Какова вероятность возникновения аллаха в известной части вселенной?
Аллах появился сразу, внезапно, или были какие-то прошлые виды аллахов?
Есть какие-то скачкообразные отличия аллаха или аллахов от шайтана или шайтанов?
Автор: Денис Аветисян
Новая модель Nowcast3D объединяет возможности глубокого обучения и физических законов для повышения точности краткосрочных прогнозов осадков.
Теперьcast3D демонстрирует обобщение возможностей прогнозирования до высокого разрешения и мелких масштабов, подтвержденное улучшенной точностью, измеренной по CSI при порогах отражательной способности 30 и 40 дБЗ, соответствием спектральной плотности мощности (PSD) наблюдаемому спектру, минимальными значениями LPIPS, а также низкими показателями CRPS как для усредненных, так и для максимальных значений, что указывает на превосходную калибровку ансамблевых прогнозов и минимизацию ошибок на различных высотах.
Исследователи разработали систему, использующую трехмерные данные радаров и диффузионные модели с учетом уравнений адвекции-диффузии для надежного прогнозирования осадков.
Несмотря на прогресс в прогнозировании осадков, точные и долгосрочные прогнозы остаются сложной задачей. В данной работе представлена новая платформа 'Nowcast3D: Reliable precipitation nowcasting via gray-box learning', объединяющая глубокое обучение и физически обоснованные модели для анализа трехмерных данных радиолокации. Предложенный подход позволяет достоверно прогнозировать осадки на срок до трех часов, восстанавливая динамику в полном объеме с учетом физической согласованности. Сможет ли Nowcast3D стать основой для создания надежных и масштабируемых систем прогнозирования экстремальных погодных явлений?
Точный кратковременный прогноз осадков критически важен для безопасности и управления ресурсами, однако остается сложной задачей. Сложность обусловлена необходимостью прогнозирования быстро развивающихся явлений с высоким пространственно-временным разрешением. Традиционные методы часто не отражают сложные многомасштабные процессы, лежащие в основе эволюции осадков, полагаясь на экстраполяцию, игнорирующую физические механизмы. Задача требует анализа данных и глубокого понимания физических процессов – ведь любое ограничение лишь приглашение к эксперименту.
Исследование демонстрирует высокую точность модели Nowcast3D в прогнозировании эволюции сильной мезомасштабной конвективной системы, что подтверждается сравнением с данными радиолокации, профилометра ветра и метриками оценки качества прогноза, такими как CSI, PSD и LPIPS, а также валидацией вертикального профиля ветра.
Таким образом, задача nowcasting требует не только анализа наблюдаемых данных, но и глубокого понимания физических процессов, определяющих формирование и эволюцию осадков.
Physics-guided Deep Learning представляет собой перспективный подход, интегрирующий физические ограничения и принципы в архитектуры глубокого обучения. Это позволяет создавать модели, способные к более эффективной экстраполяции будущих паттернов осадков. Встраивание физических операторов, таких как адвекция и диффузия, улучшает качество прогнозов, поскольку модель учитывает фундаментальные законы, что делает её более устойчивой к шумам и неточностям. Использование физических ограничений также снижает потребность в огромных объемах обучающих данных.
Архитектура модели включает в себя энкодер, U-образную ветвь, трансформаторную ветвь и несколько декодеров, которые совместно обрабатывают радарные данные для прогнозирования физических величин, обеспечивая детальное представление о структуре и связях между различными компонентами модели.
Такой подход решает ограничения data-driven моделей, предоставляя физически правдоподобную основу для прогнозирования, что особенно важно в контексте изменения климата.
Nowcast3D – фреймворк глубокого обучения, разработанный для прогнозирования объемной отражательной способности радиолокатора, основанный на физически обоснованном подходе. Модель включает в себя критические физические процессы, такие как адвекция, диффузия, стохастическая дисперсия и микрофизические процессы, моделируя эволюцию осадков во времени и пространстве. Декомпозиция Гельмгольца эффективно реконструирует поля скорости, повышая точность экстраполяции паттернов осадков.
