Get Mystery Box with random crypto!

جهان چگونه کار می کند؟

لوگوی کانال تلگرام function_of_the_world — جهان چگونه کار می کند؟ ج
لوگوی کانال تلگرام function_of_the_world — جهان چگونه کار می کند؟
آدرس کانال: @function_of_the_world
دسته بندی ها: حیوانات , اتومبیل
زبان: فارسی
مشترکین: 5.15K
توضیحات از کانال

کانال های علمی دیگر ما
در زمینه علوم اعصاب و مستند :
@world_function_LIB🎥
@world_function_NS🧠
📷Instagram.com/world.function
گروه علمی ما :
@world_function
ارتباط با مدیریت :
@SHAHAB_FS

Ratings & Reviews

3.00

3 reviews

Reviews can be left only by registered users. All reviews are moderated by admins.

5 stars

1

4 stars

0

3 stars

0

2 stars

2

1 stars

0


آخرین پیام ها

2022-08-27 21:12:44 مولکول تازه کشف شده با بیش از ۳۰۰ نوع باکتری مقاوم به دارو مبارزه می کند

مقاومت آنتی بیوتیکی مشکل بزرگی است که دانشمندان و سازمان های بهداشتی به دنبال غلبه بر آن هستند. به زودی، ممکن است پس از کشف یک مولکول جدید که می تواند به طور موثر باکتری هایی را که به دارو مقاوم شده اند، کمک کند.

این مولکول فابیمایسین نام دارد و برای مبارزه با برخی از سرسخت‌ترین عفونت‌هایی که انسان می‌تواند به آن مبتلا شود، استفاده شود.

درمان بالقوه جدید، باکتری‌های گرم منفی، گروهی از پاتوژن‌های غیرقابل کشتن را که معمولاً پشت عفونت‌های دستگاه ادراری، ریه‌ها و حتی جریان خون هستند را هدف قرار می‌دهد.
انعطاف پذیری باكتريهاي گرم منفي به دلیل یک غشای بیرونی محافظ است که باكتري در برابر مواد آسیب رسان مانند آنتی بیوتیک ها کمک می کند.
یک مطالعه در یک بیمارستان انگلیسی نشان داد که بیش از یک سوم افراد مبتلا به عفونت‌های خونی باکتری‌های گرم منفی طی یک سال جان خود را از دست داده‌اند كه چالش‌های موجود در مدیریت این میکروب‌های قوی را نشان می‌دهد.

محققان در مقاله منتشر شده خود می نویسند: «مطالعات و آزمایشات ژنومی با سویه های دارای عدم نفوذپذیری، انواع مختلفی از اهداف بیولوژیکی را نشان داده است که می توانند برای کشتن باکتری های گرم منفی، مفيد باشند.
فبا این حال، غشای بیرونی مهیب و پمپ‌های خروجی این پاتوژن‌ها مانع از از بين بردن باكتري توسط بسیاری از آنتی‌بیوتیک‌های کاندید می‌شود.

فابیمایسین با عبور از لایه بیرونی سلول، بر این مشکلات غلبه می‌کند و از پمپ‌هایی که مواد خارجی را حذف می‌کنند اجتناب می‌کند تا به انتيبيوتيك اجازه ميدهد در جایی که می‌تواند بیشترین آسیب را داشته باشد تجمع کند. این ماده همچنین از پاک کردن بیش از حد باکتری های سالم جلوگیری می کندكه مشکل دیگری در درمان های فعلی ميباشد.


این تیم کار خود را با آنتی بیوتیکی شروع کرد که به عنوان موثر در برابر باکتری های گرم مثبت شناخته شده بود و چندین تغییر ساختاری ایجاد کرد تا به مولکول قدرت نفوذ در دفاع قدرتمند سویه های گرم منفی را بدهد.

در آزمایشات، فابیمایسین بر بیش از 300 نوع باکتری مقاوم به دارو تأثیر داشت. علاوه بر این، در مدل‌های موش نشان داده شد که سطح باکتری‌های مضر را در موش‌های مبتلا به ذات‌الریه یا عفونت‌های دستگاه ادراری تا جایی که قبل از عفونت بودند، کاهش می‌دهد.

