物理学
Physics
加速器物理
Accelerator Physics
应用物理学
Applied Physics
大气与海洋物理学
Atmospheric and Oceanic Physics
尽管进行了数十年的研究,但缺乏一个定量的集成框架来评估胡夫金字塔的微小尺度吞吐量,几何控制和零外部足迹。 我们测试集成边缘-Ramp(IER)模型 - 由省略和回填周线课程形成的螺旋路径 - 使用统一的端到端管道耦合参数几何,离散事件物流和分阶段有限元素分析(FEA)。 自适应多匝道策略可以维持4-6分钟的调度,并产生13.8-20.6年的中位现场持续时间(95%CI);包括采石,河流运输和季节性暂停给予20-27年。 FEA 指出,压力和定居点仍然处于自我重量的旧王国石灰岩的合理范围内。 该模型的几何形状也与μ子成像(假设生成结果)识别的内部空隙一致。 IER有助于调和吞吐量,调查访问和零足迹关闭,并产生可伪造的预测(边缘填充签名,角磨损)。 我们的研究提供了一个可转移的开放数据/代码框架,用于测试古代巨型结构的建筑假设。
这项工作旨在正式确定理论物理学发现过程中科学概念形成的一些方式。 由于这最初似乎是超越精确科学(自然科学和形式科学)范围的任务,我们首先提出为什么科学概念形成可以形式化的论点。 然后,我们引入类型理论作为这种形式化的自然和合适的框架。 我们将我们所说的“发现新概念的方式”正式化,包括概念区分,财产保存和概念变化,作为认知类型规则。 接下来,我们将这些认知打字规则应用于物理学史上概念发现的两个案例研究:爱因斯坦的推理导致冻结波的不可能性,以及他对时间相对性的概念路径。 在这些历史事件中,我们改写了物理学家可能非正式地称之为“发现新科学概念的方法”,作为从认知打字规则中构建的构成类型规则,从而将它们正式化为科学发现机制。 最后,我们计算了爱因斯坦作为程序合成任务的时间相对性概念路径的类型理论重建模型。
我建议,等质性是物理的,因为它们是直接可观察到的,并从一个新的角度重新审视意识和量子测量之间的争议联系 - 一个不依赖于观察者或波函数崩溃,而是将物理测量视为与惠勒的从比特产生共鸣的基本意义。 基于物理学中测量空间的数学定义,我将其重新解释为类人猿的模型,有效地将量子力学的测量问题与意识的难题等同起来。 由此产生的框架属于泛灵论,并为组合问题提供了潜在的解决方案。 此外,在物理学中理所当然的一些测量空间的数学结构需要解释,这表明物理现实的明显坚固性深深植根于人类处理信息的方式。
我们将最近关于复杂性和随机性的想法应用于法律和机会的哲学。 我们开发两种使用算法随机性来表征概率性自然定律的方法。 第一个是生成机会*定律,采用非标准的机会概念。 第二,概率*约束定律,强加每个物理可能的世界必须满足的相对频率和随机性约束。 约束概念消除了对非胡阿尼法律的统一管理帐户的主要障碍,法律通过限制物理可能性来管理;它还为休谟最佳系统帐户(大坏虫和零拟合问题)的熟悉问题提供了独立的动机解决方案。 在这两种方法上,概率定律与相应的可能世界紧密地联系在一起:传统概率法允许的一些历史现在被排除在物理上是不可能的。 因此,该框架避免了一种经验不足,同时揭示了通常被忽视的其他经验不足。
模拟假说最近激发了人们对物理学和哲学界的新兴趣。 然而,该假设特别涉及模拟物理宇宙的计算机。 因此,要正式调查这个假设,我们需要从计算机科学(CS)理论的角度理解它。 此外,我们需要一种正式的方式将CS理论与物理学结合起来。 在这里,我通过使用物理教会图灵论文来耦合这些领域。 这允许我利用Kleene的第二次递归,证明我们不仅可以在计算机上运行模拟,而且我们可能在模拟中运行计算机。 在这样的“自我模拟”中,会有两个相同的实例,两者都是“真实的”。 然后,我使用赖斯定理来得出有关模拟和自我模拟的不可能结果;如果我们使用完全同态加密在程序中模拟,则得出对(自我)模拟的影响;并简要研究模拟其他宇宙的图形结构,这些宇宙包含运行自己的模拟的计算机。 最后,我描述了未来研究的一些可能途径。 虽然在模拟假设方面的动机,本文的结果是教会 - 图灵论文的直接后果。 因此,它们的应用范围远远大于模拟假说。