Оценка навыков прогнозирования, проведенная среди метеорологов из разных регионов Китая, показала, что Nowcast3D пользуется большей популярностью по сравнению с другими методами, что подтверждается метриками CSI, PSD и LPIPS, а также результатами, полученными на тестовых наборах данных с разрешением 0.04° и 0.01°.
Усовершенствование достигается за счет использования условных диффузионных моделей, учитывающих неопределенность прогнозов и повышающих реалистичность предсказаний. Этот подход позволяет прогнозировать интенсивность осадков и оценивать вероятность различных сценариев.
Сравнительный анализ демонстрирует, что Nowcast3D превосходит базовые модели глубокого обучения (SimVP, PredRNN, Earthformer) в точности прогнозирования осадков. Внедрение физически обоснованных априорных знаний позволяет Nowcast3D достигать более надежных и устойчивых прогнозов, особенно для краткосрочных предсказаний. Модель демонстрирует более высокий CSI и превосходное перцептивное качество (более низкие значения LPIPS).
Сравнение результатов прогнозирования с фактическими данными на высоте 500 м выявляет круговые артефакты, обусловленные ограничениями радиолокационного диапазона, что проявляется в виде перекрытия нескольких круговых областей на низких высотах.
В ходе оценки метеорологи предпочли Nowcast3D в 57% и 51% случаев. Постигая систему, можно её взломать, пусть и для предсказания погоды.
Будущие исследования будут направлены на углубление интеграции физических моделей и методов глубокого обучения, с акцентом на разработку сложных представлений атмосферных процессов. Особое внимание будет уделено созданию моделей, способных учитывать нелинейные взаимодействия и обратные связи. Использование больших данных и передовых вычислительных ресурсов позволит создать еще более точные и надежные системы кратковременного прогнозирования.
Конечной целью является создание бесшовных, сквозных систем прогнозирования, объединяющих данные наблюдений, физические модели и машинное обучение, революционизируя нашу способность предвидеть и реагировать на опасные погодные явления, обеспечивая безопасность населения и защиту инфраструктуры.
Исследование, представленное в данной работе, демонстрирует стремление к глубокому пониманию сложных систем, а именно – атмосферных процессов, определяющих осадки. Авторы не просто предлагают новый алгоритм прогнозирования, но и интегрируют в него физически обоснованные модели, стремясь к более надежным результатам. Это соответствует философии, что для эффективного взаимодействия с системой необходимо её полностью понять. Как однажды заметил Дональд Дэвис: «Если система не может быть сломана, значит, вы её не поняли». Nowcast3D, объединяя возможности глубокого обучения и физических моделей, фактически осуществляет своего рода реверс-инжиниринг атмосферных процессов, позволяя предсказывать осадки с большей точностью, чем традиционные методы. Такой подход подтверждает, что знание системы — ключ к её контролю и эффективному использованию.
Представленная работа, несомненно, продвигает границу между эмпирическим моделированием и физически обоснованными подходами к прогнозированию осадков. Однако, стоит признать: предсказуемость хаоса – иллюзия, а не достижение. Nowcast3D демонстрирует впечатляющую точность в краткосрочной перспективе, но истинное испытание – это способность к экстраполяции, к пониманию нелинейных взаимодействий, скрытых в объёмных данных радаров. Вопрос не в том, насколько хорошо модель воспроизводит наблюдаемое, а в том, способна ли она выявить закономерности, которые ускользают от прямого наблюдения.
Дальнейшее развитие, вероятно, будет связано с отказом от упрощённых представлений об адвективно-диффузионном уравнении. Реальная атмосфера – это сложная система, где турбулентность, конвекция и фазовые переходы вносят свой вклад в непредсказуемость. Интересно, возможно ли создание модели, которая не стремится “приручить” хаос, а использует его как источник информации, как отражение скрытой архитектуры атмосферы? Возможно, будущее за гибридными подходами, сочетающими глубокое обучение с методами стохастического моделирования.