با توجه به فعالیت امیدوارکننده فابیمایسین در مدل‌های عفونت موش و داده‌های دلگرم‌کننده مبنی بر اینکه فابی‌مایسین به‌طور چشمگیری در پلاسمای موش و انسان پایدارتر است، منطقی است باور کنیم که اثر فابی‌مایسین ممکن است بهبود یابد زیرا برای درمان عفونت‌ها در ارگانیسم‌های بالاتر استفاده می‌شود.

محققان کشف آنتی‌بیوتیک‌هایی که ممکن است روی باکتری‌های گرم منفی کار کنند، چیزی نیست که هر روز اتفاق بیفتد، بنابراین بیوسنتز فابیمایسین یک پیشرفت امیدوارکننده و مهم است.

این تحقیق در ACS Central Science منتشر شده است.

مولف: دکتر جمشید شاملو

https://www.sciencealert.com/newly-discovered-molecule-fights-off-over-300-kinds-of-drug-resistant-bacteria/amp

«Channel of Science is for all»
971 views18:12
باز کردن / نظر دهید
2022-08-25 09:09:47 دانشمندان دریافتند اجداد انسان باستان ۷ میلیون سال پیش روی دو پا راه می رفت

تغییر به راه رفتن روی دو پا، به جای چهار پا، لحظه مهمی در تکامل گونه ما است، به همین دلیل دانشمندان مشتاق هستند دقیقاً زمان وقوع آن را مشخص کنند. یک مطالعه جدید نشان می‌دهد که این سازگاری در حدود ۷ میلیون سال پیش اتفاق افتاده است. .

این بر اساس تجزیه و تحلیل دقیق فسیل های ران (فمور) و ساعد (اولنا) از Sahelanthropus tchadensis، قدیمی ترین گونه نماینده بشریت است. این فسیل ها اولین بار در سال ۲۰۰۱ در توروس-منالا در چاد کشف شدند.

در همان زمان، احتمالاً این انسان‌واره‌های اولیه با استفاده از هر چهار دست و پا، کمی از درخت بالا می‌رفتند .

محققان می گویند: در اینجا ما شواهد پس از جمجمه از رفتار حرکتی S. tchadensis را با بینش های جدید در مورد دوپا بودن در مراحل اولیه تاریخ تکامل هومینین ارائه می دهیم.

با مقایسه فسیل‌های ران و ساعد با استخوان‌های معادل انسان، شامپانزه و گوریل، محققان توانستند مکانیزم نحوه استفاده از آنها و نحوه حرکت این گونه (حالت حرکتی) را دریابند.

در مجموع ۲۰ ویژگی مختلف از استخوان های فسیل شده برای تعیین اینکه آیا S. tchadensis روی دو پا راه می رود یا چهار پا، از جمله شکل بیرونی بقایا و ساختارهای داخلی، که از طریق تصویربرداری میکروتوموگرافی ارزیابی شد، استفاده شد.

آنها به این نتیجه رسیدند که "دوپا بودن معمولی" با گاهی درخت نوردی محتمل ترین سناریو است.

این تیم گزارش می‌کند که بین روشی که این گونه‌ها از درختان بالا می‌روند در مقایسه با گوریل‌ها و شامپانزه‌های امروزی تفاوت وجود دارد: با گرفتن دست‌های محکم، به جای تکیه بر استخوان‌های انگشتان دست و پا.

محققان می گویند: انحنا و ویژگی های هندسی مقطع استخوان زند اولنا... نشان دهنده رفتارهای معمول از درخت بالا رفتن، از جمله کوهنوردی و/یا "صعود با احتیاط"، به جای چهارپایی زمینی است.

این تحقیق بر اساس مطالعه قبلی روی فسیل جمجمه ای است که در همان مکان حفر شده و گمان می رود متعلق به S. tchadensis نیز باشد. تجزیه و تحلیل جمجمه نشان داد که این موجودات میمون مانند دوپا بودند و اکنون شواهد جامع تری وجود دارد.

فسیل‌ها مربوط به زمان (بین ۶ تا ۸ میلیون سال پیش) است که انسان‌ها به‌طور ژنتیکی از شامپانزه‌ها و بونوبوها که نزدیک‌ترین خویشاوندان ما هستند جدا شده‌اند، بنابراین این مرحله بسیار مهمی است و قبلاً تحقیقات علمی زیادی را به خود جلب کرده است.

این انسان‌واره‌های اولیه احتمالاً در محیطی زندگی می‌کردند که جنگل‌ها، نخلستان‌ها و علفزارها را در هم آمیخته بود ، هم روی دو پا راه می‌رفتند و هم از درخت‌ها بالا می‌رفتند و به دنبال غذا و آب بودند.

