07.03.2023
Еженедельный дайджест
моделирование
Разработка Пермского политеха позволит заменить дорогостоящие эксперименты на численное моделирование
Ученые разработали трехуровневую математическую модель, которая способна детально описывать физические механизмы деформирования материалов на различных структурно-масштабных уровнях, изменение их структуры при произвольном деформировании. Данная модель может быть использована для совершенствования существующих и разработки новых технологических процессов металлообработки.
Физики доказали необратимость квантовой запутанности
Ученые показали, что операции над квантовыми системами, в которых не генерируется дополнительная квантовая запутанность вдобавок к уже имеющейся в системе, в общем случае являются необратимыми. Это означает, что, вопреки ранее имевшимся догадкам, для квантовой запутанности нельзя постулировать общий закон по аналогии со вторым законом термодинамики о существовании энтропии и ее неубывании в адиабатических процессах.
Реакцию термоядерного синтеза ядер водорода и бора впервые увидели в магнитно-удерживаемой плазме
Физики из США и Японии сообщили о первом успешном наблюдении реакции термоядерного синтеза ядер водорода и бора в магнитно-удерживаемой плазме, сопровождаемого рождением трех альфа-частиц. Проведенная работа — необходимый шаг на пути создания условий для самоподдерживающегося горения водорода и бора.
Улучшение показателей здоровья путем одновременного воздействия на климат и загрязнение воздуха
Новый инструмент моделирования позволяет быстро разрабатывать эффективные и справедливые комбинации законов в области экологии и охраны окружающей среды. Команда исследователей из Массачусетского технологического института разработала инструмент оценки политики в области климата и качества воздуха, который является как вычислительно эффективным, так и специфичным для вашего местоположения.
S. D. Eastham, E. Monier, D. Rothenberg, S. Paltsev, N. E. Selin / ACS Environmental Au, 2023
Эффективная методика повышает надежность моделей машинного обучения
Исследователи из Массачусетского технологического института и Лаборатории искусственного интеллекта WATSON разработали новую технику, которая может позволить модели машинного обучения количественно оценить, насколько она уверена в своих прогнозах, но не требует огромных объемов новых данных и гораздо менее вычислительно интенсивна, чем другие методы.