Az univerzum nagyskálás szerkezete adatok, modellek, módszerek CSABAI ISTVÁN ELTE, KOMPLEX RENDSZEREK FIZIKÁJA TANSZÉK LEGFELJEBB 30 PERCBEN VÁZOLJA FEL A TUDOMÁNYTERÜLETÉN FELMERÜLŐ NAGY KÉRDÉSEKET ÉS AZT, HOGY MIVEL JÁRULT MUNKÁJÁVAL A MEGOLDÁSHOZ, VALAMINT KONKRÉTAN RÉSZLETEZZE A MAGA ÁLTAL LEGFONTOSABBNAK, LEGEREDETIBBNEK TARTOTT, DÖNTŐ MÓDON ÖNMAGÁHOZ KÖTHETŐ TUDOMÁNYOS EREDMÉNYEIT. AZ ELŐADÁSBAN NEM KELL KITÉRNI A TUDOMÁNYOS KÖZÉLETI AKTIVITÁS BEMUTATÁSÁRA, A TUDOMÁNYMETRIAI ADATOK ISMERTETÉSÉRE. 2018. december 12. MTA bemutatkozó ea.
A tudományos megismerés körfolyamata Modell 7±2 bit* ÉSZLELÉS Műszerek Jelenségek (KÍSÉRLET) Természettörvények Jóslatok
A tudományos megismerés körfolyamata Modell 7±2 bit* ÉSZLELÉS Műszerek Jelenségek (KÍSÉRLET) Matematikai, statisztikai, informatikai módszerek Természettörvények Szimulációk, jóslatok Virtuális valóság
Az univerzum nagyskálás szerkezete Modell ÉSZLELÉS Műszerek Jelenségek SkyServer KÍSÉRLET SDSS Természettörvények Nagy adatbázisok, indexelés Dimenzióredukció Gépi tanulás Fotometrikus vöröseltolódás N-test szimuláció, GPU Virtuális valóság AvERA StePS Szimulációk, jóslatok
Az univerzum nagyskálás szerkezete Természettörvények
CMB SDSS Ősrobbanás kozmológia nagy kérdés sötét energia GR, Einstein (1915) + kozmológiai konstans (1917), instabil Einstein s biggest blunder Hubble (1929): Táguló univerzum, Hubble diagram (tükrözve) A kozmológiai konstanst nem használták a 90-es évekig, amikor sötét energia néven újra felbukkant. Einstein egyenletek csak nagyon szimmetrikus esetben oldhatók meg (analitikusan, numerikusan)
Friedmann Lemaître Robertson Walker (FLRW, ΛCDM) modell Feltéve, hogy az univerzum homogén izotróp Friedmann egyenletek (1922) skálaparaméter görbület Hubble paraméter Dimenziótlanított egyenlet kritikus sűrűség sugárzás anyag görbület sötét energia
A ΛCDM modell észlelhető paraméterei Vöröseltolódás Hubble-törvény Kozmikus távolságok A nagy skálás struktúrákból mérhető (BAO) : standard vonalzók Az ún. standard gyertyák (pl. szupernóvák) fényességéből mérhető
Az univerzum nagyskálás szerkezete - észlelések Műszerek Jelenségek ÉSZLELÉS SkyServer SDSS Nagy adatbázisok, indexelés Dimenzióredukció Gépi tanulás Fotometrikus vöröseltolódás N-test szimuláció, GPU
2.5m 120Mp 2.5Tp 5 év:10tb 300M galaxis 1995-2000-2005- Első big data tudomány: Az univerzum 3D térképe 1M spektrum 150 emberév szoftver 1929: 1 galaxis CfA 1989: 1100 galaxis SDSS 2005: 1M galaxis
2.5m 120Mp 2.5Tp 5 év:10tb 300M galaxis 1995-2000-2005- Első big data tudomány: Az univerzum 3D térképe 1M spektrum 150 emberév szoftver Tudományos adatbázisok 1929: 1 galaxis CfA 1989: 1100 galaxis SDSS 2005: 1M galaxis
Magnitúdó-tér, szín-tér, spektrum-tér, fázistér 3000 D 5 D u g r i z
