Общие закономерности в природе

[АrefievPV]

Локализация частиц в детекторе

Попробуйте провести параллель: локализация особи в конкретной среде-детекторе.

Для начала вы сами попробуйте прочитать статью (пройдите по той ссылке).

Локализация особи в конкретной среде, это просто факт нахождения/наличия этой особи в данной конкретной среде – то есть, особь взаимодействует со средой (с элементами среды) и оставляет какие-то следы этого взаимодействия. Но любой факт, это интерпретация с позиции какой-либо модели (хоть рациональной, хоть эмоционально-чувственной, хоть модели на уровне ощущений (хоть первичных ощущений на уровне активных центров белковых молекул-рецепторов)).
 
И вот для того чтобы выявить факт нахождения/наличия особи в среде наблюдателю необходимо иметь не только саму модель, но ещё и данные в виде хотя бы следов такого взаимодействия (погрызены ветки, вытоптанная трава, вдавленные отпечатки лап на почве, трупы, кости и т.д. и т.п.).

Ну, и ещё: геном особи, это локализация генофонда вида/популяции в этом геноме.

А если мы говорим об эволюции (особенно на палеонтологических и/или геологических масштабах), то модели мы используем более сложные, а данные подтверждающие правильность нашей модели зачастую скудные и неоднозначные (кости, камни и пр.). Поэтому приходится включать данные и из других областей (а для возможности такого включения приходится использовать сложные модели).

И про параллели.

Например, тут про то, что конкретный эволюционный путь – это наша интерпретация и то, что эволюция идёт всеми доступными путями сразу:
https://paleoforum.ru/index.php/topic,12664.msg265096.html#msg265096
Очень наглядные параллели между моими пояснениями (кстати, это был ответ именно вам) и пояснениями в статье (рекомендую прочитать её).

[василий андреевич]

  Ой, да откуда у Вас убежденность, что я задал непродуманный вопрос, навеянный непрочитанной статьей. И Ваши отсылки к многословным интерпретациям Фейнмановских взаимодействий хоть и забавны(это похвала), но не являются чем-то новым.
  "Локализация особи в конкретной среде-детекторе" лишь подразумевает взаимодействие с обязательным выбросом конкретного сигнала, который вовсе не обязан попасть в Вас, как наблюдателя. Статистически чаще сигнал покинет сообщество среда-система, подчеркивая деградационную всеобщность второго начала.
  Теперь не наблюдайте, а вообразите, что организм для "своей локализации" придал сигналу ускорение, т.е. произвел работу по выдворению сигнала. Вопрос: какова разница в итогах между локализацией частицы и локализацией организма?
  Что осталось в живой формации среда-система, как нечто обобществленное? Я бы назвал "это" нишей. Конкретная же ниша в конкретной среде после произведения конкретной работы по выдворению-ускорению сигнала, будет иметь не абы какую форму, а форму осложненную характером произведенной работы. И "над" такой нишей гомеостаз организма должен изменить свои характеристики. Получаем введение в понятие потребность.

[АrefievPV]

Квантовая механика помогла решить парадокс убитого дедушки
https://nplus1.ru/news/2025/02/13/life-on-closed-timelike-curve
Дискретная система на замкнутой времениподобной кривой вернулась в исходное состояние

Физик Лоренцо Гавассино решил проблему самосогласованности систем на замкнутых времениподобных кривых при помощи квантово-механических принципов. Для этого он использовал дискретизацию энергетических уровней и термодинамическое поведение системы, показывая, что к концу цикла система автоматически возвращается в исходное состояние, стирая любые потенциальные временные парадоксы. Работа опубликована в журнале Classical and Quantum Gravity.

Замкнутые времениподобные кривые — это гипотетические траектории в пространстве-времени, которые возвращаются в свою исходную точку, создавая теоретическую возможность путешествий во времени. Эта концепция тесно связана с релятивистской физикой и космологией, но долгое время оставалась спорной из-за потенциальных парадоксов, самый известный из которых, пожалуй, это парадокс убитого дедушки.

Парадокс возникает в случае, если гипотетический путешественник во времени отправляется в прошлое и каким-либо образом предотвращает свое рождение, что, в свою очередь, должно помешать ему в будущем отправиться в прошлое (подробнее об этом можно почитать в материале «Убить дедушку и выжить»). До недавнего времени не существовало строгого квантово-механического объяснения, как системы на замкнутых времениподобных кривых могут быть самосогласованными, хотя ученые уже предлагали различные решения возникающих парадоксов. Однако последовательного решения, объединяющего квантово-механические принципы и термодинамику замкнутой системы, движущейся по замкнутой времениподобной кривой, до сих пор не существовало.