محققان می گویند: بهترین فرضیه این است که مورفولوژی پشت جمجمه Sahelanthropus نشان دهنده دوپا بودن است و هر فرضیه دیگری قدرت توضیحی کمتری خواهد داشت.

این تحقیق در Nature منتشر شده است.

ترجمه:یاس
https://www.sciencealert.com/ancient-human-ancestor-walked-on-two-legs-7-million-years-ago-scientists-find

«Channel of Science is for all»
1.3K views06:09
باز کردن / نظر دهید
2022-08-23 07:35:19 اگر ما یک شبکه عصبی غول‌پیکر داشته باشیم، نمی‌توانیم بفهمیم چه خبر است. بنابراین این یک مسئله است و کارهای زیادی برای توضیح هوش مصنوعی وجود دارد.

ما یک مدل واقعا پیچیده داریم، راه فکر کردن در مورد آن این است که به تمام گزارش های رویداد نگاه کنید. مشاهداتی از این سیستم اجتماعی پیچیده وجود دارد که با همه این عوامل اجتماعی-اقتصادی، عوامل اجرایی، جمعیت شناسی، اقتصاد و همه این موارد در تعامل است. همه اینها به این سیستم اجتماعی که شما مدلسازی می کنید تغذیه می کند و شکل می دهد. شما نمی توانید انتظار داشته باشید که یک نوع الگوی ساده از این همه داده بیرون بیاید.

ترجمه:یاس
https://www.sciencefocus.com/news/algorithm-predict-future-crimes-90-accuracy-heres-why-creator-thinks-tech-wont-be-abused/

با ما جهان را کاوش کنید

Scientific chat:
@world_function

کانال جهان چگونه کار می کند

╭┅═ঈ ঊ═┅╮
@Function_of_the_world
╭┅═ঊ ঈ═┅
2.0K views04:35
باز کردن / نظر دهید
2022-08-23 07:35:18 مدل هوش مصنوعی در هشت شهر آمریکا آزمایش شد و جنایات را با دقت ۸۰ تا ۹۰ درصد پیش‌بینی می‌کند، بدون اینکه دچار هیچ گونه تعصبی باشد.

این الگوریتم یک هفته قبل از وقوع جرم در شهرهای ایالات متحده با موفقیت پیش بینی کرد. چگونه این الگوریتم را ساخته شد؟

شهر شیکاگو و هفت شهر دیگر که به آنها نگاه کردیم شروع به انتشار گزارش رویدادهای جرم و جنایت در ملا عام کرده‌اند. در شیکاگو، اینها در واقع روزانه با یک هفته تاخیر به روز می شوند.

گزارش‌ این رویدادها حاوی اطلاعاتی درباره آنچه اتفاق افتاده، نوع جنایت، محل وقوع، طول و عرض جغرافیایی، طول جغرافیایی و مقطع زمانی است. همچنین اطلاعاتی در مورد اینکه آیا هنگام تعامل با افسران پلیس دستگیر شده اند یا خیر، داریم.

بنابراین ما با گزارش این رویدادها شروع می کنیم و سپس شهر را به مناطق کوچکی از حدود دو بلوک در دو بلوک – به عرض حدود ۳۰۰ متر دیجیتالی تقسیم می کنیم. و در یکی از آن قسمت‌ها، این سری زمانی از این رویدادهای مختلف، مانند جنایات خشونت‌آمیز، دزدی، قتل و غیره را خواهیم دید. این منجر به ده ها هزار سری زمانی می شود که در حال تکمیل هستند.

کاری که الگوریتم ما انجام می‌دهد این است که به این سری‌های زمانی متقابل نگاه می‌کند، سپس متوجه می‌شود که چگونه به یکدیگر وابسته هستند و چگونه یکدیگر را محدود می‌کنند، بنابراین چگونه یکدیگر را شکل می‌دهند. این یک مدل واقعا پیچیده را می سازد.

سپس می‌توانید پیش‌بینی کنید که مثلاً از یک هفته قبل در یک قسمت خاص چه اتفاقی می‌افتد،، با دقت به اضافه یا منهای یک روز. برای مثال در شیکاگو امروز چهارشنبه است. با استفاده از الگوریتم ما می توان گفت که چهارشنبه هفته آینده در تقاطع خیابان ۳۷ و خیابان جنوب غربی، قتل رخ خواهد داد.

