漢德百科全書 | 汉德百科全书
Wissenschaft und Technik
Graphen [gʁa'feːn] (englisch graphene) ist die Bezeichnung für eine Modifikation des Kohlenstoffs mit zweidimensionaler Struktur, in der jedes Kohlenstoffatom im Winkel von 120° von drei weiteren umgeben ist, sodass sich ein bienenwabenförmiges Muster ausbildet. Da Kohlenstoff vierwertig ist, müssen dabei je „Wabe“ zwei Doppelbindungen auftreten, die jedoch nicht lokalisiert sind. Es handelt sich um eine Verkettung von Benzolringen, wie sie in aromatischen Verbindungen oft auftritt. Obwohl ein einzelner Benzolring in der Darstellungsweise der Valenzstrichformeln drei Doppelbindungen hat, haben zusammenhängende Benzolringe in dieser Darstellungsweise rein formal nur zwei Doppelbindungen pro Ring. Deshalb lässt sich die Struktur besser beschreiben, indem man die delokalisierten Bindungen als großen Kreis im Benzolring darstellt. Die Bindungsverhältnisse im Graphen sind in der Graphenstruktur beschrieben. Graphen lässt sich als polycyclischer aromatischer Kohlenwasserstoff beschreiben. Am „Rande“ des Wabengitters müssen andere Atomgruppen angedockt sein, die aber – je nach dessen Größe – die Eigenschaften des Graphens kaum verändern.
In der Theorie wurden einlagige Kohlenstoffschichten, Graphene, zum ersten Mal verwendet, um den Aufbau und die elektronischen Eigenschaften komplexer aus Kohlenstoff bestehender Materialien beschreiben zu können.
Unendlich ausgedehnte und überall flache strikt zweidimensionale Strukturen sind allerdings aufgrund eines rigorosen mathematischen Theorems, des Mermin-Wagner-Theorems und seiner Varianten, nicht möglich, da sie nachweislich thermodynamisch instabil sind.[1][2]
Deshalb herrschte bei Chemikern und Physikern allgemeines Erstaunen, als Konstantin Novoselov, Andre Geim und ihre Mitarbeiter[3] 2004 die Darstellung freier, einschichtiger Graphenkristalle bekannt gaben. Deren unerwartete Stabilität könnte durch die Existenz metastabiler Zustände[4] oder durch Ausbildung einer unregelmäßigen Welligkeit (engl. crumpling) der Graphenschicht [5][6] erklärt werden.
2010 wurden Geim und Novoselov für ihre Untersuchungen mit dem Nobelpreis für Physik ausgezeichnet[7][6], nachdem sie nicht nur für die Darstellung dieser Systeme Entscheidendes geleistet hatten, sondern auch viele ihrer ungewöhnlichen Eigenschaften entdeckt hatten.
Gedanklich lässt sich durch Stapeln solcher einlagiger Schichten die dreidimensionale Struktur des Graphits[8] erzeugen, mit dem Graphen strukturell eng verwandt ist. Stellt man sich die einlagigen Schichten dagegen aufgerollt vor, so erhält man gestreckte Kohlenstoffnanoröhren.[9] Ebenfalls gedanklich kann man einige der Sechserringe durch Fünferringe ersetzen, wodurch sich die ebene Fläche zu einer Kugelfläche wölbt und sich bei bestimmten Zahlenverhältnissen Fullerene ergeben: Ersetzt man zum Beispiel 12 von 32 Ringen, entsteht das kleinste Fulleren (C60).[10] Theoretisch sind auch einlagige Schichten aus anderen vierwertigen Elementen wie Silicium und Germanium möglich. 2012 wurden in der Tat Silicen-Schichten in Form einer leicht gewellten einlagigen Schicht aus Silicium experimentell nachgewiesen.
Literatur
Eine kurze Geschichte der Zeit (englischer Originaltitel A Brief History of Time) ist ein 1988 vom Physiker Stephen Hawking veröffentlichtes populärwissenschaftliches Buch. Es entwickelte sich schnell zu einem Bestseller; bis zum Jahr 2002 wurden mehr als neun Millionen Exemplare verkauft. Das Buch befasst sich mit Fragen zur Kosmologie und beleuchtet dabei insbesondere die Rolle der Zeit. Es enthält Betrachtungen zum Urknall und versucht, Eigenschaften schwarzer Löcher mit Hilfe der Stringtheorie zu erklären.
