Space Einstein✨

‍ یک ماهواره فراسیاره‌ای به جرم مشتری که به دور یک کوتوله قهوه‌ای می‌چرخد،اصطلاحات کیهانی را به چالش می‌کشد: بخش اول: مشاهدات انجام شده با تلسکوپ بسیار بزرگ رصدخانه جنوبی اروپا(VLT)شواهدی از یک جسم شبیه به ماه را در منظومه CD-35 2722 نشان می‌دهد.بر خلاف ماهواره‌ها در منظومه شمسی ما،این جسم جدید به دور یک سیاره نمی‌چرخد،که این موضوع سوالاتی را در مورد نام‌گذاری آن ایجاد می‌کند.در عوض،این جسم به دور یک کوتوله قهوه‌ای می‌چرخد،که جسمی بزرگتر از یک سیاره است و به دور ستاره CD-35 2722 می‌چرخد.اگر این موضوع تأیید شود،ممکن است اولین ماهواره باشد که خارج از منظومه شمسی ما کشف می‌شود. کوین هو،دانشجوی رصدخانه جنوبی اروپا در شیلی و نویسنده اصلی این مطالعه که امروز در مجله Nature منتشر شد،منظومه‌ای را که ماه‌ها آن را تجزیه و تحلیل کرده است،بسیار عجیب توصیف می‌کند،به خصوص در مقایسه با منظومه خودمان.بزرگترین و پرجرم‌ترین جسم در این منظومه جوان،ستاره CD-35 2722 است که حدود نیمی از جرم خورشید را دارد.این ستاره توسط یک کوتوله قهوه‌ای،جسمی که جرم آن برای تبدیل شدن به یک سیاره بسیار زیاد و برای تبدیل شدن به یک ستاره بسیار کم است،احاطه شده است.جسم جدید کشف شده به دور این کوتوله قهوه‌ای می‌چرخد. منظومه‌ای که از دسته‌بندی‌ها سرپیچی می‌کند: هو اظهار داشت: این منظومه را با استفاده از اصطلاحاتی که بر اساس منظومه شمسی هستند،مانند سیاره و ماهواره،به سختی می‌توان تعریف کرد.او همچنین با دانشگاه دیگو پورتالس و هسته تحقیقاتی جوان سیارات فراسیاره‌ای و ماهواره‌هایشان(YEMS)در شیلی همکاری می‌کند.این جسم جدید،که توسط تیم ماهواره فراسیاره‌ای نامیده شده است،حداقل به اندازه جرم مشتری است،در حالی که کوتوله قهوه‌ای بیش از 30 برابر جرم مشتری را دارد. هو می‌گوید: این ماهواره فراسیاره‌ای به وضوح جرم کافی برای تبدیل شدن به یک سیاره را دارد،اما به دور یک ستاره نمی‌چرخد،اگرچه به دور جسمی می‌چرخد که به دور یک ستاره می‌چرخد.حضور این جسم در این منظومه باعث می‌شود که ما بخواهیم آن را یک ماهواره بنامیم،حتی اگر هیچ شباهتی به ماهواره‌های کوچک و سنگی که در منظومه خودمان داریم،نداشته باشد. این ماهواره فراسیاره‌ای،یا ماهواره فراسیاره‌ای،یک ماهواره طبیعی خارج از منظومه شمسی ما است،و به دلیل تفاوت‌های این منظومه با منظومه خودمان،تعیین نوع آن دشوار است.الیس زورلو،مدیر YEMS و یکی از همکاران این مطالعه،توضیح می‌دهد: ماهواره‌ای که ما گزارش می‌دهیم،یک جسم گازی بزرگ است که به دور یک همراه بسیار پرجرم می‌چرخد،و خود این همراه نیز چندین برابر جرم مشتری است. زورلو که همچنین یک فیزیکدان اخترفیزیک در دانشگاه دیگو پورتالس است،این مطلب را اضافه می‌کند: ما در منظومه شمسی،تمایز روشنی بین سیارات و خورشید داریم،بنابراین تعریف چیزهایی مانند ماهواره‌ها آسان است.در منظومه CD-35 2722،جایی که مرزها بین ستاره‌ها،سیارات و ماهواره‌ها مبهم است،توصیف این منظومه پیچیده‌تر می‌شود. تشریح تصویر زیر: این تصویر شماتیک،منظومه اطراف ستاره CD-35 2722 را نشان می‌دهد،و جسمی شبیه به ماه که اخیراً کشف شده،در مرکز قرار دارد.ستاره(نقطه نورانی در سمت چپ)حدود نیمی از جرم خورشید ما را دارد،و توسط یک کوتوله قهوه‌ای(جسم قرمز-قهوه‌ای که در پیش‌زمینه،در سمت راست دیده می‌شود)مداری دارد.این کوتوله قهوه‌ای حدود 37 برابر جرم مشتری را دارد: جرم آن برای اینکه یک سیاره باشد،کافی است،اما به اندازه‌ای بزرگ نیست که مانند ستارگان،همجوشی هسته‌ای را حفظ کند.این کوتوله قهوه‌ای،به نوبه خود،توسط جسمی جدید که حداقل به اندازه جرم مشتری است و در مرکز این تصویر دیده می‌شود،مداری دارد.این جسم جدید که با استفاده از تلسکوپ بسیار بزرگ رصدخانه جنوبی اروپا(ESO)کشف شده،به سختی قابل توصیف است.این جسم،مانند یک ماه،به دور جسمی می‌چرخد که خود به دور یک ستاره می‌چرخد.اما این ماه جرم کافی برای اینکه یک سیاره باشد را دارد،و جسمی که به دور آن می‌چرخد،یک کوتوله قهوه‌ای است که نه سیاره است و نه ستاره. #کیهانشناسی @Einstein_astronomy

‍ بخش هفتم: ناورتباط مربوط به دو جایگشت،به بیان ساده،معیاری از پیچیدگی ساختار اساسی بازه بروآت(Bruhat interval)آن‌ها است.این کمیت در تعداد زیادی از مسائل ریاضی که در غیر این صورت به نظر بی‌ربط می‌رسند، ظاهر می‌شود،که این امر آن را برای ریاضیدانان بسیار جذاب می‌کند. در گروه‌های بزرگ‌تر جایگشت،به سختی می‌توان به طور کلی گفت که بازه بروآت بین دو جایگشت مشخص چگونه است.لیبدینسکی گفت: این بازه‌ها،چیزهایی بسیار پیچیده هستند. او،سیمنتال،پلازا،ویلیامسون و النبرگ -که همگی به دلایل مختلف امیدوار بودند بزرگترین ناورتباط ممکن را برای یک گروه جایگشت خاص پیدا کنند- تصمیم گرفتند از هوش مصنوعی برای کمک به خودشان استفاده کنند. دسترسی محدود: برخی از ریاضیدانان نگران هستند که هوش مصنوعی،نابرابری‌های موجود را تشدید کند.خوزه سیمنتال از دانشگاه ملی خودمختار مکزیک در مکزیکو سیتی گفت: من به خوبی درک می‌کنم که دلیل دسترسی من به AlphaEvolve این است که یک ترم را در ایالات متحده گذرانده‌ام.به نظر من، ما به عنوان یک جامعه باید بسیار مراقب باشیم تا اطمینان حاصل کنیم که دسترسی عادلانه‌ای به این نوع ابزارها وجود دارد. در نهایت،آن‌ها چیزی کاملاً متفاوت پیدا کردند.در اکتبر 2025،النبرگ از واگنر در DeepMind خواست تا از AlphaEvolve(که به صورت عمومی در دسترس نیست)برای تجزیه و تحلیل ساختارهای بازه‌های بروآت در ده‌ها گروه جایگشت استفاده کند.این کار در طول شب انجام شد.ویلیامسون گفت: صبح،متوجه شدیم که این برنامه واقعاً کار جالب و مهمی انجام می‌دهد.و سپس،من به یاد دارم که آن روز،یک تبادل ایمیل‌های زیاد بین ما اتفاق افتاد. مدل زبانی بزرگ(LLM)در حین انجام محاسبات،با خودش گفتگو می‌کرد.او با اشاره به یک چرخش ناگهانی که زیردریایی‌ها گاهی برای شناسایی دشمنان خود انجام می‌دهند،و که در رمان تام کلنسی،شکار اکتبر سرخ مشهور شده بود،گفت: من قصد دارم یک پیشنهاد کاملاً عجیب و غریب،یک مانور ایوان دیوانه برای این مسئله ارائه دهم. در نهایت،AlphaEvolve چیزی شبیه به 50 خط کد پایتون تولید کرد،در تلاش برای یافتن بازه‌هایی با ناورتباط بزرگ.هنگامی که ریاضیدانان سعی کردند بفهمند این کد چه کاری انجام می‌دهد،النبرگ متوجه شد که اگر تعداد کارت‌ها در دست،یک توان از 2 باشد(مانند 16 که برابر با 2 به توان 4 است)،آنگاه برنامه بسیار کوتاه‌تر می‌شود؛حدود پنج خط.ویلیامسون گفت: می‌توان آن را به طور بسیار واضح تجزیه و تحلیل کرد.این کار،چیزی بسیار زیبا را انجام می‌دهد. همانطور که در یک پیش‌نویس در تاریخ 3 ژانویه 2026 ذکر شد،AlphaEvolve متوجه شده بود که بازه‌های بروآت در این گروه‌های جایگشت خاص،ساختاری بسیار ویژه دارند.هنگامی که محققان این بازه‌ها را بررسی کردند،متوجه شدند که آن‌ها مکعب‌های چندبعدی به نام هایپرکوب تشکیل می‌دهند.لیبدینسکی گفت: اگر به چیزی که AlphaEvolve در حال فکر کردن به آن بود،نگاه کنید،من بسیار شگفت‌زده شدم.اگر این یک انسان بود،یک انسان بسیار خلاق می‌بود. AlphaEvolve به سوالی پاسخ داد که آن‌ها نمی‌دانستند اصلاً سوالی وجود دارد.النبرگ گفت: ما از AlphaEvolve نخواستیم که هایپرکوب‌های بزرگی پیدا کند.ما از آن خواستیم که چیز دیگری را پیدا کند،و ما در مورد آن فکر کردیم و متوجه شدیم که یک هایپرکوب غول‌پیکر وجود دارد که ما انتظارش را نداشتیم. همانطور که ویلیامسون گفت: این ساختاری است که 50 سال است که جلوی چشمان ما بوده است.ما فقط متوجه نشده بودیم. روش‌های قدیمی‌تر یادگیری ماشین نیز قبلاً به چنین اکتشافات ریاضی تصادفی منجر شده بودند؛کشف الگوهایی که هیچ‌کس فکر نمی‌کرد به دنبال آن‌ها بگردد.اما در گذشته،ویلیامسون گفت،این یک تلاش مهندسی واقعی بود: ...شما باید بدانید چگونه کدنویسی کنید،زمان زیادی را صرف بررسی جزئیات آموزش شبکه‌های عصبی کنید.این اساساً برای یک ریاضیدان بدون دانش قابل توجه در زمینه یادگیری ماشین،بسیار دشوار بود.با استفاده از مدل‌های زبانی بزرگ،من ناگهان می‌توانم یک آزمایش را در 20 دقیقه انجام دهم که دو سال پیش،دو هفته زمان می‌برد.اگرچه اکثر اوقات این کار نمی‌کند،اما اکنون می‌توان از هوش مصنوعی مانند گذشته،برای کشف جهانی که دارای ثروت‌هایی فراتر از تصور ما است،استفاده کرد. تشریح تصویر زیر: از بالا به سمت راست(در جهت عقربه‌های ساعت):جردن الِنبرگ،خوزه سیمنتال،جُردی ویلیامسون،نیکولاس لیبدینسکی و دیوید پلازا،با کمک هوش مصنوعی،یک ساختار جدید و شگفت‌انگیز را در یک شیء ریاضی که قبلاً به طور گسترده‌ای مورد مطالعه قرار گرفته بود،کشف کردند. بخشی از یک دستورالعمل که ریاضیدانان به AlphaEvolve دادند،که در آن از آن خواسته شد تا شیئی به نام مجموعه کاکیا بسازد.ریاضیدانان متوجه شده‌اند که هوش مصنوعی با تشویق،عملکرد بهتری دارد. #ریاضیات #هوش_مصنوعی #Machine_Learning @Einstein_astronomy

