Большие данные в большой физике
На Большом адронном коллайдере совершено много открытий (кроме знаменитой «частицы Бога» – бозона Хиггса). Одним из них стала регистрация неизвестных элементарных частиц – тетракварков. Это удалось благодаря новым методам работы с данными.
Андрей Устюжанин, учёный Яндекса, кандидат физико-математических наук, заведующий научно-учебной лабораторией методов анализа больших данных факультета компьютерных наук Высшей школы экономики рассказывает, как работа с данными позволяет делать такие глубокие открытия, и почему ученым пора становиться дата-сайентистами.
![](https://image1.thematicnews.com/uploads/images/14/22/98/03/2022/10/12/9b2d1f.png)
Новая степень свободы для исследователей и совершенно новый подход к науке — data-driven science: взгляд на любое явление через призму данных.
![](https://image1.thematicnews.com/uploads/images/14/22/98/03/2022/10/12/37d73e0416.jpg)
Андрей Устюжанин, учёный Яндекса, кандидат физико-математических наук, заведующий научно-учебной лабораторией методов анализа больших данных факультета компьютерных наук Высшей школы экономики
В истории долго преобладала эмпирическая наука: истина объяснялась через факты и софистические принципы. С Ньютона и Кеплера началась эра теоретической науки, отталкивающейся от законов и доказательств: появлялись новые способы записи и математической проверки закономерностей. Такой подход преобладал вплоть до середины XX века, когда появление компьютеров позволило моделировать законы с гораздо большей точностью и с помощью компьютерной симуляции рассчитывать более сложные системы: биологические, экономические, физические. Но на получение результата уходило много времени и ресурсов.
Развитие вычислительных ресурсов и машинное обучение (ML) существенно продвинули использование компьютерной симуляции в науке. Сейчас мы можем построить нейросеть, которая выучит соответствие входных и выходных параметров и проведёт расчёты с гораздо большей скоростью. Это новая степень свободы для исследователей и совершенно новый подход к науке — data-driven science: взгляд на любое явление через призму данных.
Мы начинаем видеть не процессы или изменения характеристик во времени, а зависимости и параметры, которые мы можем с определенной точностью записать при помощи алгоритмов. Мы даём нейросети возможность наблюдать за физическим объектом, и она предсказывает его поведение и находит описывающие его законы. Это позволяет науке задавать более сложные вопросы. Например, раньше мы могли рассчитать с помощью симуляций, какими свойствами обладает материал с той или иной структурой. Теперь мы можем достаточно точно предсказать, какая структура должна быть у материала с нужными нам параметрами. Решая подобные «обратные» задачи, мы можем найти вещества с принципиально новыми свойствами, которые нельзя получить никакими другими методами ни из полимеров, ни химическими реакциями, например сверхрешетки трехслойного графена, которые обладают высокотемпературной сверхпроводимостью.
![](https://image7.thematicnews.com/uploads/images/14/22/98/03/2022/10/12/1be4c9fe4c.jpg)
Детектор частиц Большого адронного коллайдера
Когда речь идёт о процессах, возникающих в нескольких случаях на миллиард, как, например, распад прелестного мезона (Bs-мезона) на пару из мюона и антимюона, невозможно представить фиксацию и анализ события без применения алгоритмов обработки больших данных. В LHCb мюон — это одна из важных частиц, которые регистрирует детектор. Определение наличия мюонов в результате распада — это очень вычислительноёмкая задача, которую невозможно решить методом перебора. В процессе эксперимента внутрь цепочки анализа данных детектора был встроен алгоритм Яндекса CatBoost, который, как оказалось, определяет координаты траекторий мюонов лучше и быстрее, чем его аналоги. Для ускорения симуляции таких событий может быть использован метод ускорения симуляции событий с использованием генеративных нейросетей, сокращающих время вычислений на несколько порядков. Аналогичный подход исследователи ШАДа предложили для работы с другим поддетектором. Это позволит определять мюоны с высокой точностью и рассчитывать симуляции потоков событий, на которые детектор выйдет через пять лет — старые способы с таким потоком данных не справились бы.
Применение алгоритмов и экспертизы ШАДа и Яндекса для улучшения качества идентификации частиц в LHCb послужило также и недавнему обнаружению четырёх новых тетракварков. Это важное открытие состоялось благодаря анализу данных, собранных на Большом адронном коллайдере с 2011 по 2018 год. До сих пор нормой были обычные адроны: протоны, нейтроны, каоны, состоящие из трех кварков, и пентакварки. Теперь работа идёт с тетракварками, обнаружение которых ставит вопрос об уточнении описаний теоретических механизмов работы сильного взаимодействия внутри частиц.
