https://virgool.io/feed/@alirezarezaei8080 fa 2026-06-18 22:12:38 https://files.virgool.io/upload/users/1771892/avatar/avatar.png?height=120&width=120 https://virgool.io/@alirezarezaei8080 https://virgool.io/Viewpoint/%D9%86%D9%88%DB%8C%D8%B2-%D8%B1%D8%A7-%D8%AF%D8%B3%D8%AA-%DA%A9%D9%85-%D9%86%DA%AF%DB%8C%D8%B1%DB%8C%D8%AF-wobhq2fm3nmz عکس از Scienceاز زمانی که David Deutsch، فیزیکدان بریتانیایی، برای اولین بار در مقاله ای در 1985 با فرمول بندی ماشین تورینگ کوانتومی، رایانش کوانتومی را بنیان گذاری کرد، هدف استفاده از قوانین فیزیک کوانتومی برای انجام محاسبات به شیوه ای بود که کامپیوترهای کلاسیک از حل آن به صورت بهینه ناتوان بودند. پس از همکاری با ریچارد جوزا در 1992 و ارائه الگوریتم Deutsch-Jozsa، نشان داده شد که کامپیوترهای کوانتومی، حداقل به صورت نظری میتوانند به طور نمایی محاسبات را سرعت ببخشند. اما اگر این معجزه محاسباتی به صورت عملی قابل ساخت و بهره برداری نباشد، تمام تلاش های نظری برای نشان دادن برتری کوانتومی ارزشی جز یک سرگرمی ریاضی نخواهند داشت.آیا کامپیوترهای کوانتومی اساسا قابلیت تحقق فیزیکی دارند؟مدل های متنوعی تا به حال به عنوان کاندیدهای تحقق کامپیوترهای کوانتومی ارائه شده اند که هرکدام دارای خواص و درنتیجه، نقاط قوت و ضعف خود هستند که اشاره به آنها بل به صورت مختصر از حوصله این نوشتار خارج است. نکته مهمی که در تمام این پیاده سازی ها تا به امروز وجود دارد، وجود نویز در ساختار این دستگاه ها و تاثیر گاها شگرفی که بر عملکرد آنها دارند، هست. راه حل های مختلفی برای مقابله با این تاثیر پیشنهاد شده که از جمله آنها میتوان به کدهای تصحیح خطای کوانتومی که ترکیبی از راهکارهای ریاضی و فیزیکی را دربرمیگیرد اشاره کرد. همچنین کاهش دما و فراهم کردن شرایط cryogenic از جمله راه حل های دیگری است که شامل چالش های فیزیکی بیشتری می شود. اما طبق انتظار، هیچگاه خطا به مقدار صفر نمی رسد و همیشه مقداری نویز در سیستم گریبان گیر ما خواهد بود و درحال حاضر نیز، هرکدام از روش های فوق و سایر روش هایی که اشاره نشد، بهترین کارکرد خود را ندارند و هنوز در این حوزه تحقیقات به صورت فعال دنبال می شود.به دوره NISQ خوش آمدید!ایده کامپیوترهای شخصی، شاید امروزه برای ما عادی و پیش پا افتاده باشد ولی قطعا برای کاربران کامپیوتر ENIAC که مجبور بودند برای انجام محاسبات سختی های استفاده از Punch-card و سروکله زدن با یک دستگاه 27 تنی را به جان بخرند، تصوری رویایی به شمار می رفت. با یک تمثیل ظریف، میتوان گفت که ما در حال حاضر در برهه ای از تاریخ هستیم که کامپیوترهای کوانتومی موجود از لحاظ مقایسه عملکرد فعلی با عملکردی که از آنها انتظار می رود، به مانند ENIAC هستند در مقابله با ابرکامپیوترهایی که در چشم برهم زدنی، میلیاردها عملیات انجام میدهند.کامپیوتر ENIAC ، عکس از Britannicaچرا این دوره مهم است؟چون پرداختن به این نکته که این دوره چه چیز نیست، برای ما آموزنده است. از کامپیوترهای این دوره نباید انتظار تمام مزیت های محاسباتی ای که محاسبات کوانتومی بالقوه درای آن هستند، داشت. دلیل این امر، ناتوانی کامپیوترهای نویزی در استفاده از تمام فضای حل مساله، معروف به فضای هیلبرت است. برای اینکه بتوان برای این دوره، کاربردی متصور شد، مجبور به متوسل شدن به تکنیک های تصحیح خطا هستیم. به طور خلاصه، این تکنیک های تصحیح خطا، اطلاعات کوانتومی را با استفاده از چندین کیوبیت(بیت کوانتومی) فیزیکی کد می کنند و به مجموعه کیوبیت های فیزیکی، یک کیوبیت منطقی گفته می شود. اما حتی با وجود همه اینها باز هم محدودیت دسترسی به فضای هیلبرت برای کامپیوترهای این دوره، تعیین کننده است و قابل چشم پوشی نیست.شکست برتری جویان کوانتومی از همتایان کلاسیککاربر Henry Liu، در پستی به تاریخ 14 June، از انتشار مقاله ای که در آن، شبیه سازی نمونه برداری بوزونی گوسی به صورت بهینه روی ابرکامپیوترها نشان داده می شود، خبر داد. نکته اصلی این مقاله، استفاده از تمامی نقص های آزمایشات پیشین نمونه برداری بوزونی گوسی مانند اثر نویز و .... برای پیاده سازی شبیه سازی این پدیده روی ابرکامپیوترها به صورت بهینه بود. البته در abstract مقاله واضحا عنوان می شود که شبیه سازی نمونه برداری بوزونی گوسی بدون نویز روی کامپیوترهای کلاسیک دشوار خواهد بود ولی این ابدا به معنی عدم توانایی شبیه سازی بهینه نمونه های فیزیکی آن روی کامپیوترهای کلاسیک نیست. همچنین ادعای این مقاله، کیفیت بالاتر شبیه سازی نسبت به نمونه های آزمایشی است که درصورت درست بودن این ادعا، نشان دهنده این است که شاید بزرگترین چالشی که صنعت کامپیوترهای کوانتومی با آن رو به رو است، کنترل نویز و بهبود کیفیت تحقق فیزیکی باشد.حقه شبیه سازهامحاسبات کوانتومی توسط مدل های مختلفی قابل پیاده سازی است که برخی از آنها، به منظور انجام محاسبات خاصی معرفی شده اند. در محاسبات کلاسیک، تورینگ نشان داد که مدل های محاسباتی دیگر قابل شبیه سازی به صورت بهینه روی ماشین های تورینگ هستند و بدین ترتیب نشان داد که مدل محاسباتی اهمیت چندانی در نحوه انجام انها و عملکرد انجام الگوریتم نخواهد داشت. اما برای مدل های محاسباتی کوانتومی وضعیت بر منوال دیگری است. برخی از مدل های معرفی شده، مدل های جهانشمول نیستند، درنتیجه میتوان مسائلی را یافت که قابل تبدیل به این مدل ها و درنتیجه قابل حل نیستند. در مقابل، مدلهای جهانشمول حداقل از دید نظری قابلیت حل تمامی مسائل را دارا هستند. دو مورد از مهم ترین این مدل ها عبارتند از:مدل مداریآنیلینگ کوانتومیکه مدل مداری، جهانشمول است ولی آنیلینگ این گونه نیست. نشان داده شده است که مدل آنیلینگ کوانتومی، قابلیت حل مسائل بهینه سازی را به طور کاراتری نسبت به مدل مداری و سایر مدلهای جهانشمول داراست.