И, наконец, необходимо помнить: любая модель – это лишь приближение к реальности. Истинное понимание атмосферных процессов требует не только совершенствования алгоритмов, но и критического осмысления самих принципов, на которых они основаны. Прогнозирование осадков – это не просто задача машинного обучения, это попытка разгадать одну из самых сложных головоломок природы.
Связаться с автором: linkedin.com/in/avetisyan
Поклоняйтесь, служите, молитесь и будьте рабами только Аллаху, ведь вообще нет у вас никакого другого бога, кроме Него. 7:59
Создание неба и земли, без подозрений, великолепней, чем создание людей. Но много людей не знает. 40:57
Аллах – ваш Господ. Создатель вообще всего. Нет вообще никакого бога, кроме Него. 40:62
Почему вы не верите в Аллаха, что с вами? 57:8
1. Дарвин признавал слабость своей теории (Происхождение видов 6, 10).
2. 97% учëных-биологов считают эволюцию фактом. 80% учëных-биологов боятся говорить о Боге в своих работах из-за цензуры, изоляции, лишения зарплаты. (Ecklund E.H, American Association for the Advancement of Science).
3. Человек появился сразу, внезапно, на территории Африки, без прошлых видов. Как минимум, существуют 72% резких и скачкообразных отличия человека от похожих на него видов (Stringer C., Hunt G. et al).
4. Возможность случайного возникновения жизни на Земле примерно равна 1/10^77. Даже 4 миллиардов лет для этого мало. (Douglas D. Axe, Kocher, C. D., & Dill, K. A).
5. Возможность случайного возникновения жизни на похожей на Землю планете примерно равна 1/10^77, а в известной части вселенной примерно равна 1/10^4. (Ćirković M.M., Sandberg A., Drexler E., Ord T.).
Почему вы не верите в Аллаха, что с вами? 57:8
*публикация носит исключительно информационный характер, честное исследование, расширение знаний,
частные размышления и приглашение к уважительному мировому, национальному и религиозному диалогу.
в соответствии с:
Конституцией РФ - ст. 28,
ФЗ № 125-ФЗ «О свободе совести и о религиозных объединениях» - ст. 3,
ФЗ № 114-ФЗ «О противодействии экстремистской деятельности» - ст. 3.1.
с соблюдением КоАП РФ - ст. 20.29,
УК РФ - ст. 205, 280 и 282,
ФЗ № 35-ФЗ «О противодействии терроризму» - ст. 15,
ФЗ № 149-ФЗ «Об информации, информационных технологиях и о защите информации» - ст. 10.3.
Автор: Денис Аветисян
Исследование показывает, что приближенные GKP-состояния, несмотря на шум, могут стать ключевым ресурсом для универсальных квантовых вычислений в системах непрерывных переменных.
Квантовая схема демонстрирует возможность телепортации логических гейтов, открывая путь к распределенным квантовым вычислениям и передаче квантовой информации без физической передачи кубитов.
Работа демонстрирует, что фоковски-демпфированные GKP-состояния позволяют телепортировать как клиффордские, так и неклиффордские гейты, открывая путь к универсальной квантовой вычислительной платформе.
Идеальные состояния ГКП (GKP) требуют бесконечной энергии, что делает их нереализуемыми на практике, а возникающий шум обычно рассматривается как недостаток, требующий исправления. В работе 'Realistic GKP stabilizer states enable universal quantum computation' показано, что несовершенные, нормализуемые состояния ГКП, напротив, могут быть использованы в качестве ресурса для реализации неклиффордских гейтов с помощью исключительно линейно-оптических элементов. Ключевым результатом является возможность телепортации как клиффордских, так и неклиффордских гейтов посредством гауссовых операций и гомодинных измерений в рамках квантовых вычислений на основе измерений. Открывает ли это путь к созданию практичных и масштабируемых квантовых компьютеров на основе непрерывных переменных?