本文认为Active Inference(AIF)为开发能够从经验中学习而无需持续人工奖励设计的自主AI智能体提供了关键基础。随着AI系统开始耗尽高质量训练数据并依赖日益庞大的人力资源进行奖励设计，当前范式面临着可能阻碍真正自主智能发展的可扩展性挑战。关于"经验时代"的提议——智能体从自我生成的数据中学习——是向前迈出的重要一步。然而，这一愿景仍然依赖于大量人工设计的奖励函数，实际上将瓶颈从数据管理转移到了奖励管理。这凸显了我们所说的基础行动力缺口：当代AI系统无法自主制定、调整和追求目标以应对变化环境。我们提出AIF可以通过用最小化自由能的内在驱动力替代外部奖励信号来弥合这一缺口，使智能体能够通过统一的贝叶斯目标自然平衡探索与利用。通过将大型语言模型(LLM)作为生成式世界模型与AIF的原则性决策框架相结合，我们可以创建既能高效从经验中学习，又能保持与人类价值观一致的智能体。这种综合为实现能够在遵守计算和物理约束的同时自主发展的AI系统提供了一条引人注目的路径。
我们建议对量子力学进行正式重建,不是基于外部数学抽象,而是基于主观经验的结构化动力学。 Qualia抽象语言(QAL)将物理系统建模为自省单元,模式,形状和功能效应的结构化序列,而不是希尔伯特空间中的状态向量。 这种方法重新构想了核心量子概念:叠加成为结构化模棱两可的一种形式;崩溃被重新构建为内省收缩;纠缠被建模为跨类流的语义共振。 根据人工智能中名义主义哲学和监督理论限制的见解,我们认为量子力学中的观察者悖论不是本体论的漏洞,而是语言上的空白:缺乏用于模拟第一人称结构的正式词汇。 QAL引入了这样的词汇,提供了一个形态动力学框架,将观察者嵌入系统内,并以内生变换取代抽象投影。 我们分析了QAL与内物理方法的对齐,将其与量子理论的标准解释进行了对比,并探讨了其对后柏拉图主义,内省基础物理学的影响。
我们引入了由科学界开发的基准框架,以评估,监测和指导基础物理学中的大型语言模型发展。 基于科学理解和创造力的哲学概念,我们开发了一个评分系统,其中每个问题都由专家为其正确性,难度和惊喜进行评分。 问题有三种形式:(一)概念理解的多项选择题,(二)需要数学推导的分析问题,以及(三)需要复杂解决问题的开放式任务。 我们当前的数据集包含各种各样的示例,包括机器学习挑战,对高能物理事件进行分类,例如四个顶级夸克信号。 为了确保持续相关性,我们提出了一个活生生的基准,物理学家在这里提出问题,例如与新出版物一起。 我们请通过:http://www.physicsbenchmarks.org/发言。 我们希望这个基准能够实现有针对性的人工智能开发,能够为基础物理研究做出有意义的贡献。
人类前所未有的技术能力和并发的存在风险揭示了哲学传统中的一个关键缺陷:缺乏一个长期未来的系统框架。 这篇文章认为,制定这样一个框架是我们这个时代的核心伦理要求。 为了捍卫这一论点,它综合了汉斯·乔纳斯和德里克·帕菲特的规范伦理与尼克·博斯特罗姆关于存在风险和长期主义的工作的分析框架。 该分析进一步解决了后人文主义对人类“主体”构成的本体论挑战,并探讨了世俗宇宙目的在激励长期行动方面的功能作用。 该论文的主要贡献是为前瞻性哲学阐明了合成研究议程,该议程将轴向、风险管理和本体学结合起来,以指导人类度过危险的技术青春期。
本文介绍了人工智能和算法治理的实践分析,挑战了关于机器系统维持经济和认识秩序的能力的假设。 利用Misasian的先验推理和奥地利创业理论,我们认为人工智能系统无法执行经济协调的核心功能:解释目的,发现手段,并通过价格传达主观价值。 当新古典主义和行为模型将决策视为约束下的优化时,我们将它们定义为不确定性下的目的性行为。 我们批评占主导地位的道德人工智能框架,如公平,问责制和透明度(FAT)作为建构主义理性主义的延伸,这与基于自愿行动和财产权的自由主义秩序相冲突。 试图在算法中编码道德推理反映了对道德和经济学的误解。 无论多么复杂,人工智能系统都不能产生规范、解释机构或承担责任。 它们仍然是不透明的,错位的,惰性的。 使用认识论稀缺的概念,我们探索信息丰富如何降低真理辨别,使企业家洞察力和软极权主义成为可能。 我们的分析以文明主张结束:关于人工智能的争论涉及人类自主的未来,制度进化和理性选择。 奥地利的传统,专注于行动,主观性和自发秩序,为不断上升的计算社会控制提供了唯一连贯的替代方案。