شاید به طور شهودی، اینطور به نظر برسد که اگر برای محاسبات کوانتومی، نیاز به کامپیوترهای کوانتومی داریم، پس امکان شبیه سازی سیستم های کوانتومی بدون نویز روی کامپیوترهای کلاسیک وجود ندارد. این در صورتی است که امروزه شرکت IBM، شبیه ساز پرطرفدار خود به نام Qiskit را دارد که در اصل کتابخانه ای مبتنی بر زبان پایتون است که امکان شبیه سازی مدارهای کوانتومی، از طراحی تا اجرا روی شبیه ساز را داراست و برای آموزش محاسبات کوانتومی نیز، وسیله ای کارا و جذاب به شمار می رود. یکی از نکاتی که به این شبیه سازها اجازه شبیه سازی گیت های کوانتومی منطقی را روی دستگاه های کلاسیک میدهد، قضیه Gottesman-Knill است که نشان میدهد تمامی مدارهای کوانتومی که فقط شامل مراحل آماده سازی حالت، اعمال گیت های کلیفورد و اندازه گیری باشد، قابلیت شبیه سازی به صورت کارا را روی دستگاه های کلاسیک داراست. گیت های کلیفورد، که به نام ریاضیدان انگلیسی، ویلیام کلیفورد نام گذاری شده اند که فعلا آنها را یک دسته بندی خاص از گیت های منطقی کوانتومی میدانیم.ویلیام کلیفورد، عکس از Britannicaبنابراین شبیه سازها برای انجام محاسبات مربوط به گیت های کلیفورد، مشکل خاصی نخواهند داشت ولی خوشبختانه، همه گیت های منطقی کوانتومی در این دسته بندی جای نمیگیرند. اگر نشان داده شود که سایر گیت های منطقی به غیر از کلیفورد نیز، قابل شبیه سازی به صورت کارا هستند، در این صورت هدف اصلی حوزه محاسبات کوانتومی، زیر سوال خواهد رفت.کانال تلگرامی دیدگاه : t.me/ViewPointPublication A.R A.R Tue, 04 Jul 2023 19:00:30 +0330 https://virgool.io/Viewpoint/%D8%AF%D8%B1-%D8%AC%D8%B3%D8%AA%D8%AC%D9%88%DB%8C-az-5-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-xdyvykrohue9 دکمه اضطراری توقف راکتور چرنوبیلبه نقل از خبرگزاری رویترز در تاریخ 30 مارس 2023، ایلان ماسک و جمعی از خبرگان حوزه هوش مصنوعی، در نامه ای سرگشاده، خواستار توقف حداقل شش ماهه تمامی تحقیقات حوزه هوش مصنوعی در جهت ساخت مدل های قوی تری از GPT-4، که به تازگی توسط شرکت OpenAI منتشر شده هستند. در یادداشتی که اخیرا به قلم نویسنده روی ویرگول منتشر شد، به طور مختصر درمورد تاثیرات اقتصادی و تحولات بازار کار در پرتوی ظهور مدل های زبانی گسترده مثل GPT ها بحث شد. طبیعی است که با سرعت سرسام آور پیشروی فناوری های هوش مصنوعی و نبود نهاد یا استانداردی برای کنترل خروجی آنها، حتی پیشگامان حوزه تکنولوژی مثل ایلان ماسک و استیو وزنیاک (هم بنیان گذار اپل) احساس خطر کرده و در نامه ای، خواستار توقف توسعه بیشتر این فناوری شدند.این احساس خطر، نه بی دلیل است و نه غیر منطقی. در زمان نگارش این یادداشت (31 مارس 2023)، مدل های برپایه GPT به طور متن باز منتشر نشده و اطلاعات گسترده ای از نحوه Train و ساخت این مدل ها نیز منتشر نشده است. OpenAI، دلیل این موضوع را "رقابتی بودن زیاد" این حوزه اعلام کرده درحالی که طبق گفته وبسایت OpenAI، هدف اصلی این نهاد : "تولید هوش مصنوعی عمومی امنی است که به بشریت نفع برساند" هنوز بیانیه رسمی ای از جانب OpenAI در پاسخ به این نامه منتشر نشده است.اما ماسک و وزنیاک نماینده تمامی افراد نیستند. درمقابل آنها میتوان افرادی را مشاهده کرد که هرگونه توقف فعالیت های پژوهشی در این حوزه را به نوعی پاک کردن صورت مسئله میدانند. حرف این افراد این است که توقف این فعالیت ها شاید فرصتی به ما بدهد که در مسابقه انسان و ماشین، بتوانیم حداقل به شرایط مساوی برسیم و از پیشی گرفتن تکنولوژی برما، تا حدی که بر ما غلبه و ما را از رده خارج کند، جلوگیری کنیم، ولی این تنها راه پیش روی ما نیست.راه حل این طیف از افراد، برقراری تعادل میان مزیت ها و ریسک های هوش مصنوعی است. Andrew NG، از نام های آشنا در حوزه هوش مصنوعی، در تاریخ 29 مارس 2023، در رشته توییتی، ایده توقف 6 ماهه فعالیت های پژوهشی حوزه هوش مصنوعی را "ایده ای افتضاح" خواند و تنها راه عملی شدن این منع را دخالت دولت ها معرفی کرد و افزود که درصورت دخالت دولت ها، فضایی به شدت ضد نوآورانه به وجود آمده و ادامه هرگونه فعالیت را با مشکل مواجه میکند.شاید افرادی که در این طیف به موضع ماسک و وزنیاک نزدیک ترند، نکاتی که Andrew NG مطرح کرده را چندان باارزش نیابند، ولی نکات مهمی نیز در صحبت های او وجود دارد :دخالت دولت ها در امر پیشرفت تکنولوژی، این حوزه را با رکودی جدی مواجه خواهد کرد، زیرا بروکراسی های دولتی به هیچ وجه نمیتواند از نظر سرعت پردازش اطلاعات، با روند رشد تکنولوژی که لحظه به لحظه سریع تر می شود، رقابت کند.ضرورت وجود فرآیند های کنترلی برای پایش خروجی تولیدی توسط مدل های هوش مصنوعی یا محصولاتی که بر پایه این مدل ها تولید می شوند، دغدغه هردو انتهای طیف افراد است اما تفاوت اصلی آنها در نحوه مواجه با این مسئله و پیاده سازی آن است. افراد هم عقیده ماسک باور دارند که بهترین راه تثبیت نهادها و استانداردهای کنترلی لازم، این است که اول روند پیشرفت تکنولوژی را قطع کنیم و پس از آن به تنظیم این مقررات بپردازیم تا روند پیشرفت تکنولوژی، این مقررات را بی اعتبار نکنند، در حالی که افراد هم عقیده Andrew NG، به این باورند که میتوان همزمان هم روند تکنولوژی را داشت و هم استانداردهایی که خروجی های این روند را کنترل کنند.