“颠覆性”科学已经衰落了

核心大图如下:

难道这就是“灌水”的魔法。

机器翻译如下:

“颠覆性”科学已经衰落了——没人知道原因

在过去的半个世纪里,将一个领域推向新方向的论文比例急剧下降。

在过去的几十年中,发表的科学和技术研究论文的数量急剧增加,但根据对论文与以往文献的差异的分析,这些论文的“颠覆性”已经下降[1]。

来自数百万份手稿的数据表明,与20世纪中期相比,2000年代的研究更有可能逐步推动科学进步,而不是转向新的方向,使以前的工作过时。1976年至2010年的专利分析也显示出同样的趋势。

明尼苏达大学明尼阿波利斯分校的社会学家拉塞尔·芬克(Russell Funk)表示:“数据表明有些事情正在发生变化。“你的突破性发现不像以前那么强烈了。”

故事引用

作者推断,如果一项研究具有高度颠覆性,后续研究将不太可能引用该研究的参考文献,而是引用该研究本身。利用4500万份手稿和390万份专利的引用数据,研究人员计算了一个被称为“CD指数”的颠覆性指标,其中颠覆性最小的作品的值为-1,颠覆性最大的作品为1。

1945年至2010年间,研究手稿的平均CD指数下降了90%以上(参见“颠覆性科学减少”),而专利的平均CD索引从1980年至2010年下降了78%以上。即使考虑到引用实践等因素的潜在差异,所有分析的研究领域和专利类型的颠覆性都有所下降。

颠覆性的科学正在减少。图表显示,随着时间的推移,所有分析领域的论文的颠覆性都有所下降。

来源:参考文献[1]

作者还分析了手稿中最常用的动词,发现20世纪50年代的研究更倾向于使用“produce”或“determine”等引发创造或发现的词汇,而2010年代的研究则更倾向于用“improve”或“enhance”等词汇来指代渐进的进步。

伊利诺伊州埃文斯顿西北大学(NorthwesternUniversity)的计算社会科学家王大顺(Dashun Wang)研究科学中的干扰性,他说:“很高兴能以如此细致的方式记录这种现象。”。“他们用100种不同的方式来看待这个问题,我觉得总体来说非常有说服力。”

西北大学的计算社会科学家Yian Yin表示,其他研究表明,近几十年来,科学创新也在放缓。但他补充道,这项研究为“研究科学如何变化的数据驱动方式提供了一个新的开始”。

王说,颠覆性并非本质上是好的,增量科学也不一定是坏的。例如,他说,第一次直接观测引力波既是革命性的,也是增量科学的产物。

亚特兰大佐治亚理工学院科学技术政策专家约翰·沃尔什(John Walsh)表示,理想情况是将增量研究和颠覆性研究健康地结合起来。他说:“在一个我们关注研究结果有效性的世界里,有更多的复制和繁殖可能是一件好事。”。

为什么逐渐降低?

沃尔什说,了解这些剧烈变化的原因很重要。这一趋势可能部分源于科学事业的变化。例如,现在的研究人员比20世纪40年代多得多,这创造了一个更具竞争力的环境,提高了发表研究和寻求专利的风险。这反过来改变了研究人员工作的动机。例如,大型研究团队已经变得越来越普遍,王和他的同事发现,大型团队更有可能产生增量科学,而不是颠覆性科学。

沃尔什说,要找到这种下降的原因并不容易。尽管在1945年至2010年间,颠覆性研究的比例大幅下降,但高度颠覆性研究数量仍保持不变。下降速度也令人费解:CD指数从1945年到1970年急剧下降,然后从1990年代末到2010年更为缓慢。他说:“无论你对颠覆性下降有什么解释,你都需要弄清楚它在2000年代趋于稳定。”。

References

[1] Park, M., Leahey, E. & Funk, R. J. Nature 613, 138–144 (2023).

[2] Cowen, T. & Southwood, B. Preprint at SSRN

[3] Wu, L., Wang, D. & Evans, J. A. Nature 566, 378–382 (2019).

更详细信息参考:

摘要

科学和技术变革理论将发现和发明视为内生过程[1,2],其中先前积累的知识使研究人员能够(用牛顿的话说)“站在巨人的肩膀上”[3,4,5,6,7],从而实现未来的进步。近几十年来,新科技知识的数量呈指数级增长,从而创造了取得重大进展的条件[8,9]。然而,与这一观点相反,研究表明,几个主要领域的进展正在放缓[10,11]。在这里,我们使用45个国家的数据,对这些索赔进行了60年的规模分析 百万篇论文和3.9 来自六个大型数据集的100万项专利,以及一个新的量化指标CD索引[12],该指标描述了论文和专利如何改变科学技术引文网络。我们发现,论文和专利越来越不可能在推动科学技术向新方向发展的方式上与过去决裂。这种模式在各个领域普遍适用,并且在多个不同的引用和基于文本的度量标准[1、13、14、15、16、17]中都是稳健的。随后,我们将这种颠覆性的下降与先前知识使用的减少联系起来,使我们能够将观察到的模式与“巨人的肩膀”观点相协调。我们发现,所观察到的下降不太可能是由已发表科学的质量、引用实践或领域特定因素的变化所驱动的。总体而言,我们的研究结果表明,颠覆速度的减缓可能反映了科学技术本质的根本转变。

Newton’s words, ‘stand on the shoulders of giants’

Overall, our results suggest that slowing rates of disruption may reflect a fundamental shift in the nature of science and technology.