مردم نگرانند که از این به عنوان ابزاری برای زندانی کردن افراد قبل از ارتکاب جرم استفاده شود. این اتفاق نخواهد افتاد، زیرا توانایی انجام آن را ندارد. فقط یک رویداد را در یک مکان خاص پیش بینی می کند. به شما نمی گوید چه کسی قرار است آن را انجام دهد. نمی توان از آن به همان شکلی که در فیلم گزارش اقلیت استفاده می شود استفاده کرد.

در شیکاگو، بیشتر افرادی که جان خود را در جنایات خشونت آمیز از دست می دهند، عمدتاً به دلیل خشونت گروهی است. شبیه فیلم شرلوک هلمز نیست که در آن قتل های پیچیده ای در حال وقوع باشد. اگر یک هفته قبل در مورد آن بدانید، در واقع بسیار قابل اجرا است، می توانید مداخله کنید. این فقط مستلزم تشدید اجرای قانون و اعزام افسران پلیس به آنجا نیست، راه‌های دیگری نیز برای مداخله اجتماعی وجود دارد تا احتمال وقوع جرم در واقع کاهش یابد و در حالت ایده‌آل، هرگز اتفاق نیفتد.

کاری که ما می خواهیم انجام دهیم این است که نوعی بهینه سازی سیاست را امکان پذیر کنیم. نمی‌خواهیم از این به عنوان یک ابزار سیاستی صرفاً پیش‌بینی‌کننده استفاده شود. ما می خواهیم بهینه سازی خط مشی استفاده اصلی از آن باشد. ما باید آن را فعال کنیم، زیرا تنها گذاشتن یک مقاله و داشتن الگوریتم کافی نیست. ما از شهردار یا مدیران می خواهیم که از مدل تولید شده برای انجام شبیه سازی و اطلاع رسانی خط مشی استفاده کنند.

الگوریتم های قبلی از این نوع به دلیل ایجاد سوگیری، به عنوان مثال، از نظر پروفایل های نژادی به شدت مورد انتقاد قرار گرفته اند. این را چگونه حساب می کنید؟

روش‌هایی که قبلاً امتحان شده‌اند عبارتند از یادگیری ماشینی مستقیم، ابزارهای آماده که در آن مجموعه داده‌ها را می‌گیرید، مشخص می‌کنید ویژگی‌های مهم چیست، سپس از آن ویژگی‌ها با یک شبکه عصبی پیچیده استاندارد برای تلاش برای پیش‌بینی استفاده می‌کنید.

مشکل این رویکرد این است که به محض اینکه می گویید برخی ویژگی ها مهم هستند، احتمالاً چیزهایی را از دست خواهید داد، بنابراین نتایج گمراه کننده ای دریافت خواهید کرد. این اتفاق در اداره پلیس شیکاگو (در سال ۲۰۱۴-۲۰۱۶) افتاد. آن‌ها با استفاده از معادله‌ای شامل ویژگی‌هایی مانند سابقه دستگیری، افرادی را در فهرست قرار می‌دادند که احتمالاً مرتکب یا قربانی خشونت‌های مسلحانه بودند. و این باعث شد که بخش بزرگی از سیاهپوستان در لیست قرار بگیرند.

ما سعی کرده ایم تا حد امکان سوگیری را کاهش دهیم. به این ترتیب است که مدل ما با سایر مدل های قبلی متفاوت است.

بسیاری از مردم نگران عدم شفافیت در فرآیند تصمیم گیری هوش مصنوعی هستند. آیا این موضوع مشکلی دارد؟

سیستم‌های هوش مصنوعی برای مدل‌سازی سیستم‌های پیچیده‌تر و بیشتر استفاده شده‌اند، بنابراین جای تعجب نیست که بسیاری از آنها شبیه جعبه سیاه به نظر می‌رسند. آنها را با نحوه کار قبلی مقایسه کنید. در آن زمان، ما فقط یک معادله دیفرانسیل کوچک برای یک سیستم داشتیم که به ما این احساس را می داد که آن را درک کرده ایم.
2.0K views04:35
باز کردن / نظر دهید
2022-08-20 19:13:42
چرا درختان چنین سیستم ریشه ای کم عمقی دارند؟

ریشه درختان نیاز به دسترسی به آب و اکسیژن دارند که در جیب های زیرزمینی یا همان منافذ خاک نگهداری می شوند. با شرایط خاک و رطوبت ایده آل، درختان می توانند ریشه ها را به اعماق زیاد بفرستند. اما شرایط اغلب کمتر از حد ایده آل است، سنگ ها، سنگ بستر یا خاک فشرده به طور فیزیکی آنها را در مسیر رو به پایین متوقف می کنند و همچنین سطح اکسیژن را کاهش می دهند.