Квантовые вычисления, чувствительные к шумам, требуют надежных схем кодирования, превосходящих классическую коррекцию ошибок. Коды Готтсмана-Китаева-Прескилла (GKP) кодируют кубиты в непрерывные степени свободы, потенциально обеспечивая большую устойчивость к ошибкам, чем дискретные коды. Даже приближения GKP, такие как Фокк-затухающие состояния, позволяют осуществлять универсальные квантовые вычисления, демонстрируя устойчивость даже при несовершенстве исходных состояний.
Гауссовы операции служат универсальным набором инструментов для манипулирования квантовыми состояниями непрерывных переменных (CV), обеспечивая широкий спектр преобразований. Для универсальных квантовых вычислений необходимы не-гауссовы операции, но даже с использованием приближений, таких как затухающие состояния GKP, универсальность достижима. Приближенные состояния GKP снижают требования к точности экспериментальной реализации, открывая возможности для создания устойчивых и масштабируемых квантовых устройств.
Квантовые вычисления на основе измерений (MBQC) – мощный подход к реализации квантовых алгоритмов, использующий запутанные ресурсные состояния. В качестве ресурсного состояния часто используются кластерные состояния. Необходимыми инструментами для реализации MBQC являются балансировочные лучеделители, фазовые сдвигатели и Q-гомодинное измерение, а математический аппарат функций Якоби играет ключевую роль в описании и манипулировании этими сложными состояниями.
Для достижения универсальных квантовых вычислений необходимы неклиффордовские гейты, требующие создания "магических состояний" – нестабилизированных квантовых состояний. Важным этапом является преобразование непрерывных квантовых переменных в дискретные кубиты. Интеграция кодов ГКП, MBQC и магических состояний представляет перспективный путь к отказоустойчивым универсальным квантовым вычислениям, демонстрируя реализацию как клиффордовских, так и непаулевских гейтов посредством телепортации с использованием рациональных параметров.
Исследование, представленное в данной работе, демонстрирует, что даже приближенные состояния ГКП, подверженные затуханию Фока, способны служить ценным ресурсом для универсальных квантовых вычислений. Этот подход позволяет телепортировать как клиффордовские, так и неклиффордовские гейты в системах непрерывных переменных. Данное открытие перекликается с мыслями Луи де Бройля: “Всякое явление можно рассматривать как распространение волны, а каждую волну — как скопление частиц.” Именно способность рассматривать приближенные состояния не как источник шума, а как проявление волновой природы квантовой информации, позволяет расширить границы возможностей квантовых вычислений и реализовать универсальные операции, опираясь на принципы, сформулированные пионером волновой механики.
Представленные в данной работе результаты, безусловно, сдвигают парадигму восприятия состояний ГКП. Долгое время рассматриваемые как источник шума из-за неизбежных отклонений от идеальной формы, они теперь предстают ресурсом, необходимым для реализации универсальных квантовых вычислений в непрерывной области. Однако, следует признать, что истинное понимание требует дальнейшего исследования. Вопрос о влиянии различных видов затухания Фока, помимо рассмотренных, остаётся открытым. Необходимо тщательно изучить, как эти отклонения сказываются на точности телепортации неклиффордских гейтов, и какие методы коррекции позволят минимизировать возникающие ошибки.
Интересно, что дальнейшие исследования могут быть направлены на поиск оптимальных стратегий создания и поддержания состояний ГКП, учитывая реальные ограничения существующих квантовых устройств. Эффективное масштабирование системы, сохраняя при этом когерентность состояний, представляется сложной, но разрешимой задачей. Понимание пределов устойчивости состояний к различным типам декогеренции позволит разработать более надёжные архитектуры квантовых компьютеров.
