Prosty, ale kluczowy problem mechaniki kwantowej: 1D nieskończona studnia. Wyznaczamy n-ty stan stacjonarny ψ(x) i energię E, omawiamy 4 własności ψ(x) oraz konstruujemy rozwiązanie ogólne Ψ(x,t).
Stosując rozdzielenie zmiennych do pierwotnej postaci równania Schrödingera (zależnej od czasu) dla Ψ(x,t), wyprowadzamy niezależne od czasu równanie dla ψ(x) oraz omawiamy sens i znaczenie otrzymanych rozwiązań — matematyczne i fizyczne. Pokazujemy też, jak z superpozycji tych rozwiązań zbudować rozwiązanie ogólne.
W quantum mechanice pokazuję, jak z funkcji falowej wyznaczać wartości oczekiwane położenia i pędu, a następnie uogólniam to na dowolną wielkość Q(x,p) i wyprowadzam twierdzenie Ehrenfesta.
Omawiamy podstawową postać równania Schrödingera, które w mechanice kwantowej pełni rolę podobną do praw Newtona w mechanice klasycznej. Wyjaśniamy też statystyczną interpretację funkcji falowej (interpretację Borna), kwantową niedeterminizmę oraz znaczenie pomiaru w interpretacji kopenhaskiej (kolaps funkcji falowej).
Omawiamy pojęcie układu odniesienia oraz transformację Galileusza, klasycznie stosowaną w mechanice. Krótko przedstawiamy też równania Maxwella i doświadczenie Michelsona–Morleya, które doprowadziły do wprowadzenia transformacji Lorentza, i wyprowadzamy jej macierz.
Projekt promptu do wielojęzycznych tłumaczeń plików Markdown oraz automatyzacja w Pythonie: użycie kluczy API Anthropic/Gemini, integracja i uruchamianie skryptów tłumaczących posty (część 2 serii).
Seria pokazuje, jak zbudować lokalne, kontenerowe środowisko deep learningu z NVIDIA Container Toolkit oraz skonfigurować SSH i JupyterLab do użycia jako serwer zdalny. Ten drugi wpis opisuje tworzenie Dockerfile i proces budowy obrazu.
Omawiamy zapis reakcji jądrowych i definicję wartości Q, a także pojęcia ubytku masy oraz energii wiązania jądra.
Krótkie omówienie cząstek elementarnych istotnych w inżynierii jądrowej (elektron, proton, neutron, foton, neutrino) oraz struktury atomu i jądra atomowego.
Seria pokazuje, jak zbudować lokalnie kontenerowe środowisko do deep learningu z NVIDIA Container Toolkit oraz skonfigurować SSH i JupyterLab, aby używać go jak zdalnego serwera. W tej części omawiam instalację NVIDIA Container Toolkit i silnika kontenerów.