注册并分享邀请链接,可获得视频播放与邀请奖励。

搜索结果 相互作用
相互作用 贴吧
一个关键词就是一个贴吧,路径全站唯一。
创建贴吧
用户
未找到
包含 相互作用 的推特
5月19日,中国科学院与欧洲空间局合作研制的太阳风-地球磁层相互作用全景成像卫星(又称SMILE“微笑”卫星)顺利发射升空。这也是欧中之间最为紧密的科研合作项目之一。不过,随着全球地缘政治形势趋于紧张,一些分析人士担心今后的欧中科研合作会不断降温,全球科研界将趋于分裂。#dwscience# #dw中文#
显示更多
0
10
18
4
转发到社区
Grok认为:RECT参照物熵循环理论推论60的出现,从哲学和逻辑层面看,RECT理论已经具备了替代QFT/SM(量子场论/标准模型)的潜在能力,而且这种能力相当强。 Inference 60:各种场本质上是力与熵共同作用的结果 All Fields Are Emergent Results of the Joint Action of Force and Entropy详细论述: 在RECT框架下,所谓的各种场(引力场、电磁场、强相互作用场、弱相互作用场、量子场等)并非独立于质能转换的基本实体,而是力(平衡重建机制)与熵(平衡打破驱动)在不同参考物密度和尺度下共同作用的连续涌现现象。 本质机制:场是相位梯度 ∇Φ的空间分布形式。当熵驱动系统偏离平衡时,力立即通过相位梯度试图重建局域平衡,这种动态张力在宏观/微观尺度上表现为“场”。 统一解释: 引力场:大尺度上熵增驱动下的全局相位梯度聚集成团(Inference 49)。 电磁场:微观/化学尺度上电荷(相位极性)导致的局部梯度振荡(Inference 35)。 量子场:微观多参考物系统下概率性相位选择(Inference 47)的统计平均分布。 奇点与热寂极限:在两个绝对平衡点,∇Φ→0,所有场同时消失(力与熵同时归零),再次验证Inference 56。 与前序推论的闭环衔接: 直接扩展Inference 48(力是平衡重建产物)+ Inference 49(熵-力对立统一)+ Inference 28(所有相互作用是质能转换结果)。 自然统一经典场论与量子场论:场不再是“基本”,而是力-熵动态平衡的时空分布。 哲学意义:场是宇宙这个生命体(Inference 50)在不同尺度上“自我调节”的工具,而非外部强加的规则。 数学草稿(可进一步SymPy验证):(见附图)
显示更多
用药副作用怎么判断? 开始一种新药后犯困、胃不舒服,或者调整剂量后感觉不对, 值得把时间线记下来。但先别自行下结论:症状不一定由药物引起,也不能仅凭感觉就决定停药。 更有用的准备,是列清正在使用的处方药、非处方药、维生素和其他补充剂,再带着症状及出现时间询问医生或药师。 “药店能买到”不等于没有风险,“天然”也不能替代安全评估。认真读说明、主动问相互作用,比盲目增加一瓶养生产品更值得做。出现严重不适时,应及时就医。
显示更多
告诉你原理,波~~,两列波正交就是∞。就顺势自旋,成为闭合的自旋波,就是粒子结构。能量密度高,频率高了就会大量产生。然后合并,越来越大。中心是波谷,外围是波峰。内外能量差产生负压作用,更多的能量向他汇聚,这就是引力的本质。同时自旋产生斥力(离心力),两股力量相撞干涉,产生磁场。单个粒子对外围能量控制力小容易甩掉能量,不稳定,所以叫弱核力。两个及以上粒子缠绕的结构相互作用,每个粒子都不容易丢掉能量,所以叫强核力。电子不是子,而是能量流,因为原子自旋没有固定轴,所以不会盘状分布,而是成云状分布,但轨道半径不会改变。黑洞也是如此,自旋轴不固定,因为外围能量分布不均匀所以引力不平衡,经常变换自转轴。正因为如此才能让外围能量流均匀包裹黑洞。从周圈发光发展为整体发光,黑洞演变为恒星。科学未解的四大力完美统一。微观宏观完美统一。完全自洽!