《时间简史：从大爆炸到黑洞》（英语：A Brief History of Time: From the Big Bang to Black Holes）是英国物理学家史提芬·威廉·霍金于1988年编写的一本科普图书。讲述关于宇宙的起源和命运，主要介绍了什么是宇宙、宇宙发展的最新状况和关于宇宙本性的最前沿知识，解释了黑洞和大爆炸。
Bildung und Forschung
Essen und Trinken
Wichtige Disziplinen
Die Lebensmitteltechnik ist ein wissenschaftlicher, akademischer und beruflicher Bereich, der die Grundsätze der Technik, der Wissenschaft und der Mathematik auf die Herstellung und den Betrieb von Lebensmitteln anwendet, einschließlich der Verarbeitung, Produktion, Handhabung, Lagerung, Konservierung, Kontrolle, Verpackung und Verteilung von Lebensmitteln. Aufgrund der Abhängigkeit von der Lebensmittelwissenschaft und breiteren Ingenieurdisziplinen wie Elektrotechnik, Maschinenbau, Bauwesen, Chemie, Industrie und Landwirtschaft gilt die Lebensmitteltechnik als multidisziplinäres und enges Fachgebiet.
Aufgrund der komplexen Beschaffenheit von Lebensmitteln umfasst die Lebensmitteltechnik auch das Studium spezifischerer chemischer und physikalischer Konzepte wie Biochemie, Mikrobiologie, Lebensmittelchemie, Thermodynamik, Transportphänomene, Rheologie und Wärmeübertragung. Lebensmittelingenieure wenden dieses Wissen an, um nachhaltige, sichere, nahrhafte, gesunde, ansprechende, erschwingliche und qualitativ hochwertige Zutaten und Lebensmittel kosteneffizient zu entwerfen, zu produzieren und zu vermarkten sowie Lebensmittelsysteme, Maschinen und Messgeräte zu entwickeln.
食品工程（Food Engineering）或称食物工程，是一种结合生物工程、化学工程、机械工程、电机工程、工业工程等学门，还有涉及品质管理、食物保存、包装、物流、食品安全等，用以生产食品的综合性工程技术。
食品工程的范围包括经典单元操作在食品加工中的应用，食品中液态或固态食品流动、运输的流体力学、储存方面的研究进展，食品加热、冷却或冷冻的热力学，食品传质过程，食品工程中的化学和生物化学方面的问题以及动力学分析的应用，脱水、热加工、非热加工、挤出、液态食品的浓缩、膜分离和膜在食品加工中的应用，货架期、电子标签与电子标签库存管理，以及可持续食品加工技术，另外还包括包装、清洗和食品卫生。
食品科学是一门把科学知识用于食品加工和生产的跨学科的应用科学。 食品科学内容包括食品化学、食品微生物学、食品加工和食品工程等学科。
食品科学关心的是: 食物、营养卫生、分析检验、机械设备、食品包装、贮运、物流、乡镇企业、烹饪研究、高新技术、粮油、肉类、禽蛋、乳品、水产加工、食品添加剂等。
Der Begriff Lebensmittelwissenschaften (englisch Food Sciences; veraltet auch Bromatologie von griech. broma, Gen. bromatos, Nahrung, Speise und griech. logos, Wort, Lehre, Kunde) fasst verschiedene Wissenschaftsdisziplinen zusammen, die sich mit Lebensmitteln und deren Herstellung und Beschaffenheit beschäftigen. Zu den Lebensmittelwissenschaften zählen Lebensmittelkunde (Lebensmittelwissenschaft im engeren Sinne), Lebensmittelchemie, -mikrobiologie, -hygiene, -technologie, -biotechnologie, Lebensmittelrecht, Qualitätssicherung und Produktentwicklung.
实验经济学（英语：Experimental economics）是一门利用真人实验测试不同经济理论及新市场机制的方法。利用受试者的金钱动机创造出类似真实世界的动机，帮助实验者及人们了解市场及交易系统运作的原理。实验可以在实验室或在一个真实的环境进行。
Experimentelle Ökonomik (auch experimentelle Ökonomie oder experimentelle Wirtschaftsforschung) ist eine Teildisziplin der Wirtschaftswissenschaft, die sich mit der experimentellen Bewertung ökonomischer Theorien beschäftigt.
Steven J. Sasson (* 4. Juli 1950 in Brooklyn) ist ein US-amerikanischer Ingenieur, der 1975 bei Kodak die erste Digitalkamera konstruierte.[1]
Sasson studierte Elektrotechnik am Rensselaer Polytechnic Institute mit dem Bachelor-Abschluss 1972 und dem Master-Abschluss 1973. Danach war er bei Eastman Kodak, wo ihm Gareth A. Lloyd den Auftrag gab, eine Kamera mit CCD-Sensor zu bauen. Sie wog 3,6 kg, war tragbar und hatte nur 10.000 Pixel (entsprechend einem CCD-Chip von Fairchild). Das Bild war Schwarz/Weiß und wurde auf einer Kassette gespeichert und auf einem Fernseher dargestellt.
