当前位置: 首页 > news >正文

从光速常数的可变性看宇宙大爆炸的本质

基于先前关于光速本质的讨论,让我们从函数图像看看宇宙大爆炸到底是什么。

先前已经讨论过,在量子尺度上,长度的实际对应物是频率的差异,因为只有频率差异才能在这个尺度上区分相邻时空的两点,而两点之间“差异的大小”也就只能是频率差异的大小的某种比例对应。

所以对于一个惯性系来说,它的“光速”也就是它自身的长度单位对应的频差和时间单位的比值,也就是

有了这个表达式,让我们探求一下,时间(而不是时间单位或者周期)和频率(不是频率差异)升降的自然关系。设为当前时间,此时的频率为,经过单位时间(也就是周期)之后,到达时间,此时频率为,我们不对频率的升降做任何假定,然后看看这时候的瞬时绝对速度,


这实际上是频率变化量对时间的导数或者导函数,现在已知导数,求原函数,也就是频率随着时间增加的函数规律,我们在Mathematica中用DSolve来求解,


这时根据或者,出现两个结果,等于1的时候出现,


其图像为,

不等于1的时候表达式更为复杂,但作为量子系统,可以不考虑。

由原函数图像可以看出,也就是频率随着时间变化的规律为,

若时间有一个开始,而到现在来说显然是非常的长了,



可见频率可以始终保持,


此外,随着时间增长,频率的倒数也就是周期,也会发生相应的变化,


我们也不用管这个到底是多少,总之,这时候周期图像为,

可见,一直以来,单位时间里面的频率随着时间增加不断减小(第一个函数图像),频率随着时间越拉越长,在长时间以及之后,几乎保持不变(第二个函数图像);但是周期却在按照几乎正比于时间增加的方式不断拉长(第三个函数图像)。由此可以认为,如果认为频率几乎是不变的,那么周期就是随着时间等比增加的。那么反过来,如果我们认为周期是不变的,那么频率就是在等比增加的:比如第一个阶段单位时间里面发生了2次事件,频率为2;第二个阶段,单位时间里面发生了4次事件,但是频率没变而单位时间变成了原来的2倍,那么计算得到的频率为4。

再回到光速,时间是不断增长的,所以用时间表示的话,就会得到,


它的绝对值是会随着时间的增 长越来小,越来越趋近于0,而且它是“负的”。

若从频率的角度来看,

它在很长时间之后,几乎就是不变的。所以我们现在看到光速不变,基本上是因为时间很长之后的结果,或者说,对数函数图像在自变量很大的时候,切线变化率趋于0的结果。

可见c0也就是频率的基础,则是随着时间的等比增加而呈指数变化的。或者说,频率造成的指数提升,就是时间均匀增加本身。

总结一下,光速会变化吗?会的,而且是,如果认为时间均匀增加(对应于频率不断变小),那么它就是不断变小的,但是变小的速度会越来越慢,可知它最开始的时候变小的速度是最快的。如果认为频率是不变的,那么它就是不变的,但是这意味着单位时间越来越长,虽然很难感觉到。但是单位时间里面发生的事件总数不变(频率不变)而单位时间(周期)则越来越长,那也就是



不变变大,那么还是一样的,频率是变小的。单位时间里面能发生的事情越来越少,一切都越来越慢,这就是光速自然发展的方向。

频率不变,周期等差延展;那么如果周期不变,频率对应的周期则会等差收缩,频率就会提升。

我们知道,空间长度的度量方式,量子尺度之上用的是时间单位的个数,量子尺度之下(更短的长度),度量的方式则用的是频差。由于量子尺度就是一个分界点,或者单位1,所以它的重复次数就是长度单位的重复次数。我们此处讨论的不是单位的重复次数,而是单位内部的大小,这就是光速,


这个数值,由于时间已经比较长了,所以它几乎是没有变化的。但是它本身的微小变化,仍然能够导致长度的增加,也就是说,作为单位增加了,那么单位的多次重复得到的长度也就增加了。这就是宇宙大爆炸的表象所对应的实际情况。那么,为什么越远的地方运动越快?那是因为越远的地方,离时间的开始就越近,对应的光速也就越大。而这只是我们看到的假象。越远的地方是不是运动越快,其实当下的情况不一定如此。毕竟我们看到的是从前的景象。