Физик Лоренцо Гавассино (Lorenzo Gavassino) из Университета Вандербильта изучил аналитически поведение конечных и замкнутых квантовых систем на замкнутых времениподобных кривых в пространстве-времени Гёделя. Используя теорему Вигнера и квантовую механическую интерпретацию унитарных преобразований, он показал, что энергетические уровни замкнутой системы (например, космического корабля) подвергаются спонтанной дискретизации из-за необходимости времени вернуться в исходную точку на замкнутой времениподобной кривой.

Кроме того, ученый рассмотрел, как энтропия системы меняется в процессе движения вдоль такой кривой. Он показал, что на определенном участке кривой энтропия достигает максимума, после чего неизбежно снижается вплоть до возвращения системы в исходное состояние из-за необходимости самосогласованности системы при возвращении в исходную точку на замкнутой кривой. По словам физика, это согласуется с теоремой Пуанкаре о возврате, согласно которой в конечных гамильтоновых системах любое начальное состояние через достаточно большое время должно снова повториться.

В результате ученый пришел к выводу, что при прохождении замкнутой времениподобной кривой вся система возвращается к своему исходному состоянию, что делает невозможными ситуации, в которых могут возникать логические противоречия. Например, из-за того что все состояние системы должно оказаться идентично начальному при возвращении в исходную точку на замкнутой кривой, воспоминания наблюдателя внутри космического корабля, которые описываются физической структурой состоящей из атомов и электрохимических процессов в мозге, будут стираться.

В контексте парадокса убитого дедушки это приводит к ключевому выводу: в замкнутой конечной системе с унитарной эволюцией невозможно создать ситуацию, в которой изменения в прошлом приведут к противоречиям, таким как предотвращение собственного рождения. Согласно результатам Гавассино, память и события внутри замкнутой кривой вернутся в начальное состояние, что исключает возможность возникновения ретроактивных парадоксов.

Путешествия во времени любят и писатели-фантасты, и разработчики компьютерных игр. Например, о том, как устроена физика в игре Quantum Break, можно почитать в блоге Марата Хамадеева.

[АrefievPV]

Физики обосновали, как время может течь обратно в открытой квантовой системе
https://naked-science.ru/article/physics/reverse-time-arrow-open-q
Ученые математически объяснили возможность обратного течения времени на микроуровне. Новое исследование показывает, что противоположные стрелы времени теоретически могут возникать в определенных квантовых системах.

Команда физиков изучила, как в контексте течения времени организована открытая квантовая система — субатомные частицы, взаимодействующие с окружающей средой. Исследование опубликовано в журнале Scientific Reports.

[АrefievPV]

Чуток вольных размышлизмов.
 
Разделение/отделение/обособление на одном уровне вовсе не означает, что не произойдёт объединение на другом (более высоком) уровне. То есть, можно разделиться/обособиться  на одном уровне (например, прекратить или сильно ослабить/затруднить обмен веществом), но обмен энергией и информацией останется (а может, даже возрастёт). И, что характерно, разделённые на одном уровне части весьма часто образуют систему из объединившихся на другом уровне элементов.
 
Распад системы на части обычно представляет собой разделение частей вследствие уменьшения интенсивности взаимодействия между ними – то есть, по сути, система охлаждается и её части выпадают в осадок в виде элементов (при этом выпавший элемент не равен бывшей части).
 
Основной критерий, позволяющий нам судить о целостности или раздробленности чего-либо (а также выделять в среде системы или в системе элементы), это соотношение между интенсивностью внутреннего и внешнего обмена (взаимодействия). Понятно, что речь идёт только о степени целостности или раздробленности, ведь абсолютного прекращения обмена не происходит (ни внутри этого чего-либо, ни между этим чего-либо и его окружением).
 
Обособление (окукливание) системы приводит к её неизбежному упрощению, поскольку текущий уровень сложности системы зависит от  её взаимодействия (его интенсивностью и его разнообразием) с окружением.
 
Условно говоря, при уменьшении взаимодействия с окружением (со средой) система охлаждается, кристаллизируется, упрощается и упорядочивается на нижних уровнях своей структуры.
 