![](https://image1.thematicnews.com/uploads/images/14/22/98/03/2022/10/12/08a5029129.jpg)
Здесь обрабатывают данные с детектора
Когда новое знание окажется полезным в технологиях — через пятьдесят лет или через пять — сложно предсказать, но история знает достаточно подобных примеров. То, что гравитация каким-то образом влияет на скорость течения времени и на искривление пространства, было описано в теории относительности ещё в начале XX века. Но когда мы поняли, как это влияние устроено количественно, и научились запускать космические спутники и системы навигации, то увидели подтверждение теории. Без поправки гравитационного влияния на кривизну пространства мы получаем слишком большую погрешность, которая не даст навигационным приборам правильно определять себя в пространстве. Нобелевские премии в физике часто вручаются именно за такие истории, меняющие научную мысль.
![](https://image1.thematicnews.com/uploads/images/14/22/98/03/2022/10/12/9a67da748a.jpg)
Силуэт детектора LHCb на въезде в экспериментальную зону
Такая синергия выглядит новой нормой и несомненно будет только укрепляться. Поэтому учёным, которые находятся в какой-то предметной области, стоит начать изучать машинное обучение. А дата-сайентистам, в свою очередь, — выбрать научную область, в которой они планируют развиваться: физику, экономику, биологию, химию, лингвистику. Лучше всего найти интересный проект, к которому можно было бы подключиться: группу или лабораторию с междисциплинарными проектами.
Несмотря на новизну датацентричного подхода, машинное обучение уже играет значительную роль практически в каждой научной области. Ни одна важная задача не решается сейчас без внедрения алгоритмов. В космической отрасли это управление космическими аппаратами и спутниками на низких орбитах, чтобы они могли сами корректировать траектории и уклоняться от космического мусора. Специалисты по геномике и химии занимаются с помощью ML поиском тех участков белков, которые позволят лекарству лучше закрепиться в нужных органах и воздействовать на очаги болезней. Самый известный пример — AlphaFold, алгоритм, предсказывающий структуру белка. Он определяет устройство сложных органических молекул и их стыковку друг с другом. Это нужно для проверки эффективности новых лекарств и экономит миллионы долларов при производстве.
Развитие технологий, открытие новых законов, внедрение машинного обучения и общий рост объёма информации делают одиночные научные проекты практически невозможными. Сложность исследований растёт и требует от команд междисциплинарных знаний в разных предметных областях, а также понимания теории и практики проведения экспериментов, умения проводить вычисления на суперкомпьютере и анализировать данные с помощью машинного обучения. Однако с дальнейшим развитием мощностей искусственного интеллекта можно надеяться создать виртуального помощника для автоматизации рутинных задач исследований.
Со временем мы сможем перевести на язык нейросети не только процесс обработки данных, но и построение моделей, проведение экспериментов и сравнение полученных результатов с прогнозами. Это даст больше свободы в научных проектах как коллективам, так и отдельным учёным и позволит им сосредоточиться на поисках новых гипотез и открытий.
Андрей Устюжанин, учёный Яндекса, кандидат физико-математических наук, заведующий научно-учебной лабораторией методов анализа больших данных факультета компьютерных наук Высшей школы экономики рассказывает, как работа с данными позволяет делать такие глубокие открытия, и почему ученым пора становиться дата-сайентистами.
![](https://image1.thematicnews.com/uploads/images/14/22/98/03/2022/10/12/9b2d1f.png)
Новая степень свободы для исследователей и совершенно новый подход к науке — data-driven science: взгляд на любое явление через призму данных.