وقتی شرایط زندگی سخت می‌شود، ریشه‌ها گزینه آسان را انتخاب می‌کنند، نزدیک به سطح می‌مانند و از درخت فاصله زیادی می‌گیرند. شرایط خشکی همچنین می‌تواند باعث شود که برخی از درختان سیستم ریشه‌ای کم‌عمق داشته باشند تا بتوانند با نزدیک‌تر شدن به سطح، میزان جمع آوری آب حاصل از بارش را به حداکثر برسانند.

ترجمه: یاس
https://www.sciencefocus.com/nature/why-do-trees-have-such-shallow-root-systems/

«Channel of Science is for all»
842 views16:13
باز کردن / نظر دهید
2022-08-16 09:00:00 تار عنکبوت چگونه آب را جمع می کند؟

چرا تارهای عنکبوت با شبنم صبحدم مانند الماس می درخشند؟ همه چیز به ساختار جذب کننده آنها برمی گردد...

در طبیعت مواد ذخیره کننده آب زیاد وجود دارد، مانند برگ برخی از گیاهان و پشت سوسک های بیابانی. به طور باورنکردنی، تار عنکبوت نیز ساختاری دارد که کاملاً با جمع آوری آب سازگار است.

به همین دلیل است که ما می بینیم که آب به صورت قطرات مجزا به تار عنکبوت می چسبد و برجستگی ها - یا آنچه دانشمندان "گره دوکی" نامیده اند - به عنوان محل جمع آوری عمل می کنند.

در سال ۲۰۱۰، تیمی از محققان مقاله ای را در مجله Nature منتشر کردند که جزئیات مهمی از این ساختار را فاش کرد. دانشمندان نشان دادند که وقتی تار عنکبوت خیس می شود، برجستگی هایی با بافت خشن در امتداد الیاف صاف ابریشم ایجاد می شود. تفاوت در بافت ابریشم، تفاوت‌هایی در فشار و انرژی ایجاد می‌کند که آب را به سمت برجستگی‌ها هدایت می‌کند و توانایی جمع‌آوری آب تار عنکبوت را افزایش می‌دهد.

چالش در حال حاضر ایجاد مواد ارزان قیمت و الهام گرفته از زیستی است که ساختار طبیعی تار عنکبوت را برای برداشت رطوبت از مه در مناطق خشک تقلید می کند. این مواد که توسط پروفسور یونگمی ژنگ و تیمش در دانشگاه بی هانگ طراحی شده‌اند، با پوشاندن یک فیبر مصنوعی صاف در یک مایع پلیمری ساخته شده‌اند که شکسته و خشک می‌شود و برجستگی‌هایی که برای ساختار بسیار حیاتی هستند تشکیل می‌شوند.

ترجمه:یاس
https://www.sciencefocus.com/nature/how-does-spider-silk-collect-water/

«Channel of Science is for all»
1.6K views06:00
باز کردن / نظر دهید
2022-08-13 10:34:02 پرندگان به همدیگر کمک می کنند تا دستگاه های ردیابی دانشمندان را از بدن یکدیگر جدا کنند

دانشمندان استرالیایی فکر می‌کردند که یک دستگاه ردیابی جدید ابداع کرده‌اند تا به آنها کمک کند زاغی‌ها را رصد کنند، اما این پرندگان حیله‌گر ایده‌های دیگری داشتند.

تحقیقات جدید منتشر شده در پرنده‌شناسی استرالیا، آزمایشی را شرح می‌دهد که طبق برنامه پیش نرفت. گروه کوچکی از زاغی های استرالیایی (Cracticus tibicen)، پس از نصب دستگاه های ردیاب مانند مهار، دانشمندان مشاهده کردند که پرندگان به یکدیگر کمک کردند تا دستگاه ها را خارج کنند، که به گفته آنها نشانه ای بالقوه از نوع دوستی و شواهد قوی از حل مشکل در میان این موجودات بسیار اجتماعی و باهوش است.