اگر بنابر پیگیری رویکردی مشابه آنچه ایلان ماسک و طرفداران او در سر دارند باشد، همیشه با این مسئله مواجه ایم که آیا منع کردن تکنولوژی از پیشرفت (اگر ممکن باشد) تنها راه جلوگیری از سلطه ماشین بر انسان است؟ آیا نمیتوانستیم با رویکردی ملایم تر و پویاتر، به همین هدف برسیم؟ آیا حاضر هستیم که هزینه ای که جلوگیری از روند پیشرفت تکنولوژی بر ما تحمیل میکند را متقبل شویم؟و اگر بنا باشد طبق صحبت های Andrew NG عمل کنیم، باید از خود بپرسیم که آیا توانایی این را داریم که همزمان با پیشرفت سریع فناوری، بتوانیم استاندارد های موثری جهت کنترل آن به وجود آوریم؟ آیا میتوانیم در طول زمان و به اقتضای روند پیشرفت، این استانداردها را تغییر داده و بهبود ببخشیم؟فرقی نمیکند که شما کدام طرف این طیف ایستاده باشید، وجود یک دکمه مشابه دکمه AZ-5 نیروگاه هسته ای چرنوبیل برای فناوری هوش مصنوعی، ضروری به نظر می رسد، چون کسی قادر به پیش بینی دقیق آینده نیست و وجود مکانیزمی برای کنترل یا در موارد خیلی حاد، توقف کلی آن، شرط عقل است. البته همه اینها، مشروط بر این است که این دکمه هرلحظه که فشرده شود، کار کند. AZ-5، آخرین امید اپراتورهای نیروگاه برای توقف فاجعه بود ولی وقتی آخرین امید نیز ناامید شود، فاجعه در انتظار خواهد بود. A.R A.R Thu, 30 Mar 2023 15:36:45 +0330 https://virgool.io/Viewpoint/%D8%B4%D9%85%D8%A7-%D8%A7%D8%AE%D8%B1%D8%A7%D8%AC%DB%8C%D8%AF-lj4vusrvemyc بنیاد OpenAI سازنده ChatGPTحتی اگر در چند ماه اخیر، زیر سنگ زندگی کرده باشید، باز هم احتمالا با ChatGPT، معجزه این روزهای دنیای تکنولوژی و به خصوص هوش مصنوعی آشنا هستید. مدل زبان گسترده (LLM) معروفی که با تولید محتوای متنی بسیار نزدیک به زبان طبیعی، باعث ایجاد موج جدیدی از هیجان در جهان شده و برخی آن را گامی بزرگ در جهت نزدیک تر شدن به رویای همیشگی هوش مصنوعی عمومی (General-Purpose AI) می دانند.اما همه واکنش ها نیز مثبت نبوده و از روزهای اول انتشار آزمایشی این مدل توسط OpenAI، برخی نسبت به تاثیرات اجتماعی و اقتصادی و سیاسی این تکنولوژی هشدار داده اند. بحث های زیادی حول محور تحولات بازار کار و اقتصاد و سیاست در پرتو این تکنولوژی نوظهور وجود داشته و دارد اما این بار، در مقاله ای تحت عنوان GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models بنیاد OpenAI , OpenResearch و دانشگاه پنسیلوانیا، به بررسی این موضوع پرداخته اند.هدف ما در اینجا، توضیح بخش به بخش و دقیق این مقاله نیست بلکه بیشتر به تصویر کلی ای که این مقاله سعی در پرداختن به آن دارد، توجه میکنیم.مدل های زبانی گستردهمدل های زبانی گسترده، معمولا به مدل های بر پایه GPT منتسب می شوند. واضحا یکی از دلایل این موضوع را میتوان موفقیت گسترده ChatGPT دانست که بیش از گذشته، بحث در مورد مدل های زبانی گسترده را بر سر زبان ها انداخت، اما این همه ماجرا نیست. تاریخ ظهور مدل های زبانی گسترده، به سال 2018 برمی گردد. از ویژگی بارز این مدل ها میتوان به توانایی آنها در پردازش داده های ترتیبی مثل زبان طبیعی، زبان های برنامه نویسی و بازی های شطرنج اشاره کرد.شاید این طور به نظر بیاید که مدل های برپایه GPT، اولین مدل هایی باشند که از پتانسیل مدل های زبانی گسترده استفاده کرده اند و ChatGPT، اولین چت باتی باشد که این تکنولوژی را به طور گسترده به کاربران عرضه کرده باشد، درصورتی که در سال 2021، حدود یک سال قبل از انتشار نسخه آزمایشی ChatGPT، گیت هاب برای اولین بار از انتشار دستیار توسعه دهنده نرم افزار خود به نام Copilot خبر داد که البته به طور اشتراکی توسط گیت هاب و OpenAI توسعه داده شده و یک مدل زبانی گسترده به شمار می رود.اما آیا صرف داشتن یک مدل خوب Train شده کافی است؟در مقدمه مقاله ای که بالاتر به آن اشاره شد، گفته می شود که هدف این مطالعه، کمتر به بررسی روند پیشرفت خود این مدل ها به تنهایی بوده و بیشتر، تاثیر تکنولوژی های مکملی که بر پایه این مدل ها توسعه یافته اند، مورد بررسی قرار گرفته است. اهمیت این نکته در مقدمه، این است که یک مدل زبانی گسترده، درکنار ابزارهایی که به طور بهینه تر و موثرتری از توانایی های این مدل استفاده میکنند، مشخص می شود. درست است که امکان دسترسی مستقیم ما به این مدل ها وجود دارد ولی نکته مهم تر، نحوه برخورد و تعامل با این مدل هاست. پاسخی که مدل به یک Prompt یا درخواستی که به طور هوشمندانه نوشته شده می دهد، به مراتب ارزشمند تر از این است که درخواستی آماتور گونه بنویسیم و به طبع جوابی غیر دقیق دریافت کنیم.همچنین ممکن است علی رغم دریافت جوابی دقیق، نتوانیم با حجم انبوه اطلاعاتی که مدل به ما میدهد، کار ارزشمندی انجام دهیم. در این موارد است که وجود یک تکنولوژی مکمل که بتواند هم به بهترین نحو از مدل اطلاعات استخراج کرده و هم بتواند از اطلاعات دریافتی به بهترین نحو استفاده کند، اهمیت زیادی پیدا میکند.نحوه اثرگذاری روی مشاغلبرای اندازه گیری میزان تاثیرگذاری مدل های زبان گسترده روی مشاغل، از معیاری به نام exposure یا در معرض بودن استفاده می شود. در معرض بودن به صورت "تاثیرات اقتصادی بدون فرق گذاشتن بین اثرات مشارکت همزمان انسان و ماشین یا جایگزین کردن انسان با ماشین" تعریف شده است. پیش بینی نویسندگان مقاله این است که حداقل نیمی از وظایف 19% مشاغل، با درنظر گرفتن توانایی های فعلی و ابزارهای مکملی که در آینده بر اساس آنها تولید خواهند شد، در معرض LLM هستند اما ارزیابی های انسانی نشان میدهد که بیش از نیمی از وظایف تنها 3 درصد از کارگران آمریکایی (کارگر به معنی فرد شاغل) درمعرض مدل های GPT، آن هم بدون درنظر گرفتن ابزارهای اضافی، هستند.