那么时间到底是怎么开始的呢?所谓时间的开始,我们从公式里面可以看出,频率的变化量总是存在的。但若要频率单增或者负单增,则必须有观察者。所以不难看出,时间的开始就是观察的开始。观察者开始观察,就开启了时间,而这种观察导致观察者和所观之物之间出现了周期长度的竞争,这种我均匀你就等比增加,你均匀我就等比增加的状况,最终导致了频率或者周期的提升,而频率的提升对应于周期的缩短,周期的提升对应于频率的减小,这就构成了时间和频率的动力学关系。

现在,让我们考虑频率变化的时间反演问题。对于


来说,不定积分必须包含一个常数(应当大于0),

那么我们不难想到这个频率随时间变化的表达式,它是一个基于特定数值的对数形式,


这里面的自然对数部分,因为时间的向前运动而取正值。那么如果时间向后运动,它就可以写成,


为了保证


就必须有



可见反演的时间要求时间开始的位置不能只大于0,还要比大于0要大一些。所以时间反演和正向运行不是完全对称的。方程也可以写成,


图像为,

上半部分图像为正常运行时间的图像,下半部分为时间反演的图像,应该从右向左看。两者的趋势都是频率下降,但是上半部分下降的情况趋向平缓,而下半部分频率下降的情况趋向于更为迅速。所以不难想到,随着时间的延续,上半部分会平衡在某个频率上,而下半部分会跌出任何给出的下限,也就是说会“相对消失”。既然下半部分要左右翻转来读,那么就需要知道时间t的上限,比如给出,就可以写出(注意上下左右都要翻转以保持趋势),


这也说明,如果能够出现时间反演,就必须存在时间上限,也就是说,这里的必须具有周期性。

我们把正负两种时间运行的方向的表达式罗列出来,



这样的话我们就可以获得正负两种“电性”,以及所对应的中性。对数说明这些表达式最终都要建立在自然对数底的指数基础上;另外我们用0代表周期,则有





两者综合为,


其中不变的部分,或者只随着基频变化的部分就是,若基频不变(其实在这里也没有变化的理由,但可能出现相对变化),则其值始终恒定。随着时间变化的部分是,这个数值随着时间的增长而变小或者变大,越来越小或者越来越大,



前者随着时间增长几乎不变,后者随着时间越来越大,但是后者会有循环,因为,也就是当前周期的虚数单位,终究是存在的;而前者并不受到限制,但增量越来越小。但是,若时间达到虚数单位,增量小于虚数单位的倒数,它就确定不再增加了,若增加继续,那么它只能突破虚数单位,建立新的虚数单位了。这就是“正性”和“负性”的区别。

继续观察两种表达式,括号中的部分,是不是很熟悉?如果加上一个指数,它其实就是自然对数或者它的倒数。现在让我们带入,并在指数上写出,可见它就是,


而这时候,


其实并不需要达到在随着的增长不断增长的过程中,


直到达到才正式增加1。也就是说,频率提升了一个等级。不难看出,频率提升的等级是无限的。于是作为,


这个实体总量的数值也是无限的,也就是不受限制的。需要指出的是,负性的增长会导致在同一个水平面上来回反复,而无法实现频率的提升(也有可能造成频率的下降)。所以为什么时间是单向的?因为,频率增加的概率更大,或者说这就是概率的定义。人类作为观察者,其神经系统也是具有单向性的,能量低于某个水平,就无法触发相应的反应,这也可以从人择原理的角度来解释时间的单向性。而双向的时间,其实就是这里讨论的电性了。

现在,让我们回来讨论“宇宙大爆炸”的问题。

我们是从光速开始讨论的,


作为绝对速度,它是量子的单位长度和单位时间的比值。作为量子,它的长度由频率的变化量来表示,这个比值就有了单位时间频率变化量的意义,那么它的不定积分,就是频率随着时间变化的函数。当然它也是单位时间对应的长度,它在时间上的不定积分,就是长度随着时间变化的函数,而它的定积分,就是完成的长度(位移)的数值:


不定积分为,


可见若不考虑方向(实际上也无需考虑),在每个具有量子长度的地方,都存在单位时间对应的单位长度随着时间不断增加而不断增大的情况。也就是说,不是以空间中的某一点为中心,而是所有的点都是中心,所有的点的单位长度都在随着时间的增长而增大。那么所有这些长度的增大就可以显现出“大爆炸”的景象。而且我们从曲线的变化可以看出,越是接近开始的时候,膨胀的速度越快,越是后来的时间膨胀的速度越慢,这也完全复合观测中发现的趋势( 对数曲线绕横轴旋转形成的钟形图)。

不定积分的结果更好一些,它实际上说的就是,

也就是时间越长,频率越高(也可以越低,但是低于某个底线的已经被概率屏蔽了),整个宇宙的频率不断提升,就是宇宙大爆炸后面的本质。至于为什么会提升,则是因为振动之间相互比较,相互观察的结果。

相关文章:

从光速常数的可变性看宇宙大爆炸的本质

基于先前关于光速本质的讨论,让我们从函数图像看看宇宙大爆炸到底是什么。 先前已经讨论过,在量子尺度上,长度的实际对应物是频率的差异,因为只有频率差异才能在这个尺度上区分相邻时空的两点,而两点之间“差异的大小”…...

敢不敢跟我一起搭建一个Agent!不写一行代码,10分钟搞出你的智能体!纯配置也能真正掌握AI最有潜力的技术?AI圈内人必备技能

说一千道一万,不如实地转一转。学了那么久的AI Agent的概念了,是时候该落地一个Agent看看自己的掌握程度了对不对,我们都理解大脑是自动节能的,但是知识的确需要倒逼自己一把才能真的掌握,不瞒大家说,笔者对…...

vue3和vite双向加持,uni-app性能爆表,众绑是否有计划前端升级到vue3!

uni-app官方已经开始不支持vue2了,而且即将适配的鸿蒙next原生系统,也不支持vue2打包,CRMEB是否有计划跟上潮流呢,如果有会在什么时间呢,有准确的时间表吗?我们非常期待得到答案! 新版 uni-app…...

2024年最强网络安全学习路线,详细到直接上清华的教材!

关键词:网络安全入门、渗透测试学习、零基础学安全、网络安全学习路线 首先咱们聊聊,学习网络安全方向通常会有哪些问题前排提示:文末有CSDN官方认证Python入门资料包 ! 1、打基础时间太长 学基础花费很长时间,光语…...

人脸识别又进化:扫一下 我就知道你得了啥病

未来,扫下你的脸,可能就知道你得啥病了。没在瞎掰,最近的一项研究成果,还真让咱看到了一点眉目。北大的一个研究团队,搞出来一个 AI ,说是用热成像仪扫一下脸,就能检测出有没有高血压、糖尿病和…...

yolov8标注细胞、识别边缘、计算面积、灰度值计算

一、数据标注 1. 使用labelme软件标注每个细胞的边界信息,标注结果为JSON格式 2. JSON格式转yolo支持的txt格式 import json import os import glob import os.path as osp此函数用来将labelme软件标注好的数据集转换为yolov5_7.0sege中使用的数据集:param jsonfi…...

WEB前端11-Vue2基础01(项目构建/目录解析/基础案例)

Vue2基础(01) 1.Vue2项目构建 步骤一:安装前端脚手架 npm install -g vue/cli步骤二:创建项目 vue ui步骤三:运行项目 npm run serve步骤四:修改vue相关的属性 DevServer | webpack //修改端口和添加代理 const { defineCo…...

QT--线程

一、线程QThread QThread 类提供不依赖平台的管理线程的方法,如果要设计多线程程序,一般是从 QThread继承定义一个线程类,在自定义线程类里进行任务处理。qt拥有一个GUI线程,该线程阻塞式监控窗体,来自任何用户的操作都会被gui捕获到,并处理…...