دانشمندان از این به عنوان "رفتار نجات" یاد می کنند، و زمانی اتفاق می افتد که یک کمک کننده سعی می کند فرد دیگری را از گرفتاری "بدون هیچ سود مستقیم آشکاری برای فرد نجات دهنده" آزاد کند.

این نوع رفتارها در مورچه ها رایج است، اما در پرنده Seychelles نیز مشاهده شده است که یکدیگر را از دانه های چسبنده پیسونیا گراندیس آزاد می کنند. طبق این مقاله، در این مورد، «احتمالاً آنچه ما مشاهده کرده‌ایم اولین مورد مستند رفتار نجات در پرنده Magpies ‌ استرالیایی باشد»

هدف از این آزمایش کسب اطلاعات بیشتر در مورد حرکات و پویایی های اجتماعی زاغی ها بود، مانند اینکه چه مسافتی را که هر روز سفر می کنند و اینکه چگونه رفتارهای اجتماعی آنها تحت تأثیر جنسیت، سن و رتبه قرار می گیرد. اما این مطالعه هدف دومی داشت و آن آزمایش دستگاه ردیابی جدید بود. دومینیک پوتوین، پرنده شناس در دانشگاه کوئینزلند استرالیا، در مطلبی که در The Conversation منتشر شد، توضیح داد:
«پرندگان از ما پیشی گرفتند.»

بیشتر ردیاب‌ها آنقدر بزرگ هستند که روی پرندگان کوچک و متوسط ​​قرار نمی‌گیرند، و ردیاب‌های کوچک معمولاً در مورد ذخیره‌سازی داده، عمر باتری و قابلیت استفاده مجدد محدود هستند. ردیاب جدید با وزن کمتر از ۱ گرم برای غلبه بر این مشکلات طراحی شده است. این دستگاه که به یک مهار کوله‌مانند متصل می‌شود، می‌تواند به‌صورت بی‌سیم دوباره شارژ شود، داده‌ها را به‌صورت بی‌سیم منتقل کند و با استفاده از آهن‌ربا جدا شود (این بدان معناست که پرندگان در پایان آزمایش نیازی به صید شدن مجدد ندارند). پوتوین نوشت: تیم از طراحی این ردیاب هیجان زده بود، زیرا فرصت های زیادی را برای کارایی باز می کرد و امکان جمع آوری داده های زیادی را فراهم می کرد.

ترجمه:یاس
https://gizmodo.com/the-birds-outsmarted-us-magpies-help-each-other-remov-1848575846

«Channel of Science is for all»
912 views07:34
باز کردن / نظر دهید
2022-08-13 10:28:19 پرندگان به همدیگر کمک می کنند تا دستگاه های ردیابی دانشمندان را از بدن یکدیگر جدا کنن

دانشمندان استرالیایی فکر می‌کردند که یک دستگاه ردیابی جدید ابداع کرده‌اند تا به آنها کمک کند زاغی‌ها را رصد کنند، اما این پرندگان حیله‌گر ایده‌های دیگری داشتند.

تحقیقات جدید منتشر شده در پرنده‌شناسی استرالیا، آزمایشی را شرح می‌دهد که طبق برنامه پیش نرفت. گروه کوچکی از زاغی های استرالیایی (Cracticus tibicen)، پس از نصب دستگاه های ردیاب مانند مهار، دانشمندان مشاهده کردند که پرندگان به یکدیگر کمک کردند تا دستگاه ها را خارج کنند، که به گفته آنها نشانه ای بالقوه از نوع دوستی و شواهد قوی از حل مشکل در میان این موجودات بسیار اجتماعی و باهوش است.

دانشمندان از این به عنوان "رفتار نجات" یاد می کنند، و زمانی اتفاق می افتد که یک کمک کننده سعی می کند فرد دیگری را از گرفتاری "بدون هیچ سود مستقیم آشکاری برای فرد نجات دهنده" آزاد کند.