Как машинное обучение связано с Большим адронным коллайдером и почему наука и ИТ должны работать сообща
Наука и техника — тесно связанные друг с другом элементы человеческой культуры. Развитие научной мысли, вроде открытия закона Ома и теории относительности, ведёт к техническому прогрессу, а появление новых технологий, в свою очередь, меняет подход к фундаментальной науке.![](https://image1.thematicnews.com/uploads/images/14/22/98/03/2022/10/12/37d73e0416.jpg)
Андрей Устюжанин, учёный Яндекса, кандидат физико-математических наук, заведующий научно-учебной лабораторией методов анализа больших данных факультета компьютерных наук Высшей школы экономики
В истории долго преобладала эмпирическая наука: истина объяснялась через факты и софистические принципы. С Ньютона и Кеплера началась эра теоретической науки, отталкивающейся от законов и доказательств: появлялись новые способы записи и математической проверки закономерностей. Такой подход преобладал вплоть до середины XX века, когда появление компьютеров позволило моделировать законы с гораздо большей точностью и с помощью компьютерной симуляции рассчитывать более сложные системы: биологические, экономические, физические. Но на получение результата уходило много времени и ресурсов.
Развитие вычислительных ресурсов и машинное обучение (ML) существенно продвинули использование компьютерной симуляции в науке. Сейчас мы можем построить нейросеть, которая выучит соответствие входных и выходных параметров и проведёт расчёты с гораздо большей скоростью. Это новая степень свободы для исследователей и совершенно новый подход к науке — data-driven science: взгляд на любое явление через призму данных.
Мы начинаем видеть не процессы или изменения характеристик во времени, а зависимости и параметры, которые мы можем с определенной точностью записать при помощи алгоритмов. Мы даём нейросети возможность наблюдать за физическим объектом, и она предсказывает его поведение и находит описывающие его законы. Это позволяет науке задавать более сложные вопросы. Например, раньше мы могли рассчитать с помощью симуляций, какими свойствами обладает материал с той или иной структурой. Теперь мы можем достаточно точно предсказать, какая структура должна быть у материала с нужными нам параметрами. Решая подобные «обратные» задачи, мы можем найти вещества с принципиально новыми свойствами, которые нельзя получить никакими другими методами ни из полимеров, ни химическими реакциями, например сверхрешетки трехслойного графена, которые обладают высокотемпературной сверхпроводимостью.
Машинное обучение и физика высоких энергий
Пример успешной коллаборации ML и физики — исследования с участием Школы анализа данных (ШАД) Яндекса на базе LHCb, эксперимента ЦЕРНа по изучению поведения b-кварков и нарушения CP-симметрии. LHCb — один из четырёх основных детекторов частиц на Большом адронном коллайдере. ШАД предоставляет экспертизу в области машинного обучения, продвинутые алгоритмы и необходимые вычислительные мощности, а LHCb — научную базу для исследований. Результаты этого взаимодействия иллюстрируют, насколько применение алгоритмов может ускорить открытия и увеличить точность экспериментов.![](https://image7.thematicnews.com/uploads/images/14/22/98/03/2022/10/12/1be4c9fe4c.jpg)
Детектор частиц Большого адронного коллайдера
Когда речь идёт о процессах, возникающих в нескольких случаях на миллиард, как, например, распад прелестного мезона (Bs-мезона) на пару из мюона и антимюона, невозможно представить фиксацию и анализ события без применения алгоритмов обработки больших данных. В LHCb мюон — это одна из важных частиц, которые регистрирует детектор. Определение наличия мюонов в результате распада — это очень вычислительноёмкая задача, которую невозможно решить методом перебора. В процессе эксперимента внутрь цепочки анализа данных детектора был встроен алгоритм Яндекса CatBoost, который, как оказалось, определяет координаты траекторий мюонов лучше и быстрее, чем его аналоги. Для ускорения симуляции таких событий может быть использован метод ускорения симуляции событий с использованием генеративных нейросетей, сокращающих время вычислений на несколько порядков. Аналогичный подход исследователи ШАДа предложили для работы с другим поддетектором. Это позволит определять мюоны с высокой точностью и рассчитывать симуляции потоков событий, на которые детектор выйдет через пять лет — старые способы с таким потоком данных не справились бы.
Применение алгоритмов и экспертизы ШАДа и Яндекса для улучшения качества идентификации частиц в LHCb послужило также и недавнему обнаружению четырёх новых тетракварков. Это важное открытие состоялось благодаря анализу данных, собранных на Большом адронном коллайдере с 2011 по 2018 год. До сих пор нормой были обычные адроны: протоны, нейтроны, каоны, состоящие из трех кварков, и пентакварки. Теперь работа идёт с тетракварками, обнаружение которых ставит вопрос об уточнении описаний теоретических механизмов работы сильного взаимодействия внутри частиц.