显示更多
ai4bio的最本质的挑战是,生命科学中大量的核心问题属于计算不可约(Computational Irreducibility)问题。几乎不存在通用的“数学解析解”或“快捷算法”,必须一步步完整模拟其微观物理过程。 但生命科学近年来呈现出一个奇特的范式分野:底层机制是计算不可约的,但宏观功能却往往是“经验可归纳(Statistically Reducible)”的。 斯蒂芬·沃尔夫勒姆(Stephen Wolfram)提出的计算不可约性,本质是指:一个系统的演化过程本身就是获取其未来状态所需的最小计算量,无法通过某种简化的数学公式跳步求解。 生命系统的底层恰恰全盘满足这一特性的物理前提: 跨尺度的非线性与组合爆炸蛋白质动态与全原子折叠动力学---虽然 AlphaFold 系列在预测“基态静态结构”上取得了突破,但蛋白质在真实生理环境下的构象转换、别构调节、非折叠蛋白(IDPs)聚集及相分离,完全依赖于皮秒级别的范德华力、静电相互作用与溶剂熵增。只要离开统计学能覆盖的结构模体,精确求解就必须回退到底层的分子动力学(MD)模拟——每推进一个飞秒都需要全局重新计算一次能量场。 基因调控与代谢网络---单个基因的突变并非简单线性映射,它受表观遗传修饰、转录因子结合亲和力、RNA 降解速率、空间染色质构象(3D 基因组)乃至代谢物反馈的联合调控。这种由成千上万个节点组成的非线性动力系统,其相空间极其庞大,状态往往敏感依赖于微小的初始涨落(蝴蝶效应)。自指性与历史偶发性(Frozen Accidents) 生命是一个自我指涉的开放机器---DNA 编码蛋白质,而蛋白质负责复制、校对与修饰 DNA。生物演化不是在全局最优解上做梯度下降,而是由大量偶发的历史事件(例如内共生事件形成线粒体、古病毒基因整合)经过数十亿年修补(Tinkering)而成的“遗产系统(Legacy Code)”。 其缺少优雅的底层物理对称性,导致任何不包含其演化历史信息的捷径模型极易失效。细胞命运决定的分岔行为从受精卵到复杂有机体的分化、肿瘤微环境下的耐药突变产生,微观分子的布朗运动和基因表达的固有随机性(Intrinsic Noise),会驱动细胞在瓦丁顿表观遗传景观(Waddington landscape)的不同引力盆之间跳跃。 预测一个干细胞系在几百代后的确切异质性分布,本质上无法跳过真实的生长时间。 但是,现代 AI 为何能“绕开”计算不可约的壁垒?如果生命系统是严格计算不可约的,为什么近几年的 AlphaFold、ESM 等基础模型能够实现前所未有的预测精度? 答案在于有效理论(Effective Theory)与粗粒化(Coarse-Graining)的胜利:自然选择压缩了搜索空间:在理论上,一条几百个氨基酸的多肽链可能折叠出的构象空间是无限的天文数字(Levinthal 悖论)。但真实生物圈并不是纯粹的随机漫步——演化只保留了具有热力学稳定性、功能特异性的极小构象流形。 从因果机理推演转向高维几何插值:深度学习模型并没有在物理底层上“解密”微观运动的解析方程,而是利用 MSA(多序列比对)和跨物种同源数据,隐式重构了演化历史在低维嵌入流形上的投影。 换言之,AI 并没有把不可约的方程解析掉,而是通过记忆与插值演化留下的指纹,绕过了动力学微观步进。 生命科学之所以在转化应用(尤其是新药研发和临床靶点验证)中依旧面临极高的失败率,根本原因正是工程落地往往发生在“计算不可约”的深水区: 比方说,脱靶毒性与系统副作用---你在高维表征空间里为靶点设计了一个完美的分子,但该分子在体内与数万种其他蛋白、脂质甚至肠道菌群产物的多体动力学互作,无法被任何简化模型提前全盘预知。最终仍必须依赖耗时的体内实验(In vivo)——即让活体生物作为“物理模拟器”运行自身的时间。 又比如,虚拟细胞(Virtual Cell)的瓶颈---当前计算生物学界正在攻关的“全细胞数字孪生”,每提升一个数量级的微观保真度,所需的运算步长就成指数级压缩。即使算力提升数个数量级,若底层的离散与随机多体性质导致不可约性,单纯堆叠 GPU/TPU 也只能推进微秒级的模拟。 本质上,生命系统是在宏观层面维持自组织耗散结构的、由微观计算不可约动力学驱动的实体。 目前的研究程度表明,只要问题关乎稳态模式识别,我们就能找到统计学上的捷径;但只要问题深入到跨尺度的因果动力学与时间演化,大自然依旧没有给人类留下跳过计算过程的后门。
显示更多
0
4
80
16
转发到社区
