Обзоры препринтов научных статей «astro-ph-arxiv.org» за июнь 2025 года
Выпуск 445Ежемесячный обзор научных статей в области астрофизики от профессора МГУ Сергея Попова. Выборка интересных публикаций в области астрономии, астрофизики и физики с сайта препринтов arxiv.org. Публикуется с разрешения Сергея Борисовича и указанием ссылок на первоисточники.обзор arxiv:2506.00470 Взаимодействие звезд с планетами: моделирование (Star-Planet Interactions: A Computational View)Authors: A. A. Vidotto Comments: Invited review article, 14 figures, 43 pages. Annual Review of Astronomy and Astrophysics, 2025, 63, 9
Шнобелевская премия 2025: покраска коров под зебр, молоко с запахом чеснока и пьяные летучие мыши
18 сентября 2025 года Гарвардский университет провёл
Deus ex machina
Я рад приветствовать вас, уважаемые читатели!Всю свою жизнь, как и многие из тех, кто задумывается о природе бытия, я пребываю в поисках ответов на фундаментальные вопросы: Что такое мир? Что такое "Я"? Какова природа реальности? Как всё это возникло? и т.д.
В Microsoft Research работают над прототипом аналогового оптического компьютера
Исследовательская группа Microsoft Research уже четыре года разрабатывает аналоговый оптический компьютер. Авторы проекта используют коммерчески доступные компоненты, такие как сенсоры от камер смартфонов, оптические линзы и микросветодиоды тоньше человеческого волоса.
Созданы новые спинтронные логические устройства, использующие жидкий свет для сверхбыстрых вычислений
В последние десятилетия исследования спинтроники, технологии, использующей спиновые состояния частиц для хранения и обработки информации, неуклонно движутся к новым рубежам. Новое исследование, проведенное российскими и китайскими учеными, открывает возможность реализации когерентного оптического спинового эффекта Холла (OSHE) при комнатной температуре, что может кардинально изменить наше представление о спинтронных устройствах. Научная работа была опубликована в журнале Nature Materials.
Как улучшить сходимость в физически-информированных нейронных сетях
Physics-Informed Machine Learning — одно из перспективных направлений в ML. Здесь ключевую роль играют физически-информированные нейронные сети (Physics-Informed Neural Networks, PINNs). Однако процесс их обучения сопряжён с рядом трудностей. В этой статье кратко обсудим, как можно решить эти проблемы и повысить эффективность обучения PINNs.Классическая постановка задачи для PINNsPhysics-Informed Neural Networks