بخش دوم: یک مسیر به سوی محاسبات کوانتومی مقیاس‌پذیر و مقاوم در برابر خطا: مطالعه اخیر،یک اثبات مفهومی اولیه ارائه می‌دهد که نشان‌دهنده پتانسیل رویکرد این تیم برای شناسایی و رفع خطاهای محاسبات کوانتومی است.تامپسون و همکارانش در حال حاضر در حال برنامه‌ریزی برای تحقیقات جدیدی هستند که هدف آن پیاده‌سازی رویکردشان در مقیاس بزرگتر و آزمایش بیشتر اثربخشی آن است. تامپسون افزود: ما نشان دادیم که تبدیل حذف اطلاعات،امکان تصحیح خطا در محاسبات کوانتومی را در شرایطی فراهم می‌کند که در غیر این صورت امکان‌پذیر نبود.گام بعدی،استفاده از آن در کدهای با فاصله بزرگتر است،جایی که می‌توان خطاهای غیر از حذف اطلاعات را نیز تصحیح کرد، و به طور واقعی،نرخ خطاهای منطقی را کاهش داد.برای بررسی دقیق کدهای بزرگ و نرخ خطاهای منطقی پایین،این حوزه به ابزارهای بیشتری نیاز دارد،مانند توانایی جایگزینی اتم‌های از دست رفته در میانه یک مدار،عملیات منطقی سریع‌تر و گیت‌های بهتر.ما در تلاش‌های همزمان،بر روی این چالش‌ها تمرکز کرده‌ایم،به ویژه بر روی بارگیری سریع اتم‌ها و بهبود گیت‌ها.بسیار هیجان‌انگیز خواهد بود که شاهد تجمیع این موارد در سال آینده باشیم. در نهایت،تلاش‌های این تیم تحقیقاتی می‌تواند به توسعه پردازنده‌های کوانتومی بزرگتر کمک کند که می‌توانند اطلاعات را به طور قابل اعتماد محاسبه کنند،در حالی که خطاهایی که ممکن است ایجاد شوند را نیز تصحیح می‌کنند.این امر می‌تواند به نوبه خود،استفاده از رایانه‌های کوانتومی را برای حل برخی از مشکلاتی که رایانه‌های کلاسیک قادر به حل آن‌ها نیستند،تسهیل کند. پایان. منبع: https://phys.org/news/2026-07-quantum-circuits-based-neutral-atoms.html #مکانیک_کوانتومی #کامپیوتر_کوانتومی @Einstein_astronomy

‍ بخش ششم: دستور دادگاه: در طول سال‌های 2025 و ماه‌های اول سال 2026،از هوش مصنوعی برای اثبات نتایج فزاینده‌ای استفاده شده است.در سپتامبر سال 2025،بیش از 100 ریاضیدان از سراسر جهان در دانشگاه براون گرد هم آمدند تا در یک برنامه ویژه در زمینه ترکیبیات جبری شرکت کنند.نیکلاس لیبدینسکی،دیوید پلازا از شیلی،خوزه سیمنتال از مکزیک،جوردی ویلیامسون از استرالیا و جردن الینبرگ از ویسکانسین در این گردهمایی حضور داشتند. همه آنها،به دلایل مختلف، به محاسبه یک کمیت به نام تغییرناپذیر d علاقه‌مند بودند که در بسیاری از زمینه‌های ریاضیات ظاهر می‌شود.برای درک اینکه تغییرناپذیر d چیست،ابتدا بهتر است به یک شیء به خوبی مورد مطالعه قرار گرفته در یکی از این زمینه‌ها،به نام گروه جایگشت،نگاه کنیم.این شیء،روشی برای توصیف راه‌های مختلفی است که می‌توان یک مجموعه از آیتم‌ها،مانند کارت‌های یک دسته،را جابجا کرد. این موضوع در ابتدا ساده است.اگر یک دسته کارت با فقط یک کارت داشته باشید،نمی‌توانید آن را جابجا کنید.بنابراین،گروه جایگشت S1 یک عنصر دارد.S2 دو عنصر دارد: اگر دو کارت داشته باشید،آنها می‌توانند در دو ترتیب مختلف قرار گیرند.S3 کمی پیچیده‌تر می‌شود؛شش راه مختلف برای مرتب کردن یک دسته از سه کارت وجود دارد. راه‌های مختلف مرتب کردن کارت‌ها را می‌توان در یک شبکه از راس‌ها و یال‌ها به نام گراف سازماندهی کرد.ترتیب اولیه،123،در پایین قرار می‌گیرد.هر یال از گراف(که به صورت یک پیکان رسم شده است)نشان‌دهنده جابجایی دو کارت است: با افزایش تعداد کارت‌ها(n)، Sn به سرعت رشد می‌کند و این باعث می‌شود که رسم این گراف برای گروه‌های بعد از S4 تقریباً غیرممکن شود.(S60 تقریباً به تعداد اتم‌های موجود در جهان قابل مشاهده عنصر دارد.)ریاضیدانان می‌خواهند ساختار این گراف‌ها را هم به عنوان اشیاء مستقل و هم به عنوان ابزارهایی برای تجزیه و تحلیل سایر چیزها درک کنند. دوباره به گراف گروه جایگشت S3 نگاه کنید که شش عنصر یا جایگشت دارد.ما می‌خواهیم رابطه بین این جایگشت‌ها را بررسی کنیم.یکی از راه‌ها این است که به تمام راه‌های رسیدن از یک جایگشت به جایگشت دیگر با دنبال کردن پیکان‌ها نگاه کنیم.یک جایگشت کوچکتر از جایگشت دیگر است(با استفاده از یک تعریف اندازه به نام ترتیب بروآ)اگر بتوان از طریق پیکان‌ها از جایگشت اول به جایگشت دوم رسید.بنابراین،213 کوچکتر از 321 است. سپس می‌توانیم به فاصله بروآ بین دو جایگشت نگاه کنیم؛مجموعه‌ای از تمام جایگشت‌های مختلفی که بین آنها قرار دارند،زمانی که پیکان‌های گراف را دنبال می‌کنیم.به عنوان مثال، فاصله بین 213 و 321(که در زیر با رنگ قرمز نشان داده شده است)شامل 231 و 312 است.(اگر نتوان از یک جایگشت به جایگشت دیگر با دنبال کردن پیکان‌ها رسید،مانند از 213 به 132،آنگاه هیچ‌کدام کوچکتر از دیگری نیستند و فاصله بین آنها تعریف نمی‌شود.) تشریح تصویر زیر: حدس یوری نستروف در مورد یک الگوریتم بهینه‌سازی که او توسعه داده بود،برای دهه‌ها حل نشده باقی ماند.تنها با کمک هوش مصنوعی بود که این مسئله حل شد. #ریاضیات #هوش_مصنوعی #Machine_Learning @Einstein_astronomy

‍ چگونگی عملکرد مدارهای کوانتومی مبتنی بر اتم‌های خنثی در یافتن و رفع خطاها: بخش اول: کامپیوترهای کوانتومی،دستگاه‌هایی که اطلاعات را با استفاده از قوانین مکانیک کوانتومی پردازش می‌کنند،در برخی از وظایف پیشرفته،عملکرد بهتری نسبت به کامپیوترهای کلاسیک نشان داده‌اند.به جای ذخیره اطلاعات به صورت بیت‌های باینری کلاسیک(یعنی 0 یا 1)،کامپیوترهای کوانتومی بر اساس بیت‌های کوانتومی(یعنی کیوبیت‌ها)کار می‌کنند که می‌توانند در ترکیبی از حالت‌های 0 و 1 نیز وجود داشته باشند. با وجود پتانسیل خود،کامپیوترهای کوانتومی به دلیل حساسیت بالای کیوبیت‌ها به گرما،میدان‌های مغناطیسی و سایر تغییرات در محیط اطراف،مستعد خطا هستند.این تغییرات می‌توانند حالت‌های کوانتومی ظریف را که کیوبیت‌ها برای ذخیره و پردازش داده‌ها به آن‌ها متکی هستند،مختل کنند. محققان دانشگاه پرینستون اخیراً یک رویکرد جدید برای توسعه کامپیوترهای کوانتومی ارائه کرده‌اند که خطاهای کمتری دارند و تشخیص و رفع این خطاها آسان‌تر است.این استراتژی پیشنهادی،که در مجله Nature Physics منتشر شده است،شامل توسعه یک پلتفرم محاسباتی کوانتومی مبتنی بر اتم‌های خنثی ایتربیوم-171 است.این اتم‌ها،ایزوتوپ خاصی از ایتربیوم هستند که در یک حالت انرژی برانگیخته با عمر طولانی قرار دارند. جف دی. تامپسون،نویسنده ارشد این مقاله،به Phys.org گفت: یکی از راه‌ها برای بهبود عملکرد تصحیح خطا در سیستم‌های کوانتومی،طراحی کیوبیت‌هایی است که در آن‌ها،خطاهای اجتناب‌ناپذیر از نوعی باشند که مطلوب‌تر است.در مورد کیوبیت‌های مبتنی بر اتم‌های خنثی،ما چند سال پیش پیشنهاد کردیم که می‌توان خطاهایی را ایجاد کرد که به راحتی قابل تشخیص باشند،مانند خطاهای حذف(پاک‌سازی)،که رفع آن‌ها بسیار آسان‌تر است. طراحی کیوبیت‌های اتمی که اشتباهات خود را آشکار می‌کنند: در مطالعات قبلی خود،تامپسون و همکارانش نشان دادند که می‌توان با طراحی دقیق کیوبیت‌ها،خطاهایی را ایجاد کرد که قابل تشخیص باشند.با این حال،آن‌ها نتوانستند یک استراتژی مؤثر و قابل اجرا برای رفع خطاهای شناسایی‌شده ارائه دهند. تامپسون توضیح داد: تنها کاری که می‌توانستیم با این اطلاعات انجام دهیم،این بود که کیوبیت‌های دارای خطا را حذف کنیم.در این تحقیق،ما نشان می‌دهیم که تبدیل خطای حذف،همراه با یک کیوبیت منطقی،امکان تصحیح خطای بهتری را فراهم می‌کند، در مقایسه با زمانی که این تبدیل انجام نشود. محققان با دقت کیوبیت‌هایی را بر اساس اتم‌های خنثی ایتربیوم-171 طراحی کردند تا اطمینان حاصل کنند که خطاهای خاصی به نام خطاهای حذف ایجاد می‌شوند.این خطاها به سیستم محاسباتی کوانتومی اجازه می‌دهند تا کیوبیت مشکل‌دار را شناسایی کند.برای رفع خطاهای شناسایی‌شده،محققان پیشنهاد کردند از یک کد تصحیح خطای کوانتومی استفاده شود که از چهار کیوبیت فیزیکی برای ذخیره دو کیوبیت منطقی استفاده می‌کند. تامپسون گفت: هدف این مطالعه این بود که نشان دهیم تبدیل خطای حذف،امکان پیاده‌سازی تصحیح خطای کوانتومی را در شرایطی فراهم می‌کند که در غیر این صورت امکان‌پذیر نبود.به همین منظور،ما از یک کد تصحیح خطای بسیار کوچک -یک کد با فاصله 2- استفاده کردیم که برای انجام تصحیح خطا با یک مدل خطای معمولی،بسیار کوچک است،اما می‌تواند یک خطای حذف را اصلاح کند. تشریح تصویر زیر: نموداری از مناطق ذخیره‌سازی و دروازه‌ها برای پیاده‌سازی کد [[4,2,2]]،که ده کیوبیت منطقی(LQ شماره 1 تا 10)را در منطقه ذخیره‌سازی نشان می‌دهد. #مکانیک_کوانتومی #کامپیوتر_کوانتومی @Einstein_astronomy