Lekérdezések fázistérben Csillag/galaxis szeparáció Kvazár target kiválasztás vágások Sok dimenziós poliéderek petromag_i > 17.5 and (petromag_r > 15.5 or petror50_r > 2) and (petromag_r > 0 and g > 0 and r > 0 and i > 0) and ( (petromag_r-extinction_r) < 19.2 and (petromag_r - extinction_r < (13.1 + (7/3) * (dered_g - dered_r) + 4 * (dered_r - dered_i) - 4 * 0.18) ) and ( (dered_r - dered_i - (dered_g - dered_r)/4-0.18) < 0.2) and ( (dered_r - dered_i - (dered_g - dered_r)/4-0.18) > -0.2) and ( (petromag_r - extinction_r + 2.5 * LOG10(2 * 3.1415 * petror50_r * petror50_r)) < 24.2) ) or ( (petromag_r - extinction_r < 19.5) and ( (dered_r - dered_i - (dered_g - dered_r)/4-0.18) > (0.45-4 * (dered_g - dered_r)) ) and ( (dered_g - dered_r) > (1.35 + 0.25 * (dered_r - dered_i)) ) ) and ( (petromag_r - extinction_r + 2.5 * LOG10(2 * 3.1415 * petror50_r * petror50_r) ) < 23.3 ) )
Magnitúdó-tér, szín-tér, fázistér Fotometriai táblázat: 300+ oszlop 100+ egyéb táblázat A tudományos adatok gyakran sokdimenziós metrikus térként jelennek meg
Tudományos célok és kutatói perspektíva
SkyServer adatbázis, indexelés Az adat nem fér el a memóriában A háttértár elérése nagyságrendekkel lassabb Adatok átolvasása ~1 nap PZ Kunszt, AS Szalay, I Csabai, AR Thakar: The indexing of the SDSS science archive; Astronomical Data Analysis Software and Systems IX 216, 141 (2000) DG York et al. SDSS collab. Incl. I Csabai: The sloan digital sky survey: Technical summary; The Astronomical Journal 120 (3), 1579 (2000) I Csabai et al.: Multidimensional indexing tools for the virtual observatory Astronomische Nachrichten: Astronomical Notes 328 (8), 852-857 (2007) JM Szalai-Gindl, L Dobos, I Csabai: Tiling Strategies for Distributed Point Cloud Databases; Proc. Scientific and Statistical Database Management Conf. (2017) 10+ konferencia cikk Csillagászati adatbázisokról, L Dobos, A Szalay, N Purger, SkyServer: évente több mint 1 millió lekérdezés
2.5m 120Mp 2.5Tp 5 év:10tb 300M galaxis 1995-2000-2005- Első big data tudomány: Az univerzum 3D térképe 1M spektrum 150 emberév szoftver Fotometrikus vöröseltolódás becslés 1929: 1 galaxis CfA 1989: 1100 galaxis SDSS 2005: 1M galaxis
Spektrumok elemzése - vöröseltolódás Einstein -> Friedmann Galaxisok kora, metallicitása, vöröseltolódása skálafaktor: Hubble tv. L Dobos, I Csabai et al.: A high-resolution atlas of composite Sloan Digital Sky Survey galaxy spectra; MNRAS 420 (2), 1217-1238 (2012) CW Yip, I Csabai: Extinction in Star-forming Disk Galaxies from Inclination-dependent Composite Spectra; The Astrophysical Journal 709 (2), 780 (2010) R Beck, L Dobos, CW Yip, AS Szalay, I Csabai: Quantifying correlations between galaxy emission lines and stellar continua; MNRAS (2016) G Kerekes, I C. et al.: Photo Met: A non parametric method for estimating stellar metallicity ; Astron. Nachr. 334 (9), 1012-1015 (2013)
A fotometriai vetület fizikai értelmezése g-r spektrum vöröseltolódás színszűrők magnitúdók, színek luminozitás spektr. típus vöröseltolódás vöröseltolódás AJ Connolly, I Csabai, AS Szalay, DC Koo, RG Kron, JA Munn: Slicing through multicolor space: Galaxy redshifts from broadband photometry; The Astronomical Journal 110 (6), 2655-2664 (1995)
