‼️مهلت تکمیل فرم به جمعه 24 مهرماه ساعت 18:00 تغییر یافت.

🏆 اعطای جایزه نوبل فیزیک ۲۰۲۶ به فرانسیس هالتسن؛ گامی بنیادین در توسعه اخترفیزیک ذرات

آکادمی سلطنتی علوم سوئد، جایزه نوبل فیزیک سال ۲۰۲۶ را به پاس مشارکت‌های پیشگامانه در طراحی و توسعه «رصدخانه نوترینوی آیس‌کیوب» (IceCube) و کشف نخستین نوترینوهای پرانرژی با منشأ اخترفیزیکی، به فرانسیس هالتسن (Francis Halzen)، فیزیک‌دان و استاد دانشگاه ویسکانسین–مدیسن، اهدا کرد.

🔬اهمیت علمی پروژه آیس‌کیوب

نوترینوها به دلیل برهم‌کنش ناچیز با ماده و نداشتن بار الکتریکی، حامل اطلاعاتی دست‌نخورده از دورترین و خشن‌ترین محیط‌های کیهانی هستند. با این حال، شناسایی این ذرات همواره یکی از چالش‌برانگیزترین مباحث در فیزیک تجربی بوده است. پروفسور هالتسن با طرح ایده‌ای بلندپروازانه، لایه‌های یخی قطب جنوب را به بستری برای رصد این ذرات تبدیل کرد.

رصدخانه آیس‌کیوب با بهره‌گیری از بیش از ۵۰۰۰ حسگر نوری که در اعماق ۱.۵ تا ۲.۵ کیلومتری یخ‌های جنوبگان مستقر شده‌اند، به ابزاری برای ثبت تابش چرنکوف ناشی از برهم‌کنش نوترینوها با هسته‌های اتمی یخ تبدیل شده است. این زیرساخت علمی، ابعاد تازه‌ای از «اخترفیزیک چندپیام‌رسانی» (Multi-Messenger Astrophysics) را فراروی جامعه علمی گشوده است.

❇️ دستاورد کلیدی: رصد منابع کیهانی

پیش از دستاوردهای تیم آیس‌کیوب، اطلاعات ما از نوترینوها به منابع محلی نظیر خورشید یا ابرنواختر ۱۹۸۷A محدود بود. تحقیقات هالتسن امکان تشخیص نوترینوهایی با انرژی در مقیاس پتاالکترون‌ولت (PeV) را فراهم آورد که اثبات‌کننده وجود شتاب‌دهنده‌های عظیم کیهانی در فراسوی کهکشان راه شیری است. این کشفیات، امکان ترسیم نقشه‌ای از منابع پرانرژی کیهانی، نظیر هسته‌های فعال کهکشانی (AGN) و بلیزارها را میسر ساخته و درکی نوین از دینامیک کهکشان‌های فعال ایجاد کرده است.

این جایزه نه تنها تجلیلی از یک دستاورد تجربی در فیزیک ذرات است، بلکه به رسمیت شناختن رویکردی است که با تلفیق فیزیک نظری و مهندسی در مقیاس‌های کلان، مرزهای شناخت بشر از کیهان را جابه‌جا کرده است.

📚 منابع برای مطالعه تکمیلی:
۱. گزارش رسمی آکادمی نوبل درباره جایزه فیزیک ۲۰۲۶:
NobelPrize.org - Physics 2026 Summary
۲. پایگاه داده و مستندات فنی رصدخانه آیس‌کیوب:
IceCube Neutrino Observatory
۳. مطالعه مروری بر اخترفیزیک نوترینویی (مقاله پروفسور هالتسن و همکاران):
IceCube: An Instrument for Neutrino Astronomy (Reviews of Modern Physics)