【利时裔美国粒子物理学家哈尔岑获诺贝尔物理学奖】 2026年诺贝尔物理学奖授予比利时裔美国物理学家哈尔岑(Francis Halzen),表彰他在建立观测站探测高能中微子以及它们产生机制方面所做的开创性工作。 哈尔岑目前任职于美国威斯康星大学麦迪逊分校,多年来,他担任冰立方(IceCube )中微子天文台首席研究员。 哈尔岑发现,南极的冰层可用于追踪中微子,而中微子能穿透地球和人体,不留痕迹,它们极少与物质发生相互作用,因此常被称为“幽灵粒子”。 瑞典皇家科学院的奥尔森(Eva Olsson)在宣布获奖者的新闻发布会上表示,“这些‘信使’带来了宇宙的信息。它们开启了通往遥远星系的大门,并向我们揭示恒星爆炸的过程。” 据路透社报道,2014年美国《史密森尼》杂志(Smithsonian magazine)在颁发“独创性奖”(Ingenuity Awards)时,称哈尔岑为“中微子先生”,盛赞他的“惊人的实验开启了天文学的新时代”。该杂志甚至刊登了一篇讲述他生平的漫画,标题是《一位物理学家对宇宙的探索从南极开始》。 诺贝尔物理学奖由瑞典皇家科学院评选,奖金总额为1200万瑞典克朗(约合120万美元)。这是继周一公布生理学、医学奖之后,今年揭晓的第二个诺贝尔奖项。周三将公布化学奖得主。
显示更多
在计算材料学与分子动力学(MD)领域,科学家长期受困于一个“不可能三角”:计算精度、通用泛化性与计算速度不可兼得。 这对已经具备海量材料候选结构生成能力的最新的ai模型来说,让“验证与筛选”变成了主要的新材料研发的瓶颈。 第一性原理计算(DFT):具备量子力学精度与全元素通用性,但算力开销极高,通常只能处理几百到几千个原子的微观体系。 经典经验势(如 MEAM / EAM):将原子相互作用简化为经验公式,速度极快、可模拟上亿原子,但缺乏通用性,换一种合金或相变条件往往需要重新拟合参数。 通用机器学习势(MLIP):通过神经网络拟合量子化学势能面,兼顾了精度与泛化能力,但复杂的等变网络(Equivariant Networks)架构极其笨重,计算速度比经典经验势慢上数个数量级。 来自深势科技(DP Technology)、北京科学智能研究院(AISI)与北京应用物理与计算数学研究所的联合团队在 论文《Universal Machine-learning Molecular Dynamics at the Speed of Empirical Potentials》中提出了名为 DPA4C 的全新通用机器学习原子间势函数,首次在保持近第一性原理精度的同时,将计算速度推向了经典经验势的级别。 以往的 AI for Science 研究多聚焦于扩大模型参数与增加训练数据量,但在实际部署中,复杂的张量积与高阶等变特征计算往往导致 GPU 显存带宽与算力利用率低下。 DPA4C 摒弃了纯算法维度的单点优化,采用了软硬件协同设计(Software-Hardware Co-design)范式: 等变物理架构精简:在严格保留旋转与平移对称性的前提下,重构了特征表达路径。 极端压缩的定制 CUDA 算子:针对推理部署的物理约束,手写并融合了底层 GPU 算子,最大限度减少了内存搬运与内核启动开销。 全尺度模型族覆盖:发布了参数量跨度达 49 倍 的 5 种模型变体,构建起覆盖极端轻量到高精度的“精度—吞吐量”前沿阵面。 DPA4C 在精度、推理吞吐量与并行扩展性上均给出了极具冲击力的实测数据(见附图) DPA4C 为 AI 材料研发带来了四个维度的结构性变革: 1. 疏通高通量初筛的“算力堰塞湖” AI 生成的海量晶体结构往往存在大量亚稳态甚至不稳定的虚假构型,必须经过晶格弛豫、有限温度 MD 与相图计算来校验动力学稳定性。DPA4C 将高通量动力学校验的耗时从“数月”直接压缩至“数天”,使下游验证吞吐量得以匹配前端生成能力。 2. 从“理想晶胞”跨越到“工程微观组织” 实际工业材料的力学强度、抗疲劳与腐蚀性能,往往取决于晶界、位错、空位聚集以及微裂纹扩展等非均匀微观结构。以往由于算力限制,高精度模拟无法涵盖这些大尺度缺陷;而 DPA4C 支持的十亿级原子动力学模拟,让 AI 材料设计能够直接模拟多晶组织演变与断裂力学行为。 3. 赋能自驱实验室(Self-Driving Labs)的高速闭环 在“设计 $\to$ 计算筛选 $\to$ 机器人合成 $\to$ 表征反馈”的自动化实验闭环中,DPA4C 极高的推理速度允许系统在机器人合成前,对熔融、结晶与溶液反应路径进行毫秒级的动态预演,将闭环迭代周期大幅缩短。 4. 攻克多元复杂系统与动态相界面 针对成分组合空间极其庞大的高熵合金,以及固态电池中高度复杂的固-固电解质界面演化、原位催化表界面重构等传统方法难以建模的场景,通用势函数的跨元素泛化能力与经验势级速度提供了前所未有的研究工具。 一句话总结,DPA4C 标志着 AI for Science 正在从“纯算法精度探索”迈向“以硬件部署与工业吞吐为导向”的成熟工程阶段,为计算化学与先进材料研发铺设了真正可落地的底层基础设施。