![](https://image1.thematicnews.com/uploads/images/14/22/98/03/2022/10/12/08a5029129.jpg)
Здесь обрабатывают данные с детектора
Фундаментальная наука и будущее
Открытия такого масштаба, как регистрация тетракварков и пентакварков, важны, в первую очередь, для фундаментальной науки. Но не стоит недооценивать значимость подобных открытий и для прикладных областей. Возможно, полученный инструмент описания сильного взаимодействия позволит по-новому взглянуть на то, что мы знали раньше. Например, при создании новых материалов мы будем опираться не только на электромагнитные потенциалы, но и на сильное взаимодействие кварков или другие особенности взаимодействия подчастиц внутри элементарных частиц.Когда новое знание окажется полезным в технологиях — через пятьдесят лет или через пять — сложно предсказать, но история знает достаточно подобных примеров. То, что гравитация каким-то образом влияет на скорость течения времени и на искривление пространства, было описано в теории относительности ещё в начале XX века. Но когда мы поняли, как это влияние устроено количественно, и научились запускать космические спутники и системы навигации, то увидели подтверждение теории. Без поправки гравитационного влияния на кривизну пространства мы получаем слишком большую погрешность, которая не даст навигационным приборам правильно определять себя в пространстве. Нобелевские премии в физике часто вручаются именно за такие истории, меняющие научную мысль.
Каждый учёный сегодня — дата-сайентист
В новой реальности меняются и требования к компетенциям учёных. Теперь, помимо интуиции в области физики, требуется интуиция, связанная с функциональным анализом и статистикой. Новые условия требуют от исследователя большей дисциплины в работе с экспериментальной установкой, компьютерным моделированием и искусственным интеллектом. Машина умеет хорошо аппроксимировать данные внутри заданной области, для которой у неё есть экспериментальная база. А исследователь должен уметь правильно ставить алгоритму задачу и валидировать результат — и это новая предметная область, которая не входит в стандартный набор научных дисциплин. Яндекс с 2015 года является одним из организаторов ежегодной летней школы машинного обучения для физиков, где учит применять алгоритмы в исследованиях. Прежде всего она ориентирована на аспирантов и молодых постдоков, занимающихся физикой высоких энергий. Благодаря сотрудничеству Яндекса с ЦЕРНом материалы этой школы содержат многочисленные примеры успешного совмещения двух направлений. Выпускники школы нередко в дальнейшем углубляются в исследования на стыке ML и физики. Они строят свою работу уже в контексте датацентричной науки.![](https://image1.thematicnews.com/uploads/images/14/22/98/03/2022/10/12/9a67da748a.jpg)
Силуэт детектора LHCb на въезде в экспериментальную зону
Такая синергия выглядит новой нормой и несомненно будет только укрепляться. Поэтому учёным, которые находятся в какой-то предметной области, стоит начать изучать машинное обучение. А дата-сайентистам, в свою очередь, — выбрать научную область, в которой они планируют развиваться: физику, экономику, биологию, химию, лингвистику. Лучше всего найти интересный проект, к которому можно было бы подключиться: группу или лабораторию с междисциплинарными проектами.
Несмотря на новизну датацентричного подхода, машинное обучение уже играет значительную роль практически в каждой научной области. Ни одна важная задача не решается сейчас без внедрения алгоритмов. В космической отрасли это управление космическими аппаратами и спутниками на низких орбитах, чтобы они могли сами корректировать траектории и уклоняться от космического мусора. Специалисты по геномике и химии занимаются с помощью ML поиском тех участков белков, которые позволят лекарству лучше закрепиться в нужных органах и воздействовать на очаги болезней. Самый известный пример — AlphaFold, алгоритм, предсказывающий структуру белка. Он определяет устройство сложных органических молекул и их стыковку друг с другом. Это нужно для проверки эффективности новых лекарств и экономит миллионы долларов при производстве.
Развитие технологий, открытие новых законов, внедрение машинного обучения и общий рост объёма информации делают одиночные научные проекты практически невозможными. Сложность исследований растёт и требует от команд междисциплинарных знаний в разных предметных областях, а также понимания теории и практики проведения экспериментов, умения проводить вычисления на суперкомпьютере и анализировать данные с помощью машинного обучения. Однако с дальнейшим развитием мощностей искусственного интеллекта можно надеяться создать виртуального помощника для автоматизации рутинных задач исследований.