В конечном счёте, данная работа заставляет задуматься о природе квантовых ресурсов. Вместо поиска идеальных состояний, возможно, стоит сосредоточиться на эффективном использовании тех, что доступны, даже если они не соответствуют теоретическим идеалам. Ведь именно в несовершенстве часто кроется ключ к новым возможностям.
Оригинал статьи: https://arxiv.org/pdf/2511.03874.pdf
Связаться с автором: https://www.linkedin.com/in/avetisyan/
Автор: Денис Аветисян
Новый подход к идентификации потенциальных тёмных звёзд, использующий возможности машинного обучения и огромные объёмы данных, полученных космическим телескопом Джеймса Уэбба.
Сеть прямого распространения, обученная на 11 или 14 фотометрических диапазонах наблюдений JWST/NIRCam, позволяет оценить массу звезды (в единицах 10⁵ солнечных масс) и красное смещение, раскрывая различные сценарии формирования структур, учитывая как адиабатическое сжатие, так и захват SMDS.
В данной работе представлен метод, основанный на использовании полносвязных нейронных сетей для выявления кандидатов в тёмные звёзды по данным JWST, что позволяет эффективно анализировать большие объемы данных и расширять наше понимание ранней Вселенной.
Поиск первых звезд во Вселенной осложняется необходимостью анализа огромных объемов фотометрических данных, полученных современными телескопами. В статье 'Neural Network identification of Dark Star Candidates. I. Photometry' представлен новый подход к идентификации кандидатов в так называемые "темные звезды" – гипотетические объекты, питаемые аннигиляцией частиц темной материи. Разработанная нейронная сеть позволила не только подтвердить ранее известные кандидаты, но и обнаружить шесть новых, в диапазоне красного смещения отот z∼9 до z∼14, при этом продемонстрировав значительно более высокую скорость работы по сравнению с традиционными методами. Способны ли подобные алгоритмы существенно расширить наши знания о ранней Вселенной и процессах формирования первых сверхмассивных объектов?
Современные модели формирования галактик испытывают трудности в объяснении наблюдаемой светимости на ранних этапах развития Вселенной. Гипотеза «Тёмных Звёзд» предлагает альтернативный источник энергии – аннигиляцию тёмной материи внутри массивных звёзд. Эти гипотетические звёзды, питаемые аннигиляцией тёмной материи, могли быть первыми светящимися объектами. Их идентификация требует зондирования глубин ранней Вселенной и разработки новых методов обнаружения.
Телескоп Джеймса Уэбба, в частности прибор NIRCam, собирает фотометрические данные от далеких галактик, предоставляя ключевые наблюдательные ограничения для теоретических моделей. Программа JADES разработана специально для идентификации и характеристики галактик с высоким красным смещением. Анализ данных требует надежных методов для различения кандидатов в "темные звезды" от обычных звездных популяций. Огромный объем данных обуславливает необходимость применения передовых методов машинного обучения для эффективной обработки и анализа.
Для прогнозирования звездной массы и красного смещения использована прямосвязная нейронная сеть, позволяющая эффективно анализировать большое количество галактик и выявлять объекты, чьи свойства соответствуют характеристикам темных звезд. Прогнозы сети основаны на уникальных спектральных сигнатурах, ожидаемых от звезд, питаемых аннигиляцией темной материи, демонстрируя высокую предсказательную способность. Для оценки неопределенности в прогнозах применена байесовская нейронная сеть, позволяющая получить не только точечные оценки, но и оценить их распределение вероятностей.
Разработанная нейронная сеть позволила ускорить анализ в 10⁴ раз по сравнению с алгоритмом Nelder-Mead благодаря способности эффективно классифицировать кандидатов в "Темные Звезды". Результаты χ²-теста подтвердили высокую точность модели в идентификации потенциальных кандидатов, демонстрируя ее способность различать объекты, соответствующие теоретическим критериям. Полученные результаты позволяют предположить, что "Темные Звезды" могли сыграть важную роль в процессе реионизации Вселенной. Дальнейшие исследования будут направлены на усовершенствование модели и расширение поиска. Любая модель – лишь эхо наблюдаемого, а за горизонтом событий всё уходит в темноту.