این نوع رفتارها در مورچه ها رایج است، اما در پرنده Seychelles نیز مشاهده شده است که یکدیگر را از دانه های چسبنده پیسونیا گراندیس آزاد می کنند. طبق این مقاله، در این مورد، «احتمالاً آنچه ما مشاهده کرده‌ایم اولین مورد مستند رفتار نجات در پرنده Magpies ‌ استرالیایی باشد»

هدف از این آزمایش کسب اطلاعات بیشتر در مورد حرکات و پویایی های اجتماعی زاغی ها بود، مانند اینکه چه مسافتی را که هر روز سفر می کنند و اینکه چگونه رفتارهای اجتماعی آنها تحت تأثیر جنسیت، سن و رتبه قرار می گیرد. اما این مطالعه هدف دومی داشت و آن آزمایش دستگاه ردیابی جدید بود. دومینیک پوتوین، پرنده شناس در دانشگاه کوئینزلند استرالیا، در مطلبی که در The Conversation منتشر شد، توضیح داد:
«پرندگان از ما پیشی گرفتند.»

بیشتر ردیاب‌ها آنقدر بزرگ هستند که روی پرندگان کوچک و متوسط ​​قرار نمی‌گیرند، و ردیاب‌های کوچک معمولاً در مورد ذخیره‌سازی داده، عمر باتری و قابلیت استفاده مجدد محدود هستند. ردیاب جدید با وزن کمتر از ۱ گرم برای غلبه بر این مشکلات طراحی شده است. این دستگاه که به یک مهار کوله‌مانند متصل می‌شود، می‌تواند به‌صورت بی‌سیم دوباره شارژ شود، داده‌ها را به‌صورت بی‌سیم منتقل کند و با استفاده از آهن‌ربا جدا شود (این بدان معناست که پرندگان در پایان آزمایش نیازی به صید شدن مجدد ندارند). پوتوین نوشت: تیم از طراحی این ردیاب هیجان زده بود، زیرا فرصت های زیادی را برای کارایی باز می کرد و امکان جمع آوری داده های زیادی را فراهم می کرد.

ترجمه:یاس
https://gizmodo.com/the-birds-outsmarted-us-magpies-help-each-other-remov-1848575846

«Channel of Science is for all»
760 views07:28
باز کردن / نظر دهید
2022-08-11 09:09:24 طراحی ربات هایی که شبیه ما هستند همیشه بهترین ایده نیست

انسان نماها که گاهی اوقات هدف مقدس رباتیک نامیده می شود، ربات هایی با نیم تنه، دو پا، دو دست و یک سر هستند. در گوگل کلمه "ربات" را جستجو کنید و مرورگر شما با تصاویر انسان نما پر خواهد شد.

در آگوست سال ۲۰۲۱، ایلان ماسک، مدیر عامل تسلا، برنامه شرکتش برای تولید یک ربات انسان نما به نام Optimus را فاش کرد. این اعلامیه که توسط یک بازیگر رقصنده در لباس تنگ ربات همراه بود، مورد تمسخر افراد بدبین قرار گرفت، اما تسلا در تلاش برای ساخت ماشین های انسان نما تنها نیست.

آزمایشگاه‌‌های تحقیقاتی در سرتاسر جهان در حال سرمایه‌گذاری بر روی این ربات‌های پیچیده هستند، برای استفاده در انبارها تا خانه‌های سالمندان. زیربنای ساخت آنها دو جنبه دارد: شکل انسان قابل ارتباط است، و به طور یکپارچه با زیرساخت های موجود ما سازگار. این دلایل معقول هستند، اما ممکن است راه بهتری وجود داشته باشد.

برخی از سازندگان ربات استدلال می‌کنند که ماشین‌های مستقلی که در آینده با آن‌ها در تعامل خواهیم بود، باید شبیه ما باشند، زیرا ما بهترین ارتباط را با انسان‌های دیگر داریم، اما این تصور که ما بیشتر با شکل انسان ارتباط داریم ممکن است تصور کاملی نباشد.

مردم ربات خود را جاروبرقی می نامند. آیا آنها یک انسان‌نما که با جاروبرقی راه برود را بیشتر دوست دارند؟
احتمالا نه.
وقتی چیزی شکل انسانی دارد، انتظارات بسیار متفاوتی از هوش و نحوه عملکرد آن داریم. ربات‌های فعلی ما این انتظارات را برآورده نمی‌کنند و به این زودی‌ها پیشخدمت رباتی نخواهیم داشت.

خوشبختانه طراحان ربات، نیازی به انسان نما ندارند تا بتوانیم با آنها ارتباط برقرار کنیم هنرمندان و انیماتورها هنر ثبت بیان عاطفی ما و سپس قرار دادن آن به اشکال دیگر را تقویت کرده اند.