✍🏻علیرضا زورمند

#فیزیک #نوبل_فیزیک #اخترفیزیک #ذرات_بنیادی #IceCube #کیهان_شناسی

🆔 @shabahang_sut
🆔 https://www.instagram.com/shabahangsut/
🆔 https://www.linkedin.com/build-relation/newsletter-follow?entityUrn=7479102268395610114

⭕️پژوهش‌خوانی⭕️

💡موضوع: فیزیک آماری

🗣️با حضور دکتر شاهین روحانی

📍مکان: دانشکده فیزیک، اتاق 512A

⏰ زمان : سه‌شنبه ۲۱ مهر ساعت ۱۳:۳۰

✨ فیزیک که می‌خوانیم، همواره دوست داریم بدانیم که در نهایت چه موضوعی واقعا ذهن یک پژوهش‌گر را درگیر می‌کند. اگر من روزی فیزیک‌دان شوم با چه چیزی مواجهم و با چه مسایلی دست و پنجه نرم می‌کنم. اصولا استادان این دانشکده به چی می‌پردازند؟

برای این که به پاسخ این سوال‌ها نزدیک شویم، بر آن شدیم که هر از گاهی، با یکی از استادان دانشکده گفتگویی رودررو در مورد کار‌های پژوهشی‌اش داشته باشیم. نه این که برایمان سمینار بدهد که چیز زیادی نفهمیم. بلکه بنشیند جلوی ما و ما بنشینیم جلوی ایشان و بپرسیم و پاسخ بگیریم و باز بپرسیم تا درکی قابل قبول از کار‌هایش پیدا کنیم.

اگر شما هم چنین دغدغه‌ها و سوال‌هایی دارید همراه ما بشوید در برنامه‌های پژوهش‌خوانی.✨

@Anjoman_Elmi_Phys_sut

راهنمای مسیرهای حرفه‌ای پس از فیزیک شریف

از برنامهٔ درسی و هفت خوشهٔ پژوهشی تا بازار کار ایران و خارج، سربازی و اپلای: همهٔ مسیرهای بعد از کارشناسی، ارشد و دکتری فیزیک — با عدد و منبع، بدون عدد جعلی.

برای دبیرستانی‌هایی که می‌خواهند بدانند فیزیک به کجا می‌رسد، و دانشجویانی که می‌خواهند هر ترم آگاهانه‌تر تصمیم بگیرند.

شروع سریع:
جدول ۵.۱ (نقشهٔ شغلی به تفکیک مقطع)
فصل ۶ (بعد از کارشناسی)
فصل ۹ (مسیرهای بین‌المللی).


این گزارش با کمک ابزار هوش مصنوعی گردآوری شده.

@Anjoman_Elmi_Phys_sut

📣 انجمن علمی دانشکده فیزیک شریف برگزار می‌کند:

«کارگاه اپلای»

👥 میهمانان برنامه:

👤حسن کاظمی
ورودی 400 فیزیک شریف - دانشجوی ارشد ریاضی محض Sorbonne University


👤 زینب ایوبی
ورودی 97 کارشناسی و 402 ارشد فیزیک شریف - دانشجوی دکتری Utrecht University
همکاری با University Medical Center Utrecht


👤 سونیا رشیدی
ورودی 99 فیزیک شریف - دانشجوی Technical University of Munich

👤 هومن زارع
ورودی 96 کارشناسی فیزیک و ورودی 401 ارشد ریاضی - دانشجوی University of Cologne, University of Bonn



🗓 زمان: چهارشنبه 22 مهر ماه - ساعت 18:00
📍 محل برگزاری: اتاق مجازی انجمن علمی

❗️این برنامه مختص دانشجویان فیزیک شریف است ولی حضور عموم بلامانع می‌باشد.

‼️برای پیش‌برد بهتر جلسه لطفا سوالاتتان را در این پرسشنامه بپرسید.

🆔@anjoman_elmi_phys_sut

❗️برای ثبت‌نام این فرم را پر کنید.

