ข้อมูลใหม่จาก เครื่องตรวจจับอนุภาค ในประเทศจีนเปิดโอกาสให้ การทดลอง ในอิตาลีพบหลักฐานทางฟิสิกส์ใหม่ ในเดือนมิถุนายน พ.ศ. 2563 นักวิจัยที่ทำงานเกี่ยวกับ ได้ประกาศการตรวจพบเหตุการณ์ประมาณ 50 เหตุการณ์เหนือระดับพื้นหลัง และสรุปว่าแกนสุริยะสมมุติฐานหรือนิวตริโนแม่เหล็กมากอาจเป็นตัวการ ผลลัพธ์ใหม่จาก สอดคล้องกับสมมติฐานเหล่านี้ แต่จำเป็นต้องมีการดำเนินการเพิ่มเติม
เพื่อแก้ไข
ปัญหา ถูกสร้างขึ้นเพื่อตามล่าหาสสารมืดชนิดหนึ่งที่เรียกว่าอนุภาคมวลมากที่มีปฏิสัมพันธ์อย่างอ่อน ตั้งอยู่ใต้ภูเขาที่ ของอิตาลี ภายในประกอบด้วยซีนอนเหลว 3.5 ตัน และดำเนินการระหว่างปี 2559 ถึง 2561 เช่นเดียวกับการทดลองอื่นๆ ในประเภทเดียวกัน มันถูกออกแบบมาเพื่อรับแสงวาบเล็กๆ ที่เกิดขึ้น
เมื่อ ใน “รัศมี ” ของสสารมืดที่คิดว่าจะห่อหุ้มทางช้างเผือกชนกับนิวเคลียสของซีนอน เหตุการณ์ที่รายงานในปี 2020 เกี่ยวข้องกับการหดตัวของอิเล็กตรอน แทนที่จะเป็นนิวเคลียร์ แห่งมหาวิทยาลัยโคลัมเบียในสหรัฐอเมริกาและเพื่อนร่วมงานรายงานการหดตัวดังกล่าวที่พลังงานต่ำถึง 53 ± 15
ซึ่งพวกเขาไม่สามารถเชื่อมโยงกับแหล่งที่มาของพื้นหลังอื่น ๆ ที่ระบุได้ (เหตุการณ์เหล่านี้ถือเป็นสัญญาณรบกวนในการค้นหา) ระมัดระวังที่จะไม่อ้างสิทธิ์ในการค้นพบใด ๆ พวกเขาแทนที่จะวางคำอธิบายที่เป็นไปได้หลายประการสำหรับการสังเกต ความแปลกใหม่สองประการ คำอธิบายเหล่านี้
รวมถึงสิ่งแปลกใหม่สองประการที่เกี่ยวข้องกับอนุภาคที่มาจากดวงอาทิตย์ ไม่ว่าจะเป็นอนุภาคสมมุติฐานที่รู้จักกันในชื่อแอกไอออน (แต่เดิมตั้งสมมุติฐานเพื่อแก้ไขปัญหาเกี่ยวกับแรงนิวเคลียร์อย่างเข้ม) หรือนิวตริโนที่มีโมเมนต์แม่เหล็กมากกว่าที่สังเกตก่อนหน้านี้ พวกเขากล่าวว่าความเป็นไปได้อีก
ประการหนึ่งคือ “สสารมืดแบบโบโซนิก” ซึ่งจะถูกนิวเคลียสของซีนอนดูดซับแทนที่จะกระจัดกระจายและทำให้อิเล็กตรอนถูกปล่อยออกมา อย่างไรก็ตาม ตามที่ Aprile และเพื่อนร่วมงานชี้ให้เห็น เหตุการณ์นี้อาจมีคำอธิบายที่ธรรมดากว่านั้น นั่นก็คือการสลายตัวของบีตาของนิวเคลียสไอโซโทป สิ่งนี้จะเกิดขึ้น
เมื่อนิวตรอน
ไม่กี่ตัวที่ปลดปล่อยจากหินโดยรอบโดยรังสีคอสมิกสร้างไอโซโทปโดยการแยกนิวเคลียสของซีนอน ซึ่งแตกต่างจากกระบวนการพื้นหลังอื่น ๆ สิ่งนี้ยังคงสร้างความรำคาญเนื่องจากไม่สามารถประเมินขอบเขตได้อย่างน่าเชื่อถือ และเพื่อนร่วมงานคำนวณว่าไอโซโทปสามารถอธิบายเหตุการณ์ส่วนเกินได้โดยมีนัย
สำคัญทางสถิติที่ 3.2σ เมื่อเทียบกับ 3.4σ, 3.2σ และ 3.0σ สำหรับแกนสุริยะ แม่เหล็กนิวตริโน และสสารมืดแบบบอสโซน ตามลำดับ หรี่แสงดาวแคระขาวแม้จะนำเสนออย่างระมัดระวัง แต่ผลลัพธ์เหล่า นี้ก็ได้รับความสนใจจากทั้งสาธารณชนและเพื่อนนักฟิสิกส์ ตัวอย่างเช่น นักทฤษฎีนำเสนอหลายวิธี
