Vi vil utforske bruken av adeler i matematisk fysikk.

No description available.

Heidelberg, Univ., Diss., 2009

During the twentieth century, particle physics developed into a cornerstone of modern physics, culminating in the Standard Model. Even though this theory has proved to be of extraordinary power, it is still incomplete in several respects. It is our aim in this bachelor thesis to discuss some possible theories beyond the Standard Model, the main focus being on Grand Unified Theories, while also taking a look at attempts of further unication via discrete family symmetry. At the heart of all these theories lies the concept of local gauge invariance, which is introduced as a fundamental principle, followed by an overview of the Standard Model itself. No theory has so far managed to unify all elementary particles and their interactions, but some interesting features are highlighted. We also give a hint at some possible paths to go in the future in the quest for a unication in particle physics. / Under 1900-talet utvecklades partikelfysiken till en av de fundamentala teorierna inom fysiken, och kom att sammanfattas i den s.k. Standardmodellen. Även om denna modell rönt exceptionella framgånger vad gäller beskrivningen av elementarpartiklar och deras växelverkan, är den fortfarande ofullständig på flera sätt. Syftet med denna kandidatuppsats är att diskutera möjliga teorier bortom Standardmodellen såsom Storförenande Teorier och diskreta familjesymmetrier vars avsikt är att koppla samman de tre familjerna av fermioner i Standardmodellen. Men först introduceras idén om lokal gaugeinvarians, vilken ligger till grund for dessa teorier, varpå en översikt av Standardmodellen följer. Ingen teori har ännu lyckats ge en helt tillfredsställande bild av elementarpartiklar och deras interaktion, men en del intressanta egenskaper hos föreslagna teorier belyses i denna uppsats. Slutligen ges en del spekulativa förslag på väger att gå i framtida försök till föreningar inom partikelfysiken.

Rapportens huvudfokus handlar om ifall det är möjligt att skapa mjuka kroppar med hjälp av många små fasta kroppar. Det kollas även ifall det går att ge ett realistiskt beteende vid kollision med dessa. Biblioteken som har används för att testa detta är Microsoft XNA och fysikmotorn Farseer Physics. Spelet som byggdes är ett 2D plattform spel där spelaren spelar en boll som kan hoppa på vattendroppar och löv som båda är mjuka kroppar. Vattendroppen är uppbyggd av små hårda kroppar medan lövet är en större hård kropp som med hjälp av en Distance Joint kan vrida på sig vid kollision. Det går att göra en mjuk kropp med realistiska kollisioner men fysik motorn som används i detta fallet ger vissa restriktioner.