سمینار فیزیک آماری

ساعت ۳ یکشنبه بیست و ششم مهر
اتاق ۵۱۲A

عنوان: مدل‌سازی اثر انتشار بیماری بر شبکه‌های زیرساختی وابسته
ارایه کننده: فائزه گودرزی نژاد

سمینار هفتگی گروه علم اطلاعات کوانتومی

💡| موضوع ارائه:
High-temperature Quantum Area Law

🧑🏻‍🏫 | سخنران: Ahmad Yousefi

📅 | تاریخ: سه‌شنبه، ۲۸ مهر ۱۴۰۵

⏰ | زمان: ساعت : ۱۵:۰۰ - ۱۶:۳۰

📍| محل برگزاری: اتاق ۵۱۲ الف، دانشکده‌ی فیزیک، دانشگاه صنعتی شریف

@QISatSUT

🌌 ابن‌سینا و میراث او در نجوم

فعالیت‌ها و دستاوردها ابن‌سینا در نجوم برای اغلب ما ناشناخته‌ است. در این مصاحبه با آقای دکتر رضای بهرام‌زاد نویسنده مقاله (Legacy of Avicenna in Astronomy) مصاحبه کردیم.
ایشان در این مقاله به طور تخصصی به فعالیت ها و میراث نجومی ابن‌سینا پرداخته.

دکتر رضای بهرام‌زاد (Rizoi Bakhromod) اخترفیزیک دان، مروج علم، عضو اتحادیه بین المللی نجوم (IAU) و پژوهشگر آکادمی ملی علوم تاجیکستان است. ایشان دارنده مدرک دکتری فیزیک و ریاضیات از دانشگاه دولتی مسکو (Lomonosov) بوده و در کارنامه علمی خود ابداع روشی نو در آشکارسازی پرتوهای کیهانی دارد.

🔸 0:13 معارفه

🔹 1:55 رصد گذر سیاره ناهید از مقابل خورشیدی توسط ابن‌سینا در سال ۱۰۳۲ میلادی

🔸 6:05 گزارش رصد SN1006 ابرنواختر

🔹 9:55 ابزار زاویه سنج ابداعی

🔸 15:51 مرزبندی بین نجوم‌علمی و طالع‌بینی توسط ابن‌سینا

🔹 20:18 توصیه به دانشجویان در ایران


🎙 مصاحبه‌گر: ماهان بشیری

فایل مقاله

🆔 @shabahang_sut
🆔https://www.instagram.com/shabahangsut/
🆔https://www.linkedin.com/build-relation/newsletter-follow?entityUrn=7479102268395610114

ضبط جلسه‌ی:
«کارگاه اپلای»

📽لینک ویدیو در آپارات



🆔https://t.me/anjoman_elmi_phys_sut

انجمن علمی مهندسی انرژی دانشگاه صنعتی شریف (پایا) برگزار می‌کند:

🎬 اکران و بررسی مستند «Kiss the Ground»

داستان فیلم:
مستند «Kiss the Ground» یک مستند انقلابی و الهام‌بخش است که نشان می‌دهد چگونه خاک، این عنصر ساده و شگفت‌انگیز، می‌تواند کلید مقابله با تغییرات اقلیمی و نجات سیاره ما باشد.
این فیلم، با روایت زیبای وودی هرلسون و ترکیب تصاویر خیره‌کننده، داستان‌هایی را بازگو می‌کند که قدرت بازیابی خاک از طریق کشاورزی بازسازی‌کننده را به نمایش می‌گذارند.
این مستند، نه‌تنها حقایقی تکان‌دهنده درباره بحران زیست‌محیطی ارائه می‌دهد، بلکه راه‌حل‌هایی عملی و قابل‌اجرا برای احیای زمین و کاهش انتشار کربن معرفی می‌کند. 
مستند «Kiss the Ground» شما را دعوت می‌کند که بخشی از این حرکت جهانی باشید و دریابید که هر یک از ما چگونه می‌توانیم در این تغییر بزرگ نقشی ایفا کنیم. 🌏

🗓 شنبه ۲ آبان ماه، ساعت ۱۶

📍 سالن سمینار ۲ دانشکده مهندسی انرژی دانشگاه صنعتی شریف


🌟 جهت ثبت‌نام رایگان و حضور در این رویداد، کلیک کنید!