Со временем мы сможем перевести на язык нейросети не только процесс обработки данных, но и построение моделей, проведение экспериментов и сравнение полученных результатов с прогнозами. Это даст больше свободы в научных проектах как коллективам, так и отдельным учёным и позволит им сосредоточиться на поисках новых гипотез и открытий.
Только зарегистрированные и авторизованные пользователи могут оставлять комментарии.
+1
Если бы истинные знания о строении мира и его законах давались с самого детства. Если бы люди с самого детства осознавали целостность и взаимосвязанное единство мира. Если бы люди осознавали с самого детства, что в мире нет ничего случайного а всё закономерно и что причины происходящего с ними и вокруг их лежат в выборе их отношения к происходящему с ними и вокруг них, то есть в их мыслях, словах, движениях, чувствах и эмоциях. Если бы люди с детства осознавали, что вот это проявление в индивидуальности тела-ума всего лишь их мельчайшая частица а их большая часть и основная — это весь остальной мир и всё, что в нём есть и исходя из этого осознания относились к миру и ко всему в нём — как лично к себе…
Если бы они мыслили и творили через осознание цельности и взаимосвязанного единства — то жили бы в Раю, но людям навязано мышление — разделением и они живут в Аду который сами и сотворили!
Люди не обладая истинными знаниями а блуждая среди навязанных им многочисленных религиозных и эзотерических учений и множества ОТДЕЛЬНЫХ наук не могут осознать того, что их хотят уничтожить их же руками подводя под действие одного из законов строения мира гласящего — ТО, ЧТО НЕ СТРЕМИТСЯ К ПОЗНАНИЮ И РАЗВИТИЮ ДЕГРАДИРУЕТ И ВЫМИРАЕТ! Людям навязано «раковое мышление» — наживы и потребительства а оно ведёт к гибели всего человечества, всего организма!
Причём и те кто это навязал так же не понимают, что они и сами попадут под действие истинных законов строения мира незнание которых не избавляет от ответственности перед ними.
- ↓
0
Существовало ИСТИННОЕ ЕДИНОЕ ЦЕЛЬНОЕ ЗНАНИЕ в виде ВЕД и в виде ЕДИНОГО ЯЗЫКА в котором за каждой буквой стоял образ, что-либо толкующий, объясняющий из устройства мира и его законах. Зная образы букв по ним можно было истолковать значение слов из этих букв составленных. Всё дело в том, ЧТО ЛЮДИ ОБЛАДАЮЩИЕ ЭТИМ ЗНАНИЕМ МЫСЛЯТ САМОСТОЯТЕЛЬНО И ЗДРАВО а главное, ЧТО ИМИ НЕ ВОЗМОЖНО МАНИПУЛИРОВАТЬ! И вот теми невеждами не осознающими того, что незнание истинного закона строения мира не освобождает от ответственности перед ним и кого это не устраивает и делается так, чтобы знание это не было легко и обще доступно. Живые его носители — уничтожались, а оставшиеся в живых вынуждены были скрываться. С материальными, информационными носителями поступали так же — они либо уничтожались, либо изымались и прятались. Вместо ЕДИНОГО ЦЕЛЬНОГО ЗНАНИЯ было навязано множество РЕЛИГИОЗНЫХ и ЭЗОТЕРИЧЕСКИХ УЧЕНИЙ а так же целая куча ОТДЕЛЬНЫХ НАУК. Старый принцип манипуляции — РАЗДЕЛЯЙ, СТАЛКИВАЙ, МАНИПУЛИРУЙ, ВЛАСТВУЙ, НАЖИВАЙСЯ! ЕДИНЫЙ ЯЗЫК — обкорнали, исковеркали, разделили на несколько, что продолжают делать и сейчас.
Что происходило в мире с тех времён когда началось всё то, о чём написано выше и происходит сейчас, кто за всем этим стоит, чего добивается, какими методами и через кого именно действует.