Inverz probléma: fotometrikus vöröseltolódás becslés spektrum vöröseltolódás 1M spektrum színszűrők?? magnitúdók, színek 300M galaxis
Inverz probléma: fotometrikus vöröseltolódás becslés spektrum vöröseltolódás színszűrők magnitúdók, színek Mintaillesztés Gépi tanulás Szimulált/mért minta spektrumok Spektrum főkomponensek Szimulált vöröseltolódás Szimulált konvolúció a szűrőkkel 3000D -> 10D χ 2 minimalizáció
Inverz probléma: fotometrikus vöröseltolódás becslés spektrum vöröseltolódás színszűrők magnitúdók, színek Mintaillesztés Gépi tanulás Empirikus módszer Nem használja a fizikai képet Ismert [u,g,r,i,z; redshift] tanító adatokból jósol Gépi tanulási technikák Több dimenziós regresszió K-legközelebbi szomszéd Random forest Mesterséges neuronhálók
Fotometrikus vöröseltolódás becslés 1992-2018 Módszerek folyamatos finomítása SDSS kollaborációban a mi feladatunk Data Release katalógusok EDR (2000) DR12 (2016) AJ Connolly, I Csabai, AS Szalay, DC Koo, RG Kron, JA Munn: Slicing through multicolor space: Galaxy redshifts from broadband photometry; The Astronomical Journal 110 (6), 2655-2664 (1995) DW Hogg et al.: A blind test of photometric redshift prediction; The Astronomical Journal 115 (4), 1418 (1998) I Csabai, AJ Connolly, AS Szalay, T Budavári: Reconstructing galaxy spectral energy distributions from broadband photometry; The Astronomical Journal 119 (1), 69 (2000) T Budavari, I Csabai et al.: Photometric redshifts from reconstructed quasar templates; The Astronomical Journal 122 (3), 1163 (2001) Z Bagoly, I Csabai et al.: Gamma photometric redshifts for long gamma-ray bursts; Astronomy & Astrophysics 398 3, 919-925 (2003) MR Blanton, J Brinkmann, I Csabai et al.: Estimating fixed-frame galaxy magnitudes in the Sloan Digital Sky Survey; The Astronomical Journal 125 (5), 2348 (2003) I Csabai et al.: The application of photometric redshifts to the SDSS early data release; The Astronomical Journal 125 (2), 580; (2003) R Beck, L Dobos, T Budavári, AS Szalay, I Csabai: Photometric redshifts for the SDSS Data Release 12; MNRAS 460 (2), 1371-1381 (2016) R Beck, L Dobos, T Budavári, AS Szalay, I Csabai: Photo-z-SQL: Integrated, flexible photometric redshift computation in a database; Astronomy and computing 19, 34-44 (2017) photometric redshift ADS keresések Felhasználás példák GRB, szupernóva gazda-galaxis SN 1997ff, T. Budavári, AJ 560 49-71 (2001) Klaszterek azonosítása, nagy skálás szerkezet, korrelációs függvények Sötét anyag eloszlás, gyenge gravitációs lencsézés, SZ, ISW
Intermezzo: mesterséges intelligencia, gépi tanulás, mesteréges neuronhálók, deep learning Modell Jelenségek Természettörvények Nagy adatbázisok, indexelés Dimenzióredukció Gépi tanulás Fotometrikus vöröseltolódás N-test szimuláció, GPU Szimulációk, jóslatok