Abstract. Dynamic physics-based models of industrial processes can be computationally heavy which prevents using them in some applications, e.g. in process operator training. Suitability of machine learning in creating surrogate models of a physics-based unit operation models was studied in this research. The main motivation for this was to find out if machine learning model can be accurate enough to replace the corresponding physics-based components in dynamic modelling and simulation software Apros® which is developed by VTT Technical Research Centre of Finland Ltd and Fortum. This study is part of COCOP project, which receive funding from EU, and INTENS project that is Business Finland funded. The research work was divided into a literature study and an experimental part. In the literature study, the steps of modelling with data-driven methods were studied and artificial neural network architectures suitable for dynamic modelling were investigated. Based on that, four neural network architectures were chosen for the case studies. In the first case study, linear and nonlinear autoregressive models with exogenous inputs (ARX and NARX respectively) were used in modelling dynamic behaviour of a water tank process build in Apros®. In the second case study, also Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) were considered and compared with the previously mentioned ARX and NARX models. The workflow from selecting the input and output variables for the machine learning model and generating the datasets in Apros® to implement the machine learning models back to Apros® was defined. Keras is an open source neural network library running on Python that was utilised in the model generation framework which was developed as a part of this study. Keras library is a very popular library that allow fast experimenting. The framework make use of random hyperparameter search and each model is tested on a validation dataset in dynamic manner, i.e. in multi-step-ahead configuration, during the optimisation. The best models based in terms of average normalised root mean squared error (NRMSE) is selected for further testing. The results of the case studies show that accurate multi-step-ahead models can be built using recurrent artificial neural networks. In the first case study, the linear ARX model achieved slightly better NRMSE value than the nonlinear one, but the accuracy of both models was on a very good level with the average NRMSE being lower than 0.1 %. The generalisation ability of the models was tested using multiple datasets and the models proved to generalise well. In the second case study, there were more difference between the models’ accuracies. This was an expected result as the studied process contains nonlinearities and thus the linear ARX model performed worse in predicting some output variables than the nonlinear ones. On the other hand, ARX model performed better with some other output variables. However, also in the second case study the model NRMSE values were on good level, being 1.94–3.60 % on testing dataset. Although the workflow to implement machine learning models in Apros® using its Python binding was defined, the actual implementation need more work. Experimenting with Keras neural network models in Apros® was noticed to slow down the simulation even though the model was fast when testing it outside of Apros®. The Python binding in Apros® do not seem to cause overhead to the calculation process which is why further investigating is needed. It is obvious that the machine learning model must be very accurate if it is to be implemented in Apros® because it needs to be able interact with the physics-based model. The actual accuracy requirement that Apros® sets should be also studied to know if and in which direction the framework made for this study needs to be developed.Dynaamisten surrogaattimallien kehittäminen koneoppimismenetelmillä teollisuusprosessien fysiikkapohjaisista simulaatiomalleista. Tiivistelmä. Teollisuusprosessien toimintaa jäljittelevät dynaamiset fysiikkapohjaiset simulaatiomallit voivat laajuudesta tai yksityiskohtien määrästä johtuen olla laskennallisesti raskaita. Tämä voi rajoittaa simulaatiomallin käyttöä esimerkiksi prosessioperaattorien koulutuksessa ja hidastaa simulaattorin avulla tehtävää prosessien optimointia. Tässä tutkimuksessa selvitettiin koneoppimismenetelmillä luotujen mallien soveltuvuutta fysiikkapohjaisten yksikköoperaatiomallien surrogaattimallinnukseen. Fysiikkapohjaiset mallit on luotu teollisuusprosessien dynaamiseen mallinnukseen ja simulointiin kehitetyllä Apros®-ohjelmistolla, jota kehittää Teknologian tutkimuskeskus VTT Oy ja Fortum. Työ on osa COCOP-projektia, joka saa rahoitusta EU:lta, ja INTENS-projektia, jota rahoittaa Business Finland. Työ on jaettu kirjallisuusselvitykseen ja kahteen kokeelliseen case-tutkimukseen. Kirjallisuusosiossa selvitettiin datapohjaisen mallinnuksen eri vaiheet ja tutkittiin dynaamiseen mallinnukseen soveltuvia neuroverkkorakenteita. Tämän perusteella valittiin neljä neuroverkkoarkkitehtuuria case-tutkimuksiin. Ensimmäisessä case-tutkimuksessa selvitettiin lineaarisen ja epälineaarisen autoregressive model with exogenous inputs (ARX ja NARX) -mallin soveltuvuutta pinnankorkeuden säädöllä varustetun vesisäiliömallin dynaamisen käyttäytymisen mallintamiseen. Toisessa case-tutkimuksessa tarkasteltiin edellä mainittujen mallityyppien lisäksi Long Short-Term Memory (LSTM) ja Gated Recurrent Unit (GRU) -verkkojen soveltuvuutta power-to-gas prosessin metanointireaktorin dynaamiseen mallinnukseen. Työssä selvitettiin surrogaattimallinnuksen vaiheet korvattavien yksikköoperaatiomallien ja siihen liittyvien muuttujien valinnasta datan generointiin ja koneoppimismallien implementointiin Aprosiin. Koneoppimismallien rakentamiseen tehtiin osana työtä Python-sovellus, joka hyödyntää Keras Python-kirjastoa neuroverkkomallien rakennuksessa. Keras on suosittu kirjasto, joka mahdollistaa nopean neuroverkkomallien kehitysprosessin. Työssä tehty sovellus hyödyntää neuroverkkomallien hyperparametrien optimoinnissa satunnaista hakua. Jokaisen optimoinnin aikana luodun mallin tarkkuutta dynaamisessa simuloinnissa mitataan erillistä aineistoa käyttäen. Jokaisen mallityypin paras malli valitaan NRMSE-arvon perusteella seuraaviin testeihin. Case-tutkimuksen tuloksien perusteella neuroverkoilla voidaan saavuttaa korkea tarkkuus dynaamisessa simuloinnissa. Ensimmäisessä case-tutkimuksessa lineaarinen ARX-malli oli hieman epälineaarista tarkempi, mutta molempien mallityyppien tarkkuus oli hyvä (NRMSE alle 0.1 %). Mallien yleistyskykyä mitattiin simuloimalla usealla aineistolla, joiden perusteella yleistyskyky oli hyvällä tasolla. Toisessa case-tutkimuksessa vastemuuttujien tarkkuuden välillä oli eroja lineaarisen ja epälineaaristen mallityyppien välillä. Tämä oli odotettu tulos, sillä joidenkin mallinnettujen vastemuuttujien käyttäytyminen on epälineaarista ja näin ollen lineaarinen ARX-malli suoriutui niiden mallintamisesta epälineaarisia malleja huonommin. Toisaalta lineaarinen ARX-malli oli tarkempi joidenkin vastemuuttujien mallinnuksessa. Kaiken kaikkiaan mallinnus onnistui hyvin myös toisessa case-tutkimuksessa, koska käytetyillä mallityypeillä saavutettiin 1.94–3.60 % NRMSE-arvo testidatalla simuloitaessa. Koneoppimismallit saatiin sisällytettyä Apros-malliin käyttäen Python-ominaisuutta, mutta prosessi vaatii lisäselvitystä, jotta mallit saadaan toimimaan yhdessä. Testien perusteella Keras-neuroverkkojen käyttäminen näytti hidastavan simulaatiota, vaikka neuroverkkomalli oli nopea Aprosin ulkopuolella. Aprosin Python-ominaisuus ei myöskään näytä itsessään aiheuttavan hitautta, jonka takia asiaa tulisi selvittää mallien implementoinnin mahdollistamiseksi. Koneoppimismallin tulee olla hyvin tarkka toimiakseen vuorovaikutuksessa fysiikkapohjaisen mallin kanssa. Jatkotutkimuksen ja Python-sovelluksen kehittämisen kannalta on tärkeää selvittää mikä on Aprosin koneoppimismalleille asettama tarkkuusvaatimus.