受图灵测试的启发,我们提出了一种新的方法框架,以评估机器人口反映人类哲学观点的程度。 该框架包括三个步骤:(一)指导机器冒充人群中的每个人,反映他们的背景和信仰,(ii)管理一份涵盖人类和机器各种哲学立场的调查问卷,以及(iii)统计分析由此产生的反应。 我们将这种方法应用于关于科学现实主义的辩论,这是一个长期的哲学探究,探索科学与现实之间的关系。 通过考虑对500多名人类参与者(包括物理学家和科学哲学家)进行调查的结果,我们使用基于大语言生成模型的人工智能引擎生成他们的机器角色。 我们揭示,平均而言,机器群的哲学观点与人类认可的哲学观点相似,无论他们是物理学家还是科学哲学家。 然而,与人类相比,机器对科学现实主义的倾向较弱,其哲学立场也更加一致。 鉴于观察到的人类和机器种群之间的相似性,这种方法框架可能为推进实验哲学的研究提供前所未有的机会,将人类参与者替换为机器模拟的同行,可能减轻影响基于调查的实证研究的效率和可重复性问题。
本文重新将同行评审概念化为结构化公共评议。传统学术验证机制受限于匿名性、延迟性和把关控制。我们提出一种透明、身份关联且可复现的学术评价体系，以开放评议为基础。通过利用区块链实现不可篡改的审计追踪，借助人工智能进行迭代综合，我们设计了一个激励智力贡献、捕捉认知演进、实现可追溯声誉动态的框架。该模型赋能从计算科学到人文的各个领域，将学术知识重新定义为动态过程而非静态凭证。
虽然在大型数据集上训练的神经网络已经成功地用于描述和预测许多物理现象,但科学家有一种感觉,与传统的科学模型不同,这种关系以简单的数学表达式形式包装,神经网络的发现不能整合到科学知识中。 对 ML 无法产生人类可以理解的关系的批评者已经融合了“可解释性”的概念,因为它与更传统的科学形式相去甚远。 正如对可解释性的兴趣日益浓厚所表明的那样,物理科学的研究人员不仅寻求预测模型,而且还寻求揭示支配兴趣系统的基本原则。 然而,文献中缺乏对可解释性的定义及其在科学中的确切作用的清晰度。 在这项工作中,我们认为方程发现和符号回归的研究人员倾向于将易感性的概念与可解释性混为一谈。 我们回顾了来自科学界外部的可解释ML的关键论文,并认为,尽管他们提出的定义和方法可以为SciML的解释性问题提供信息,但它们不足以实现这一新目的。 注意到这些缺陷,我们提出了物理科学可解释性的操作定义。 我们的可解释性概念强调对数学原理的理解。 虽然看起来是无害的,但这种对机制的强调表明,狭隘往往是不必要的。 它还质疑在缺乏先验知识时可解释的科学发现的可能性。 我们相信,对SciML可解释性的准确和哲学上知情的定义将有助于将研究工作集中在实现数据驱动的科学未来的最重大障碍上。
我们介绍了学术家谱或AG的概念,并说明了如何构建AG图表,然后演示如何使用这种方法,将其应用于创建部分或完整的AG图表给两位科学家,Paul A。 萨缪尔森和罗纳德·E。 米肯斯。
本文提出了一种新的理论模型,以解释人类思维和人工智能如何通过减少感知延迟来接近实时意识。 通过研究宇宙信号延迟,神经反应时间和古老的静止认知状态,我们探索如何从反应感知转变为与不久的将来有意识的界面。 本文引入了一种物理和认知模型,用于感知当前不是线性时间戳,而是作为早期到达的宇宙信号和反应性人类延迟相交的干扰区域。 我们提出了使用人类神经观察和神经接受扩展来测试这些想法的实验方法。 最后,我们提出了一个数学框架,以指导人工智能系统向时间高效,道德健全和内部意识决策过程的演变。
我们提出了一个正式框架,用于理解和统一物理学,计算机科学,哲学和相关领域的观察者概念。 基于控制性反馈模型,我们引入了最小观察者的操作定义,探索他们在塑造基本概念方面的作用,并确定在它们不存在时未指明的内容。 根据量子引力、数字物理学、二阶控制论和最近的测谎方法的见解,我们认为观察者是测量、参考框架和意义出现不可或缺的参考点。 我们展示了这种形式主义如何为与意识,量子测量和计算边界相关的辩论提供新的线索;通过关于观察者等价和复杂性度量的定理。 这种观点为研究自然和人工系统中的复杂性和结构如何产生开辟了新的途径。
已加载全部内容