А при увеличении взаимодействия система разогревается, расплавляется, хаотизируется, усложняется на нижних уровнях своей структуры, но, в то же время, упорядочивается на более высоком уровне. Но порядок на высоком уровне становится заметным только на уровне надсистемы, сама разогретая система является только элементом надсистемы (а по отдельному элементу не определить, какова структура системы, в которую он входит).
 
При этом (и при охлаждении, и при нагревании) зачастую возникают очень любопытные локальные (в масштабах системы) и глобальные (уже масштабах надсистемы) эффекты/явления.
 
Обращаю внимание: охлаждение и нагрев, кристаллизация и расплавление, выпадение в осадок и пр. – это всё следует понимать в широком смысле (это просто условные аналогии и ассоциации для доходчивости пояснений).
 
Вот несколько аналогий на уровне хозяйственно-бытового фантазирования:
 
Нагревание системы (например, воздействием внешнего электрического поля на проводник) приводит к возникновению порядка более высокого уровня – то есть, к упорядоченному движению элементов внутри системы (носителей электрического заряда: ионов, протонов, электронов). Но выявить/зафиксировать наличие такого упорядоченного движения носителей заряда можно только в рамках надсистемы (проводник должен быть включён в цепь с потребителями/преобразователями/измерителями этого движения носителей).
 
В данном случае, нагревание, это результат интенсификации взаимодействия системы с окружением. Подчёркиваю: именно интенсификации, а не возникновении с нуля, поскольку «подпороговое» электрическое влияние среды всегда присутствует (даже в вакууме виртуальные электрические заряды влияют, но проявляется это влияние на макроуровне только в определённых условиях).
 
Зачастую ослабевающие внутренние взаимодействия (при охлаждении) приводят не только к простой кристаллизации вещества и к формированию устойчивых элементов из такого вещества (типа, в осадок выпадает снежинка), но и к очень сложным процессам метаморфоза (тут уже в осадок выпадает бабочка). Например, для нормального прохождения метаморфоза требуется некоторая изоляция от воздействий среды (по сути, в этом и смысл окукливания – как можно меньше взаимодействовать с окружением).
 
И ещё немного фантазийных представлений:
 
Если в момент сближения (почти слияния в ядро атома) нуклонов произойдёт выброс энергии (например, в виде излучения гамма-квантов или в виде кинетической энергии летящих нуклонов), то эта совокупность сблизившихся (и очень интенсивно взаимодействующих между собой) нуклонов резко охладится и кристаллизируется в ядро атома (типа, в результате такого охлаждения в осадок выпало ядро). Но с другой стороны все вновь рядом синтезировавшиеся ядра сами испускают энергетические импульсы, которые только что образовавшееся ядро может поглотить и опять распасться на нуклоны. То есть, необходимо чтобы вероятность поглощения энергетических импульсов была меньше чем вероятность испускания энергетических импульсов.
 
Получается, что производительность синтеза новых ядер нарастает по мере уменьшения температуры (температуры в широком смысле) среды (при остывании в осадок выпадают ядра) и по мере увеличения давления (нуклоны же надо как-то сближать между собой). Но, разумеется, всё это работает в определённом диапазоне.

[АrefievPV]

К давнему разговору про «вселенную-бублик»...

[АrefievPV]

Думаю, новость будет уместна в этой теме (потом продублирую в тему новостей).

Российские ученые воссоздали динамику модели нейрона мозга с помощью нейросети
https://naked-science.ru/article/column/nejrona-mozga-s-pomoshhyu
Исследователи из НИУ ВШЭ в Нижнем Новгороде показали, как с помощью нейросети воссоздавать динамику нейрона мозга, имея всего один ряд измерений, например запись его электрической активности. Разработанная нейросеть научилась восстанавливать полную динамику системы и предсказывать ее поведение при изменении условий. Такой метод может помочь изучать сложные биологические процессы, даже если нет возможности провести все необходимые измерения.

Исследование опубликовано в журнале Chaos, Solitons & Fractals. Работа выполнена в рамках проекта Зеркальные лаборатории НИУ ВШЭ и поддержана грантом РНФ.

Нейроны — это клетки, с помощью которых мозг обрабатывает информацию и передает сигналы. Они общаются друг с другом электрическими импульсами, которые заставляют соседние нейроны активироваться или, наоборот, замедляться. Каждый нейрон имеет мембрану (оболочку), через которую могут проходить заряженные частицы, называемые ионами. Ионы движутся через специальные каналы в мембране, и их движение и вызывает электрические импульсы.

