2019 年诺贝尔物理学奖揭晓!三得主让宇宙“彻底改观”!

 

640?wx_fmt=gif

640?wx_fmt=jpeg
作者 | 胡巍巍
出品 | CSDN(ID:CSDNnews)
2019年诺贝尔物理奖揭晓!
你可能要问,物理奖和我一个程序员有啥关系?
非也!
想要物理好,你得逻辑好,逻辑好了,再去学编程就好比“降维打击”So easy!
欲成为富甲一方的IT大佬,和物理产生点关系,对你只有好处没有坏处!
张朝阳在清华读本科时,学的是物理,MIT读博士,依然学的是物理。
马化腾高考时,曾纠结要不要去读南京大学天文系。
周鸿祎当初就靠物理竞赛,被保送到西安交大。
,也是留美物理博士,他曾说,物理都能学会,计算机更是不在话下。
近日CSDN采访的
所以!今天不关心技术,只关心诺贝尔和物理。
2019年的诺贝尔物理奖,花落三家!
得主分别是:美国物理学家吉姆·皮布尔斯(James Peebles),现年84岁,获奖理由为“对物理宇宙学方面的理论发现”;
以及:来自瑞士的物理学家米歇尔·麦耶(Michel Mayor),现年77岁;天文学家迪迪埃·奎洛兹(Didier Queloz)现年53岁,这两位科学家的获奖理由,为“发现围绕类太阳恒星运行的系外行星”。
为啥瑞士这两位爷爷一起获奖?因为获奖成果是他俩合作出来滴。
640?wx_fmt=png
“诺贝尔”官网截图
三位大牛将共享900万瑞典克朗(约合91万美元)奖金,其中,皮布尔斯Get一半奖金,折合人民币2892510元,咳咳这钱不少,欢迎来北京买房;而马约尔和奎洛兹则平分剩余的一半奖金。

 

640?wx_fmt=png

皮布尔斯: 为50年来的宇宙学奠基

 

1935年,詹姆斯·皮布尔斯(James Peebles)出生于加拿大曼尼托巴省温尼伯市,并在曼尼托巴大学获得学士学位。
1958年秋,他离开曼尼托巴,进入普林斯顿大学,完成博士学位。
此后至今,一直在普林斯顿大学任职。
本次获奖,主要是因为他为过去五十年来、从推测到科学的宇宙学转变奠定了基础。
不过他对于获奖很淡泊。
有记者请他,对想在科学领域深耕的年轻人提出一些建议,他说:“希望年轻人们怀揣着对科学的热爱踏入这一领域,一些奖项很诱人,但那不是你入行的原因,你应该被科学本身深深吸引。”
成熟的稻穗,总是低下头,这样一位宇宙学的奠基人,真的很谦卑!
 
据“诺贝尔”官网介绍,詹姆斯·皮布尔斯(James Peebles)对物理宇宙学的见识,丰富了整个研究领域,他的理论框架自1960年代中期以来发展起来,是当代宇宙思想的基础。
按照“大爆炸宇宙论”来说,大爆炸发生时,宇宙变得透明,光线得以穿越太空。即使在今天,这种古老的辐射,仍在我们周围,并被编码为许多秘密。
而詹姆斯·皮布尔斯(James Peebles)使用他的理论工具和计算方法,能从宇宙初期解释这些痕迹,并发现新的物理过程。
他的研究结果,向我们展示了宇宙中只有百分之五的内容是已知的,这些已知的物质,由恒星、行星、树木和人类构成。
其余百分之九十五,是未知的暗物质和暗能量,它们目前仍是现代物理学的一个谜。
对于詹姆斯·皮布尔斯(James Peebles)的成就,英国《卫报》报道总结称,简单来说,暗能量是驱动宇宙运动的一种能量,暗物质是可能存在于宇宙中的一种不可见的物质,两者都不会吸收、反射或者辐射光,所以人类无法直接使用现有的技术进行观测。
 

640?wx_fmt=png

麦耶和奎洛兹: 打开了银河系的潘多拉盒子

 

另外两位获奖者,主要因为发现 太阳系之外的行星而获奖。
“诺贝尔”官网表示,1995年10月,米歇尔·马约尔(Michel Mayor)和迪迪埃·奎洛兹(Didier Queloz)宣布了在太阳系外行星的首次发现,这是一颗系外行星,它绕着我们银河系中的一颗太阳型恒星运转。
在法国南部的上普罗旺斯天文台,他们使用定制的仪器,能够看到51佩加西b行星,这是一种气态球,可与太阳系最大的天然气巨头木星相提并论。
这一发现引发了天文学的一场革命,此后在银河系中发现了4000多颗系外行星......
可以说,他们挑战了人类关于行星系统的先入为主的观念,并迫使科学家们修改行星起源背后物理过程的理论。
 

640?wx_fmt=png

 

总之,对宇宙的看法又被刷新

 
对于三位获奖者,“诺贝尔”如是总结道:“今年的获奖者改变了我们对宇宙的看法。詹姆斯·皮布尔斯(James Peebles)的理论发现,有助于我们理解大爆炸后宇宙的演化,而米歇尔·马约尔(Michel Mayor)和迪迪埃·奎洛兹(Didier Queloz)探索了未知行星的宇宙街区。他们的发现,永远改变了我们对世界的观念。”
牛掰格拉斯是吧?一脸懵雾是吧?那就对了,说明你正在成长。
 

640?wx_fmt=png

 

诺奖往事知多少

 
诺贝尔物理学奖,是诺贝尔奖设置者——阿尔弗雷德·诺贝尔(Alfred Nobel,瑞典化学家)从1895年起,就在他的遗愿中,首先提到的奖项领域。他自己的化学研究,也与物理学紧密相关。
在1901年至2019年期间,共计颁发113次诺贝尔物理奖,共计213人摘得奖项。
其中著名的获得者,就是爱因斯坦,不过他获奖并不是因为“相对论”,而是“光电效应定律”。
据了解,每名诺贝尔奖得主将得到3样东西:诺贝尔奖获奖证书一份、诺贝尔奖奖章一枚、奖金证书一份。
诺贝尔奖证书,均由瑞典和挪威最为卓越的艺术家和书法家创作,奖章背面图案是古希腊神话中的健康女神,从岩石中收集泉水,来为生病的少女解渴。奖章上刻有一句拉丁文,大意为:新发现使生命更美好。
不过,互联网对人类影响这么大,“诺奖”可以增设经济奖,为啥不能增设“诺贝尔互联网奖”呢?此处手动@诺贝尔官方。同意的右下角点个赞!
640?wx_fmt=jpeg
【END】

早鸟票倒计时最后2天,扫码购票立减2600元!

2019 中国大数据技术大会(BDTC)再度来袭!豪华主席阵容及百位技术专家齐聚,15 场精选专题技术和行业论坛,超强干货+技术剖析+行业实践立体解读,深入解析热门技术在行业中的实践落地。

640?wx_fmt=jpeg

 热 文 推 荐 
 
 

 

 

 

 

 

640?wx_fmt=gif 点击阅读原文,输入关键词,即可搜索您想要的 CSDN 文章。
640?wx_fmt=png
你点的每个“在看”,我都认真当成了喜欢
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

CSDN资讯

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值