Intermezzo: mesterséges intelligencia, gépi tanulás, mesteréges neuronhálók, deep learning Mintaillesztés Gépi tanulás Mély kapcsolat a statisztikus fizikával: Hopfield modell spinüvegek Boltzmann gép, energia minimalizáció Sokdimenziós fázistér koncepció Tudományos alkalmazások 1991: Szignál peptidek jóslása neuronhálózatokkal (-> SignalP) 1991-92: Kvark- és gluon-jet szeparáció neuronhálókkal I Ladunga, F Czako, I Csabai, T Geszti: Improving signal peptide prediction accuracy by simulated neural network; Bioinformatics 7 (4), 485-487 (1991) I Csabai, F Czako, Z Fodor: Quark-and gluon-jet separation using neural networks; Physical Review D 44 (7), R1905 (1991) I Csabai, F Czakó, Z Fodor: Combined neural network QCD classifier for quark and gluon jet separation; Nuclear Physics B 374 (2), 288-308 (1992)
Felügyelt tanulás (supervised learning) címke bemenet alma alma jóslás belső reprezentáció körte
Felügyelt tanulás (supervised learning) bemenet alma jóslás belső reprezentáció függvényillesztés f( ) = alma f( ) = körte f( ) = boci IF color=red AND profile=smooth THEN type:=tomato IF color=red AND HAS(horns) THEN type:=cow
Mesterséges neuronhálózatok, gépi tanulás - in progress Mutációk -> antibiotikum rezisztencia Mobile szenzor -> Parkinson Kvantum hullám fv.-> vegyület toxicitás Röntgen kép -> mellrák Gravit. lencsézés -> kozmológiai param. XAI, megérthető NN QC hibajavítás NN Fotometriai vöröselt. Analitikusan kezelhetetlen nehéz inverz problémák Matamoros et al. in prep. Pataki @DREAM, Laki et al. 2016 Bagoly et al. in prep. Ribli et al. @DREAM, Sci. Rep. 2018 Ribli et al. Nature Astro. 2018 Ribli et al. in prep, Szabadalmaztatás alatt 2018
Kozmológiai paraméterek gravitációs gyengelencsézésből: intuíció a neuronhálótól Kozmológiai paraméterek: Ω m,σ 8 Komplex fizikai folyamatok D Ribli, BÁ Pataki, I Csabai: An improved cosmological parameter inference scheme motivated by deep learning; Nature Astronomy s41550-018-0596-8 (2018)
Kozmológiai paraméterek gravitációs gyengelencsézésből: intuíció a neuronhálótól Kozmológiai paraméterek: Ω m,σ 8 Komplex fizikai? folyamatok? Nehéz inverz probléma!
Kozmológiai paraméterek gravitációs gyengelencsézésből: intuíció a neuronhálótól Kozmológiai paraméterek: Ω m,σ 8 Komplex fizikai? folyamatok? 2M paraméter
Kozmológiai paraméterek gravitációs gyengelencsézésből: intuíció a neuronhálótól Kozmológiai paraméterek: Ω m,σ 8 Komplex fizikai? folyamatok? Learning from deep learning : Új egyszerű módszer Kevés parameter, gyors, robusztus, érthető
Kozmológiai paraméterek: összegzés Szupernóvák: gyorsuló tágulás Kozmikus mikrohullámú háttér (CMB): sík univerzum Riess et al. (1998) Planck kollaboráció (2015) Galaxisok: sűrűség fluktuációk, barionikus akusztikus oszcillációk, standard vonalzó concordance model SDSS kollaboráció (2012)
Összhang modell: paraméterek, összetevők Közönséges anyag (barionok, jól ismerjük) Sötét anyag (közvetlenül nem észlelték, részecskefizikai modellek) Sötét energia: Nincs (túl sok?) modell. A Λ legnagyobb kudarca (10 123 ) a modern fizikának. A sötét energia teljesen fenomenologikus? Létezik egyáltalán?