اما آیا مشاغلی هست که حتی با وجود خطر درمعرض قرار گرفتن، بدون ترس از شنیدن جمله "شما اخراجید!"، به کار خود ادامه دهند؟تحلیل های نویسندگان مقاله نشان می دهد که مشاغلی که بسیار وابسته به مهارت های علمی و تفکر انتقادی هستند، همبستگی منفی با درمعرض قرار گرفتن نشان میدهند، درصورتی که مشاغلی که وابسته به مهارت های برنامه نویسی یا نویسندگی هستند، دارای همبستگی مثبت اند. یک دلیل احتمالی برای توضیح این مسئله، میتواند این باشد که مدل های فعلی، با وجود توانایی فوق العاده تولید زبان طبیعی، هنوز نیازمند تحقیق و توسعه بیشتر در بخش توانایی حل مسئله و تفکر انتقادی هستند. امکان دارد در آینده با توسعه این توانایی ها، این بخش از مشاغل نیز درمعرض قرار بگیرند ولی با توجه به اطلاعات و توانایی های حال حاضر این مدل ها، این مشاغل در امان اند.برای تایید این موضوع، میتوان به این جمله در بخش GPT-4 وبسایت OpenAI اشاره کرد :GPT-4 can solve difficult problems with greater accuracy, thanks to its broader general knowledge and problem solving abilities.یکی از مولفه های مهمی که در توسعه GPT-4 به آن توجه شده، توسعه توانایی های حل مسئله و خلاقیت مدل در ارائه پاسخ هاست، که نشانگر این است که این در بخش، هنوز کارهای زیادی برای انجام شدن وجود دارد.مدل هایی همه کارهاز همان روزهای اول، هدف اعلای محققان و توسعه دهندگان هوش مصنوعی، تولید هوش مصنوعی عمومی بود. به این معنا که یک عامل هوشمند، بتواند هر عمل هوشمندی که انسان یا سایر حیوانات انجام میدهند را یاد گرفته یا درک کند. تقابل میان هوش مصنوعی قوی یا ضعیف، عمومی یا محدود، بیانگر تفاوت میان الگوریتم هایی است که به منظور تحقق هوش مصنوعی عمومی توسعه یافته اند و الگوریتم هایی که به طور خاص و محدود، برای یادگیری یک وظیفه خاص طراحی شده اند.به نظر میرسد که با توجه به پیشرفت بسیار سریع مدل های GPT و به طور کل، مدل های زبانی گسترده، درحال نزدیک شدن به همان آرمان همیشگی محققان هستیم. مدل GPT-4 که درحال حاضر، روی سرویس ChatGPT Plus عرضه شده و هنوز برای کاربرانی که دسترسی عادی به OpenAI دارند، قابل دسترسی نیست، توانایی تحلیل محتوای بصری را نیز داراست و کاربر میتواند هم با Prompt های متنی و هم از طریق تصاویر با مدل تعامل داشته باشد.امکان دارد در آینده ای نه چندان دور، امکان تعامل صوتی نیز با مدل نیز فراهم شود و این مسئله به طبع، کاربرد تکنولوژی های مکملی که بر پایه مدل های آینده GPT ساخته می شود را نیز گسترده تر میکند. به نظر میرسد که پس از مدت ها کار کردن روی هوش مصنوعی محدود که تلاش داشت هر مسئله را جداگانه حل کند، اکنون به نقطه اجماعی رسیده ایم که میتواند همه تلاش های پیشین را در یک قالب واحد جمع کرده و آنها را با هم هماهنگ کند. A.R A.R Thu, 23 Mar 2023 15:20:09 +0330 https://virgool.io/Viewpoint/%D9%88-%D8%A7%DB%8C%D9%86%DA%A9-ray-tracing-fir9tlrpt5ms به تفاوت های بین دو تصویر زیر دقت کنید :تصاویر به صورت In-Game گرفته شدهتصاویر به صورت In-Game گرفته شدهبه نظر میرسد که تصویر اولی ، نمای واضح تری از انعکاس منظره ساختمان ها روی شیشه باشد درصورتی که تصویر دوم نمای کم کیفیت تری را به نمایش می گذارد. اما اشاره به دو نکته دیگر نیز حائز اهمیت است :این دو تصویر هردو روی نمای شیشه ای یک ساختمان و در یک تایم یکسان در زمان بازی گرفته شدهدر تصویر دوم ، سایه شخصیت اصلی روی شیشه واضح تر است، درصورتی که در تصویر اول، تقریبا سایه نداریمبنابراین، چطور امکان دارد که با وجود شرایط کاملا یکسان، دو انعکاس مختلف را مشاهده کنیم؟اگر کمی دوربین را بچرخانیم و به نمای روبه رویی ساختمان نیز نگاهی بیندازیم، با همچین منظره ای مواجه می شویم :نمای روبه رویی ساختمانآیا تصویر بالا، کمی آشنا به نظر نمیرسد؟ با نگاهی به تصویر دوم در اول مقاله، متوجه شباهت انعکاس شیشه ها و نمای روبه رویی می شویم، درصورتی که بین نمای روبه رو و انعکاس تصویر اول، هیچ شباهتی مشاهده نمی شود. انگار که در تصویر اول، با نوعی محتوای از پیش آماده شده مواجه ایم ولی در تصویر دوم، دنیای بازی پویاتر به نظر میرسد. علت این تفاوت، چیزی نیست جز Ray tracing، تکنولوژی ای که در ذات خود، چیز جدید و نوظهوری نیست اما اخیرا با رایج شدن در دنیای ویدیو گیم ها، انقلابی در نزدیک تر کردن بازی ها به دنیای واقعی ایجاد کرده است.برای آشنایی بیشتر با این مفهوم و کاربردهای آن در دنیای سینما و ویدیو گیم ها، اشاره به دو مفهوم متقدم بر Ray Tracing، موجب فهم بهتر آن می شود. پیش از به وجود آمدن Ray Tracing، برای به تصویر کشیدن هرچه بهتر اثر نور روی یک صحنه فیلم یا دنیای گیم، از دو تکنیک Rasterization و Ray Casting استفاده می شد.ولی Rasterization چیست ؟تکنیک Rasterization، به معنای تبدیل یک مدل سه بعدی که توسط بردارها توصیف می شود، به یک تصویر دو بعدی که به صورت مجموعه ای از پیکسل ها در نظر گرفته می شود، است. یکی از مهم ترین دلایل استفاده از این تکنیک، به خصوص در بازی های ویدیویی، نبود سخت افزار به اندازه کافی قدرتمند برای رندر کردن در لحظه مدل های سه بعدی بود. فرضا اگر ما میخواستیم نحوه تشکیل سایه برای یک جسم را، درحضور یک چشمه نور در یک صحنه، به صورت سه بعدی مدل کنیم، باید منابع سخت افزاری زیادی را صرف انجام محاسبات مربوط به نحوه به تصویر کشیدن سایه می کردیم اما با وجود Rasterization، ما میتوانیم یک بار، اثر سایه و نور را به صورت یک عکس دو بعدی درآورده و هربار که بازیکن وارد این صحنه می شود، عکس از پیش رندر شده سایه را نمایش دهیم. دراین صورت، در منابع صرفه جویی می شود ولی کماکان، اثر قابل قبولی نیز به کاربر ارائه میکنیم.