通过进程协作显示图像-C#

前言 如果一个软件比较复杂或者某些情况下需要拆解,可以考试将软件分解成两个或多个进程,但常规的消息传递又不能完全够用,使用消息共享内存,实现图像传递,当然性能这个方面我并没有测试,仅是一种解决思路…...

LangChain链与记忆处理[10]:四种基础内置链、四种文档处理链,以及链的自定义和五种运行方式,让你的大模型更加智能

LangChain链与记忆处理[10]:四种基础内置链、四种文档处理链,以及链的自定义和五种运行方式,让你的大模型更加智能 参考文章可以使用国产LLM进行下述项目复现: 初识langchain[1]:Langchain实战教学,利用qwen2.1与GLM-4大模型构建智能解决方案[含Agent、tavily面向AI搜索…...

京东发行稳定币的背后

加密市场很热,京东也要来分一杯羹? 7月24日,据财联社报道,京东科技旗下的京东币链科技 ( 香港 ) 将在香港发行与港元 1:1锚定的加密货币稳定币,在市场上掀起广泛热议。 由于众所周知的监管原因,国内大厂在早…...

CF1995C Squaring 题解

思路详解: 请注意,本题解用到了非整数计算,也就是说性能可能不如整数运算,但是易于实现,追求最优解的大佬不建议观看本题解。 这个题看似简单,但是由于涉及到了平方操作,不用高精度根本存不下&…...

动态规划之路径问题

动态规划算法介绍 基本原理和解题步骤 针对于动态规划的题型,一般会借助一个 dp 表,然后确定这个表中应该填入什么内容,最终直接返回表中的某一个位置的元素。 细分可以分为以下几个步骤: 创建 dp 表以及确定 dp 表中所要填写位…...

如何优化你的TikTok短视频账号运营策略?

在运营TikTok账号时,采取正确的策略至关重要,这些策略能够帮助你提升账号的质量和吸引力。 适度使用互粉互赞 避免过度依赖互粉互赞,因为这可能会限制你的内容在更广泛的观众中传播。虽然互粉互赞可以增加曝光,但过度使用可能导…...

mysql的唯一索引和普通索引有什么区别

在MySQL中,唯一索引(UNIQUE Index)和普通索引(普通索引,也称为非唯一索引)有一些关键的区别。以下是它们的比较以及性能分析: 唯一索引与普通索引的区别 唯一性: 唯一索引&#xff…...

Scrapy框架在处理大规模数据抓取时有哪些优化技巧?

在使用Scrapy框架处理大规模数据抓取时,优化技巧至关重要,可以显著提高爬虫的性能和效率。以下是一些实用的优化技巧: 1. 并发请求 增加并发请求的数量可以提高爬虫的响应速度和数据抓取效率。可以通过设置CONCURRENT_REQUESTS参数来调整。…...

私有化低代码平台的优势:赋能业务用户,重塑IT自主权

随着数字化转型在全球范围内的不断推进,企业面临着快速响应市场变化和提高内部运营效率的双重挑战。在这种背景下,低代码平台逐渐成为企业实现敏捷开发和快速迭代的重要工具。私有化低代码平台作为一种更安全、可控的解决方案,越来越受到企业…...

SAP BW系统表分享第一弹

有时候想要查看BW系统中存在了多少的表时,包含SAP以及自建表,这个时候我们怎么去找呢? 不要慌,BW系统中也有其对应系统表来存储表对应的信息的,存储所有表信息的是DD02V或者DD02VV,我比较推荐使用DD02VV&a…...

详解工厂模式与抽象工厂模式有什么区别?【图解+代码】

目录 工厂模式,抽象工厂模式是什么? 两种设计模式的流程: 1、工厂模式 2、抽象工厂模式 两种模式的对比 共同点: 不同点: 总结 工厂模式,抽象工厂模式是什么? 我已经具体的写了这两种模…...

zeroice做json字符串转为struct,支持结构体嵌套

1 zeroice Properties 基础类型 字典 数组 不支持复杂结构 2 zeroice没有内置反射 3 java反射 slice2java.exe ice转java类 java类转json字符串 json字符串组织测试json文件 jsonobj转为vector jar包onjvm运行 pub到broker 4 c反射from_json.cpp slice2cpp.exe ice转.h 注…...