Repedések a ΛCDM modellen: a Hubble állandó feszültség (3.4σ) Pontosabb mérések: kisebb hibák Hubble (1929) lokális univerzum Riess et al. (2016), szupernóvák: H 0 =73.24±1.74 km/s/mpc Planck kollaboráció (2015), CMB H 0 =67.74±0.46 km/s/mpc korai univerzum
További feszültségek: ISW, fluktuáció amplitúdó σ 8 H 0 lokális vs. Planck 3-4σ σ 8 lokális vs. Planck 2σ+ ISW effektus 3σ A feszültségek, nem zárják ki a ΛCDM-t... még De érdemes más modelleket is megvizsgálni Pontosabb mérések, pontosabb szimulációk Integrált Sachs-Wolfe effektus, CMB stacking Granett et al. (2009): 4x a ΛCDM modell jóslatának Poulin et al. (2016) DES collaboration (2017)
Az univerzum nagyskálás szerkezete - szimulációk Jelenségek Nagy adatbázisok, indexelés Dimenzióredukció Gépi tanulás Fotometrikus vöröseltolódás N-test szimuláció, GPU Virtuális valóság AvERA StePS Szimulációk, jóslatok
N-test szimulációk GR: már két test egzakt kezelése is túl bonyolult A GR csak nagy skálákon hat az anyageloszlás fejlődésére Jelenlegi N-test kódok (pl. GADGET-2) Newtoni gravitációt használ együttmozgó koordinátákban A tágulást előre kiszámolják a Friedmann egyenletekből és a metrikát ennek megfelelően skálázzák át: V. Springel (2005) Periodikus határfeltételek Gyorsítások tree / particle mesh kóddal (Hut & Makino 1993) Sötét anyag részecskék (csak gravitáció, új kódok:hidro., AGN feedback, stb.), ~ 10 7-10 11 M sun (Tejút ~ 10 12 M sun ), 10 6-10 10 részecske, 100Mpc-1Gpc Gauss-i kezdeti sűrűség fluktuációk, 13Gyr, 10-100 snapshot K. Riebe et al. (2013)
Végtelen univerzum szimuláció sztereografikus kompaktifikációval Problémák a jelenlegi szimulációkkal: Nem elég pontosak az erők (Precíziós kozmológia?) Sérül a gömbszimmetria T 3 topológia nem felel igen meg az észleléseknek Teljesítény sűrűség spectrum módusok ~k 3, túl sok magas k Nem felel meg az észlelési geometriának Erő hiba: periodikus-végtelen
Végtelen univerzum szimuláció sztereografikus kompaktifikációval G Rácz, I Szapudi, I Csabai, L Dobos: Compactified cosmological simulations of the infinite universe; MNRAS 477 (2), 1949-1957 (2018) G Rácz, I Szapudi, L Dobos, I Csabai, AS Szalay: StePS: A Multi-GPU Cosmological N-body Code for Compactified Simulations arxiv preprint arxiv:1811.05903 (2018)
Az univerzum evolúciója komplex struktúra mint sötét energia Modell Jelenségek Természettörvények Nagy adatbázisok, indexelés Dimenzióredukció Gépi tanulás Fotometrikus vöröseltolódás N-test szimuláció, GPU Virtuális valóság AvERA StePS Szimulációk, jóslatok
Az inhomogenitás visszahatása?