اما با قوی تر شدن سخت افزار، شرایط برای انجام تکنیک های پیچیده تر که امکان انجام محاسبات در لحظه یا real-time را داشتند، فراهم شد. یکی از ساده ترین ولی درعین حال محبوب ترین این تکنیک ها، تکنیک Ray Casting است که توسط John Carmack، برنامه نویس افسانه ای و CTO سابق شرکت متا، در یکی از بازی های کلاسیک تاریخ صنعت ویدیو گیم، Wolfenstein 3D به کار گرفته شد.Wolfenstein 3Dاما Ray Casting چگونه کار میکند؟در این روش که از طبیعت پرتویی نور الهام گرفته شده است، مسیر پرتو های نور از کانون دوربین به سمت محیط اطراف، دنبال شده و از این طریق مشخص می شود که در هر پیکسل روی صفحه، از طریق این پرتوی نور، چه چیزی قابل مشاهده است. البته باید به این نکته توجه داشت که، در روش Ray casting، هندسه محیطی که پرتوی نور در آن حرکت میکند، باید نسبتا ساده باشد و نمیتواند با هر شکل دلخواه از محیط اطراف کار کند. محدودیت دیگر این روش، ناتوانی در دنبال کردن مسیر پرتوهای ثانویه نور است که در اثر تعامل با محیط به وجود می آیند. از تعامل نور با محیط اطراف، چندین پدیده نوری حاصل می شود:گذرانعکاسشکستتفرقجذبپراکندگیپدیده های تعامل نور با مادهبنابراین، روش Ray casting با وجود محدودیت های ذکر شده، توانایی تولید تصاویر یا صحنه های بسیار واقع گرایانه را ندارد ولی کماکان نسبت به روش Rasterzation، گامی رو به جلو به حساب می آید. برای غلبه بر محدودیت روش Ray Casting، تکنیک Ray Tracing مطرح شد که عیوب و محدودیت های روش پیشین را ندارد و قابلیت ارائه محیطی بسیار واقع گرا را داراست ولی محدودیت محاسباتی زیادی دارد. در برخی تخمین ها، تعداد عمل هایی که در روش Ray Tracing برای رندر کردن یک تصویر یا صحنه باید انجام شود، از 10 تا 1000 برابر روش Ray casting، متغیر است.دیاگرام روش Ray Tracingاما اگر اخبار تکنولوژی را دنبال کرده باشید، احتمالا میدانید که امروزه، کارت های گرافیک RTX شرکت انویدیا، دارای سخت افزاری است که قابلیت انجام Ray Tracing به صورت لحظه ای را داراست و حتی در دیوایس های قابل حمل مثل لپتاپ ها نیز، این کارت های گرافیک وجود دارند که این خود انقلابی دیگر در زمینه وارد کردن چنین تکنولوژی پیشرویی در ابزارهای روزمره است. تکنولوژی ای که قبلا، فقط برای رندر تصاویر یا صحنه های CGI (Computer Generated Image) ،در صنعت سینما استفاده میشد، آنهم با استفاده از منابع عظیم پردازشی و کامپیوترهای فوق سریع.ولی چطور امکان انجام پردازش های سنگینی مثل Ray tracing، روی دستگاه های خانگی و قابل حمل فراهم شده؟در پاسخ به این سوال، باید به این نکته اشاره کنیم که لفظ "پردازش Ray tracing در لحظه"، برای دستگاه های خانگی، چیزی بیش از یک حقه تجاری و تبلیغاتی نیست! واقعیت امر، این است که سخت افزاری که به صورت حقیقتا لحظه ای، بتواند چنین محاسباتی را انجام دهد، چیزی در حد کامپیوترهای عظیم یا مجموعه سرورهای فوق سریعی است که احتمالا یا اخبار آنرا شنیده یا تصاویری از آنها را دیده باشید.اتفاقی که در حقیقت می افتد، این است که برای تحقق چنین محاسباتی روی ماشین های خانگی، باید از برخی تکنیک های هوشمندانه تقریب و حتی تکنیک های مرتبط با Rasterzation یا پردازش از پیش آماده شده، استفاده کرد. به این معنا که تصاویری که در ابتدای مقاله مشاهده میکنید، تنها کاربرد خیلی محدودی از Ray Tracing را به نمایش میگذارند. ولی همین کاربرد محدود نیز، به افزایش واقع گرایی تصاویر و صحنه ها، کمک شایانی میکند.در این مقاله، سه تکنیک نورپردازی برای رندرینگ را مورد بررسی قرار دادیم و با رعایت توالی زمانی ارائه هرکدام از این تکنیک ها، مزایا و معایب هرکدام را بررسی کردیم.تصاویر ابتدای مقاله، به صورت واقعی و درون گیم گرفته شده اند. A.R A.R Sun, 05 Mar 2023 15:50:32 +0330 https://virgool.io/Viewpoint/%D8%B1%D9%88%DB%8C%D8%A7%DB%8C-%D9%84%D8%A7%D9%BE%D9%84%D8%A7%D8%B3-p6rmzezslc9p در سال 1817 ، مقاله ای تحت عنوان "نوشتاری فلسفی در باب احتمالات" منتشر شد که نویسنده آن ، کسی جز پیِر سیمون لاپلاس فرانسوی نبود. ضمن این مقاله ، لاپلاس موجودی ذی شعور را فرض و ادعا میکند که اگر این موجود در زمانی مشخص ، مکان و ممنتوم (اندازه حرکت ، تکانه) تمامی اتم های جهان را بداند ، می تواند مقادیر گذشته و آینده این متغیرها را به دست بیاورد و پیش بینی کند. در تاریخ علم ، این موجود به شیطان لاپلاس یا Laplace Demon معروف است.پیِر سیمون لاپلاسادعای مشهور لاپلاس ، بیانگر دیدگاه جبرگرایی یا Determinism است که طبق آن ، با استفاده از قوانین طبیعی ، ما حداقل در سطح تئوری امکان پیش بینی دقیق فرآیندهای طبیعی را داریم. به عبارتی دیگر ، طبیعت در تمامی زمان ها و مکان ها تابع قوانین طبیعی است و اصل علیت برقرار می باشد. هیچ عنصر تصادفی ای در توصیفی که قوانین طبیعی ارائه میدهند ، نباید وجود داشته باشد.اگر به فیزیک کلاسیک نگاه کنیم، به نظر می آید که رویای لاپلاس محقق شده و قوانین فیزیک کلاسیک به حدی توانا هستند که تمامی پدیده ها را به خوبی تبیین میکنند و قدرت پیش بینی خیلی خوبی در اختیار ما قرار میدهند اما ماکس پلانک ایده دیگری در سر داشت. شخصی که به زودی قرار بود آغازگر دوره ای باشد که رویای لاپلاس را به کابوس مبدل می ساخت.