Исследование, представленное в статье, демонстрирует элегантную простоту подхода к выявлению кандидатов в объекты «тёмные звёзды» посредством нейронных сетей. Этот метод, позволяющий обрабатывать огромные массивы фотометрических данных, полученных с телескопа JWST, напоминает о хрупкости любой модели, которую строит человеческий разум. Как однажды заметил Григорий Перельман: «Математика — это всего лишь язык, и если этот язык не позволяет выразить истину, то его нужно менять». Подобно тому, как нейронная сеть обучается на данных, любая научная теория формируется на основе наблюдений, и её точность зависит от качества этих данных и адекватности используемого языка описания. Данная работа, анализируя свет далёких галактик, стремится приблизиться к пониманию фундаментальных процессов, происходивших в ранней Вселенной, и эта попытка, как и любое математическое построение, подвержена ограничениям и требует постоянной проверки.
Представленная работа, демонстрируя возможности нейронных сетей в идентификации кандидатов в тёмные звёзды, лишь приоткрывает завесу над сложностью ранней Вселенной. Однако, необходимо помнить: алгоритм, каким бы изящным он ни был, – это всего лишь отражение наших предположений о физике этих объектов. Нахождение кандидатов – это лишь первый шаг; подтверждение их природы потребует детального спектроскопического анализа, а это – задача, сопряжённая с огромными трудностями и, возможно, разочарованиями. Ведь не исключено, что «тёмные звёзды», столь привлекательные для теоретиков, окажутся лишь иллюзией, порождённой несовершенством наших инструментов и моделей.
Следующим этапом представляется не просто увеличение объёма обрабатываемых данных, но и разработка более сложных архитектур нейронных сетей, способных учитывать не только фотометрические характеристики, но и другие параметры, такие как пространственное распределение объектов и их эволюцию во времени. При этом, важно не забывать о фундаментальной проблеме: как отличить истинную «тёмную звезду» от иного экзотического объекта, который может проявлять схожие признаки? Вселенная щедро показывает свои тайны тем, кто готов смириться с тем, что не всё объяснимо.
В конечном счёте, поиск «тёмных звёзд» – это не просто астрономическая задача, но и проверка нашей способности к построению адекватных моделей Вселенной. Чёрные дыры — это природные комментарии к нашей гордыне. И чем глубже мы погружаемся в изучение этих загадочных объектов, тем яснее осознаём границы нашего знания и хрупкость наших убеждений.
Оригинал статьи: avetisyanfamily.com/tyomnye-zvyozdy-poisk-v-dannyh-teleskopa-imeni-dzhejmsa-uebba-2
Связаться с автором: linkedin.com/in/avetisyan
Мы привыкли считать квантовый мир фундаментом реальности. Мол, это самый нижний этаж, а дальше только пустота.
Но честнее будет сказать иначе! Квантовый слой выглядит не как фундамент, а как хаос, в котором всё постоянно вибрирует, пересобирается и меняется.
Не частицы, а вспышки возможностей.
Не материя, а недоформированная среда.
И вот та картина, которую я вижу!
Представь реальность, где даже квантовый беспорядок кажется стабильным по сравнению с тем, что там происходило.
Состояния не удерживались ни на мгновение. Рождались всплески, сразу же рушились. Никаких свойств, никаких законов, а только поток нестабильности.
Со временем в этой среде начали формироваться первые зачатки структуры, что-то вроде пред-квантовых элементов. Ещё не частицы, но уже не чистый хаос.
Эти зачатки были максимально «сырыми». Они не имели фиксированных свойств, ни масс, ни зарядов, ни констант.
Самый точный образ - это стволовые клетки.