Исследовать работу нейронов помогают математические модели. Часто в их основе лежит подход Ходжкина — Хаксли. Он позволяет строить сравнительно простые модели, однако при этом требует большого количества параметров и расчетов. Чтобы предсказать поведение нейрона, обычно измеряются несколько параметров и характеристик: напряжение на мембране, токи разных ионов, состояние каналов клетки. Исследователи НИУ ВШЭ и Саратовского филиала Института радиотехники и электроники имени В.А. Котельникова РАН показали, что достаточно учитывать изменения только одной характеристики — электрического потенциала мембраны нейрона, а с помощью нейросети восстановить недостающие данные.

Метод, предложенный учеными, содержал два этапа. Сначала анализировалось, как изменяется потенциал нейрона во времени. Эти данные передавались в нейросеть — вариационный автокодировщик, который выделял в них ключевые закономерности, отбрасывал лишнее и на выходе выдавал набор характеристик, описывающих состояние нейрона. На втором этапе нейросеть уже другого типа — нейросетевое отображение — использовала эти характеристики, чтобы предсказать, как нейрон поведет себя дальше. Нейросеть фактически брала на себя функции модели Ходжкина — Хаксли, но вместо сложных уравнений училась на данных.

«С развитием математических и компьютерных методов пересматриваются старые подходы, это не только помогает улучшить их, но и может привести к новым открытиям. Обычно восстанавливаемые по данным модели основаны на полиномиальных уравнениях небольшого, 4–5-го порядка — они обладают ограниченной нелинейностью, то есть не могут описывать очень сложные зависимости без увеличения погрешности, — объясняет ведущий научный сотрудник факультета информатики, математики и компьютерных наук НИУ ВШЭ в Нижнем Новгороде Павел Купцов. — В новом методе вместо полиномов используются нейросети. Их нелинейность задается сигмоидами — плавными функциями от 0 до 1, которым соответствуют полиномиальные уравнения (ряды Тейлора) бесконечно большого порядка. Это делает моделирование гибче и точнее».

Обычно, чтобы смоделировать сложную систему, требуется полный набор параметров, но в реальных условиях получить его трудно. В экспериментах, особенно в биологии и медицине, данные часто бывают неполными или зашумленными. В своем подходе ученые показали, что, используя нейросеть, даже при ограниченном количестве данных можно восстановить недостающие величины и спрогнозировать поведение системы.


Реконструкция характеристик нейрона при помощи вариационного автокодировщика
Исходный временной ряд (запись измерений) R сжимается кодировщиком (Encoder) и превращается в динамические характеристики μ. Затем декодировщик (Decoder) старается максимально точно распаковать μ в исходный временной ряд — R'. Процесс похож на прохождение через узкое горлышко бутылки: только самая важная информация может «пройти» дальше, а все лишнее отбрасывается. Чтобы получить μ, автокодировщик должен выявлять наиболее важную информацию о нейроне / © Павел Купцов и др., Solitons & Fractals

«Мы берем всего один ряд данных — единственный пример поведения, обучаем на нем модель и встраиваем в нее управляющий параметр. Его можно представить как "переключатель", который можно крутить, чтобы наблюдать разные варианты поведения. Если после обучения начать крутить "переключатель", то есть менять этот параметр, мы увидим, что модель воспроизводит различные типы поведения, характерные для исходной системы», — объясняет Павел Купцов.

При моделировании нейросеть не просто повторила режимы системы, на которых ее обучали, но и выявила новые. Один из них связан с переходом от серии частых импульсов к одиночным всплескам. Такие переключения возникают при изменении параметров, но нейросеть обнаружила их сама, не видя таких примеров в обучающих данных. Это значит, что нейросеть не просто запоминает примеры, а действительно распознает скрытые закономерности.

«Важно, что нейросеть может выявлять новые закономерности в данных, — комментирует ведущий научный сотрудник факультета информатики, математики и компьютерных наук НИУ ВШЭ в Нижнем Новгороде Наталия Станкевич. — Она находит связи, которые в явном виде не представлены в обучающей выборке, и делает выводы о поведении системы в новых условиях».

Сейчас нейросеть работает на сгенерированных компьютером данных. В будущем исследователи планируют использовать ее на реальных экспериментальных данных. Это открывает возможности для изучения сложных динамических процессов, где нельзя заранее задать все возможные сценарии.