一、 内容概要 本资源提供了一个完整的“金属板材压弯成型”非线性仿真案例,基于ABAQUS/Explicit或Standard求解器完成。案例精确模拟了模具(凸模、凹模)金属板材之间的接触、压合过程,直至板材发生塑性弯曲成型。 模型特点:包含完整的模具-工件装配体,定义了刚体约束、通用接触(或面面接触)及摩擦系数。 材料定义:金属板材采用弹塑性材料模型,定义了完整的屈服强度、塑性应变等真实应力-应变数据。 关键结果:提供了成型过程中的板材应力(Mises应力)、塑性应变(PE)、厚度变化​ 云图,以及模具受力(接触力)曲线,完整再现了压弯工艺的力学状态。 二、 适用人群 CAE工程师/工艺工程师:从事钣金冲压、模具设计、金属成型工艺分析优化的专业人员。 高校师生:学习ABAQUS非线性分析、金属塑性成形理论,或从事相关课题研究的硕士/博士生。 结构设计工程师:需要评估钣金件可制造性(DFM)或预测成型回弹的设计人员。 三、 使用场景及目标 学习目标: 掌握在ABAQUS中设置金属塑性成形仿真的全流程,包括材料定义、复杂接触设置、边界条件载荷步。 学习如何调试分析大变形、非线性接触问题的收敛性技巧。 理解如何通过仿真预测成型缺陷(如减薄、破裂、回弹),并理论或实验进行对比验证。 应用价值:本案例的建模方法分析思路可直接应用于汽车覆盖件、电器外壳、结构件等钣金产品的冲压工艺开发模具设计优化,减少试模成本。 四、 其他说明 资源包内包含参数化的INP文件、CAE模型文件、材料数据参考及一份简要的操作要点说明文档。INP文件便于用户直接修改关键参数(如压边力、摩擦系数、行程)进行自主研究。 建议使用ABAQUS 2022或更高版本打开。显式动力学分析(如用Explicit)对计算资源有一定要求。 本案例为教学工程参考目的提供,用户可基于此框架进行拓展,应用于V型弯曲
### 近年来具有颠覆性的AI机器学习模型 近年来,随着计算能力的提升、数据规模的增长以及理论研究的进步,多个领域涌现出了许多具有颠覆性的AI机器学习模型。以下是几个典型的例子: #### 1. 大规模预训练语言模型 大规模预训练语言模型(如GPT系列、BERT、T5等)通过在海量文本上进行无监督或弱监督的学习,能够捕捉复杂的语义关系并应用于多种下游任务。这类模型显著提升了自然语言处理的效果,在翻译、问答、情感分析等领域取得了突破性进展[^1]。 #### 2. 变分自编码器生成对抗网络 变分自编码器(VAE)生成对抗网络(GAN)是两种重要的生成模型。它们能够在图像合成、风格迁移等方面实现高质量的结果。特别是GAN的应用已经扩展到了视频生成、超分辨率重建等多个方向,极大地推动了计算机视觉技术发展[^4]。 #### 3. 图神经网络 图神经网络(Graph Neural Networks, GNNs)是一种专门用于处理结构化数据(如社交网络、分子结构等)的方法。它通过对节点及其邻居的信息聚合来进行特征提取,适用于推荐系统、化学物质发现等多种实际应用场景。 #### 4. 强化学习中的AlphaZero DeepMind开发的AlphaZero算法展示了强化学习的强大潜力。该方法仅依靠基本规则就能超越人类专家水平,在围棋、国际象棋等复杂游戏中取得优异成绩。更重要的是,这种端到端的学习方式启发了许多其他领域的探索尝试。 #### 5. 量子机器学习初步成果 尽管仍处于早期阶段,但量子机器学习已经开始展现出其独特优势。例如利用量子态表示高维空间内的样本分布,并借助量子线路完成分类任务——即所谓的“量子支持向量机”(Quantum Support Vector Machine),这可能成为未来高性能计算的重要组成部分之一[^3]。 ```python import pennylane as qml from sklearn.svm import SVC def quantum_kernel(x1,x2,n_qubits=4): dev = qml.device('default.qubit',wires=n_qubits) @qml.qnode(dev) def circuit(x,y): # Encoding data into quantum state using angle embedding. for i in range(n_qubits): qml.RY(x[i], wires=i) qml.RZ(y[i], wires=i) # Entangling layer with CNOT gates between all pairs of qubits. for j in range(len(range(n_qubits))): qml.CNOT(wires=[j,(j+1)%n_qubits]) return [qml.expval(qml.PauliZ(i)) for i in range(n_qubits)] results=circuit(*list(zip(x1.flatten(),x2.flatten()))) kernel_value=sum([r**2 for r in results]) return kernel_value svm_model=SVC(kernel=lambda x,y:quantum_kernel(x,y)) ``` 上述代码片段展示了一个简单的基于 PennyLane 库构建的 QSVM 实现框架示例。 ---
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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
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