‍ بخش پنجم: او احساس می‌کرد که مدل‌های هوش مصنوعی نشانه‌هایی از حیات را نشان می‌دهند.او به یاد می‌آورد که در آن زمان هم بدبین و هم خوش‌بین بود.برای اینکه خودش به این نتیجه برسد که مدل‌های زبانی بزرگ(LLM)چه کارهایی می‌توانند انجام دهند و چه کارهایی نمی‌توانند،تصمیم گرفت یک آزمایش انجام دهد.یک شب در ماه اکتبر،بعد از اینکه پسر کوچکش به خواب رفت،او شروع به تلاش برای حل یک مسئله‌ی باز در نظریه‌ی بهینه‌سازی کرد که قبلاً چند بار تلاش کرده بود.این بار از ChatGPT استفاده کرد.او گفت: این مسئله خیلی مهم نیست،اما من 10 نفر را می‌شناسم که از یک راه‌حل برای آن بسیار استقبال خواهند کرد. مسئله‌ی ریو برای اولین بار در سال 1983 توسط یک ریاضیدان روسی به نام یوری نستروف مطرح شد.نستروف در تلاش بود تا کمترین مقدار توابعی را پیدا کند که ورودی‌های زیادی(متغیرها)را می‌گیرند و یک مقدار واحد را به عنوان خروجی تولید می‌کنند که به یک شکل خاص و مناسب در ریاضیات عمل می‌کند.اگر خروجی‌ها را به صورت یک نقشه ارتفاعی تصور کنید،شما می‌خواهید ثابت کنید که در نهایت به پایین‌ترین نقطه می‌رسید و به طور مداوم در جستجوی آن به اطراف نمی‌چرخید. این نوع مسئله اغلب در ریاضیات کاربردی،به ویژه در یادگیری ماشین،پیش می‌آید،جایی که برای آموزش شبکه‌های عصبی بسیار مهم است.فرض کنید شما از یک نقطه‌ای در نقشه خود شروع می‌کنید.یک تکنیک پرکاربرد به نام نزول گرادیان از ابزارهای پایه‌ای حساب دیفرانسیل و انتگرال برای تعیین جهت پایین رونده و میزان شیب در نقطه‌ای که در آن قرار دارید،استفاده می‌کند.هر بار یک قدم به سمت پایین در جهت شیب تندتر بردارید،و در نهایت به پایین‌ترین نقطه خواهید رسید. اما اگرچه نزول گرادیان شما را به پاسخ صحیح می‌رساند،گاهی اوقات این کار را بسیار کند انجام می‌دهد.بنابراین،ریاضیدانان همواره به دنبال روش‌هایی بوده‌اند که به سرعت بیشتری به پاسخ صحیح برسند.نستروف یک تکنیک را برای این کار توسعه داد،که در آن اندازه هر قدم به سمت پایین نه تنها به میزان شیب تابع در یک نقطه خاص،بلکه به مسیری که قبلاً برای رسیدن به آن نقطه طی کرده‌اید نیز بستگی دارد.اگر در گذشته قدم‌های بزرگ‌تری برداشته باشید،به احتمال زیاد به برداشتن قدم‌های بزرگ‌تر ادامه خواهید داد. به طور شهودی،به نظر می‌رسد که این روش شما را سریع‌تر به پایین‌ترین نقطه می‌رساند.اما اگر خیلی سریع پیش بروید و از هدف عبور کنید چه؟ممکن است به طور مداوم در اطراف مقدار بهینه نوسان کنید و هرگز به آن نرسید.نستروف نتوانست ثابت کند که الگوریتم او در نهایت به مقدار بهینه همگرا می‌شود.و برای 42 سال،هیچ کس دیگری هم نتوانست این کار را انجام دهد. ریو گفت: وقتی از ChatGPT پرسیدم،مدام اثبات‌های نادرست به من می‌داد.اما مراحل منتهی به این خطا،جالب بودند،نتایج جزئی درستی وجود داشت که به نظر می‌رسید بالقوه مفید باشند.با پیشرفت تدریجی مدل زبانی بزرگ،او پاسخ‌های آن را بررسی می‌کرد،قسمت‌های صحیح را نگه می‌داشت و آن‌ها را با یک دستورالعمل جدید به مدل بازمی‌گرداند. ریو گفت: من باید نقش یک تأییدکننده را ایفا می‌کردم.با ChatGPT،احساس می‌کردم که پیشرفت زیادی را به سرعت و بسیار بیشتر از آنچه می‌توانستم به تنهایی انجام دهم،به دست آورده‌ام.این همان چیزی بود که مرا به حرکت وا می‌داشت. در عرض حدود 12 ساعت کار که در طول سه روز انجام شد،او به یک اثبات از یک نسخه ساده‌شده از این مسئله رسید. پس از چند روز دیگر،او سرانجام ثابت کرد که روش نستروف همگرا می‌شود. ریو گفت: این کار،خلاقانه‌ترین یا پیچیده‌ترین چیز نبود.اما قطعاً کار آسانی هم نبود. او افزود: اگرچه این نتیجه،تغییردهنده زندگی نیست،اما چیزی است که می‌توان آن را در یک مجله‌ی معتبر در زمینه‌ی بهینه‌سازی،بدون استفاده از اجزای هوش مصنوعی،منتشر کرد.این یک نتیجه‌ی خوب است. او گفت: این یک نمونه‌ی مشخص است که در آن استفاده از ChatGPT،کشف را به طور قابل توجهی تسریع کرد. و او معتقد است که قابلیت‌های مدل‌های زبانی بزرگ تنها در حال بهبود هستند: اگر به سرعت پیشرفت نگاه کنید،این موضوع شگفت‌انگیز است. اگر یک سال دیگر صبر کنیم و دو یا سه نسخه جدید از مدل را داشته باشیم،شاهد کشف‌های واقعاً چشمگیر و مهمی خواهیم بود که با کمک هوش مصنوعی به دست می‌آیند.این اتفاق خواهد افتاد. چند ماه پس از انتشار مقاله‌اش در مورد روش نستروف،ریو مرخصی از UCLA گرفت و به OpenAI پیوست،جایی که اکنون به عنوان یکی از اعضای تیم فنی آنجا مشغول به کار است. تشریح تصویر زیر: ارنست ریو اخیراً با استفاده از مکالمات خود با چت‌جی‌پی‌تی،موفق به اثبات یک فرضیه‌ای شد که دهه‌ها بود مطرح بود.او گفت: استفاده از چت‌جی‌پی‌تی واقعاً سرعت کشف این موضوع را افزایش داد. #ریاضیات #هوش_مصنوعی #Machine_Learning @Einstein_astronomy

بخش دوم: محققان راهی را برای ایجاد درهم‌تنیدگی از راه دور بین اجسام جداگانه با استفاده از روشی به نام درهم‌ریزی(cascading)شناسایی کرده‌اند.مجموعه‌ای از اجسام کوانتومی،مانند اتم‌ها(یا کیوبیت‌های ابررسانا)،به طور مداوم نور را جذب و ساطع می‌کنند.بخشی از این نور در محیط اطراف پراکنده می‌شود.اگر نور خارجی به گونه‌ای وارد سیستم شود که با نور پراکنده شده تعادل داشته باشد،یک حالت پایدار ایجاد می‌شود.با طراحی دقیق این حالت پایدار،می‌توان اتم‌ها یا کیوبیت‌ها را به گونه‌ای تنظیم کرد که درهم‌تنیده شوند. کلرک گفت: حتی اگر سیستم به طور کلی با محیط خارجی در ارتباط باشد و در حالت تعادل نباشد،به طور طبیعی به سمت یک نقطه استراحت تکامل می‌یابد که در آن بخش‌های خاصی از آن درهم‌تنیده می‌شوند.علاوه بر این،ذرات کوانتومی نیازی به حرکت ندارند.آن‌ها فقط به توانایی برقراری ارتباط نیاز دارند. در حالی که سیستم‌های کوانتومی درهم‌ریخته ایجاد شده‌اند،کیفیت درهم‌تنیدگی به طور کلی کمتر از روش‌های دیگر است،زیرا به دلیل نویز و نقص‌های سخت‌افزاری،این مشکل وجود دارد. محققان از فشردگی مصنوعی(synthetic squeezing)به عنوان یک چارچوب استفاده کردند که این اثرات واقعی را در نظر می‌گیرد و سیستم را به گونه‌ای تنظیم می‌کنند که این اثرات بی‌اهمیت شوند. پفاف گفت: من قبلاً با سیستم‌های کوانتومی درهم‌ریخته کار کرده‌ام،اما با همکاری پروفسور کلرک و گروه تحقیقاتی او بود که توانستیم این پیش‌بینی مربوط به درهم‌تنیدگی با کیفیت بالا و حالت پایدار را محقق کنیم.پیشنهاد نظری آن‌ها در مورد فشردگی مصنوعی بیان می‌کند که شرایط ایده‌آل مدل اصلی را می‌توان با تنظیم پارامترهای آزمایشگاهی مناسب،بازتولید کرد. این کار،مسئله را به تنظیم دقیق در آزمایشگاه تقلیل می‌دهد. گروه‌های دانشگاه ایلینوی و شیکاگو،پس از نشان دادن فشردگی مصنوعی در یک سیستم دو کیوبیتی،اکنون در تلاش هستند تا این فرآیند را به سیستم‌های چند کیوبیتی گسترش دهند. محققان معتقدند که این تکنیک می‌تواند برای ایجاد شبک‌های کامپیوترهای کوانتومی بدون نیاز به انتقال مستقیم اطلاعات کوانتومی از طریق کانال‌های پرنویز و با تلفات،مفید باشد. پفاف گفت: کار پیش رو،بررسی این است که چگونه می‌توان پروتکل‌های مختلف را در این نوع سیستم پیاده‌سازی کرد و تعیین کرد که آیا انجام این کار مزایایی دارد یا خیر. کلرک افزود: یکی از مسیرهای هیجان‌انگیز برای ما،تقطیر درهم‌تنیدگی(entanglement distillation)است.در حال حاضر،میزان درهم‌تنیدگی که می‌توانیم به آن دست یابیم،بسیار خوب است،اما هنوز کمتر از حد نظری است.پروتکل‌هایی وجود دارند که در آن‌ها می‌توان مجموعه‌ای از کیوبیت‌ها با درهم‌تنیدگی پایین را ترکیب کرد،به طوری که تعدادی از آن‌ها درهم‌تنیدگی بسیار بالایی داشته باشند.چنین پروتکلی به ما این امکان را می‌دهد که عملیات واقعی محاسبات کوانتومی را با این سیستم آغاز کنیم. سایر مشارکت‌کنندگان در این مطالعه عبارتند از: عبدالله عرفان،کاوشیک سینگریکوندا،مایکل مولنهاور و شیائو کاو از دانشگاه ایلینوی اوربانا-شامپاین؛و مینگزینگ یاو و اندرو لینگنفیلتر از دانشگاه شیکاگو. پایان. منبع: https://phys.org/news/2026-07-quantum-entanglement-leaky-qubits-route.html #مکانیک_کوانتومی #درهم_تنیدگی_کوانتومی #کامپیوتر_کوانتومی @Einstein_astronomy