关于nvm与node.js

1 安装nvm 安装过程中手动修改 nvm的安装路径, 以及修改 通过nvm安装node后正在使用的node的存放目录【这句话可能难以理解,但接着往下看你就了然了】 2 修改nvm中settings.txt文件配置 nvm安装成功后,通常在该文件中会出现以下配置&…...

UDP(Echoserver)

网络命令 Ping 命令 检测网络是否连通 使用方法: ping -c 次数 网址ping -c 3 www.baidu.comnetstat 命令 netstat 是一个用来查看网络状态的重要工具. 语法:netstat [选项] 功能:查看网络状态 常用选项: n 拒绝显示别名&#…...

ESP32读取DHT11温湿度数据

芯片:ESP32 环境:Arduino 一、安装DHT11传感器库 红框的库,别安装错了 二、代码 注意,DATA口要连接在D15上 #include "DHT.h" // 包含DHT库#define DHTPIN 15 // 定义DHT11数据引脚连接到ESP32的GPIO15 #define D…...

微信小程序 - 手机震动

一、界面 <button type"primary" bindtap"shortVibrate">短震动</button> <button type"primary" bindtap"longVibrate">长震动</button> 二、js逻辑代码 注&#xff1a;文档 https://developers.weixin.qq…...

初学 pytest 记录

安装 pip install pytest用例可以是函数也可以是类中的方法 def test_func():print()class TestAdd: # def __init__(self): 在 pytest 中不可以使用__init__方法 # self.cc 12345 pytest.mark.api def test_str(self):res add(1, 2)assert res 12def test_int(self):r…...

JVM虚拟机:内存结构、垃圾回收、性能优化

1、JVM虚拟机的简介 Java 虚拟机(Java Virtual Machine 简称:JVM)是运行所有 Java 程序的抽象计算机,是 Java 语言的运行环境,实现了 Java 程序的跨平台特性。JVM 屏蔽了与具体操作系统平台相关的信息,使得 Java 程序只需生成在 JVM 上运行的目标代码(字节码),就可以…...

基于Java+MySQL实现(GUI)客户管理系统

客户资料管理系统的设计与实现 第一章 需求分析 1.1 需求总体介绍 本项目为了方便维护客户信息为了方便维护客户信息&#xff0c;对客户进行统一管理&#xff0c;可以把所有客户信息录入系统&#xff0c;进行维护和统计功能。可通过文件的方式保存相关录入数据&#xff0c;对…...

基于IDIG-GAN的小样本电机轴承故障诊断

目录 🔍 核心问题 一、IDIG-GAN模型原理 1. 整体架构 2. 核心创新点 (1) ​梯度归一化(Gradient Normalization)​​ (2) ​判别器梯度间隙正则化(Discriminator Gradient Gap Regularization)​​ (3) ​自注意力机制(Self-Attention)​​ 3. 完整损失函数 二…...

Webpack性能优化:构建速度与体积优化策略

一、构建速度优化 1、​​升级Webpack和Node.js​​ ​​优化效果​​&#xff1a;Webpack 4比Webpack 3构建时间降低60%-98%。​​原因​​&#xff1a; V8引擎优化&#xff08;for of替代forEach、Map/Set替代Object&#xff09;。默认使用更快的md4哈希算法。AST直接从Loa…...

论文阅读笔记——Muffin: Testing Deep Learning Libraries via Neural Architecture Fuzzing

Muffin 论文 现有方法 CRADLE 和 LEMON&#xff0c;依赖模型推理阶段输出进行差分测试&#xff0c;但在训练阶段是不可行的&#xff0c;因为训练阶段直到最后才有固定输出&#xff0c;中间过程是不断变化的。API 库覆盖低&#xff0c;因为各个 API 都是在各种具体场景下使用。…...