย ไม่จำเป็นต้องพูด ไม่พบหลักฐานที่ชัดเจนของชีวิต ในการเสนอราคาเพื่อขยายขอบเขตของการค้นหา ได้จัดทำแคตตาล็อกซึ่งประกอบด้วยวัตถุที่แตกต่างกัน 700 รายการที่จะกำหนดเป้าหมาย

ในการค้นหา 

แนวคิดคือการไปให้ไกลกว่าเป้าหมายปกติของดวงดาวที่อาจมีดาวเคราะห์คล้ายโลก และมองไปที่ “หนึ่งในทุกสิ่ง” ในเอกภพที่สังเกตได้เป้าหมายมีตั้งแต่ดาวหางไปจนถึงกาแล็กซี ตลอดจนปรากฏการณ์บนท้องฟ้าที่หายากและรุนแรงที่สุด ตัวอย่าง ได้แก่ ซึ่งมีพฤติกรรมการหรี่แสงที่แปลกประหลาด 

และวัตถุระหว่างดวงดาว ซึ่งผ่านเข้ามาใกล้โลกในปี 2560 นักวิทยาศาสตร์ ทำการทดลองในอวกาศด้วยคิวบ์แซทและจัดช่องข่าววิทยาศาสตร์บน YouTube ซึ่งถือว่าไม่เลวสำหรับเด็กอายุ 16 ปี ในพอดคาสต์พูดถึงความท้าทายในการเป็นนักวิทยาศาสตร์รุ่นเยาว์ การสำรวจอวกาศ และการสื่อสารวิทยาศาสตร์

แก่เยาวชนในวิดีโอด้านล่าง Sage พูดถึง กุ้งตัวโปรด นั่นคือกุ้งตั๊กแตนตำข้าววิธีการยิงขีปนาวุธ และในปี 1954 เขียนได้บรรยายถึงวิธีการเป็นพยานทางวิทยาศาสตร์ที่มีประสิทธิภาพในศาล บทความจบลงด้วยการเรียกร้อง เพื่อเรียกร้องคุณค่าของนิติวิทยาศาสตร์ที่ดีซึ่งยังคงสะท้อนอยู่: “บางครั้งความยุติธรรม

ถูกวาดภาพเหมือนถูกปิดตา อย่างไรก็ตาม หลักฐานทางวิทยาศาสตร์มักจะเจาะทะลุหน้ากาก”ฉันกังวลนิดหน่อยว่าเมื่อไหร่ฉันจะได้เจอหน้าครอบครัวอีกครั้ง ฉันเป็นชาวเบลเยียม และในฐานะพลเมืองสหภาพยุโรป พรมแดนระหว่างฝรั่งเศสและเบลเยียมไม่เคยเป็นอุปสรรคมาก่อน แต่สิ่งนี้เปลี่ยนไปอย่างมาก

เนื่องจากโควิด-19 อย่างไรก็ตาม มีข้อดีที่ชัดเจนเช่นกัน เนื่องจากฉันสามารถล็อกดาวน์ร่วมกับคู่หูของฉัน ซึ่งอาศัยอยู่ห่างออกไป 700 กม. ในมงต์เปลลิเยร์ (ด้วยเหตุผลทางอาชีพ) โดยปกติเราจะเจอกันทุกสองสัปดาห์เท่านั้น แต่การระบาดใหญ่หมายความว่าเราได้ใช้เวลาร่วมกันมากขึ้น

ความกังวล

ที่ใหญ่ที่สุดของฉันคือสุขภาพและความปลอดภัยของผู้คนรอบตัวฉัน และฉันพยายามนึกถึงเรื่องนี้เมื่อมาตรการเว้นระยะห่างทางสังคมเริ่มมีน้ำหนัก ฉันยังคงมีประสิทธิผลอย่างมืออาชีพ และกลุ่มของเรายังคงก้าวไปข้างหน้า ดังนั้นฉันจึงมองโลกในแง่ดีสำหรับอนาคต ฉันคิดว่านิสัยของเรา

ในการผสมผสานทฤษฎีและการทดลองเป็นข้อได้เปรียบสำหรับการปิดเมือง กิจกรรมเชิงทฤษฎีของเราได้รับการสนับสนุนอย่างมากในช่วงเวลานี้ ซึ่งทำให้เกิดความท้าทายในองค์กรบางอย่างสำหรับฉันในฐานะสมาชิกถาวรอายุน้อยของกลุ่ม แต่มันก็เป็นโอกาสที่ดีที่จะได้เรียนรู้

จะรับมือกับสัญญาณรบกวนและการสูญเสียการเชื่อมโยงกันได้อย่างไร ปัญหาคือ คอมพิวเตอร์ควอนตัมที่มีมูลค่าจะมีหลายสิบหรือหลายร้อย qubits ดังนั้นวิธีการที่ดุร้ายเพื่อกำหนดสถานะควอนตัมของมันจะไม่เพียงพอ นั่นคือจุดที่เครือข่ายประสาทเทียมเข้ามาช่วยเหลือ ทำให้ ค้นพบว่าสามารถสร้างสถานะ