‍ بخش چهارم: اشتباهات ناشی از هویت‌های نادرست: در سال‌های گذشته،به نظر می‌رسید قدرت اضافی هوش مصنوعی(AI)از توانایی آن در بازیابی اثبات‌های قدیمی و فراموش‌شده‌ای ناشی می‌شود که در منابع نامشخص پنهان شده بودند.ایگور پاک(Igor Pak)از دانشگاه کالیفرنیا،لس‌آنجلس(UCLA)اشاره کرد که ChatGPT در حال حاضر بسیار عالی در یافتن منابع مناسب،ادبیات مرتبط و ایجاد ارتباطاتی است که Google Scholar -که از نظر معنایی کار نمی‌کند- قادر به انجام آن نیست. سپس،در طول سال 2025،یوهانس شمیت(Johannes Schmitt)از موسسه فناوری فدرال سوئیس در زوریخ،گفت که تغییری رخ داد.او گفت: شروع به مفید بودن گفتگو با مدل‌های زبانی بزرگ(LLM)شد،نه به این دلیل که آن‌ها پاسخ کامل را ارائه می‌دهند،بلکه به این دلیل که آن‌ها به شرکای گفتگوی خوبی تبدیل شدند. مدل‌های زبانی بزرگ(LLM)که او با آن‌ها صحبت می‌کرد،اجتناب‌ناپذیر،اشتباهات زیادی مرتکب می‌شدند،که باعث شد برخی از ریاضیدانان آن‌ها را به طور کلی نادیده بگیرند.او گفت که بسیاری از محققان تصمیم می‌گیرند که اگر همه چیزهایی که این مدل می‌گوید تا حدودی اشتباه است،من با آن صحبت نخواهم کرد.اما دیگران -که او خود را در این دسته قرار می‌دهد- تحمل بیشتری نسبت به مشکلات ناشی از صحبت با این مدل بی‌معنی دارند.آن‌ها می‌گویند: من هنوز می‌توانم چیزی از این گفتگو به دست بیاورم؛حتی اگر همه ایده‌ها خوب نباشند،می‌توانم ایده‌های بد را نادیده بگیرم و از ایده‌های خوب استفاده کنم. و اشتباهات،همانطور که شمیت اشاره کرد،عجیب هستند: تقریباً هیچ راهی وجود ندارد که یک فرد با هرگونه آموزش در ریاضیات،چنین تعداد زیادی از اشتباهات اساسی را مرتکب شود،در حالی که همزمان موفق به ارائه ایده‌های ظریف،اصیل و صحیح می‌شود. ارنست ریو(Ernest Ryu)از UCLA،که عمدتاً در شاخه‌ای از ریاضیات کاربردی به نام نظریه بهینه‌سازی کار می‌کند،پس از نتایج المپیاد،شروع به توجه بیشتر به مدل‌های زبانی بزرگ(LLM)کرد.در حالی که AlphaEvolve سعی در بهینه‌سازی مقادیر خاص داشت،ریو می‌خواست چیزهایی را در مورد شرایطی که الگوریتم‌های بهینه‌سازی در آن کار می‌کنند،ثابت کند. در تابستان سال 2025،او متوجه شد که توانایی‌های ریاضی مدل‌های زبانی بزرگ(LLM)به طور چشمگیری بهبود یافته است.او شروع به استفاده از آن‌ها برای کمک به تهیه یادداشت‌های سخنرانی کرد،عمدتاً برای پر کردن شکاف‌ها در حافظه خود در مورد جزئیات یک اثبات خاص.او گفت: گاهی اوقات،این مدل اشتباهی را در استدلال من پیدا می‌کرد،گاهی اوقات اشتباهات بزرگ و گاهی اوقات اشتباهات جزئی.گاهی اوقات،اثبات ساده‌تری را پیدا می‌کرد تا آن چیزی که من در یادداشت‌هایم داشتم. تشریح تصویر زیر: یوهانس شمیت اخیراً متوجه رشد سریع نقش هوش مصنوعی در ریاضیات شده است:به عنوان یک هم‌صحبتی‌کننده. #ریاضیات #هوش_مصنوعی #Machine_Learning @Einstein_astronomy

‍ درهم‌تنیدگی کوانتومی بدون انتقال:کیوبیت‌های نشت‌دهنده،راهی برای دور زدن کانال‌های پر از نویز ارائه می‌دهند: بخش اول: نشت اجتناب‌ناپذیر انرژی و اطلاعات از یک سیستم کوانتومی به محیط اطراف آن،دشمن فناوری کوانتومی است.اکنون،محققان نشان داده‌اند که می‌توان از این نشت برای ایجاد درهم‌تنیدگی استفاده کرد؛منبعی که فناوری‌های کوانتومی از آن برای انجام وظایفی استفاده می‌کنند که برای فناوری‌های کلاسیک معمولی غیرممکن هستند. گروهی از فیزیکدانان از دانشگاه ایلینوی اوربانا-شامپاین و دانشگاه شیکاگو،یک پیش‌بینی نظری را محقق کرده‌اند که در آن،یک سیستم کوانتومی تحت تأثیر عوامل خارجی،از طریق پراکندگی،به درهم‌تنیدگی دست می‌یابد.در حالی که پیش‌بینی اولیه بر اساس شرایط بسیار ایده‌آل است،محققان یک تکنیک جدید به نام فشردگی مصنوعی را توسعه داده‌اند تا این پدیده را در یک آزمایشگاه با استفاده از یک جفت کیوبیت ابررسانا،به نمایش بگذارند. علاوه بر این،درهم‌تنیدگی ایجاد شده در یک حالت پایدار است،به این معنی که،از نظر تئوری،می‌توان آن را به طور نامحدود و در فواصل بسیار بزرگ حفظ کرد.محققان معتقدند که این تکنیک،یک جایگزین قوی‌تر و قابل‌اعتمادتر برای روش‌های فعلی تولید درهم‌تنیدگی است. ولفگانگ پفاف،استاد فیزیک در بخش فیزیک دانشگاه ایلینوی اوربانا-شامپاین،که رهبری بخش ایلینوی از این همکاری را بر عهده داشت،گفت: در گذشته،ایجاد درهم‌تنیدگی به معنای انجام مجموعه‌ای از عملیات بر روی بخش‌های مختلف یک سیستم و سپس انتقال آنها از یکدیگر بود.همانطور که تصور می‌کنید،مشکل در مرحله انتقال رخ می‌دهد و نویز محیطی،ویژگی‌های دقیقاً تنظیم‌شده را از بین می‌برد.ما نشان داده‌ایم که می‌توان مرحله انتقال را به طور کامل دور زد. آشیش کلرک،استاد مهندسی مولکولی در دانشکده مهندسی مولکولی پریتزکر دانشگاه شیکاگو،که رهبری بخش شیکاگو از این همکاری را بر عهده داشت،گفت: این ایده مدت‌هاست که توجه نظریه‌پردازان را به خود جلب کرده است،زیرا برخلاف تجربه ما با درهم‌تنیدگی کوانتومی است.به جای اینکه آن را در یک لحظه خاص ایجاد کنیم و شاهد از بین رفتن آن باشیم،این پدیده به عنوان یک نقطه طبیعی از آرامش در این سیستم ظاهر می‌شود.این تقریباً مانند داشتن یک یخچال است که تأثیرات خارجی را برای حفظ درهم‌تنیدگی دفع می‌کند،به جای اینکه گرما را دفع کند تا سرما را حفظ کند. این تحقیق اخیراً در مجله Physical Review X منتشر شده است. درهم‌تنیدگی کوانتومی یک پدیده است که در آن،بخش‌های مختلف یک سیستم،همبستگی‌هایی را نشان می‌دهند که نمی‌توان آنها را با استفاده از روش‌های غیر کوانتومی توضیح داد.فناوری اطلاعات کوانتومی از این همبستگی‌ها برای انجام وظایفی استفاده می‌کند که در غیر این صورت غیرممکن یا غیرعملی هستند.بیشتر کارشناسان معتقدند که ساخت این فناوری در زمینه‌هایی که پتانسیل واقعی آن می‌تواند تحقق یابد،نیازمند ترکیب واحدهای فیزیکی جداگانه است.بنابراین،باید راهی خوب برای به اشتراک گذاشتن درهم‌تنیدگی بین این واحدها وجود داشته باشد. روش‌های فعلی توزیع درهم‌تنیدگی،اشیاء مختلف را در یک مکان آماده می‌کنند و سپس آنها را به مکان‌های مختلف منتقل می‌کنند.در حین انتقال،این اشیاء تحت تأثیر عوامل خارجی و نویزهای ناخواسته قرار می‌گیرند که باعث از بین رفتن درهم‌تنیدگی می‌شود،فرآیندی که به آن از هم گسستگی(decoherence)گفته می‌شود.مدیریت این اثرات،یکی از مهم‌ترین موانع برای تحقق فناوری کوانتومی با کاربردهای عملی بوده است. پفاف گفت: سوال جالب این است که آیا ما به این مرحله از انتقال نیاز داریم که در برابر از هم گسستگی آسیب‌پذیر است؟آیا می‌توانیم درهم‌تنیدگی از راه دور را بدون نیاز به انتقال ذرات در حالت‌های حساس ایجاد کنیم؟ تشریح تصویر زیر: دو کیوبیت که به یک موج‌کش یک‌طرفه متصل هستند،می‌توانند به یک حالت پایدار درهم‌تنیده برانگیخته شوند. #مکانیک_کوانتومی #درهم_تنیدگی_کوانتومی #کامپیوتر_کوانتومی @Einstein_astronomy

