相信很多朋友對吃豆人的經(jīng)典形象非常熟悉。它既沒有頹廢的氣質(zhì)、也沒有憂郁的眼神、更不會蹦出什么段子或者金句。它來到世間只做一件事:吃豆。
這跟黑洞的屬性實在非常相似。黑洞也只做一件事:吞噬。而且跟吃豆人差不多,黑洞也只吃離自己很近的東西。
黑洞與恒星經(jīng)常碰撞,然后二者就此合體。接觸之后,恒星很快也會變成黑洞,并融入碰上的黑洞讓它變成一個更大的黑洞。
但整個過程是偶然還是種主動行為?萬一黑洞是在積極獵殺恒星呢?雖然黑洞的這種活動不會加快宇宙奇點的來臨,但至少能把自己越吃越大,如同宇宙背景下一個愈發(fā)龐大的真空陷坑。
而且在對一些合體事件進行觀測后,研究人員最近發(fā)現(xiàn)黑洞很可能與宇宙保持著相同的膨脹速度。
來自夏威夷大學、芝加哥大學與密歇根大學的一組研究人員觀察到,黑洞是宇宙合并的顯著結(jié)果,而且這些黑洞的尺寸似乎比天體物理學家想象中要大得多。
在重復運行模擬并引入某些新的物理現(xiàn)象作為參考之后,研究團隊確定黑洞很可能在以同步于宇宙的速度持續(xù)膨脹??偨Y(jié)來講,隨著宇宙本體的膨脹,黑洞也在持續(xù)增長并變得越來越強。
回到開頭關于吃豆人的例子,其實這里也有不當之處。在游戲里至少那些小鬼魂還能傷害到吃豆人,除非我們的主角吃下能量藥丸。但現(xiàn)實世界中沒有任何東西逃得過黑洞的引力,就連光都不行。
而麻省理工學院近期一項最新研究則證實了一種猜測,即黑洞可以利用強引力造成的真空破壞力瓦解周遭恒星并產(chǎn)生重金屬。
在中子星與黑洞之間的某些碰撞中,星體并不會被完全吞噬,而是在巨大的不穩(wěn)定能量中生成金與鉑等元素。
考慮到黑洞隨宇宙膨脹以及金屬元素自由漂浮等理論,目前還不清楚這些金與鉑元素最終是否會被黑洞吸收。
不過就算是能產(chǎn)生一點重金屬,黑洞的創(chuàng)造也只能說是“破壞之余的意外行為”。畢竟如果是兩顆恒星直接相撞,產(chǎn)生的重金屬會更多、更豐富。
科學家們希望未來幾年內(nèi)當下一代太空望遠鏡與天文臺部署到位之后,我們能夠建立起更多新的黑洞觀測見解,包括關于宇宙最初奇點形成的細節(jié)信息。
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術通過融合多幀圖像的"圖結(jié)構"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術利用圖像間的不變幾何關系,結(jié)合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學習訓練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構聯(lián)合提出SparseLoRA技術,通過動態(tài)稀疏性實現(xiàn)大語言模型訓練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓練效率,已在多個任務上驗證有效性。