✦ Telegram_PAYA ✦ Linkedin_PAYA ✦

💻 سلسله جلسات «لمبدا»

📚 موضوع جلسه: مقدمه‌ای بر مکانیک کوانتومی ابرتقارنی


🖊 توضیحات:

همان‌طور که در حل مسئله‌ی نوسانگر هماهنگ و تکانه‌ی زاویه‌ای دیده‌اید، می‌توان برخی از مسائل مکانیک کوانتومی را به روش جبر عملگری حل نمود. در این جلسه بصورت کلی به این می‌پردازیم که چگونه می‌توان به این مسئله‌ بصورت کلی‌تر نگاه کرد. پس از مرور روش کلی، نوسانگر هماهنگ و ذره‌ی آزاد در سه بعد را بعنوان مثال های ساده‌ی این روش حل خواهیم کرد. در جلسه‌ی آینده به حل معادله‌ی شعاعی اتم هیدروژن و نوسانگر هماهنگ سه بعدی همسانگرد بعنوان مثال های پیچیده‌تر نگاه خواهیم کرد و دلیل این نامگذاری را توضیح خواهیم داد.

🗣 ارائه‌دهنده: ابوالفضل مهدئی

👤 دانشجوی کارشناسی فیزیک شریف


🔴 جلسه به صورت حضوری برگزار می‌گردد.

⏰ زمان: سه‌شنبه ۲۸ مهر، ساعت ۱۸:۰۰
🔴 محل برگزاری متعاقباً اعلام می‌شود.

🆔 @QuantaSC

📦 فشرده‌سازی، پیش‌بینی، و آنتروپی

یک سؤال ساده: یک متن را تا چه حد می‌شود فشرده کرد؟
کدگذاری پیش‌فرض متن در کامپیوتر برای هر حرف ۸ بیت خرج می‌کند. اگر کمی زرنگی کنید و به حروف پرتکرار رشته‌های کوتاه‌تر بدهید، به حدود ۴ بیت برای هر حرف می‌رسید. روش‌های هوشمندتر که الگوهای دنباله‌های بلند را می‌بینند، از این هم پایین‌تر می‌روند. ولی حد نهایی کجاست؟
جواب این سؤال، که کلود شانون در دهه‌ی ۱۹۴۰ دنبالش بود، نظریه‌ی اطلاعات را ساخت. و چیزی که ساخت، از قضا کلمه‌ای را از فیزیک قرض گرفت که تا امروز نسبت به فیزیک بدهکار است: آنتروپی.

🤖 یک ربات روی ماه

فرض کنید رباتی را به ماه فرستاده‌اید و از زمین به آن یکی از چهار فرمان را می‌دهید: بالا، پایین، چپ، راست. ولی فرمان‌ها یکسان تکرار نمی‌شوند: نیمی از فرمان‌ها «بالا» است، یک‌چهارم «پایین»، و هر کدام از «چپ» و «راست» یک‌هشتم.
ساده‌ترین راه این است که به هر فرمان دو بیت بدهید: ۰۰، ۰۱، ۱۰، ۱۱. ولی راه بهتری هست. به «بالا» فقط یک بیت بدهید: ۰. به «پایین» دو بیت: ۱۰. به «چپ» و «راست» سه بیت: ۱۱۰ و ۱۱۱. میانگین وزنی‌اش ۱.۷۵ بیت برای هر فرمان می‌شود، که از ۲ بیت بهتر است.
ولی ربات از کجا بفهمد مرز هر فرمان کجاست؟ ترفند این است که هیچ کدی آغاز کد دیگری نباشد. ربات بیت‌ها را یکی‌یکی می‌خواند تا به یک کد کامل برسد، و چون هیچ کد کاملی پیشوند کد دیگری نیست، هیچ ابهامی پیش نمی‌آید. به این‌ها کدهای پیشوندی می‌گویند.
و حالا نکته‌ی تکان‌دهنده: این کد یک بیتی، نصف فضای همه‌ی کدهای ممکن را مصرف می‌کند، چون هر چیزی که با ۰ شروع شود دیگر قابل استفاده نیست. کد دوبیتی یک‌چهارم فضا را مصرف می‌کند، و کدهای سه‌بیتی هر کدام یک‌هشتم. دقیقاً به اندازه‌ی احتمال هر فرمان.