‍ بخش سوم: تکامل خلاقانه: اگرچه تابستان سال 2025 نقطه عطفی در قابلیت‌های هوش مصنوعی بود،اما این پیشرفت از هیچ‌کجا نیامد.پوشمیت کوهلی،معاون علمی شرکت گوگل دیپ‌مایند،گفت که این شرکت از سال 2018 تلاش کرده است تا مسائل ریاضی را با استفاده از هوش مصنوعی حل کند.فرانسوا شارترون،که اکنون در شرکت Axiom مشغول به کار است،اولین کسی بود که در سال 2019 تلاش کرد از یادگیری ماشین برای حل مسائل ریاضی استفاده کند. اما در آن سال‌های اولیه،این یک حوزه تخصصی بود. در ابتدا،شارترون و چند نفر دیگر از هوش مصنوعی برای حل مسائلی استفاده می‌کردند که راه‌حل آن‌ها از قبل مشخص بود،فقط برای اینکه ببینند آیا می‌توانند از تکنیک‌های جدید استفاده کنند یا خیر.تا سال 2024،آن‌ها شروع به پیشرفت کردند.آن‌ها به دنبال مسائلی بودند که مجموعه‌ای غنی از داده‌ها برای تجزیه و تحلیل داشتند،و سپس از هوش مصنوعی برای ساخت اشیاء ریاضی با ویژگی‌های قابل اندازه‌گیری استفاده می‌کردند،مانند چیدمان بهینه نقاطی که می‌توانند در یک شبکه قرار گیرند بدون اینکه یک مثلث متساوی‌الساقین تشکیل دهند. در ژانویه 2025،تائو و خاویر گومز-سرانو از دانشگاه براون،شروع به همکاری با دو ریاضیدان در دیپ‌مایند،آدام واگنر و بوگدان جورجیف،بر روی یک سیستم هوش مصنوعی به نام AlphaEvolve کردند.AlphaEvolve با استفاده از Gemini برای نوشتن برنامه‌ها به زبان پایتون کار می‌کند که ممکن است صدها خط کد داشته باشند.سپس،این برنامه‌ها را با استفاده از الگوریتم‌های به اصطلاح ژنتیکی تکامل می‌دهد تا سعی کند راه‌حل‌های بهینه برای مسائل ریاضی پیدا کند.این چهار ریاضیدان از AlphaEvolve برای حل یک مسئله جدید،هر روز یا هر دو روز یک بار،به مدت چند ماه استفاده کردند. همزمان با این کار،آن‌ها یاد گرفتند که چگونه دستورالعمل‌هایی را که به AlphaEvolve می‌دادند،بهبود بخشند.یک نکته کلیدی: به نظر می‌رسید که مدل از تشویق سود می‌برد. گومز-سرانو گفت: این مدل بهتر کار می‌کرد وقتی که ما با ارائه بازخورد مثبت به مدل زبان بزرگ(LLM)،به آن دستورالعمل می‌دادیم.به عنوان مثال،گفتن اینکه شما می‌توانید این کار را انجام دهید،به نظر می‌رسید کمک می‌کند.این موضوع جالب است.ما نمی‌دانیم چرا. تا اواخر ماه مه،این تیم AlphaEvolve را بر روی 67 مسئله مختلف در چندین حوزه از ریاضیات آزمایش کرده بود.در 23 مورد از آن‌ها،AlphaEvolve،به شکلی جزئی،نسبت به بهترین راه‌حل‌های شناخته‌شده،بهبود ایجاد کرد.در 36 مورد از 67 مورد،عملکرد آن برابر با بهترین نتایجی بود که قبلاً به دست آمده بود،و در بقیه موارد،نتوانست به بهترین نتیجه شناخته‌شده دست یابد.ریاضیدانان یافته‌های خود را در مقاله‌ای که در نوامبر 2025 منتشر شد،با عنوان کاوش و کشف ریاضی در مقیاس بزرگ به اشتراک گذاشتند.گومز-سرانو خاطرنشان کرد که هر یک از نتایج آن‌ها ممکن است توسط یک متخصص در یک حوزه خاص به دست آمده باشد که برای چند ماه روی آن کار کرده است.اما بدون اینکه متخصص در بسیاری از این زمینه‌ها باشند،ما توانستیم نتایج قابل مقایسه‌ای را در عرض یک یا دو روز به دست آوریم. همانطور که تائو گفت،مدل‌های فعلی هوش مصنوعی بسیار خوب در جستجو در لیست‌های بزرگ مسائل برای یافتن راه‌حل‌های ساده هستند.این کار خسته‌کننده و بی‌ثمر است و چیزی نیست که انسان‌ها بخواهند انجام دهند. او هشدار داد که مدل‌ها به موفقیت‌های پراکنده در میان دریایی بزرگ از شکست‌های گزارش‌نشده دست می‌یابند.اما این موفقیت‌ها قابل توجه هستند. گومز-سرانو تخمین می‌زند که اکنون حدود دو سوم وقت خود را صرف استفاده از هوش مصنوعی می‌کند.او گفت: این موضوع در حال رسیدن به مرحله‌ای است که مفید و قابل استفاده است.این آغاز روش جدیدی است که ما ریاضیات را انجام خواهیم داد. تشریح تصویر زیر: خاویر گومز-سرانو و همکارانش از یک سیستم هوش مصنوعی به نام آلفا ایوولو(AlphaEvolve)برای پیشرفت در حل ده‌ها مسئله ریاضی استفاده کرده‌اند. #ریاضیات #هوش_مصنوعی #Machine_Learning @Einstein_astronomy

بخش سوم: مسیر پیشرفت به سوی امکانات علمی با قابلیت‌های هوش مصنوعی: تحقیقات اخیر انجام شده توسط چن و همکارانش،پتانسیل سیستم‌های مبتنی بر مدل‌های زبانی بزرگ(LLM)را برای برنامه‌ریزی و آماده‌سازی آزمایش‌های علمی در مقیاس بزرگ نشان می‌دهد.یک نوآوری کلیدی،ادغام عامل هوش مصنوعی با یک خط پرتو مجازی بود که توسط این تیم توسعه داده شده بود.این امر به محققان اجازه می‌داد تا عامل هوش مصنوعی متخصص در پرتو ایکس را قبل از استفاده در یک خط پرتو همجوشی واقعی،در محیط شبیه‌سازی توسعه داده و بهبود بخشند. چن گفت: ممکن است خوانندگان بدانند که امکانات علمی در مقیاس بزرگ اغلب بسیار پرکاربرد هستند،به این معنی که توسعه یک سیستم هوش مصنوعی با این قابلیت‌ها با استفاده از تجهیزات واقعی از ابتدا،غیرعملی خواهد بود،زیرا این تجهیزات همیشه بسیار شلوغ هستند.ما یک خط پرتو مجازی(شبیه‌ساز محیط آزمایشگاهی)توسعه دادیم و سپس کل سیستم هوش مصنوعی خود را در آنجا ایجاد کردیم.این سیستم به گونه‌ای طراحی شد که با تغییرات جزئی،در خط پرتو واقعی نیز به خوبی کار کند.این امر فرصت‌های زیادی را ایجاد می‌کند: توسعه‌دهندگان آزمایشگاه‌های تصویربرداری می‌توانند دو قلوهای دیجیتال برای تجهیزات آزمایشگاهی خود ایجاد کنند،و سپس هوش مصنوعی می‌تواند به طور گسترده روی گردش کارها و مهارت‌های آزمایشگاهی در محیط شبیه‌سازی تمرین کند،قبل از اینکه در تجهیزات واقعی به کار گرفته شود و در نهایت به فعالیت‌های آزمایشگاهی روزمره کمک کند. در آینده،این مقاله می‌تواند الهام‌بخش توسعه پلتفرم‌ها و ابزارهای جدید مبتنی بر هوش مصنوعی باشد تا اتوماسیون رویه‌های روتین یا فرآیندهایی که در امکانات تحقیقاتی بزرگ انجام می‌شوند،امکان‌پذیر شود.در نهایت،عامل هوش مصنوعی پیشنهادی توسط این تیم می‌تواند برای اجرای خودکار انواع جدیدی از آزمایش‌های پرتو همجوشی مورد استفاده قرار گیرد. چن افزود: ما معتقدیم که گردش کاری که ما نشان دادیم،می‌تواند به بسیاری از وظایف آزمایشگاهی دیگر گسترش یابد و راه را برای آزمایش‌های علمی با کمک هوش مصنوعی یا حتی تحت کنترل هوش مصنوعی هموار کند.اکنون قصد داریم به توسعه این کار،هم از نظر عمق و هم از نظر گستره،ادامه دهیم.از یک طرف،ما می‌خواهیم سیستم‌های هوش مصنوعی متخصص در پرتو ایکس قوی‌تری توسعه دهیم که به دانشمندان در کشف‌های جدید کمک کنند.از طرف دیگر،ما به طور فعال در حال توسعه چارچوب‌های هوش مصنوعی عمومی‌تری هستیم که می‌توانند فراتر از خطوط پرتو ایکس،در زمینه‌های علوم مواد و آزمایشگاه‌های فیزیک به طور گسترده‌تری مورد استفاده قرار گیرند. پایان. منبع: https://phys.org/news/2026-07-ai-agent-synchrotron-ray-experimental.html #مکانیک_کوانتومی #ذرات_بنیادی #هوش_مصنوعی @Einstein_astronomy

‍ بخش دوم: این تغییرات مورد اعتراض قرار خواهند گرفت،هم در ریاضیات و هم در سایر رشته‌های علمی که با تأثیر هوش مصنوعی دست و پنجه نرم می‌کنند.آکشای ونکیتش(Akshay Venkatesh)از موسسه مطالعات پیشرفته(Institute for Advanced Study)گفت: با تبدیل شدن مدل‌های هوش مصنوعی به یک ابزار قدرتمند جدید،این خطر وجود دارد که ریاضیدانان ارتباط مستقیم خود را با درک عمیق ریاضی از دست بدهند. ونکیتش،مانند تائو،برنده مدال فیلدز،معتبرترین جایزه در ریاضیات،است.هر دو معتقدند که تأثیر هوش مصنوعی قابل توجه خواهد بود،اما ونکیتش در این مورد محتاط‌تر است: چیزهای ارزشمندی در فرهنگ ما وجود دارد که باید سعی کنیم آنها را حفظ کنیم. برخی از ریاضیدانان اکنون دانشگاه‌ها را ترک می‌کنند تا در شرکت‌های بزرگ فناوری مانند OpenAI و گوگل،یا در استارت‌آپ‌های هوش مصنوعی متمرکز بر ریاضیات مانند Harmonic،Logical Intelligence،Axiom Math و Math Inc.مشغول به کار شوند. جرمی آویگاد(Jeremy Avigad)،مدیر موسسه استدلال کامپیوتری در ریاضیات در دانشگاه کارنگی ملون،گفت: یکی از دلایل علاقه زیاد به هوش مصنوعی در ریاضیات در دنیای شرکت‌ها این است که مردم درک می‌کنند که کلید هوش عمومی،ترکیب بینش‌هایی است که از یادگیری ماشین به دست می‌آورید و دقتی که از ریاضیات حاصل می‌شود. تا اوایل سال 2026،شوک ناشی از قدرت هوش مصنوعی به چیزی شبیه به حیرت تبدیل شده بود. یک چالش در ماه فوریه با نام اولین اثبات(First Proof)به شرکت‌کنندگان یک هفته فرصت داد تا مدل‌های هوش مصنوعی خود را برای حل 10 سوال در سطح تحقیقاتی در زمینه‌های مختلف ریاضی به کار گیرند. ریاضیدانان سوالات را به گونه‌ای انتخاب کرده بودند که احتمالاً در داده‌های آموزشی الگوریتم‌ها وجود نداشتند.مدل‌ها،با سطوح مختلف استقلال،موفق به حل بیش از نیمی از مسائل شدند.اگر نتایج المپیاد نشان‌دهنده ورود هوش مصنوعی به یک برنامه آموزشی ریاضی دانشگاهی بود،نتایج اولین اثبات احتمالاً نشان‌دهنده پایان تحصیلات تکمیلی هوش مصنوعی بود.لیت(Litt)در یک پست وبلاگ که به تحلیل نتایج می‌پرداخت،نوشت: به احتمال زیاد،این فناوری از خود کامپیوتر بزرگتر است. تشریح تصویر زیر: ترنس تائو از فرصت‌هایی که مدل‌های هوش مصنوعی برای ریاضیدانان فراهم می‌کنند،بسیار هیجان‌زده است.او گفت: به زودی،ریاضیات کاملاً متفاوت از نحوه سنتی انجام آن خواهد بود. #ریاضیات #هوش_مصنوعی #Machine_Learning @Einstein_astronomy