"Mass tells space-time how to curve, and space-time tells mass how to move. /John Wheeler/ Nem homogén! GR közösségben éles vita van az effektusról SDSS - Backreaction: T. Buchert, S. Rasanen, G. Ellis, D. Wiltshire - Anti-backreaction: S. Green, R. Wald, space-time matter
Az AvERA* trükk Standard N-test: Teljes átlagsűrűségből számolja a skálaparamétert a Friedmann egyenlettel: Separate universe conjecture (Weinberg 2008): Mini univerzumok a saját lokális sűrűségük szerint tágulnak (mint pl. klaszterek fejlődése, spherical collapse model ) *Average Expansion Rate Approximation Az Einstein-egyenletek nemlinearitása miatt a térbeli átlagolás és az idő szerinti deriválás nem kommutál. (Buchert et al. 2000) G Rácz, L Dobos, R Beck, I Szapudi, I Csabai: Concordance cosmology without dark energy; MNRAS 469 (1), L1-L5 (2017)
AvERA szimulációk Direkt N-test kód (G. Rácz, CPU, GPU) összehasonlítva GADGET2-vel Indítás: z=9, itt még a sötét energia hatása elhanyagolható 10 6 részecske, M=1.19 10 11 M Sun, 147Mpc 3 Kezdeti feltétel: Planck kozmológiai paraméterek: σ 8 = 0.8159 H 0 = 67.74 km/s/mpc ~ H z=9.0 = 1191.9 km/s/mpc DE nincs sötét energia csak anyag: Ω M =1.0, Ω Λ =0.0 Doménenkénti átlagsűrűséget számolunk: Friedmann egy. (csak anyag) + szimulációk standard FLRW-vel is: - standard ΛCDM sötét energiával: Ω M =0.3, Ω Λ =0.7 - EdS csak anyag standard kozmológia: Ω M =1.0, H 0 = 37.69 km/s/mpc
ΛCDM-szerű fejlődés sötét energia nélkül! Mérési hibákon belül megkülönböztethetetlen a ΛCDM-től DE: apró különbségek vannak, amik alapján megerősíteni / cáfolni lehet az AvERA-t
Az AvERA modell feloldja a Hubble állandó feszültséget ΛCDM nem tudja a CMB-t és a szupernóva adatokat egyszerre illeszteni ugyanazokkal a kozmológiai paraméterekkel De az AvERA igen!
Integrált Sachs-Wolfe effektus Lineáris növekedési faktor ISW gömbi telj. sűrűség spektrum. Az AvERA modell 2-5x ISW effektust jósol a ΛCDM-hez képest (z=0.0-9.0 l-től függően) Ellentétes effektus z=1.5-4.5 vöröseltolódás tartományban (jövőbeli felmérések) Jelenlegi észlelések nagy hibájúak a végleges kizáráshoz/megerősítéshez Új katalógusokon (Pan-STARRS, WISE, SDSS, fotometrikus vöröseltolódás) dolgozunk (adatok: Granett et al 2009) R Beck, I Csabai, G Rácz, I Szapudi: The integrated Sachs-Wolfe effect in the AvERA cosmology; MNRAS 479 (3), 21 (2018)
Dark Energy Survey friss cikk: arxiv 2018.11.20 The DES collaboration: More out of less: an excess integrated Sachs-Wolfe signal from supervoids mapped out by the Dark Energy Survey https://arxiv.org/pdf/1811.07812.pdf (2018)
Társtudományok, multidiszciplinaritás közös megközelítés, metodika Modell 7±2 bit* ÉSZLELÉS Műszerek Jelenségek (KÍSÉRLET) Matematikai, statisztikai, informatikai módszerek Természettörvények Szimulációk, jóslatok Virtuális valóság
Ami kimaradt nagy adatok, komplex hálózatok Kommunikációs hálózatok 1/f noise network traffic (1994) Spotter, geolocalization ETOMIC Network Measurement Virtual Observatory Traffic models Közösségi hálózatok Twitter PCA, Milgram Bitcoin tranzakciós hálózat Rich get richer Newtork PCA 7±2 bit?