А происходит то, что нас хотят уничтожить и занять Землю. Эти силы уже один раз пытались сделать это силовыми методами. Была развязана глобальная планетарная война результатами которой и были и всемирный потоп, и всемирное похолодание и изменение конфигураций материков часть из которых погрузилась на дно океанов а новые поднялись. На порядок снизилась плотность земной атмосферы из-за выброса её части в космическое пространство и именно из-за этого на Земле исчезли гигантские растения, насекомые, животные и люди. Но те, кто развязал эту войну её проиграли и были в большинстве своём изгнаны с Земли. Но несколько сотен из них выпросили разрешения остаться. Им позволили, но с условием скрытного пребывания. То есть мы с вами их не наблюдаем. Но как оказалось от своей цели они не отказались а просто решили добиться её другим путём. Уничтожить нас нашими же руками, подведя под действие одного из законов строения мира гласящего: «Всё то, что не стремится к познанию и развитию — деградирует и вымирает.» Вот всевозможными методами нам и навязывается всё, что ведёт к деградации и самоуничтожению. Все эти «тайные общества», комитеты, «тайное правительство» — это те через кого это и осуществляется. Причём делается это скрытно. Ведь они думают, что осуществляют свои цели а на самом деле ими манипулируют. Все они в сути своей марионетки в руках тех кто хочет уничтожить человечество освободить Землю для себя, ведь свою планетарную систему они сделали не пригодной для существования. Они не осознают того, что с их мировоззрением, миропониманием даже овладев Землёй они сделают с ней тоже самое что сотворили со своею.
Существовало ИСТИННОЕ ЕДИНОЕ ЦЕЛЬНОЕ ЗНАНИЕ в виде ВЕД и в виде ЕДИНОГО ЯЗЫКА в котором за каждой буквой стоял образ, что-либо толкующий, объясняющий из устройства мира и его законах. Зная образы букв по ним можно было истолковать значение слов из этих букв составленных. Всё дело в том, ЧТО ЛЮДИ ОБЛАДАЮЩИЕ ЭТИМ ЗНАНИЕМ МЫСЛЯТ САМОСТОЯТЕЛЬНО И ЗДРАВО а главное, ЧТО ИМИ НЕ ВОЗМОЖНО МАНИПУЛИРОВАТЬ! И вот теми невеждами не осознающими того, что незнание истинного закона строения мира не освобождает от ответственности перед ним и кого это не устраивает и делается так, чтобы знание это не было легко и обще доступно. Живые его носители — уничтожались, а оставшиеся в живых вынуждены были скрываться. С материальными, информационными носителями поступали так же — они либо уничтожались, либо изымались и прятались. Вместо ЕДИНОГО ЦЕЛЬНОГО ЗНАНИЯ было навязано множество РЕЛИГИОЗНЫХ и ЭЗОТЕРИЧЕСКИХ УЧЕНИЙ а так же целая куча ОТДЕЛЬНЫХ НАУК. Старый принцип манипуляции — РАЗДЕЛЯЙ, СТАЛКИВАЙ, МАНИПУЛИРУЙ, ВЛАСТВУЙ, НАЖИВАЙСЯ! ЕДИНЫЙ ЯЗЫК — обкорнали, исковеркали, разделили на несколько, что продолжают делать и сейчас.
Что происходило в мире с тех времён когда началось всё то, о чём написано выше и происходит сейчас, кто за всем этим стоит, чего добивается, какими методами и через кого именно действует.
А происходит то, что нас хотят уничтожить и занять Землю. Эти силы уже один раз пытались сделать это силовыми методами. Была развязана глобальная планетарная война результатами которой и были и всемирный потоп, и всемирное похолодание и изменение конфигураций материков часть из которых погрузилась на дно океанов а новые поднялись. На порядок снизилась плотность земной атмосферы из-за выброса её части в космическое пространство и именно из-за этого на Земле исчезли гигантские растения, насекомые, животные и люди. Но те, кто развязал эту войну её проиграли и были в большинстве своём изгнаны с Земли. Но несколько сотен из них выпросили разрешения остаться. Им позволили, но с условием скрытного пребывания. То есть мы с вами их не наблюдаем. Но как оказалось от своей цели они не отказались а просто решили добиться её другим путём. Уничтожить нас нашими же руками, подведя под действие одного из законов строения мира гласящего: «Всё то, что не стремится к познанию и развитию — деградирует и вымирает.» Вот всевозможными методами нам и навязывается всё, что ведёт к деградации и самоуничтожению. Все эти «тайные общества», комитеты, «тайное правительство» — это те через кого это и осуществляется. Причём делается это скрытно. Ведь они думают, что осуществляют свои цели а на самом деле ими манипулируют. Все они в сути своей марионетки в руках тех кто хочет уничтожить человечество освободить Землю для себя, ведь свою планетарную систему они сделали не пригодной для существования. Они не осознают того, что с их мировоззрением, миропониманием даже овладев Землёй они сделают с ней тоже самое что сотворили со своею.
- ↓