ماکس پلانکدر اوایل دهه 1900 میلادی ، پلانک ایده کوانتومی خود را در پاسخ به نتایج غیر معقولی که فیزیک کلاسیک در مورد پدیده تابش جسم سیاه میگرفت، ارائه کرد. او در ابتدا خود گمان نمیکرد که این ایده چیزی بیش از یک حقه ریاضیاتی برای حل مسئله باشد و به اهمیت فیزیکی آن واقف نبود. پس از پلانک ، بور مدل اتمی خود را در سال 1913 ارائه کرد و دوبروی نیز در سال 1924 ، تئوری موجی ماده را ارائه داد. امروزه به مجموعه نظریاتی که در طی سال های 1900-1925 در پاسخ به پیش بینی های شکست خورده فیزیک کلاسیک مطرح شد ، نظریه کوانتومی قدیمی می گویند.دلیلی که نظریه کوانتومی قدیمی را از نظریه مکانیک کوانتوم که در سال های بعد از 1925 توسعه یافت جدا میکنیم ، این است که نظریه کوانتومی قدیمی خود نظریه ای کامل و یک پارچه نبود و خود دارای محدودیت هایی بود. ممکن است برخی بگویند که نظریه مکانیک کوانتومی نیز خود کامل و بی محدودیت نیست. در پاسخ میتوان گفت که گزاره بالا غلط نیست ولی نکته مهم یک پارچگی مکانیک کوانتومی است که بر کسی پوشیده نیست.پس از توسعه مکانیک کوانتومی ، یکی از پیامد های مهم آن به عنوان اصل عدم قطعیت هایزنبرگ مطرح می شود که به نظر میرسد قدرت پیش بینی ما را درمورد برخی پارامترهای سیستم های طبیعی محدود می کند. استیون هاوکینگ در آخرین کتاب خود به عنوان پاسخ های کوتاه به پرسش های بزرگ ، فصلی را به این پرسش که "آیا میتوانیم آینده را پیش بینی کنیم؟" اختصاص داده است و می نویسد :دیدگاه موجبیت گرایی علمی لاپلاس که وابسته به دانستن موقعیت و سرعت های ذرات عالم در یک لحظه از زمان بود ، به طور جدی توسط اصل عدم قطعیت هایزنبرگ با مشکل مواجه شد. چگونه کسی می تواند آینده را پیش بینی کند ، وقتی نمیتواند همزمان هم موقعیت و هم سرعت ذرات را اندازه بگیرد؟اینشتین ، درمورد تصادفی بودن واضح در جهان بسیار ناراضی بود. به نظر میرسد که او احساس میکرده که این عدم قطعیت مشروط بوده و یک واقعیت زیربنایی وجود دارد که در آن ، ذرات دارای موقعیت و سرعت های مشخصی هستند که طبق قوانین جبری به شیوه لاپلاس ، تحول می یابند.دیدگاه اینشتین ، چیزی است که امروزه به آن ، نظریه متغیرهای نهان گفته می شود..... در صورتی که این نظریه های متغیرهای نهان ، اشتباه هستند. فیزیکدان انگلیسی ، جان بل ، آزمایشی تجربی پیشنهاد داده است که ممکن است نظریه های متغیرهای نهان را باطل کند. وقتی این آزمایشات با دقت انجام شدند ، نتایج با متغیرهای نهان، ناسازگار بودند.......دیدگاه هاوکینگ ، نمودی از تفسیر کپنهاگی از مکانیک کوانتومی است که برای جهان هستی در مقیاس کوانتومی ، ما به ازای خارجی قائل نمی شود و به انکار این می پردازد که حقیقتی درمورد ذرات زیر اتمی وجود دارد. در این دیدگاه ، باید صرفا به نتایجی که از فرمالیزم ریاضی حاصل می شود، دل خوش کنیم. همین که این نتایج با اندازه گیری های تجربی تطابق داشته باشد ، کافی است و نیازی نیست به توضیح پدیده ها بپردازیم.آخرین اثر استیون هاوکینگدر نقد این دیدگاه ، باید نخست به ادعاهایی که مطرح می شود دقت کرد و سپس دلایلی بر علیه آن بیان کرد. در وهله اول ، هاوکینگ ادعا میکند که اصل عدم قطعیت ، امکان پیش بینی دقیق مکان و سرعت ذره را از ما سلب میکند و چون ادعای لاپلاس ، مبنی بر دانستن موقعیت و سرعت ذرات بوده و ما نمیتوانیم هردوی این موارد را همزمان اندازه گیری کنیم ، پس ادعای لاپلاس مبنی بر موجبیت گرایی علمی باطل است.در پاسخ به این مسئله ، نظریه مکانیک بوهمی که در سال 1952 توسط دیوید بوهم توسعه یافت را مطرح میکنیم. در این نظریه ، آهنگ تغییر مکان ذره توسط معادله ای به نام معادله هدایت کننده قابل محاسبه است که به موقعیت تمامی ذرات در سیستم مورد مطالعه بستگی دارد. ممکن است این نقد مطرح شود که برای اندازه گیری موقعیت ذرات ، ناگزیر به تغییر وضعیت کوانتومی سیستم هستیم که این مسئله آشفتگی را وارد سیستم میکند.اما این فرض اضافه شده در مکانیک بوهمی ، قدمی رو به جلو در فهم طبیعت ذرات زیر اتمی به شمار می رود. زیرا در تفسیر کپنهاگی ، ما مطلقا درمورد سرعت ذره ، نمیتوانستیم بدون اندازه گیری ، اظهار نظری بکنیم. هرچند که این قانون جبری ، باز هم بر پایه احتمالات بنا شده ولی در مقایسه با نظر قبلی که حتی درمورد احتمال نیز نمیتوانستیم حکمی بدهیم ، ارجحیت دارد.همچنین نظریه بوهم ، از دسته نظریات متغیرهای نهان است اما با این وجود، نتایج تجربی ای که در این نظریه پیش بینی می شود، با تعبیر استاندارد مکانیک کوانتومی مطابقت دارد، بنابراین نمیتوان گفت که آزمایش بل، تمامی متغیرهای نهان را باطل میکند بلکه دسته ای از متغیرهای نهان نیز وجود دارند که آزمایش بل آن ها را رد نمیکند.دیوید بوهمدرنهایت ، باید گفت که شاید در سایه تعبیر استاندارد مکانیک کوانتومی ، رویای لاپلاس چیزی بیش از یک دیدگاه خوش بینانه به علوم تجربی و به خصوص ، فیزیک نباشد اما با تعبیر بوهمی از مکانیک کوانتومی ، شاید هنوز هم بتوان ایده لاپلاس را زنده نگه داشت. A.R A.R Thu, 23 Feb 2023 15:40:20 +0330 https://virgool.io/Viewpoint/%D8%AA%DA%A9%D8%A7%D9%85%D9%84-%D9%86%D8%B8%D8%B1%DB%8C%D8%A7%D8%AA-twcue02swqnh علم چیست؟آیا علم صرفا ابزاری برای پیش بینی جهان و ساختن ابزارهای مفید و تکنولوژی های متعدد است ؟ آیا علم چیزی جز یک نهاد اجتماعی نیست که با توافق عمده دانشمندان به پیش می رود؟ یا رسالتی بیش از این میتوان برای آن متصور شد؟