‍ بخش دوم: تلاش برای خودکارسازی تنظیم موقعیت نمونه‌های اشعه ایکس: چن و همکارانش در ابتدا قصد داشتند فرآیندی خاص را که دانشمندان در طول آزمایش‌های شتاب‌دهنده اغلب آن را خسته‌کننده می‌دانند،خودکار کنند.این فرآیند،تنظیم موقعیت نمونه‌های کریستالی است تا امکان جمع‌آوری داده‌های باکیفیت اشعه ایکس فراهم شود.چن توضیح داد: در ابتدا،ما می‌خواستیم از هوش مصنوعی برای خودکارسازی این فرآیند استفاده کنیم.با این حال،با پیشرفت پروژه،به یک سوال گسترده‌تر علاقه‌مند شدیم: آیا هوش مصنوعی می‌تواند مانند یک دانشمند انسانی،در یک محیط واقعی شتاب‌دهنده،استدلال کند و وظایف آزمایشگاهی را انجام دهد؟این دو انگیزه -نیاز عملی به خودکارسازی و سوال علمی بلندپروازانه‌تر- با هم،الهام‌بخش این پژوهش بودند. در حالی که این مطالعه اخیر عمدتاً بر روی تنظیم خودکار نمونه‌ها تمرکز داشت،محققان می‌خواستند از این وظیفه خاص به عنوان نمونه‌ای از توانایی‌های هوش مصنوعی،به ویژه مدل‌های زبانی بزرگ(LLM)،در محیط‌های آزمایشگاهی استفاده کنند.این پژوهش نشان می‌دهد که این سیستم‌ها می‌توانند وظایف آزمایشگاهی را به صورت خودکار انجام دهند و با شرایط غیرمنتظره یا متغیر سازگار شوند. چن گفت: به عبارت ساده،مجموعه‌ای از ابزارهای آزمایشگاهی وجود دارد که سیستم هوش مصنوعی می‌تواند از آنها استفاده کند،از جمله ابزارهایی که برای انجام آزمایش مورد نیاز هستند،مانند خواندن گزارش‌های آزمایش،گرفتن تصاویر از آشکارساز و انجام اسکن‌های موتوری.هوش مصنوعی می‌تواند از این ابزارها برای درک آنچه در حال وقوع است و اینکه چه کاری باید انجام شود،برای رسیدن به هدف نهایی استفاده کند.به این صورت فکر کنید: اگر بخواهیم یک سیستم هوش مصنوعی یک پیچ را محکم کند،باید هم یک پیچ‌گوشتی به آن بدهیم و هم دستورالعمل‌هایی در مورد نحوه استفاده از آن.این ابزارها به هوش مصنوعی اجازه می‌دهند تا با دنیای واقعی تعامل داشته باشد،که در اینجا،آزمایش ما است،در حالی که دستورالعمل‌ها به آن آموزش می‌دهند که چگونه از این ابزارها به طور موثر استفاده کند. در مقاله خود،چن و همکارانش پیشنهاد می‌کنند که این قابلیت انطباق،ممکن است یک مزیت کلیدی برای سیستم‌های هوش مصنوعی مبتنی بر مدل‌های زبانی بزرگ باشد.این مدل‌ها می‌توانند به سرعت پاسخ‌های خود را تنظیم کنند تا اطلاعات اضافی را در نظر بگیرند،به خصوص در شرایط متغیر یا زمانی که اطلاعات جدید به آنها ارائه می‌شود. چن گفت: این قابلیت انطباق،به ویژه در آزمایش‌های واقعی که در آن شرایط غیرمنتظره رایج هستند،بسیار مهم است.بدون آن،خودکارسازی سنتی اغلب به تعداد زیادی قانون شرطی(if-else)نیاز دارد تا سناریوهای مختلف را پوشش دهد. تشریح تصویر زیر: نمونه تک‌کریستالی Co₃Sn₂S₂ که روی یک نگهدارنده مسی قرار گرفته است.(راست)دستگاه پراش شش‌دوره‌ای در خط پرتو BL17-2 از مرکز تابش سینکروترون استنفورد(SSRL)،جایی که کاربرد هوش مصنوعی در علم فیزیک پرتو ایکس در یک آزمایش واقعی نشان داده شد. #مکانیک_کوانتومی #ذرات_بنیادی #هوش_مصنوعی @Einstein_astronomy

‍ انقلاب هوش مصنوعی در ریاضیات فرا رسیده است: بخش اول: هوش مصنوعی با سرعت زیادی برای اثبات نتایج جدید مورد استفاده قرار می‌گیرد.ریاضیدانان معتقدند که این فقط آغاز کار است. نقطه عطف در تابستان سال 2025 رخ داد.در آن ماه جولای،چندین مدل هوش مصنوعی،پنج مورد از شش مسئله المپیاد بین‌المللی ریاضیات را حل کردند.این المپیاد،یک چالش سالانه برای برخی از بهترین دانش‌آموزان دبیرستانی جهان است.اما در حالی که ریاضیدانان شوکه شده بودند -زیرا تعداد کمی انتظار داشتند که این برنامه‌ها به این سرعت به این سطح از توانایی برسند- نتایج چشمگیر لزوماً به این معنا نبود که هوش مصنوعی پیشرفت‌های مهمی در ریاضیات پژوهشی ایجاد خواهد کرد.در نهایت،مسائل المپیاد،معماهای چالش‌برانگیزی با پاسخ‌های مشخص هستند،نه سوالات باز. با این حال،این نتایج باعث شد که مردم توجه خود را جلب کنند.ریاضیدانانی که مدل‌های هوش مصنوعی را به دلیل احتمال بالای خطا،بی‌فایده می‌دانستند،شروع به کار با آن‌ها کردند.این افرادی که زودتر از دیگران از این فناوری استفاده کردند،با تعجب متوجه شدند که نه تنها این مدل‌ها در حل معماها خوب هستند،بلکه می‌توانند به کشف زمینه‌های جدیدی کمک کنند.به زودی،ریاضیدانان از هوش مصنوعی برای کشف و اثبات نتایج جدید استفاده کردند و کاری را انجام دادند که قبلاً هفته‌ها یا ماه‌ها طول می‌کشید.ترنس تائو،ریاضیدان برجسته دانشگاه کالیفرنیا،لس‌آنجلس،گفت: سال 2025 سالی بود که هوش مصنوعی واقعاً شروع به مفید بودن برای بسیاری از وظایف مختلف کرد. اگرچه هیچ یک از این نتایج جدید،یک پیشرفت بزرگ جهانی نیست،اما برخی از آن‌ها با کشفاتی که در مجلات تخصصی ریاضی منتشر می‌شوند،قابل مقایسه هستند.در برخی موارد،الگوریتم‌ها یک فرضیه را مطرح می‌کنند،آن را اثبات می‌کنند و اثبات را با حداقل دخالت انسان تأیید می‌کنند.در موارد دیگر،گفتگوهای طولانی با مدل‌های زبانی بزرگ مانند ChatGPT،Claude یا Gemini منجر به استراتژی‌های اثبات جدید می‌شوند. تائو گفت: این شخص یک بیل دارد،این شخص یک کلنگ دارد.با هم می‌توانیم یک تونل حفر کنیم. او افزود: بسیاری از کارها شامل امتحان کردن چیزهای مختلف است تا ببینیم کدام یک جواب می‌دهد. اگرچه تائو شاید برجسته‌ترین مدافع کاربرد هوش مصنوعی در ریاضیات باشد، اما دیگران نیز با او موافق هستند.دانیل لیت از دانشگاه تورنتو گفت: حتی با حل مسائل ساده،هوش مصنوعی نحوه انجام ریاضیات را تغییر می‌دهد. تائو گفت: به زودی،این کار کاملاً متفاوت از نحوه سنتی انجام ریاضیات خواهد بود.در گذشته،ریاضیدانان یک مسئله را در یک زمان بررسی می‌کردند،اما با این ابزارها، می‌توانید هزاران مسئله را به طور همزمان حل کنید و شروع به انجام مطالعات آماری کنید.اگرچه هیچ‌کس از افرادی که با آن‌ها صحبت کردم فکر نمی‌کند که هوش مصنوعی جایگزین ریاضیدانان شود. تائو افزود: تغییرات سازمانی و فرهنگی زیادی وجود دارد که باید ایجاد کنیم. #ریاضیات #هوش_مصنوعی #Machine_Learning @Einstein_astronomy

‍ یک عامل هوش مصنوعی به آماده‌سازی اندازه‌گیری‌های تجربی با استفاده از اشعه ایکس شتاب‌دهنده خطی کمک می‌کند و راه را برای عملکرد خودکار هموار می‌سازد: بخش اول: مدل‌های هوش مصنوعی(AI)امروزه به طور روزانه توسط بسیاری از افراد در سراسر جهان،هم برای اهداف حرفه‌ای و هم شخصی،مورد استفاده قرار می‌گیرند.در دهه‌های گذشته،دانشمندان متخصص در رشته‌های مختلف نیز شروع به استفاده از این مدل‌ها برای انجام تحقیقات یا ساده‌سازی روش‌های آزمایشگاهی خود کرده‌اند. محققان دانشگاه استنفورد و آزمایشگاه ملی شتاب‌دهنده SLAC اخیراً امکان استفاده از یک عامل مبتنی بر هوش مصنوعی برای آماده‌سازی یک آزمایش با استفاده از اشعه ایکس شتاب‌دهنده خطی را بررسی کردند.شتاب‌دهنده‌های خطی،مراکز تحقیقاتی بزرگی هستند که در آن‌ها الکترون‌ها به سرعت بالا شتاب داده می‌شوند تا اشعه‌های ایکس بسیار قوی تولید کنند،که سپس می‌توان از آن‌ها برای مطالعه ساختار اتمی مواد،مولکول‌ها و نمونه‌های بیولوژیکی استفاده کرد. در مقاله‌ای که در مجله Nature Machine Intelligence منتشر شد،تیم دانشگاه استنفورد و SLAC پیشنهاد دادند از یک عامل مبتنی بر هوش مصنوعی برای آماده‌سازی یک آزمایش واقعی با استفاده از اشعه ایکس شتاب‌دهنده خطی استفاده کنند.آن‌ها نشان دادند که این عامل می‌تواند به طور خودکار اقدامات را برنامه‌ریزی کند،مشاهدات را تفسیر کند و دستورات کنترلی دستگاه را تولید کند تا فرآیند تراز کردن نمونه را تکمیل کند. ژانتائو چن،نویسنده اصلی این مقاله و در حال حاضر استاد کمکی در دانشگاه تگزاس در آستین،که این تحقیق را در آزمایشگاه ملی شتاب‌دهنده SLAC و دانشگاه استنفورد انجام داده است،به Phys.org گفت: کار ما نشان می‌دهد که یک دانشمند اشعه ایکس مبتنی بر هوش مصنوعی وجود دارد که می‌تواند به طور خودکار نمونه‌های تک‌کریستالی را در خطوط اشعه ایکس شتاب‌دهنده خطی تراز کند.این عامل می‌تواند وضعیت آزمایش را بررسی کند،در مورد آنچه در حال وقوع است و چه کاری باید انجام شود،استدلال کند و سپس آزمایش را به سمت تراز کردن موفقیت‌آمیز نمونه پیش ببرد.منبع الهام اولیه این موضوع این بود که تراز کردن نمونه،اولین و مهم‌ترین گام در تقریباً هر آزمایش اشعه ایکس تک‌کریستالی با استفاده از شتاب‌دهنده خطی است،اما می‌تواند خسته‌کننده باشد. تشریح تصویر زیر: فرآیند کلی عملکرد هوش مصنوعی دانشمند اشعه ایکس به این صورت است: این هوش مصنوعی،تصاویر دستگاه تصویربرداری،گزارش‌های آزمایشگاهی و نتایج اسکن را از طریق ابزارهای نرم‌افزاری ساختاریافته مشاهده می‌کند،وضعیت فعلی آزمایش را تحلیل می‌کند و دستورات کنترلی برای دستگاه‌ها تولید می‌کند تا فرآیند تنظیم نمونه تکمیل شود. #مکانیک_کوانتومی #ذرات_بنیادی #هوش_مصنوعی @Einstein_astronomy