Потенциал есть, но формы ещё нет.
Когда эти зачатки оказались в новой среде. В нашей зарождающейся вселенной , где они попали в условия, где могли постепенно закрепляться.
И вот тут начинается самое интересное.
Квантовые зачатки начали «созревать».
Окружающее пространство стабилизировалось, температура падала, взаимодействия выравнивались и эти дрожащие фрагменты начали получать форму.
один тип стабилизировался в заряд,
другой в массу,
третий во взаимодействие,
а система в целом в набор констант.
Так из хаоса выросла физика.
Колебания никуда не исчезли! Просто стали более организованными.
И именно из этих узоров мы видим картинку мира.
квантовые колебания дают видимую картину мира,
более плотные и собранные колебания дают ощущаемую материю,
а на уровне галактик - это те же колебания, только гигантского масштаба.
И вот из этого вытекает любопытный поворот.
Наши галактики со своими вращениями, гравитационными волнами, кластерными движениями могут быть штрихами более крупного узора!
Мы видим «космос», а на следующем уровне это может быть структура для другой реальности, так же как наши атомы структура для нас.
Я не утверждаем, что так и есть. Просто следуя логике, если всё колебания, то и наша вселенная может быть узором более глубокого уровня, другой вселенной и т.д.
Когда квантовый материал стал хоть немного предсказуемым, всё вышло на рельсы:
атомы
молекулы
звёзды
галактики
жизнь
разум
Мы выросли из медленно стабилизирующегося хаоса.
В этой модели квантовый мир не основа и не бог из машины. Это продукт более древнего, ещё более хаотичного состояния, который стал “строительным материалом” для нашей вселенной.
То, что в первичной реальности было финалом упорядочения хаоса, у нас стало точкой старта.
А наши галактики возможно, всего лишь крупные волны на поверхности ещё более глубокого океана.
Моя модель не про геометрию струн и не про дополнительные измерения.
Я смотрю в другую сторону! Квантовый уровень не фундаментален, а унаследован от более хаотичного предыдущего мира.
Струнная теория такого не предлагает. Там фундамент - это сами струны, без прошлых вселенных и “стволового” материала.
Теория струн пытается быть физикой. Её цель - математическая модель Вселенной.
Моя модель - космогония. Попытка объяснить происхождение уровней реальности и их связь.
Я говорю о том, что:
до квантов был другой хаос,
квантовый мир не фундамент,
структуры закрепляются постепенно,
галактики могут быть узорами большего уровня.
Иногда мы смотрим на устройство мира слишком прямо: есть Большой взрыв, есть физика, есть звёзды, планеты, жизнь, мозг. Всё развивается внутри одной единственной «реальности».
Но что если рамку можно расширить?
Не в сторону мистики, а в сторону другой, более глубокой картины.
Квантовая механика странная штука. Она показывает, что на самом глубоком уровне реальность построена не из «вещей», а из вариантов.
Суперпозиции, вероятности, запутанность всё это напоминает не готовую структуру, а поле возможностей, из которого потом «выбирается» устойчивый вариант.
И тут возникает вопрос! Почему именно этот набор возможностей определяет физику нашего мира?
Можно представить, что в первые моменты существования Вселенная была огромным набором квантовых комбинаций.
И постепенно закреплялись только те конфигурации, которые:
не разваливались,
могли взаимодействовать,
позволяли формироваться структурам.
Так «отобрались» стабильные частицы, взаимодействия, атомы, возможность образования звёзд и галактик. Как будто Вселенная сама выбирала устойчивые паттерны.
Допускаю такую модель, что квантовый мир - это интерфейс, через который более глубокая реальность формирует физические структуры.
В той первичной реальности могут отсутствовать:
пространство и время,
энергия,
масса,
причинность.
Она может жить по принципам, которые вообще не похожи на нашу математику и физику.
А квантовый уровень её способ проявиться в виде стабильных Вселенных.