Die Berechnung von Tensorintegralen ist eines der komplizierteren Probleme bei der Berechnung von Einschleifen-Feynmandiagrammen. In dieser Arbeit wird die Computerprogrammbibliothek PJFry entwickelt, mit der Tensorintegrale mit bis zu fünf äusseren Beinen und unter Zugrundelegung beliebiger Kinematik numerisch ausgewertet werden können. Im Programm PJFry sind Algorithmen implementiert, mit denen bei der Reduktion von Pentagon-Tensoren inverse Potenzen der Gramdeterminanten vermieden werden können. Gramdeterminanten der Boxdiagramme werden unter Verwendung von Rekursionsrelationen mit variabler Raum-Zeit-Dimension in einem Satz neuer Basisintegrale isoliert. Die neuen Basisintegrale werden ebenfalls durch Rekursionsrelationen mit variabler Raum-Zeit-Dimension oder durch Entwicklung in kleinen Gramdeterminanten ausgewertet. Die Konvergenz letzterer wird durch Padé-Extrapolation erheblich beschleunigt. Ein Cache-System erlaubt die mehrfache Verwendung von numerischen Bausteinen und erhöht zusätzlich die Effizienz des Programmpakets. Ausser ausführlichen Tests von Struktur und Genauigkeit der Algorithmen wird eine nichtriviale Beispielanwendung ausgearbeitet und mit dem Programm NGluon verglichen: die Berechnung von fünf-Gluon-Helizitätsamplituden. Schließlich werden die virtuellen Einschleifenkorrekturen zur Myonpaarproduktion mit Emission energiereicher ("harter") Photonen berechnet. Die Methode wird erläutert, wie auch Renormierung und Behandlung der Polstruktur in dimensionaler Regularisierung. Numerische Vorhersagen für differentielle Wirkungsquerschnitte werden berechnet, unter Zugrundelegung der kinematischen Situationen, wie sie bei den Detektoren KLOE (DAFNE, Frascati) und BaBar (SLAC) typisch sind. / In this thesis we discuss the problem of evaluation of tensor integrals appearing in a typical one-loop Feynman diagram calculation. We present a computer library for the numerical evaluation of tensor integrals with up to 5 legs and arbitrary kinematics. The code implements algorithms based on the formalism which avoids the appearance of inverse Gram determinants in the reduction of pentagon diagrams. The Gram determinants of box integrals are isolated in the set of new basis integrals by using dimensional recurrence relations. These integrals are then evaluated by dimensional recurrence or expansion in small Gram determinant, which is improved by Padé extrapolation. A cache system allows reuse of identical building blocks and increases the efficiency. After describing the cross checks and accuracy tests, we show a sample application to the evaluation of five gluon helicity amplitudes, which is compared with the output of the program NGluon. In the last part the program is applied to the calculation of the one-loop virtual corrections to the muon pair production with hard photon emission. The computation method is explained, followed by a discussion of renormalization and pole structure. Finally, we present numerical results for differential cross sections with kinematics of the KLOE and BaBar detectors.