🎲 فشرده‌سازی کامل، شبیه نویز است

آیا ۱.۷۵ بیت بهترین ممکن است؟ استدلال زیبایی برای جوابش هست.
اگر یک روش فشرده‌سازی کامل باشد، خروجی‌اش نباید هیچ الگویی داشته باشد؛ چون هر الگو یعنی هنوز جای فشرده‌سازی بیشتری هست. پس خروجی کامل باید از نویز تصادفی قابل تشخیص نباشد: هر بیت با احتمال نیم صفر یا یک، و مستقل از بقیه. و این یعنی پیامی که در یک فشرده‌سازی کامل به n بیت تبدیل می‌شود، باید احتمالی برابر یک تقسیم بر ۲ به توان n داشته باشد.
اگر از دو طرف لگاریتم پایه‌ی ۲ بگیرید و منفی کنید، به بنیادی‌ترین فرمول نظریه‌ی اطلاعات می‌رسید: تعداد بیت‌های لازم برای یک رخداد با احتمال p، برابر است با منفی لگاریتم پایه‌ی ۲ آن احتمال. شانون اسم این را گذاشت «اطلاعات» آن رخداد.
رخداد نامحتمل اطلاعات زیادی دارد، رخداد قطعی هیچ. و چون احتمال پیام‌های پی‌درپی در هم ضرب می‌شود و لگاریتم ضرب را به جمع تبدیل می‌کند، اطلاعات کل یک پیام، جمع اطلاعات تک‌تک اجزای آن است.

📊 آنتروپی

حالا میانگین اطلاعات به ازای هر نماد را حساب کنید: برای هر نماد، احتمالش را در اطلاعاتش ضرب کنید و همه را جمع بزنید. برای ربات ما همان ۱.۷۵ بیت می‌شود.
این کمیت آنتروپی است. شانون در مقاله‌ی ۱۹۴۸ خود، که نظریه‌ی اطلاعات را بنا گذاشت، ثابت کرد که هیچ کدگذاری‌ای نمی‌تواند از این حد کارآمدتر باشد، و همیشه می‌شود به‌دلخواه به آن نزدیک شد. توزیع یکنواخت بیشترین آنتروپی را دارد؛ توزیعی که یک رخداد در آن غالب است، کمترین.

🗣 آنتروپی زبان فارسی چقدر است؟

برای ربات، احتمال‌ها را از قبل می‌دانستیم. ولی برای زبان طبیعی چه؟ احتمال هر حرف به همه‌ی حروف قبلی وابسته است، و هیچ فرمولی برایش وجود ندارد.
شانون راه هوشمندانه‌ای پیدا کرد: از آدم‌ها پرسید. متنی را جلوی افراد گذاشت و از آن‌ها خواست حرف بعدی را حدس بزنند، و شمرد چند حدس لازم است تا به حرف درست برسند. در مقاله‌ی ۱۹۵۱ خود تخمین زد که وقتی حدود صد حرف از متن قبلی در دسترس باشد، آنتروپی زبان انگلیسی بین حدود ۰.۶ تا ۱.۳ بیت برای هر حرف است. یعنی انگلیسی را در اصل می‌شود تا حدود یک پاسخ آری یا نه برای هر حرف فشرده کرد.
نکته‌ی ظریفش این است: شانون برای اندازه‌گیری فشرده‌پذیری زبان، ناچار شد سراغ یک مدل هوشمند از زبان برود؛ مغز انسان. یک جدول آمار ساده کافی نبود.