ของคอมพิวเตอร์ควอนตัมซึ่งประกอบด้วย 100 qubits ได้อย่างมีประสิทธิภาพ ในทางตรงกันข้าม แนวทางมาตรฐานจำกัดไว้ที่ประมาณ 8 qubitsโดยเฉพาะพวกเราที่มีความแตกต่างของระบบประสาท สื่อสารต่างกัน ดังนั้นจึงเหมาะสมที่เราควรมีตัวเลือกที่แตกต่างกันในการแบ่งปันความคิดของเรา

และยังมีอีกมากมายที่จะมา แนวทางการเรียนรู้ด้วยเครื่องถูกนำมาใช้กับสาขานี้เมื่อไม่นานมานี้ ซึ่งหมายความว่าเทคนิคที่นักวิจัยใช้ยังคงอยู่ในขั้นตอนการพิสูจน์หลักการ แท้จริงแล้ว วิธีการที่ และเพื่อนร่วมงานแสดงให้เห็นมักเกี่ยวข้องกับโครงข่ายประสาทเทียมที่มีเลเยอร์ซ่อนอยู่เพียงหนึ่งหรือสองชั้น 

ในขณะที่แอปพลิเคชันเชิงพาณิชย์ที่พัฒนาแล้ว สามารถใช้สถาปัตยกรรมที่ลึกกว่านั้นมาก และทำงานบนฮาร์ดแวร์เฉพาะ ที่ได้รับการปรับปรุงให้เหมาะสมกับงานโชคไม่ดีที่ความแปลกประหลาดฉาวโฉ่ของฟิสิกส์ควอนตัมหมายความว่าเครือข่ายประสาทที่ซับซ้อนกว่านี้ไม่สามารถแปลโดยตรงไปยังระบบ

การปกครอง

ควอนตัมได้ Carleo และคนอื่นๆ ต้องเขียนอัลกอริทึมใหม่เกือบทั้งหมดตั้งแต่เริ่มต้น และยังไม่เทียบเท่ากับความซับซ้อนที่เห็นได้จากแอปพลิเคชันแมชชีนเลิร์นนิงที่ทันสมัย การติดตามระบบที่พัฒนาแล้วเหล่านั้นจะช่วยให้เครือข่ายประสาทเทียมสามารถแก้ปัญหาควอนตัมที่ซับซ้อนยิ่งขึ้นได้

“ผมคิดว่าในอีกไม่กี่ปีข้างหน้า ช่องว่างทางระเบียบวิธีและเทคโนโลยีนี้จะลดลงมากขึ้นเรื่อยๆ ซึ่งนำไปสู่การใช้งานที่เราไม่สามารถแม้แต่จะจินตนาการได้ในตอนนี้” Carleo กล่าวเครือข่ายประสาทเทียมจะสามารถแก้ปัญหาควอนตัมที่ซับซ้อนยิ่งขึ้นได้ภายในไม่กี่ปีข้างหน้า การหาวัสดุใหม่ๆ

ในขณะที่เครือข่ายประสาทเทียมโดยทั่วไปจะต้องป้อนชุดข้อมูลขนาดใหญ่ก่อนที่จะสร้างผลลัพธ์ที่เป็นประโยชน์ ที่มหาวิทยาลัยเวอร์จิเนียในสหรัฐอเมริกาใช้เครื่องมือที่ไม่กินข้อมูลมาก จุดมุ่งหมายของการวิจัยของเขาคือการระบุจากพื้นที่อันกว้างใหญ่และหลากหลายของความเป็นไปได้ สูตรที่ค่อนข้างน้อย

ที่ให้วัสดุที่มีคุณสมบัติที่น่าพอใจ ในการสำรวจพื้นที่ดังกล่าวด้วยการลองผิดลองถูกอาจใช้เวลานานเกินไป และบริเวณที่ทำแผนที่ซึ่งสอดคล้องกับวัสดุซึ่งทราบคุณสมบัตินั้น เป็นส่วนเล็กๆ ที่หายไปของทั้งหมดและเรียนรู้จากมุมมองของผู้อื่นใช้ในการแก้ปัญหานี้คือรูปแบบเฉพาะของการเรียนรู้

ของเครื่องที่เรียกว่าการเรียนรู้ทางสถิติ แนวทางนี้ครอบคลุมความต้องการชุดการฝึกขนาดใหญ่ โดยถือว่ารูปแบบในข้อมูลเป็นไปตามกฎทางสถิติที่เข้มงวด “เราฝึกโมเดลแมชชีนเลิร์นนิงเพื่อเรียนรู้เกี่ยวกับสิ่งที่เรารู้แล้ว และเราใช้โมเดลเหล่านั้นเพื่อทำนายสิ่งที่เราไม่รู้” เขาอธิบาย

Credit : ฝากถอนไม่มีขั้นต่ำ / สล็อตแตกง่าย