Járulékos haszon módszerek újrahasznosítása Rák genetika, bioinformatika nagy adatok, komplex elemzések, dimenzióredukció, gépi tanulás (Pipek O., Ribli D., Pataki B., ) B Molnár et al.: Gene promoter and exon DNA methylation changes in colon cancer development mrna expression and tumor mutation alterations; BMC cancer 18 (1), 695 (2018) Á Póti... D Szüts: Long-term treatment with the PARP inhibitor niraparib does not increase the mutation load in cell line models and tumour xenografts, British journal of cancer, 1 (2018) M Diossy... I Csabai, Z Szallasi: Breast cancer brain metastases show increased levels of genomic aberration-based homologous recombination. ; Annals of Oncology 29 (9), 1948-1954, 1 (2018) DY Takeda, S Spisák M Freedman: A somatically acquired enhancer of the androgen receptor is a noncoding driver in advanced prostate cancer; Cell 174(2):422-432 (2018) TJ Mitchell C Swanton: Timing the landmark events in the evolution of clear cell renal cell cancer: TRACERx renal; Cell 173 (3), 611-623. e17; (2018) S Turajlic... C Swanton: Deterministic evolutionary trajectories influence primary tumor growth: TRACERx renal; Cell 173 (3), 595-610. e11; (2018) O Pipek... I. Csabai, D. Szüts: Fast and accurate mutation detection in whole genome sequences of multiple isogenic samples with IsoMut; BMC bioinformatics 18 (1), 73; (2017) S Spisák et al: CAUSEL: an epigenome-and genome-editing pipeline for establishing function of noncoding GWAS variants; Nature medicine 21 (11), 1357; (2015) S Spisák I Csabai: Complete genes may pass from food to human blood PLoS One 8 (7), e69805; (2013)
Köszönet: PATKÓS ANDRÁS, SZALAY SÁNDOR, VICSEK TAMÁS VATTAY GÁBOR GESZTI TAMÁS, KONDOR IMRE, KERTÉSZ JÁNOS AZ SDSS KOLLABORÁCIÓ ANDY CONNOLLY, JIM GRAY, ANI THAKAR, JAVIER ARACIL, ZOLTAN SZALLASI, SPISÁK SÁNDOR, SOLYMOSI NORBERT, SZÜTS DÁVID, MOLNÁR BÉLA, CHARLIE SWANTON, MATT FREEDMAN PHD HALLGATÓK: BUDAVÁRI TAMÁS, DOBOS LÁSZLÓ, SIMON GÁBOR, GYŐRY ZSUZSA, HÁGA PÉTER, LAKI SÁNDOR, MÁTRAY PÉTER, PURGER NORBERT, STÉGER JÓZSEF, KEREKES GYÖNGYI, TRENCSÉNI MÁRTON, VARGA JÓZSEF, SEBŐK TAMÁS, PIPEK ORSOLYA, BECK RÓBERT, SZALAI-GINDL JÁNOS, KONDOR DÁNIEL, RÁCZ GÁBOR, RIBLI DEZSŐ, PATAKI BÁLINT ELTE KOMPLEX RENDSZEREK FIZIKÁJA TANSZÉK TÁMOGATÁS: OTKA T047244,T037548,T03836,F025840, F14967, MTA-OTKA-NSF97; MTA-NSF128; RET14/2005, MSRC038, EU MRTN-503929 és IST-001935, NKFP-2/0032/2004, OM ITEM 2003, NATO, N-I 2000/87639263, PFP P305/99 NKTH TECH08:3dhist08, NAP 2005/ KCKHA005, Polányi, KMR_12-1-2012-0216, TÁMOP: FuturIct, OTKA-103244, OTKA-114560, OTKA 7779, EU ICT OneLab2 IP #224263, EU FIRE NOVI #257867, EIT KIC, Otto Monsted Fond, EU H2020 COMPARE #643476, NVKP_16-1-2016-0004, FIEK_16-1-2016-0005, NKFI NN 129148
Any sufficiently advanced technology is indistinguishable from magic. /Arthur C. Clarke/ Indeed, understanding the laws of mechanics made us able to build pyramids and cathedrals, based on the laws of thermodynamics the invention of the steam engine empowered us to cross oceans and continents and today we all have seven-league boots in our garages. Understanding electrodynamics and quantum mechanics brought us the transistor that is at the heart of the Internet and the modern magic mirrors, the mobile phones. With the advancements of high throughput techniques we may be ready to tackle another frontier: medicine at last, because it is the most sophisticated and complex. End of diseases, much longer healthy life,?
KÖSZÖNÖM A FIGYELMET!