شهرهای ژاپن با شخصیت هایی مانند کومامون، یک شخصیت خرس ساده و بامزه که توسط دولت استان کوماموتو برای رونق گردشگری خلق شده است، بازدیدکنندگان را جذب کرده اند. و هزاران نفر از طرفداران جنگ ستارگان عاشق R2-D2 هستند، که اساساً یک قوطی حلبی روی چرخ است و از نظر احساسی بیشتر از بسیاری از انسان نماها جذاب است.

اجتناب از شکل انسانی در طراحی ربات‌ها نه تنها از مشکل داشتن انتظارات بالا جلوگیری می‌کند، بلکه می‌تواند معزل بی‌عدالتی‌های اجتماعی را نیز کنار بزند. برای مثال، محققان دانشگاه بیله‌فلد آلمان دریافتند که مردم یک ربات انسان‌نما با موهای بلند را برای کارهای کلیشه‌ای زنانه مانند کارهای خانگی و مراقبتی مناسب‌تر می دانند و برای انجام تعمیرات فنی، یک ربات مشابه با موهای کوتاه را ‌.

مطالعات همچنین نشان داده‌اند که عوامل مصنوعی با چهره‌های انسانی زمانی جذاب‌تر، قابل اعتمادتر و باهوش‌تر به نظر می‌رسند که از همان قومیتی باشند که فرد به آنها امتیاز می‌دهد. فناوری که بیش از حد انسانی به نظر می رسد نه تنها منعکس کننده تعصبات ما است، بلکه می تواند کلیشه های مضر را نیز تثبیت و تداوم بخشد.

همچنین، ما در دنیایی زندگی می‌کنیم که برای انسان‌ها ساخته شده است، با پله‌ها و دستگیره‌های در و گذرگاه‌های باریک. برخی از طراحان می گویند برای حرکت در این فضاها به ربات هایی نیاز داریم که مانند ما ساخته شوند. مطمئناً در بسیاری از فضاها با بدنه‌ها، چرخ‌ها یا آج‌های پهن به سختی می‌توان حرکت کرد. اما همانطور که به آینده نگاه می کنیم، شاید انتخاب های بهتری وجود داشته باشد.

ربات ها می توانند کوچکتر از آنچه چشم ببیند یا بزرگتر از یک خانه باشند. آنها را می توان در فلزات یا مواد نرم محصور کرد. آنها می توانند از نقطه A به B بغلتند، بالا بروند، بلغزند، بپرند یا چکه کنند. به گفته پروفسو رابین مورفی از دانشگاه A&M تگزاس، بهترین شکل این است که "هر شکلی کار را انجام دهد."

لورل ریک، رباتیک دانشگاه کالیفرنیا، می گوید که به جای صرف سرمایه‌هایمان در ربات‌های انسان‌نمای دوپا و گران‌قیمت با مهندسی دشوار، می‌توانیم روی ایجاد زیرساخت‌های دوستانه‌تر برای واکرها و ویلچرها سرمایه‌گذاری کنیم. اگر یک ویلچر می تواند به یک فضا دسترسی داشته باشد، یک ربات ساده و کارآمد روی چرخ نیز می تواند.

می‌توانیم همزمان با توسعه ربات‌های بهتر و ارزان‌تر با طیف وسیع‌تری، دسترسی به مهارت‌ها، را به شدت افزایش دهیم. و علاوه بر این، وقتی می توان از دیوار بالا رفت، چرا از پله بالا بروید؟

همانطور که ربات ها از پشت دیوارهای کارخانه به فضاهای مشترک حرکت می کنند، رباتیک فرصت خوبی را در اختیار ما قرار می دهد: به ما این امکان را می دهد که خارج از خودمان فکر کنیم، نه تنها در طراحی ربات هایمان، بلکه همچنین در ایده هایمان برای ساخت دنیایی بهتر.

ترجمه:یاس
https://www.sciencefocus.com/news/isnt-always-best-idea-design-robots-look-like-us-just-ask-r2-d2/
@Function_of_the_world
1.9K viewsedited  06:09
باز کردن / نظر دهید
2022-08-10 09:31:39
کشف گونه جدیدی از ایزوپود در اعماق دریا ، توسط گروهی از محققان تایوانی، ژاپنی و استرالیایی در خلیج مکزیک
2.0K views06:31
باز کردن / نظر دهید