“อัลกอริธึมการลงทะเบียนภาพอัตโนมัติจะบอกคุณได้อย่างชัดเจนถึงการเปลี่ยนแปลงในการหมุนเวียนของคุณเพื่อให้ภาพลวงตาของคุณอยู่ในจุดที่ถูกต้อง” กล่าว “และถ้าคุณเห็นด้วยกับการจับคู่ ซอฟต์แวร์การจัดตำแหน่งจะส่งกะและการหมุนเหล่านั้นไปยังเครื่องของคุณโดยอัตโนมัติ ซึ่งจะทำการปรับเส้นขน
เหล่านั้นให้กับคุณ” เช่นเดียวกับในระหว่างการรักษา สามารถจัดตำแหน่งได้อย่างสมบูรณ์ด้วยการเตะโซฟา (การหมุนโต๊ะ) เพื่อให้รูปทรงเรขาคณิตเหมือนกับรูปทรงเรขาคณิตของผู้ป่วย “สิ่งที่คุณเห็นในภาพยนตร์คือการแสดงปริมาณยาที่ผู้ป่วยได้รับจริง” เมาเรอร์สรุป เพื่อเอาชนะจุดเกาะติดที่เห็นได้ชัด
โซลูชัน
กล่องดำ โดยทั่วไป โครงข่ายประสาทเทียม (และอัลกอริธึมการเรียนรู้ของเครื่องอื่นๆ) จะไม่อธิบายว่าพวกเขามาถึงโซลูชันได้อย่างไร ซึ่งอาจทำให้เข้าใจได้ยากขึ้นว่าโซลูชันเหล่านี้ใช้ประโยชน์จากฟิสิกส์ใหม่ หรือมีพื้นฐานมาจากข้อบกพร่องหรือเอฟเฟกต์ง่ายๆ บางอย่างที่ถูกมองข้ามไป
การวิจัยการเรียนรู้ด้วยเครื่องเต็มไปด้วยเกร็ดเล็กเกร็ดน้อยของอัลกอริทึมที่มาถึงโซลูชันที่ดูเหมือนจะสมบูรณ์แบบซึ่งเกิดจากปัญหาเกี่ยวกับอัลกอริทึมเอง ตัวอย่างเช่น ในปี 2013 นักวิจัยจาก ได้ทดสอบโปรแกรมคอมพิวเตอร์ที่ควรเรียนรู้การเรียงลำดับรายการของตัวเลข มันได้คะแนนเต็ม
แต่แล้วโปรแกรมเมอร์ก็ค้นพบว่ามันทำได้โดยการลบรายการ. (ตามฟังก์ชันการให้รางวัลของอัลกอริทึม รายการที่ถูกลบได้คะแนนเต็มเพราะในทางเทคนิคแล้ว รายการจะไม่ถูกจัดเรียงอีกต่อไป) ในอีกตัวอย่างหนึ่ง อัลกอริทึมการเรียนรู้ของเครื่องถูกใช้เพื่อกำหนดรูปแบบพัลส์เลเซอร์เพื่อเลือกแยกส่วนโมเลกุล
แม้ว่าพัลส์เลเซอร์ที่เกิดขึ้นจะซับซ้อนมาก แต่ในหลายกรณี ผลที่เด่นชัดคือการเปลี่ยนแปลงโดยรวมของความเข้มของพัลส์เลเซอร์มากกว่าโครงสร้างที่ซับซ้อนของพัลส์ เพื่อต่อสู้กับปัญหานี้ นักวิจัยกำลังทำงานเกี่ยวกับการตีความอัลกอริทึม พัฒนาเทคนิคเพื่อค้นหาว่าอัลกอริทึมทำการตัดสินใจอย่างไร
ตัวอย่างเช่น อัลกอริธึมการรู้จำภาพบางส่วนสามารถรายงานว่าพิกเซลใดมีความสำคัญต่อการตัดสินใจ และเซลล์ประสาทแต่ละชั้นสามารถรายงานได้ว่าคุณลักษณะประเภทใด (เช่น หูฟล็อปปี้ดิสก์ของสุนัข) ที่พวกเขาได้เรียนรู้เพื่อค้นหา การแก้ปัญหาที่ไม่ถูกต้องผู้ใช้โครงข่ายประสาทเทียมยังต้องตรวจสอบ
ให้แน่ใจว่าอัลกอริทึมของพวกเขาได้แก้ปัญหาที่ถูกต้องแล้ว มิฉะนั้น อคติที่ตรวจไม่พบในชุดข้อมูลอินพุตอาจให้ผลลัพธ์ที่ไม่ได้ตั้งใจ ตัวอย่างเช่น แพทย์ผิวหนังของมหาวิทยาลัยสแตนฟอร์ดในสหรัฐฯ ได้อธิบายถึงช่วงเวลาที่เขาและเพื่อนร่วมงานออกแบบอัลกอริทึมเพื่อตรวจหามะเร็งผิวหนัง
แต่กลับค้นพบว่าพวกเขาตั้งใจออกแบบเครื่องตรวจจับไม้บรรทัดแทน เนื่องจากเครื่องตรวจมะเร็งผิวหนังมีขนาดใหญ่ที่สุด เนื้องอกถูกถ่ายภาพโดยมีไม้บรรทัดอยู่ข้างๆ เพื่อวัดขนาด อีกกลุ่มหนึ่ง ซึ่งคราวนี้อยู่ที่มหาวิทยาลัยวอชิงตัน ได้สาธิตอัลกอริทึมที่จงใจให้ร้ายตามทฤษฎีแล้ว
credit : เว็บแท้ / ดัมมี่ออนไลน์