⚛️ و اینجا فیزیک وارد می‌شود: چرا اسمش آنتروپی است؟

داستان مشهوری هست که فون‌نویمان به شانون گفت اسم این کمیت را آنتروپی بگذار، چون اولاً همین فرمول در مکانیک آماری به همین نام شناخته می‌شود، و ثانیاً هیچ‌کس نمی‌داند آنتروپی واقعاً چیست، پس در هر بحثی دست بالا را خواهی داشت. احتمالاً این روایت بیشتر افسانه است، ولی نیمه‌ی اولش کاملاً درست است.
فرمول شانون، به جز یک ضریب ثابت و پایه‌ی لگاریتم، دقیقاً همان آنتروپی گیبس در مکانیک آماری است. و این شباهت سطحی نیست. در ۱۹۵۷، ادوین جینز نشان داد کل مکانیک آماری را می‌شود به‌عنوان یک مسئله‌ی استنتاج بازنویسی کرد: توزیع بولتزمان همان توزیعی است که آنتروپی را بیشینه می‌کند، به شرط اینکه انرژی میانگین ثابت بماند. یعنی ترمودینامیک، در یک تعبیر عمیق، نظریه‌ی بهترین حدس با اطلاعات ناقص است.
و رابطه در جهت دیگر هم برقرار است: اطلاعات، فیزیکی است. رالف لانداور در ۱۹۶۱ نشان داد که پاک کردن هر یک بیت اطلاعات، دست‌کم مقدار مشخصی گرما تولید می‌کند، متناسب با دما. این حد در ۲۰۱۲ در آزمایشگاه تأیید شد. و همین ایده بود که سرانجام معمای قدیمی جن ماکسول را حل کرد: جنی که مولکول‌های تند و کند را جدا می‌کند تا قانون دوم را دور بزند، برای این کار باید اطلاعات ذخیره کند، و پاک کردن آن اطلاعات همان آنتروپی‌ای را تولید می‌کند که جن می‌خواست کم کند.

🔀 آنتروپی متقاطع: وقتی کد با واقعیت نمی‌خواند

برگردیم به ربات. فرض کنید برنامه عوض شده و حالا «راست» نیمی از فرمان‌هاست، «چپ» یک‌چهارم، و «بالا» و «پایین» هر کدام یک‌هشتم. ولی سیستم‌ها هنوز با همان کد قدیمی کار می‌کنند. حالا میانگین بیت‌ها به ۲.۶۲۵ می‌رسد.
به این عدد آنتروپی متقاطع می‌گویند: کدی که برای یک توزیع بهینه شده، روی توزیع دیگری چقدر خرج می‌کند. دو ویژگی کلیدی دارد. اول اینکه متقارن نیست؛ جای دو توزیع را عوض کنید، عدد عوض می‌شود. دوم اینکه کمترین مقدارش وقتی است که دو توزیع یکی باشند، و آن کمترین مقدار، همان آنتروپی است.
اختلاف آنتروپی متقاطع و آنتروپی، یعنی تعداد بیت‌هایی که با کد نامناسب هدر می‌دهید، اسم دیگری دارد: واگرایی کولبک لایبلر. در مثال ربات، ۰.۸۷۵ بیت به ازای هر فرمان. و در فیزیک، همین کمیت با فاصله‌ی یک سیستم از تعادل گره خورده است: انرژی آزاد اضافه‌ی یک حالت غیرتعادلی، متناسب با واگرایی کولبک لایبلر آن از توزیع تعادلی است.