Sasson erhielt am 26. Dezember 1978 das U.S. Patent 4,131,919 zugeteilt.
IT-Times
Steven „Steve“ Paul Jobs (* 24. Februar 1955 in San Francisco, Kalifornien[1]; † 5. Oktober 2011 in Palo Alto, Kalifornien[2][3]) war ein US-amerikanischer Unternehmer. Als Mitgründer und langjähriger CEO von Apple Inc. gilt er als eine der bekanntesten Persönlichkeiten der Computerindustrie. Zusammen mit Steve Wozniak und Ron Wayne gründete er 1976 Apple und half, das Konzept des Heimcomputers als auch die Generation der Smartphones sowie Tablets populär zu machen. Jobs war darüber hinaus Geschäftsführer und Hauptaktionär der Pixar Animation Studios und nach einer Fusion größter Einzelaktionär der Walt Disney Company. Er starb am 5. Oktober 2011 an seiner Krebserkrankung. Sein Vermögen wurde im März 2011 vom Wirtschaftsmagazin Forbes Magazine auf 8,3 Milliarden US-Dollar geschätzt.[4][5]
史蒂芬·威廉·霍金（Stephen William Hawking，1942年1月8日－），CH，CBE，FRS，FRSA，英国著名物理学家与宇宙学家，现任职剑桥大学理论宇宙学中心研究主任。[2][3]霍金做出很多重要贡献，最主要的是他与罗杰·彭罗斯共同合作提出在广义相对论框架内的彭罗斯–霍金奇性定理，以及他关于黑洞会发射辐射的理论性预测（现称为霍金辐射）。
霍金是皇家文艺学会的荣誉会员，曾经获得总统自由勋章，这是美国所颁发最高荣誉平民奖。从1979年至2009年，霍金是剑桥大学的卢卡斯数学教授。
Stephen William Hawking, CH, CBE, FRS (* 8. Januar 1942 in Oxford, England; † 14. März 2018 in Cambridge, England) war ein britischer theoretischer Physiker und Astrophysiker. Von 1979 bis 2009 war er Inhaber des renommierten Lucasischen Lehrstuhls für Mathematik an der Universität Cambridge. Stephen Hawking lieferte bedeutende Arbeiten zur Kosmologie, zur allgemeinen Relativitätstheorie und zu Schwarzen Löchern.
1963 wurde bei Hawking Amyotrophe Lateralsklerose (ALS) diagnostiziert, eine degenerative Erkrankung des motorischen Nervensystems. Mediziner prophezeiten ihm, nur noch wenige Jahre zu leben. Allerdings handelte es sich vermutlich um eine chronisch juvenile ALS (JALS), die durch einen extrem langen Krankheitsverlauf gekennzeichnet war. Seit 1968 nutzte er einen Rollstuhl. Im Rahmen der Grunderkrankung (konsekutive progressive Bulbärparalyse) und der Behandlung einer schweren Lungenentzündung verlor er 1985 die Fähigkeit zu sprechen. Für die verbale Kommunikation nutzte er seitdem einen Sprachcomputer.
Durch seine populärwissenschaftlichen Bücher über moderne Physik und umfangreiche mediale Berichterstattung wurde er auch einem breiten Publikum außerhalb der Fachwelt bekannt.
Unternehmen
Automobil
Supercomputer haben heute ihren festen Platz in der Wissenschaft. Computer-Simulationen gehören zum Handwerkszeug der Forscher und erklären, wie sich Proteine im Körper falten, wie Halbleiter funktionieren, wie Wasserdampf in die Stratosphäre aufsteigt oder wie sich Galaxien formen. Weitere Forschungsfelder wollen von den Stärken der Supercomputer profitieren: Der Bedarf an Computerrechenzeit wird in den nächsten fünf Jahren um mehr als den Faktor 1000 steigen.