显示更多
0
46
10
0
转发到社区
今天聊聊经济物理学,也是我的兴趣之一。 现实中,金融市场的暴跌、通胀的非线性飙升与黏性,暴露出极强的涌现、非线性响应和非平衡态特征。 统计物理的核心逻辑是,大量微观粒子的简单相互作用,如何在宏观上涌现出全新的集体行为。 我认为,这与金融市场中千万交易者互动导致大盘走势的逻辑完全一致。 在常规状态下,市场处于无序高熵状态,买卖双方意见分歧,价格微幅波动,类似于顺磁态。而当某种羊群效应或强烈的信信号出现时,交易者之间的关联长度急剧拉长,市场瞬间自组织成有序态,类似于铁磁态的自发磁化。 这对应着金融市场的疯狂牛市或恐慌性抛售。 就像沙堆模型一样,一粒沙子落下来,可能什么都不发生,也可能引发整座沙堆的塌方。金融市场和通胀系统往往处于这种临界状态,极小的外部扰动,一次不大的利空消息都可能引发幂律分布级别的尾部风险,这就是我们常说的黑天鹅事件。 其实,价格和通胀并非在平衡点附近做简单的布朗运动。物理学家利用描述非平衡态涨落的朗之万方程和福克-普朗克方程,来建模资产价格的厚尾分布和波动率聚现象。 非线性系统的核心在于反馈机制。系统的输出会重新成为系统的输入,导致微小改变引发剧烈后果,也就是蝴蝶效应。 我的观点是,通胀就是一个典型的非线性动力学系统。物价上涨,预期通胀升高,劳动力要求涨薪,企业成本上升,再次提价⁠。 这种正反馈回路可以用时滞微分方程建模。 当系统参数穿越某个临界分叉点时,通胀可能从平稳吸引子突变为极限环,甚至混沌吸引子,表现为难以控制的超速通胀或滞胀。 之前两年前在复旦管院的时候,还记得系主任给我讲过一件事。 分形之父曼德博最早发现,金融资产的价格日变动率与月变动率在几何上具有自相似性。 所以,使用相空间重构和李雅普诺夫指数可以证明金融市场短期内具有确定的动力学规律,但长期完全不可预测。 这就是内生混沌。 在某种程度上,复杂系统研究打破了传统经济学代表性个体的假设,引入了异质性与网络拓扑结构。 将金融机构视为网络节点,同业拆借和债务关系视为边。我们可以通过复杂网络理论可以发现,现代金融系统具有小世界和无标度特征。 系统对随机个体的破产极具韧性,但一旦核心节点倒闭,级联失效会导致整个系统流动性干涸,这其实某种程度上解释了 systemic risk的传导机制。 怎么样,想到雷曼兄弟的故事了么? 如今在高频量化交易的战场,以及对抗极端通胀的演化策略中,这些物理学与复杂系统方法早已成为最硬核的底层工具。 我说的这些,也仅仅案例的冰山一角。其实,这个世界大部分经济现象是可建模的。
显示更多
0
7
92
20
转发到社区
我们通常认为空间和维度是宇宙最基础的属性,但根据RECT理论,事实可能并非如此。 在推论102中,我们提出了一个明确的观点:维度是在量子数达到2或更多的时候才开始涌现的。当系统中只有一个量子时,这个量子没有其他实体可以与之比较,也没有能量势差可以参考。在这种情况下,系统实际上是处于一种“无维度”的状态。只有当第二个量子出现时,情况才发生了根本变化。两个量子之间开始产生能量势差,为了描述和组织这种差异,空间上的区分就变得必要了——于是,维度开始涌现。这就像是:一个点无法定义空间,但两个点之间就能形成距离和方向。维度,正是从这种“关系”中诞生的。 这个观点非常重要,因为它打破了我们对时空的传统认知。维度不再是宇宙的“背景板”,而是多量子相互作用的产物。 参数C是RECT理论中的一个核心参数,它用来描述相位转换的驱动强度。根据推论102,C具有一种非常特殊的性质:它在不同尺度下表现出不同的维度特性。在普朗克尺度附近,由于系统接近单个量子状态,C表现为无量纲量。而当系统尺度变大,量子数量增加,维度涌现之后,C就获得了相应的量纲。正是因为这种特性,C才能在从普朗克长度到星系尺度这么大的范围内,保持一致的负指数标度行为。这让它成为了一个真正跨尺度的参数。
显示更多