🗜 فیزیک‌دان‌هایی که با zip درخت زبان‌ها را کشیدند

در ۲۰۰۲، سه فیزیک‌دان ایتالیایی مقاله‌ای در مجله‌ی فیزیکال ریویو لترز منتشر کردند با عنوان «درخت زبان‌ها و فشرده‌سازی». ایده ساده بود: متن A را با gzip، همان ابزار معمولی فشرده‌سازی فایل، فشرده کنید. بعد تکه‌ای از متن B را به انتهای A بچسبانید و دوباره فشرده کنید. افزایش حجم نشان می‌دهد یک فشرده‌ساز که برای A بهینه شده، با B چقدر کنار می‌آید؛ یعنی تخمینی تجربی از آنتروپی متقاطع.
با همین معیار فاصله، بدون هیچ دانش زبان‌شناسی، توانستند متن‌ها را بر اساس زبانشان دسته‌بندی کنند، درخت خویشاوندی زبان‌های اروپایی را بازسازی کنند، و حتی نویسنده‌ی یک متن ناشناس را حدس بزنند.

🧠 و مدل‌های زبانی

حالا می‌رسیم به جایی که این ریاضیات هفتادساله ناگهان مرکز توجه شده. مدل‌های زبانی بزرگ در مرحله‌ی پیش‌آموزش یک کار می‌کنند: برای هر قطعه متن، توزیع احتمال کلمه‌ی بعدی را پیش‌بینی می‌کنند. تابع هزینه‌شان این است: احتمالی که مدل به کلمه‌ی واقعی بعدی داده را بگیر، منفی لگاریتمش را حساب کن، و روی همه‌ی داده‌ها میانگین بگیر. یعنی میانگین «غافلگیری» مدل.
ولی چرا لگاریتم؟ خیلی توابع دیگر هم برای احتمال کم جریمه‌ی زیاد می‌دهند. جواب این است که اگر بخواهید تابع هزینه دقیقاً وقتی کمینه شود که پیش‌بینی مدل با آمار واقعی داده‌ها یکی است، دستتان بسته است: با روش ضرایب لاگرانژ نشان داده می‌شود که فقط لگاریتم این ویژگی را دارد. دقیقاً همان منطقی که در مکانیک آماری توزیع بولتزمان را بیرون می‌آورد. و میانگین این هزینه روی همه‌ی مثال‌ها، همان آنتروپی متقاطع است.
و یک نتیجه‌ی عمیق از نظریه‌ی اطلاعات: پیش‌بینی و فشرده‌سازی از نظر ریاضی هم‌ارزند. هر پیش‌بینی‌کننده‌ی خوب را می‌شود به فشرده‌سازی خوب تبدیل کرد، و برعکس. پس آموزش یک مدل زبانی را می‌شود این‌طور هم دید: ساختن کارآمدترین فشرده‌ساز ممکن برای متن.
یک ترفند دیگر هم از همین‌جا می‌آید: تقطیر. برای ساختن مدل کوچکی که کار یک مدل بزرگ را تقلید کند، به‌جای مقایسه‌ی پیش‌بینی مدل کوچک با فقط کلمه‌ی واقعی بعدی، آن را با کل توزیع مدل بزرگ مقایسه می‌کنند. مثل فرق یاد گرفتن شطرنج از تماشای یک بازی، با یاد گرفتن از استادی که در هر حرکت می‌گوید کدام گزینه‌ها خوب‌اند و چقدر.