‍ بخش پنجم: اما این فرض،به نظر می‌رسد که اثبات آن عملاً غیرممکن است.احتمالاً از نظر تئوری قابل اثبات است،اما هر اثباتی آنقدر طولانی خواهد بود که هرگز نمی‌توان آن را به طور کامل نوشت.این موضوع،آن را به نوعی گزاره‌ای شبیه به گزاره‌های گودل تبدیل می‌کند که محققان در زمینه پیچیدگی اثبات،علاقه زیادی به مطالعه آن دارند. همچنین،این بدان معناست که خواننده یک اثبات،نمی‌تواند به طور کامل احتمال نادرست بودن این فرض را نادیده بگیرد،که این موضوع پیامدهای مهمی دارد.به طور خاص،این بدان معناست که دو جهان ممکن وجود دارد که ممکن است در آن زندگی کنیم.در جهان اول،این فرض واقعاً درست است و ما دقیقاً به همان نقطه‌ای برمی‌گردیم که از آن شروع کردیم: شما یک اثبات غیرتعاملی نوشته‌اید که نشان می‌دهد نقشه شما را می‌توان با سه رنگ رنگ‌آمیزی کرد،اما این اثبات نمی‌تواند شبیه‌سازی داشته باشد و بنابراین،نمی‌تواند دانش صفر باشد.اما در جهان دوم،این فرض نادرست است و دیگر نمی‌توانیم مطمئن باشیم که ریاضیات منسجم است.تشخیص بین اثبات‌های صحیح و نادرست غیرممکن است؛و مهم‌تر از همه،در این دنیای عجیب و غریب،نتیجه غیرممکن ارائه شده توسط گلدریچ و اورن دیگر کاربرد ندارد.هر اثباتی -چه معتبر و چه نامعتبر،چه تعاملی و چه غیرتعاملی- می‌تواند یک شبیه‌ساز داشته باشد. این جهان دوم،که احتمال وقوع آن کم است،به نوعی یک راه فرار محسوب می‌شود.خواننده نمی‌تواند به طور قطعی بداند که در کدام جهان زندگی می‌کند؛حتی اگر احتمالاً بیشتر در جهان اول هستیم،جایی که ریاضیات همچنان امن است.این موضوع، به نوبه خود،به این معناست که آنها نمی‌توانند واقعاً مطمئن باشند که اثبات هیچ شبیه‌سازی ندارد.اثبات همچنان می‌تواند به طور موثری دانش صفر باشد،حتی اگر هیچ تعاملی وجود نداشته باشد.ایلنگو با موفقیت،نتیجه غیرممکنی را که دهه‌ها بود وجود داشت،دور زد. این ترفند ریاضی که در آن به کار رفته است،می‌تواند حتی یک محقق باتجربه را گیج کند،اما منطق آن درست است.ساهای اعتراف کرد: این موضوع واقعاً گیج‌کننده است.اولین باری که آن را می‌بینید، فکر می‌کنید:صبر کنید،این یعنی چی؟' برای بسیاری از دانشمندان کامپیوتر،پیامدهای گسترده‌تر نتیجه ایلنگو،به اندازه خود نتیجه،هیجان‌انگیز است.به مدت دهه‌ها،محققان در زمینه پیچیدگی اثبات،به سؤالات پیچیده‌ای پرداخته‌اند که به نظر می‌رسد ارتباط بیشتری با منطق ریاضی نسبت به هر حوزه دیگری از علوم کامپیوتر دارند.این کار جدید نشان می‌دهد که این حوزه مشهوراً دشوار،آنقدرها هم که به نظر می‌رسد،دور از دسترس نیست.ایلنگو،که اکنون محقق پسا دکترا در موسسه مطالعات پیشرفته در پرینستون،نیوجرسی،و دیگران،در حال بررسی این هستند که چگونه ایده‌هایی از پیچیدگی اثبات می‌توانند به آنها کمک کنند تا ساختارهای رمزنگاری دیگری را که قبلاً غیرممکن تلقی می‌شدند،محقق کنند. جین گفت: من فکر نمی‌کنم که این یک نتیجه جداگانه باشد.گاهی اوقات،شما فقط باید به مردم نشان دهید که یک ترک کوچک در در وجود دارد. تشریح تصویر زیر: به عنوان دانشجوی تحصیلات تکمیلی،راهول ایلنگو با بهره‌گیری از محدودیت‌های ریاضیات،نوع جدیدی از اثبات دانش صفر را ابداع کرد. پایان. منبع: https://phys.org/news/2026-07-frozen-fiber-couples-strongly-standard.html #ریاضیات @Einstein_astronomy

بخش دوم: مشاهده نحوه تأثیرگذاری مغناطیس بر جریان: برای مشخص کردن عملکرد ترانزیستور اسپین،محققان اندازه‌گیری‌های الکتریکی را با یک حسگر کوانتومی با وضوح بالا،به نام مغناطیس‌سنجی مرکز نیتروژن-خالی(NV)،ترکیب کردند.این تکنیک تصویربرداری تخصصی،میدان مغناطیسی محلی را با ردیابی تغییرات در رزونانس مغناطیسی یک نقص اتمی واحد،ترسیم می‌کند. میکروسکوپ کوانتومی،رفتار مرتبط مغناطیسی و الکتریکی دستگاه را نشان داد: نحوه تأثیر تغییرات مکانی در مغناطیس‌شدگی بر هدایت دستگاه و نحوه تغییر ولتاژ گیت،لایه‌های مغناطیسی را بین حالت‌های موازی و غیرموازی. یکی از عوامل کلیدی که عملکرد ترانزیستور اسپین را بهبود بخشید،توانایی محققان در دسترسی به هدایت محدود به بار فضایی بود.در این حالت،تجمع و دفع متقابل بارها در داخل ماده،رابطه جریان-ولتاژ را تغییر می‌دهد و باعث می‌شود که به جای رفتار خطی و اهمی معمولی،از مقیاس‌بندی توان(power-law scaling)پیروی کند. توماس کی. ام. گراهام،دانشجوی تحصیلات تکمیلی و نویسنده اصلی این مطالعه،گفت: مقیاس‌بندی سریع توان،به ما امکان می‌دهد تا هدایت را به طور چشمگیری تنظیم کنیم.دستگاه ما به نسبت روشن/خاموش الکتریکی 1,000,000% و نسبت روشن/خاموش مغناطیسی 3,000% دست می‌یابد،که آخرین مقدار،به طور قابل توجهی بالاتر از تلاش‌های قبلی است. به سوی مدارهای منطقی روشن آنی: این معماری،با ادغام منطق سوئیچ با یک بیت حافظه غیرفرار،راه را برای پردازنده‌های بسیار کارآمد و روشن آنی هموار می‌کند که نیازی به خواندن داده‌ها از حافظه ندارند،و همچنین مدارهای محاسباتی قابل تنظیم را فراهم می‌کند که می‌توان آن‌ها را پس از تولید،دوباره برنامه‌ریزی کرد. ژو می‌گوید که برای تحقق این پتانسیل،محققان باید به پیشرفت در تکنیک‌های تصویربرداری نانوساختار و کنترل الکتریکی حالت‌های مغناطیسی ادامه دهند. پایان. منبع: https://phys.org/news/2026-07-quantum-microscope-illuminates-transistor.html #الکترومغناطیس #نیمه_رسانا @Einstein_astronomy

‍ بخش چهارم: بار اثبات: تصور کنید که قصد دارید یک قفل را خریداری کنید که به شهرت رسیده است و غیرقابل شکستن است.شما جزئیات نوشته شده روی بسته‌بندی را می‌خوانید،با این انتظار که یک ضمانت مبنی بر امنیت قفل پیدا کنید.اما به جای آن،یک اعتراف صریح مبنی بر اینکه قفل امن نیست را مشاهده می‌کنید،و سپس یک وعده: حتی اگر قفل امن نیست،هیچ‌کس نمی‌تواند ثابت کند که قفل امن نیست. در ابتدا،این ممکن است به عنوان یک روش عجیب و غریب برای بازاریابی یک محصول بی‌فایده به نظر برسد.اما اگر این قفل به این وعده غیرمعمول عمل کند،در واقع به اندازه یک قفل که به طور قطعی غیرقابل شکستن است،امن خواهد بود.برای درک این موضوع،تصور کنید که راهی برای شکستن قفل پیدا کرده‌اید.در این صورت،خود قفل شکسته به عنوان مدرکی برای ناامن بودن آن عمل می‌کند؛اما اگر وعده نوشته شده روی بسته‌بندی درست باشد،چنین مدرکی غیرممکن است.به عبارت دیگر،اگر یک آسیب‌پذیری وجود داشته باشد،اما غیرممکن باشد که وجود آن ثابت شود،هیچ راهی برای سوء استفاده از آن وجود ندارد. این ایده اصلی پشت نتیجه جدید ایلنگو است.به طور سنتی،برای نشان دادن اینکه یک اثبات،اثبات دانش صفر است،باید نشان داد که یک شبیه‌ساز برای آن وجود دارد.(در تشبیه ما،این معادل اثبات غیرقابل شکستن بودن قفل است.)اما این بدان معناست که اثبات باید تعاملی باشد.ایلنگو به جای آن،می‌خواست نشان دهد که بسیار دشوار است که تضمین شود اثبات او شبیه‌ساز ندارد.(یعنی،هیچ راهی برای اثبات اینکه قفل قابل شکستن است،وجود ندارد.) اگر او می‌توانست این موضوع را ثابت کند،از تمام مزایای دانش صفر بهره‌مند می‌شد،در حالی که به طور هوشمندانه‌ای از الزام تعاملی اجتناب می‌کرد.ساهای گفت: در واقع،فکر کردن به هر موقعیت واقعی که در آن این نوع دانش صفر موثر،کافی نباشد،بسیار دشوار است‌. برای درک اینکه ایلنگو چگونه این کار را انجام داد،به مثال رنگ‌آمیزی سه رنگ باز می‌گردیم.اگر بدانید چگونه یک نقشه را رنگ‌آمیزی کنید،می‌توانید یک اثبات غیرتعاملی از گزاره این نقشه را می‌توان با سه رنگ رنگ‌آمیزی کرد بنویسید.اما به دلیل نتیجه غیرممکن سال 1994،این اثبات نمی‌تواند شبیه‌ساز داشته باشد، و بنابراین،یک اثبات دانش صفر نیست. با استفاده از رویکرد جدید ایلنگو،شما به جای آن،با بازنویسی گزاره‌ای که می‌خواهید آن را ثابت کنید،شروع می‌کنید و یک فرض اضافی را به آن اضافه می‌کنید: این نقشه را می‌توان با سه رنگ رنگ‌آمیزی کرد با فرض اینکه هیچ راه کارآمدی برای یافتن یک تناقض در اصول استاندارد ریاضیات وجود ندارد.این فرض اضافی معمولاً بدیهی تلقی می‌شود.اگر این فرض نادرست باشد،ریاضیات پر از تناقض خواهد بود و هیچ اثباتی قابل اعتماد نخواهد بود.اگر این فرض درست باشد،همانطور که محققان به طور کلی معتقدند،آنگاه گزاره جدید ایلنگو اساساً معادل گزاره اصلی است. تشریح تصویر زیر: کورت گودل نشان داد که برخی از گزاره‌های ریاضیاتی درست هستند،اما قابل اثبات نیستند. #ریاضیات @Einstein_astronomy