Im Endeffekt zielt die Physik darauf ab, die Gesetze und die geltenden Gleichungen aufzudecken, die der Entwicklung eines bestimmten Systems zugrunde liegen: man sammelt eine Messreihe der Eigenschaften, die den Zustand dieses besonderen Systems beschreibet und versucht eine Gleichung abzuleiten, die die Messreihe von Messungen reproduziert. Verhält sich das System gut genug, sollte seine Entwicklung für eine vernünftige lange Zeit vorhersehbar sein. Verhält sich das System nicht gut genug, kann es schwieriger sein dies zu erreichen. Leider ist meinstens so der Fall: natürliche und vom Menschen gemachte Prozesse ergeben sich typischerweise aus dem Wechselspiel zwischen deterministischen und stochastischen Beiträgen, die jeweils unterschiedliche Merkmale aufweisen. Dieses Manuskript behandelt einige Hauptergebnisse aus dem Gebiet der stochastische Modellierung und bildet ein Konvolut aus 23 verschiedenen Arbeiten, die zwischen 2005 und 2018 in Fachzeitschriften veröffentlicht wurden. Der erste Teil behandelt spezifische theoretische Aspekte der stochastischen Modellierung, nämlich die Lösung des Einbettungsproblems in nichtstationären Reihen, die Signaltrennung der stochastischen Signalüberlagerung, die Abschätzung der topologischen globalen Eigenschaften komplexer Netzwerke und die Implementierung von Algorithmen für stochastische Analyse und für zufällige Moleküldynamik. Der zweite Teil behandelt die Annäherung der stochastischen Modellierung von spezifischen Anwendungen in der Physik und in vier weiteren interdisziplinären Bereichen: Geophysik, Energiesystemen, Finanzen und die Gesellschaft. Die spezifischen Anwendungen in der Physik finden Gebrauch des Entropiekonzeptes auf Monsterwelle, das Konzept der kleinsten Wirkung auf stochastische Prozesse angewendet, die Beziehung zwischen Perkolationsübergängen und der laminaren Ablöseblase auf Flügelprofilen, Thermostatistik komplexer Netzwerke, und die Ablagerungsprozesse von Granularpartikeln. Die Anwendungen in den interdisziplinären Themen konzentrieren sich auf die Modellierung der Schadstoffkonzentration in städtischen Zentren (Geophysik), Modellierung der Energieumwandlung, Turmschwingungen und Ermüdungslasten in Windturbinen (Energiesysteme), Stabilität von Finanznetze und nicht stationärer Entwicklung der Volumenpreise (Finanzen) und die menschliche Mobilität und sozialen Netzwerke (Gesellschaft). Abschließend werden zurkünftige Forschungsvorhaben erörtert, wo die hier presentierten Arbeiten von Nutzen sind, nähmlich für Energiesysteme, Finanzen und Neurowissenschaften.