🔭 حرف آخر

بعضی‌ها پا را فراتر می‌گذارند و می‌گویند فشرده‌سازی همان هوش است. این ادعا را باید با احتیاط شنید، چون «هوش» تعریف دقیقی ندارد. ولی ادعای محتاطانه‌تر به‌خوبی قابل دفاع است: ریاضیات فشرده‌سازی به‌طرز عجیبی به هوش مصنوعی مربوط است.
و برای یک فیزیک‌دان، شاید جالب‌ترین بخش ماجرا این باشد که همان فرمول، با همان لگاریتم، از سه راه کاملاً جدا پیدا می‌شود: از شمردن حالت‌های میکروسکوپی گاز، از پرسیدن حد فشرده‌سازی پیام، و از خواستن تابع هزینه‌ای که مدل را به آمار واقعی برساند. وقتی یک فرمول در سه جای بی‌ربط ظاهر می‌شود، معمولاً ریاضیات دارد چشمک می‌زند که این سه، در عمق، یک چیزند.

🆔 @Anjoman_Elmi_Phys_sut

🟢 آیا یک ستارهٔ سبز پیدا شده است؟

ستاره‌ها معمولاً با رنگ‌هایی مثل آبی، سفید، زرد یا قرمز دیده می‌شوند؛ چون رنگشان بیشتر به دمای سطحی آن‌ها بستگی دارد. اما پژوهش جدیدی از دانشگاه وارویک نشان می‌دهد که کوتوله‌های سفید می‌توانند رنگ‌های بسیار متنوع‌تری داشته باشند؛ از صورتی و زرد گرفته تا فیروزه‌ای، بنفش و حتی سبز.

کوتوله‌های سفید، بقایای فشردهٔ ستاره‌هایی شبیه خورشید هستند. در برخی از آن‌ها، چگالی بسیار زیاد جو باعث می‌شود عناصری مانند کربن، کلسیم و سدیم، بخش‌هایی از نور ستاره را جذب کنند و رنگ نهایی آن را تغییر دهند.

یکی از جالب‌ترین نمونه‌ها، کوتولهٔ سفید WD J1330+6435 است. این ستاره که دمایی حدود ۴۰۰۰ درجهٔ سانتی‌گراد دارد، در گذشته موادی سنگی از بقایای منظومهٔ سیاره‌ای خود جذب کرده است. وجود عناصری مانند کلسیم، لیتیم و سدیم در جو آن باعث شده در مدل‌های پژوهشگران، رنگی سبز مایل به زرد یا chartreuse داشته باشد.

پژوهشگران رنگ این ستاره‌ها را مستقیماً با چشم مشاهده نکرده‌اند؛ بلکه با بررسی طیف نورشان و شبیه‌سازی نحوهٔ درک آن توسط چشم انسان، رنگ احتمالی آن‌ها را محاسبه کرده‌اند. به گفتهٔ تیم پژوهش، این نخستین مورد شناخته‌شده از ستاره‌ای است که می‌تواند واقعاً سبز به نظر برسد.

البته بیشتر کوتوله‌های سفید همچنان سفید دیده می‌شوند. در نمونه‌ای شامل ۱۵۱ کوتولهٔ سفید نزدیک به خورشید، تنها تعداد کمی رنگ‌های غیرمعمول داشتند؛ یعنی تقریباً یک کوتولهٔ سفید از هر ۳۰ کوتوله ممکن است رنگی متفاوت از سفید داشته باشد.

🔭 اما چرا بیشتر ستاره‌ها را سفید، آبی یا قرمز می‌بینیم؟ در ادامه بررسی می‌کنیم که دمای ستاره، طیف تابش و ترکیب شیمیایی جو آن چگونه رنگ ظاهری‌اش را تعیین می‌کنند و چرا ستاره‌های سبز در آسمان بسیار کمیاب‌اند.

✍🏻علیرضا زورمند

#نجوم #اخبار_نجومی #ستاره #کوتوله_سفید #رنگ_ستاره‌ها #اخترفیزیک #کیهان #شباهنگ

🔗 برای مطالعهٔ بیشتر:

📢 متن کامل خبر

📄 مقاله اصلی

🆔 @shabahang_sut
🆔https://www.instagram.com/shabahangsut/
🆔https://www.linkedin.com/build-relation/newsletter-follow?entityUrn=7479102268395610114