این سوالات از جنس سوالات فلسفی هستند ، بنابراین نباید انتظار داشت که پاسخی قاطع برای آنها پیدا کنیم یا زمانی فرا برسد که فیلسوفی حرف آخر را بزند و به بحث های منتج شده از آن خاتمه دهد. این سوالات و سوالات مشابه آن به طور مفصل در فلسفه علم مورد بررسی قرار می گیرند و وارسی حتی یکی از آنها از حوصله این نوشتار خارج است. در اینجا صرفا به یکی از دیدگاه های رایج و مهم معرفت شناختی به علم اشاره میکنیم. دیدگاهی که با رویکردی مثبت به محتوای بهترین نظریات و مدل های علمی می نگرد و آنها را حقیقت جو یا حقیقت نما میداند.واقع گرایی علمی یعنی چه ؟نویسندگان متعددی در مورد واقع گرایی علمی نوشته و بحث کرده اند. اگر بخواهیم تعریفی جامع و مانع از آن را ارائه دهیم، با این ریسک که ممکن است تعریف ما با بخشی از نوشته های پیشین در تنافض باشد مواجه می شویم. با این وجود، می توان به جای تلاش برای ارائه تعریفی آرمانی، با بیان تعریفی نادقیق ولی روشن کننده، واقع گرایی علمی را اینگونه تعریف کرد:از دید واقع گرایی علمی، نظریات و مدل های علمی، درمورد چگونگی کارکرد جهان ، آنطور که هست، صحبت میکنند و توصیفی که از دنیا ارائه میدهند، همان توصیف حقیقی جهان است. نظریات و مدل های علمی میتوانند دامنه اعتبار مختلفی داشته باشند. به این معنی که هرکدام از این نظریات، در چه حوزه هایی معتبر هستند و توانایی توصیف و پیش بینی پدیده ها را دارند. به عنوان مثال، مکانیک نیوتونی، در توصیف پدیده های سینماتیک، زمانی که سرعت اشیا قابل مقایسه با سرعت نور باشند، ناتوان است ولی نسبیت خاص علاوه بر پدیده های قابل توصیف توسط مکانیک نیوتونی، قابلیت توصیف و پیش بینی پدیده ها در سرعت های قابل مقایسه با نور را نیز داراست.بنابراین دیدیم که دامنه اعتبار نسبیت ، گسترده تر از مکانیک نیوتونی است و آن را نیز دربر میگیرد.شکل 1 مقایسه دامنه اعتبار نسبیت و مکانیک نیوتونیحال ، با توجه به تعریف واقع گرایی و دامنه اعتبار ، اگر دو نظریه با دامنه های اعتبار مختلف ، برای توصیف یک پدیده مشخص ارائه شوند، نظریه ای که دارای دامنه اعتبار گسترده تری است ، باید تحت شرایط خاصی ، به نظریه با دامنه محدودتر فروکاسته شود. دلیل این امر این است که نظریه گسترده تر ، طبق تعریف باید نظریه محدودتر را دربر بگیرد و در دامنه نظریه محدودتر ، رفتاری مشابه با رفتار آن تئوری را پیش بینی کند و معادلات آن نیز به معادلات نظریه محدودتر تقلیل پیدا کند.اگر شرط بالا برقرار نباشد ، میتوان گفت که دو نظریه داریم که هردو در توصیف پدیده های جهان موفق هستند و یکی از دیگری گسترده تر است ، ولی نظریه گسترده تر در دامنه اعتبار خود دارای نوعی ناپیوستگی است که این خود از نظر واقع گرایی علمی به این معناست که جهان هستی پیوسته نیست و چند پاره است که این نتیجه گیری ، نه منطقی است و نه قابل پذیرش.نیلز بور ، از بنیان گذاران مکانیک کوانتومی ، به این مسئله واقف بود و در سال 1920 ، اصلی به نام اصل مطابقت (Correspondence Principle) را فرموله کرد که طبق آن :رفتار سیستم هایی که توسط مکانیک کوانتومی توصیف می شوند ، در شرایط حدی اعداد کوانتومی بزرگ ، رفتار فیزیک کلاسیک را بازتولید میکنند.در رابطه با اینکه تئوری مکانیک کوانتومی تا چه میزان ، در بازتولید رفتار و معادلات کلاسیک در حد کلاسیک موفق بوده است ، بحث های مفصلی انجام شده که در نوشتار دیگری به اجمال آنها را بررسی خواهم کرد.نیلز بوراصل مطابقت بور را میتوان به طور کلی تری نیز فرمول بندی کرد ، به طوری که اساس نتیجه ای که دربالا گرفتیم را نیز شامل شود. این اصل به اصل کلی مطابقت معروف است :هر تئوری جدید L ، باید موفقیت تئوری پیشین خود S را نیز ، با فروکاسته شدن تحت شرایطی که تئوری پیشین در آن به طور مناسب توسط آزمایشات تایید شده است ، درنظر بگیرداین اصل را میتوان به عنوان معیاری برای توسعه نظریات جدید و موفقیت نظریات پیشین در توصیف پدیده ها درنظر گرفت، به این صورت که اگر تئوری جدیدی داشته باشیم که در شرایط حدی ، با تئوری های پیشین درتضاد باشد، طبق اصل کلی مطابقت میتوان گفت که نظریه جدید ناقص است و باید مورد رفع اشکال قرار بگیرد.در این مقاله ، ابتدا دیدگاه واقع گرایی علمی و سپس دامنه اعتبار نظریات را بررسی کردیم. سپس از این دو نتیجه گرفتیم که نظریات جدید باید موفقیت تئوری های پیشین خود را نیز بازتولید کرده و درنظر بگیرند و درنهایت نیز اصل مطابقت به عنوان یک فرمول بندی برای نتیجه گیری ای که کردیم ، ارائه شد. A.R A.R Thu, 16 Feb 2023 11:18:39 +0330 https://virgool.io/Viewpoint/%D9%87%DB%8C%DA%86-%DA%86%DB%8C%D8%B2-%D9%82%D8%B7%D8%B9%DB%8C-%D9%86%DB%8C%D8%B3%D8%AA-crufjjl6b8ui مکانیک کوانتومی ، پاسخی بر ناتوانی های فیزیک کلاسیک در توجیه پدیده هایی بود که در اوایل قرن بیستم مشاهده شدند. پدیده هایی نظیر تابش جسم سیاه یا اثر فوتوالکتریک. موفقیت مکانیک کوانتومی در توصیف این پدیده ها، آن را در نظر برخی به تنها تئوری موفق برای توصیف دنیای میکروسکوپی بدل کرده است.علی رغم این موفقیت ، این نظریه به هیچ وجه مشابه نظریه های فیزیک کلاسیک نیست و درمواردی شدیدا با شهود و تجربه روزمره ما تضاد دارد. نمونه ای از این مسئله ، عدم امکان اندازه گیری همزمان دو کمیت مکمل برای یک ذره است که به اصل عدم قطعیت هایزنبرگ معروف است.ورنر هایزنبرگطبق این اصل ، عدم قطعیت یا خطای اندازه گیری هرکدام از این کمیت ها ، نمیتواند به طور دلخواه کاهش پیدا کند و یک حداقل مقداری دارد. این بدان معناست که اندازه گیری دقیق این دو کمیت به طور همزمان ، امکان ندارد در صورتی که امکان اندازه گیری یکی از آنها به طور دقیق وجود دارد!شکل 1 کمیت های مکملبه عنوان مثال ، دو کمیت مکان و اندازه حرکت را درنظر بگیرید. به طور شهودی میتوانیم بگوییم که اگر ما مکان یک ذره را بدانیم ، میتوانیم با استفاده از آن ، اندازه حرکت آن را نیز بدست بیاوریم. این استدلال بر این پایه بنا شده که چون مکان و سرعت کمیت های به هم مربوط هستند ، درصورت داشتن هریک میتوان به صورت قطعی دیگری را بدست آورد.