‍ میکروسکوپ کوانتومی،طراحی ترانزیستورها را روشن می‌کند: بخش اول: هوش مصنوعی با بحران انرژی روبرو است که ناشی از یک ترافیک فیزیکی در داخل تراشه‌های کامپیوتری مدرن است.پردازنده‌ها باید به طور مداوم داده‌ها،مانند میلیاردها پارامتر در مدل‌های پیچیده،را بین گره‌های محاسباتی و حافظه جداگانه جابجا کنند.این ترافیک،که به عنوان محدودیت فون نویمان شناخته می‌شود،سرعت و کارایی انرژی پردازنده‌های پیشرفته را مختل می‌کند. برای مقابله با این مشکل،دانشمندان در حال توسعه اسپینترونیک هستند،که از اسپین یا جهت‌گیری مغناطیسی ذاتی الکترون برای ساخت دستگاه‌های کارآمدتر استفاده می‌کند.یک دستاورد مهم در این زمینه،یک دستگاه واحد به نام ترانزیستور اسپین است که یک بیت مغناطیسی را با یک سوئیچ نیمه‌رسانا ترکیب می‌کند و به آن امکان می‌دهد تا به طور همزمان داده‌ها را محاسبه و ذخیره کند. پروفسور برایان ژو،استاد فیزیک دانشگاه بوستون،که گروه تحقیقاتی او این مطالعه را رهبری کرد،گفت: چالش اصلی،درک نحوه تعامل مغناطیس و جریان الکتریکی در دستگاه‌های نانوسکوپی است.ما یک میکروسکوپ کوانتومی تک‌اسپین توسعه دادیم تا حالات مغناطیسی را در داخل دستگاه‌های بسیار نازک را در حین پردازش فعال اطلاعات الکتریکی مشاهده کنیم. این دیدگاه مبتنی بر فناوری کوانتومی،به تیم تحت رهبری دانشگاه بوستون اجازه داد تا یک تغییر اساسی در نحوه طراحی ترانزیستورهای مغناطیسی ایجاد کنند. یک کریستال واحد،هر دو وظیفه را انجام می‌دهد: در یک مطالعه که در مجله Physical Review Letters منتشر شد،این تیم یک معماری را با استفاده از نیمه‌رسانای مغناطیسی کروم سولفید برمید(CrSBr)نشان داد که به آن امکان می‌دهد تا سیگنال‌ها را یا با استفاده از مغناطیس یا ولتاژ تغییر دهد. زدنک سوفر،متخصص سنتز مواد در دانشگاه شیمی و فناوری پراگ،گفت: به طور سنتی،این دستگاه‌ها نیاز به اتصال دو ماده مختلف دارند:یک ماده مغناطیسی و یک نیمه‌رسانا.با مهندسی یک کریستال واحد از نوع وان در والز،یعنی CrSBr،که به طور ذاتی دارای خواص نیمه‌رسانا و مغناطیسی است،ما تمام اتصالات را به طور کامل حذف می‌کنیم. گروه تحقیقاتی ژو،این ترانزیستور را با استفاده از CrSBr با دو لایه نازکی ساخت و الکترودهایی را در لایه‌های جداگانه قرار داد.ساختار منحصربه‌فرد آن،جریان را مجبور می‌کند تا هم در داخل و هم بین دو لایه مغناطیسی حرکت کند. این دستگاه می‌تواند با تغییر ولتاژ یک الکترود گیت مجاور یا با تغییر جهت‌های مغناطیسی نسبی دو لایه CrSBr،روشن و خاموش شود.این عملکرد مشابه یک ترانزیستور سنتی مکمل فلز-اکسید-نیمه‌رسانا(CMOS)است،اما با یک ویژگی مغناطیسی اضافی. تشریح تصویر زیر: دیاگرام شماتیک ساختار SCST(دستگاه انتقال تک‌الکترونی اسپین)با اتصالات جانبی در دو انتهای یک لایه نازک-دو لایه در ماده. CrSBr FLG:گرافن چند لایه،Vsd:ولتاژ بایاس،VG:ولتاژ گیت. #الکترومغناطیس #نیمه_رسانا @Einstein_astronomy

‍ بخش سوم: ماموریت غیرممکن: در تابستان سال 2023،در پایان سال سوم تحصیلات تکمیلی خود در موسسه فناوری ماساچوست،ایلنگو به طور فزاینده‌ای به یک زیرشاخه‌ی مرموز از نظریه‌ی پیچیدگی به نام پیچیدگی اثبات علاقه‌مند شد.بیشتر نظریه‌پردازان پیچیدگی،به بررسی میزان دشواری مسائل مختلف،مانند مسئله رنگ‌آمیزی(در این مورد،تعداد مراحلی که برای یافتن یک رنگ‌آمیزی معتبر لازم است)می‌پردازند.در مقابل،در پیچیدگی اثبات،محققان به تحلیل دشواری اثبات کردن گزاره‌هایی درباره این مسائل می‌پردازند؛گزاره‌هایی مانند هیچ راهی برای رنگ‌آمیزی صحیح این نقشه خاص وجود ندارد.آن‌ها این دشواری را با اندازه‌گیری طول ساده‌ترین اثبات ممکن برای یک گزاره معین،ارزیابی می‌کنند. در ریاضیات،برخی از گزاره‌ها را نمی‌توان نه به عنوان درست و نه به عنوان نادرست اثبات کرد(این،قضیه دیگر ناتمامی گودل است.)با این حال،گزاره‌های دیگر ممکن است در اصل قابل اثبات باشند،اما تنها با اثبات‌هایی که بسیار طولانی هستند و هرگز نمی‌توان آن‌ها را به طور کامل نوشت.از نظر عملی،این گزاره‌هایی که ذاتاً اثبات آن‌ها دشوار است،به همان اندازه که گزاره‌های غیرقابل اثبات که توسط گودل شناسایی شده‌اند،ناشناخته هستند. محققان معمولاً چنین گزاره‌هایی را به دلیل خودشان مطالعه می‌کنند،تا محدودیت‌های اثبات ریاضی را بهتر درک کنند.اما ایلنگو مشکوک بود که این گزاره‌ها ممکن است کاربردهایی در رمزنگاری نیز داشته باشند.تقریباً تمام تکنیک‌های مدرن رمزنگاری بر اساس دشواری حل مسائل خاص،مانند مسائلی مربوط به رنگ‌آمیزی نقشه‌ها،استوار هستند.ایلنگو فکر کرد: اگر بتوانم از دشواری اثبات کردن گزاره‌های خاص استفاده کنم،چه؟ انجام این کار ممکن است به او اجازه دهد تا تکنیک‌های رمزنگاری جدیدی ایجاد کند. مارکو کارموسینو،یک نظریه‌پرداز پیچیدگی در شرکت IBM،گفت: ما دائماً با این موانع روبرو می‌شویم و از خود می‌پرسیم:چرا نمی‌توانیم این را اثبات کنیم؟چرا نمی‌توانیم آن را اثبات کنیم؟آیا می‌توانیم از این نوع دشواری بهره‌برداری کنیم؟ در سال 2024،پس از چند تلاش ناموفق،ایلنگو یک وظیفه خاص در رمزنگاری را شناسایی کرد که می‌توانست به عنوان یک آزمایشگاه برای رویکرد او عمل کند.او می‌خواست اثبات‌های دانش صفر بسازد که تعاملی نباشند.سی سال پیش،گلدریچ و اورن ثابت کرده بودند که چنین اثبات‌هایی غیرممکن هستند.اما ایلنگو متوجه شد که ممکن است بیش از یک راه برای تعریف دانش صفر وجود داشته باشد؛و اینکه نتیجه غیرممکن بودن فقط به تعریف اصلی مربوط می‌شود. برای درک این تعریف،خودتان را در جایگاه تاییدکننده در مثال رنگ‌آمیزی نقشه قرار دهید.حتی قبل از تعامل با اثبات‌کننده،شما می‌توانید دقیقاً پیش‌بینی کنید یا شبیه‌سازی کنید که یک اثبات معتبر چگونه به نظر می‌رسد: در هر دور،اثبات‌کننده همیشه دو ناحیه با رنگ‌های متفاوت را نشان می‌دهد،مهم نیست که کدام مرز را انتخاب می‌کنید.به زبان متخصصان رمزنگاری،این اثبات دارای یک شبیه‌ساز است،و این همان چیزی است که به معنای دانش صفر بودن اثبات است. ایلنگو گفت: اگر من و شما قرار بود با هم صحبت کنیم،اما من می‌توانستم از قبل همه چیزهایی را که شما قرار بود بگویید،پیش‌بینی کنم،احتمالاً شما موافق هستید که من چیزی از صحبت کردن با شما یاد نخواهم گرفت. نتیجه غیرممکن بودن که توسط گلدریچ و اورن بیان شد،در واقع می‌گفت که اثبات‌های غیرتعاملی نمی‌توانند شبیه‌ساز داشته باشند،و بنابراین،به طور تعریف،نمی‌توانند دانش صفر باشند.ایلنگو امیدوار بود که از پیچیدگی اثبات برای تعریف یک مفهوم جدید از دانش صفر استفاده کند -که او آن را دانش صفر موثر نامید- که مشمول نتیجه غیرممکن بودن قدیمی نباشد،اما همچنان به اندازه دانش صفر معمولی مفید باشد. در قلب تعریف جدید او،یک بینش ساده وجود داشت: اشکالی ندارد اگر یک اثبات شبیه‌ساز نداشته باشد،تا زمانی که هیچ‌کس نتواند متوجه شود. #ریاضیات @Einstein_astronomy