Il presente lavoro si rivolge all’analisi del ruolo delle forme metaforiche nella divulgazione della fisica contemporanea. Il focus è sugli aspetti cognitivi: come possiamo spiegare concetti fisici formalmente complessi ad un audience di non-esperti senza ‘snaturarne’ i significati disciplinari (comunicazione di ‘buona fisica’)? L’attenzione è sulla natura stessa della spiegazione e il problema riguarda la valutazione dell’efficacia della spiegazione scientifica a non-professionisti. Per affrontare tale questione, ci siamo orientati alla ricerca di strumenti formali che potessero supportarci nell’analisi linguistica dei testi. La nostra attenzione si è rivolta al possibile ruolo svolto dalle forme metaforiche nella costruzione di significati disciplinarmente validi. Si fa in particolare riferimento al ruolo svolto dalla metafora nella comprensione di nuovi significati a partire da quelli noti, aspetto fondamentale nel caso dei fenomeni di fisica contemporanea che sono lontani dalla sfera percettiva ordinaria. In particolare, è apparsa particolarmente promettente come strumento di analisi la prospettiva della teoria della metafora concettuale. Abbiamo allora affrontato il problema di ricerca analizzando diverse forme metaforiche di particolare rilievo prese da testi di divulgazione di fisica contemporanea. Nella tesi viene in particolare discussa l’analisi di un case-study dal punto di vista della metafora concettuale: una analogia di Schrödinger per la particella elementare. I risultati dell’analisi suggeriscono che la metafora concettuale possa rappresentare uno strumento promettente sia per la valutazione della qualità delle forme analogiche e metaforiche utilizzate nella spiegazione di argomenti di fisica contemporanea che per la creazione di nuove e più efficaci metafore. Inoltre questa prospettiva di analisi sembra fornirci uno strumento per caratterizzare il concetto stesso di ‘buona fisica’. Riteniamo infine che possano emergere altri risultati di ricerca interessanti approfondendo l’approccio interdisciplinare tra la linguistica e la fisica. / The present work deals with the role of metaphorical thinking in the public communication of contemporary physics. We focus on the cognitive aspects: how to disseminate complicated formal physical concepts to a non-professional public maintaining the ‘correct’ disciplinary meaning, that is aiming at communication of ‘good physics’. The focus is on the nature of the explanation and the problem is how to evaluate the effectiveness of public scientific explanation of advanced physical topics to a non-professional audience. For this purpose we have looked for formal tools apt at analyzing the linguistic features of dissemination texts. We have drawn our attention to the role of analogical and metaphorical forms in the construction of ‘actual’ physical meanings because they obviously play an important role in introducing new concepts from previous ones when dealing with contemporary physics phenomena that are far from the ordinary perceptive domain. For the purpose of our investigation the conceptual metaphor perspective, within the framework of cognitive linguistics, appeared to be the most promising analytical tool. We investigate the research problem by analyzing a set of ‘relevant’ analogies and metaphors taken from popular science literature. In particular an analysis of a case study, within the framework of conceptual metaphor, is presented : Schrödinger’s analogy for ‘elementary particle’. The results of the analysis suggest that the conceptual metaphor perspective might be a potential tool both to assess the quality of analogical forms used in explanation of contemporary physics and to design new and ‘better’ analogies and metaphors. Besides, in a recursive process this analysis could help to focus on those meaningful cognitive aspects that characterize, and refine, a ‘complete’ and ‘correct’ physical concept. We think that fruitful results of inquiry might come from a deeper interdisciplinary approach between linguistics and physics.

Detta arbete beskriver hur processen för att skapa en generell hjulklass har gått till. Klassen skall skapas med hjälp av fysikmotorn Bullet. Den generella hjulklassen skall användas som en komponent i Craft Animations fordonssimuleringar. Det finns stöd för 3 olika former av hjulupphängning. Oberoende hjul medkollisionskroppar, Länkade hjul med kollisionskroppar samt Hjul med strålföljning. Rapporten visar hur konstruktionen av dessa hjulupphängningar går till. Slutligen görs en sammanställning där de olika teknikerna diskuteras och jämförs.