این شهود کاملا با داده های تجربی در تضاد است! در عمل نمیتوان هم دانست که ذره کجاست و هم با چه سرعتی حرکت میکند! برای فهم بهتر ، میتوان نمونه ساده شده ای از آزمایشاتی که در عمل ، صحت این اصل را نشان میدهند ، به این صورت تصور کرد : فرض کنید که یک ذره ، حول محور افقی و عمودی می تواند به دور خود بچرخدذره در جهت افقی ، یا به راست یا به چپ امکان چرخش داردذره در جهت عمودی ، یا به سمت بالا یا به سمت پایین امکان چرخش داردبرای اندازه گیری جهت حرکت ذره در راستای افقی ، یک جعبه ساخته ایم که ذرات وارد آن می شوند و در خروجی آن ، جهت حرکت ذرات مشخص می شود. این جعبه دو خروجی دارد. از یک خروجی ذراتی که در جهت راست می چرخند خارج می شوند و از خروجی دیگر ذراتی که در جهت چپ می چرخند. مشابه همین جعبه را برای اندازه گیری جهت حرکت عمودی ذرات نیز به کار می بریم.شکل 2 جبه های اندازه گیریدو نکته مهم در مورد این جعبه ها وجود دارد :جعبه ها تکرار پذیر هستند ، به این معنا که اگر جهت حرکت یک ذره در راستای افقی ، به سمت راست مشخص شد و دوباره آن ذره را به درون جعبه بفرستیم ، باز هم ذره از خروجی راست گرد خارج می شوداندازه گیری جهت حرکت در این دو راستا روی هم تاثیری ندارند. به این معنا که فرضا ، اگر جهت حرکت افقی ذره به سمت راست مشخص شود ، جهت حرکت عمودی آن کماکان میتواند هم به سمت بالا و هم به سمت پایین باشد.برای شروع ، تعداد زیادی ذره را به درون جعبه افقی می فرستیم ، به طور شهودی میتوان گفت که برای کل ذره ها ، 50 درصد چرخش راست و 50 درصد چرخش چپ دارند. در عمل نیز چنین می شود و نیمی از ذرات از خروجی راست گرد و نیمی دیگر از خروجی چپ گرد خارج می شوند. گفتیم که دو مولفه چرخشی افقی و عمودی ذرات از هم مستقل اند یعنی انتظار داریم که اگر هرکدام از دسته ذرات خروجی از جعبه افقی را به درون جعبه عمودی بفرستیم ، کماکان با شانس برابر ، نیمی از آن ها چرخش رو به بالا و نیمی دیگر رو به پایین داشته باشند. باز هم این فرض درست است و در عمل نیز چنین می شود.شکل 3 استقلال دو مولفه چرخشی ذرهتا اینجا ما دو مولفه ذرات را اندازه گرفتیم. فرضا فهمیدیم که ذراتی وجود دارند که چرخش رو به راست و رو به بالا دارند. اگر دوباره این سری ذرات را وارد جعبه افقی کنیم ، باید 100 درصد ذرات از خروجی راست گرد خارج شوند زیرا ما میدانیم که طبق اندازه گیری های قبلی ، چرخش افقی ذرات رو به راست است.این نتیجه گیری به هیچ وجه با تجربه سازگار نیست! باز هم شاهد این هستیم که نیمی از ذرات رو به راست و نیمی دیگر رو به چپ می چرخند! همین مسئله درمورد چرخش عمودی نیز سازگار است یعنی اگر اول چرخش عمودی و سپس افقی و سپس دوباره چرخش عمودی را بررسی کنیم ، کماکان نیمی از آن ها رو به پایین و نیمی دیگر رو به بالا تشخیص داده می شوند!شکل 4آیا جعبه های اندازه گیری دچار خطا شده اند؟ اگر چنین بود نمیتوانستیم یک ویژگی که اندازه گیری شده است را مجددا تکرار کنیم! همچنین این جعبه ها با تکنولوژی ها و مکانیزم های مختلفی طراحی شده و همگی آنها به جواب مشابهی میرسند!!شکل 5 تکرارپذیری آزمایشاتیک آزمایش دیگر انجام میدهیم. در این آزمایش یک المان تازه به نام آینه را معرفی میکنیم. آینه ها تاثیری در ویژگی های اندازه گیری شده ندارند یعنی اگر ذراتی که میدانیم راست گرد هستند را به سمت آینه بتابانیم و سپس دوباره جهت گیری افقی را اندازه بگیریم ، 100 درصد مواقع خروجی راست گرد دریافت میکنیم.برای این آزمایش ، اول ذرات را از جعبه افقی عبور میدهیم و تمامی ذراتی که از خروجی چپ گرد خارج می شوند را دوباره از جعبه عمودی عبور میدهیم. نیمی از ذرات که به سمت بالا چرخش دارند را از مسیر بالایی و نیمی دیگر را از مسیر پایینی عبور میدهیم و سر راه آنها آینه قرار میدهیم. ذرات به این صورت در نقطه ای به یکدیگر میرسند و یک پرتو واحد را تشکیل میدهند. اگر پس از همرسی ذرات دوباره مولفه افقی را اندازه بگیریم ، چه انتظاری داریم؟ همگی چپ گرد یا نصف چپ گرد و نصف راست گرد؟اگر درست حدس زده باشید ، میدانید که 100 درصد مواقع ذرات از خروجی چپ گرد خارج می شوند!! انگار که اصلا اندازه گیری دومی انجام نشده باشد ، چون میدانیم که اگر مولفه عمودی را پس از افقی اندازه بگیریم و سپس دوباره مولفه افقی را اندازه بگیریم ، قطعیتی در انداره گیری وجود ندارد و باز هم نتیجه 50-50 دریافت میکنیم ولی در این آزمایش با قاطعیت میتوان گفت که چرخش افقی ذرات به چپ انجام می شود.شکل 6برای آخرین آزمایش ، همان آزمایش قبلی را تکرار میکنیم ولی این دفعه، سرراه ذراتی که از خروجی بالا خارج می شوند ، دیواره ای قراره میدهیم که جلوی حرکت آنها را بگیرد. در این صورت ، ذراتی که مولفه بالاگرد دارند ، به خروجی نمیرسند و تنها ذرات پایین گرد ، خارج می شوند. اگر این بار مولفه افقی را اندازه بگیریم ، چه؟ باز هم میتوان با قاطعیت گفت که تمامی آنها ، چپ گرد هستند؟خیر! این بار هم مثل آزمایش دوم ، نیمی از ذرات از خروجی راست گرد و نیمی از خروجی چپ گرد ، خارج می شوند! انگار که ذرات پیش از آنکه به دیواره برسند ، به نوعی از وجود آن خبردار می شوند!شکل 7هدف از این آزمایش ها ، درک بهتر مفهوم عدم قطعیت در اندازه گیری بود که اندازه گیری یک مولفه می تواند در خطای اندازه گیری مولفه دیگری که مکمل آن است ، تاثیر داشته باشد که امیدوارم در این نوشته به خوبی مشخص شده باشد. A.R A.R Sat, 11 Feb 2023 15:00:29 +0330