Supercomputer ermöglichen virtuelle Experimente von sonst unzugänglicher Präzision und den Test von anders nicht prüfbaren theoretischen Modellen. Supercomputer sind dadurch längst das dritte Standbein der Forschung - neben Theorie und Experiment.(Quelle: www.fz-juelich.de/portal/forschung/highlights/supercomputer)
Geschichte
Geschichte
N 2000 - 2100 nach Christus
Wissenschaft und Technik
Wissenschaft und Technik
Technologiekonzepte
世界模型是一种生成模型，通过学习来表现和模拟环境。这些模型不依赖于预定义的标签，而是捕捉环境的动态并预测未来的状态。这使得人工智能系统能够对世界形成丰富的内部理解，类似于人类利用心理模拟来预测结果和做出决策。
世界模型由三种基本能力组成：
表征学习： 将高维感官数据（如图像、文本或视频）压缩为有意义的低维表征。
预测： 根据过去和现在的数据预测环境的未来状态。
规划和决策： 利用学习到的模型模拟不同的行动，并选择最佳行动方案。
Weltmodelle sind generative Modelle, die lernen, eine Umgebung darzustellen und zu simulieren. Anstatt sich auf vordefinierte Bezeichnungen zu verlassen, erfassen diese Modelle die Dynamik einer Umgebung und sagen zukünftige Zustände voraus. Dadurch können KI-Systeme ein umfassendes internes Verständnis der Welt entwickeln, ähnlich wie Menschen mentale Simulationen nutzen, um Ergebnisse vorherzusagen und Entscheidungen zu treffen.
Ein Weltmodell besteht aus drei grundlegenden Fähigkeiten:
Repräsentationslernen: Komprimierung hochdimensionaler sensorischer Daten (z. B. Bilder, Texte oder Videos) in eine aussagekräftige niedrigdimensionale Darstellung.
Vorhersage: Vorhersage des zukünftigen Zustands der Umgebung auf der Grundlage vergangener und gegenwärtiger Daten.
Planung und Entscheidungsfindung: Verwendung des gelernten Modells, um verschiedene Aktionen zu simulieren und die beste Vorgehensweise zu wählen.
World models are generative models that learn to represent and simulate an environment. Instead of relying on predefined labels, these models capture the dynamics of an environment and predict future states. This allows AI systems to develop a rich internal understanding of the world, akin to how humans use mental simulations to predict outcomes and make decisions.
A world model consists of three fundamental abilities:
Representation Learning: Compressing high-dimensional sensory data (e.g., images, text, or video) into a meaningful lower-dimensional representation.
Prediction: Forecasting the future state of the environment based on past and present data.
Planning and Decision-Making: Using the learned model to simulate different actions and choose the best course of action.
Architecture of World Models
A typical world model consists of three key components:
1. Vision Model (V): Perception and Representation Learning
- Uses a Variational Autoencoder (VAE) or similar architecture to encode high-dimensional inputs (like images or video frames) into a latent space.
- This compressed representation (latent vector z) captures essential features of the environment while filtering out irrelevant noise.
2. Memory Model (M): Learning Dynamics and Prediction
- Uses a Recurrent Neural Network (RNN) or a Transformer to model temporal dependencies in the environment.
- Often implemented with a Mixture Density Network (MDN-RNN), which predicts the probability distribution of future states.
- Helps the AI learn how actions influence the next state, allowing it to forecast future scenarios.
3. Controller ©: Decision-Making and Planning
- A lightweight policy network that uses the world model’s representations to decide actions.
- Instead of learning from raw data, it operates within the simulated environment created by the world model, making training more efficient.
This modular approach allows world models to be trained independently of the controller, leading to faster learning and more robust decision-making.
Real-World Applications of World Models
World models are revolutionizing multiple fields, from robotics to reinforcement learning and beyond. Let’s look at some fascinating applications.
1. Reinforcement Learning and Video Games
One of the most famous demonstrations of world models was by David Ha & Jürgen Schmidhuber in their paper “World Models”. They trained an AI to play the Car Racing game and VizDoom using an internal world model instead of direct reinforcement learning. The AI learned to predict game states, simulate different strategies, and then execute the best one — leading to more efficient learning.
2. Autonomous Vehicles
Self-driving cars rely on world models to simulate traffic dynamics, road conditions, and pedestrian behavior. Instead of just reacting to sensor inputs, a self-driving car with a world model can predict potential hazards, plan routes, and make safer decisions.
3. Robotics
Robots trained with world models can imagine and simulate different ways to accomplish a task before actually performing it. This is particularly useful in scenarios where real-world training is expensive or dangerous, such as industrial automation or space exploration.
4. Scientific Discovery and Medicine
World models are being explored in genomics, drug discovery, and climate modeling. For example, AI-driven simulations can help predict protein folding, design new materials, or simulate climate changes over decades.
The Future of World Models
World models have immense potential, but they also face challenges:
- Model Accuracy: Imperfect models can lead to unrealistic simulations.
- Scalability: Current architectures still struggle with long-term memory and high-dimensional data.
- Generalization: Ensuring that learned world models generalize to real-world settings is an ongoing research challenge.