2024年10月31日2024年12月2日に投稿 投稿者 元）新人監督 — コメントを残す【Topic】長瀬産業が東北大と巨大顕微鏡ナノテラスを運用に参画 亜光速で電子を加速先ず、本記事は科学技術の進展に伴う産業でのトピックです。商社が巨大加速器を使い開発製造機能を強化する異色の取り組みでもあります。日経新聞の2024年9月の記事をきっかけとして記述していきます。第二次大戦以降にサイクロトロンの技術は進化し、人工元素の生成や素粒子の反応過程の研究で活用されてきました。本記事で注目しているのは2024年4月から仙台で稼働している巨大顕微鏡といえる「ナノテラス」です。ナノテラスは一周350ｍの円形装置の中で電子を加速します。単純な高校生レベルの理解でも、速度をもった価電子が磁場の力で加速していく様子が想像できるでしょう。ナノテラスの加速部では亜光速（ほぼ光速度）の電子の束が運動します。更に磁場で振動させることで「非常に強い放射光」が放出されるのです。（技術詳細は後日補足します。）メーカー商社の戦略化学商社大手の長瀬産業がナノテラスに資金を投入して新素材の開発を進めます。（一口）5千万円の加入金を投じて研究を開始しました。メーカー商社(どっちやねんｗ)として開発製造に挑みます!!一口の加入金で10年間利用します。 【長瀬産業は「メーカー商社」を自称していますが登記上は「卸売業」です。】巨額の加入金を支払っている長瀬産業は優先的にナノテラスを使う立場にあります。それにせよ巨額の開発投資です。商社なのに凄い、と思います。構造の変化を動画でナノテラスの大きな特徴は連続した変化として現象を把握できる点です。画像を使って連続した現象を見れます。モノが壊れていく過程、物が剥離していく過程を原子サイズの大きさ（レベル）で観察できます。一例として粉ミルクを圧縮成型する過程では急激に「力をかけにくくなる」変曲点が存在します。その時の個々の粒子の変形状態は今までは可視化出来ませんでした。また、2ナノのサイズで開発が進む次世代半導体の世界でも活等出来ると期待されています。配線に対しての樹脂コーディング過程をチェックできます。防湿・防塵・耐薬といった特性を維持するためのコーディングをチェックする事で高精度の計測を完成させています。（詳細は特許に関わるので「非公開」のようです）ナノテラスは国内で他に類を見ない制度で精度よく短時間で減少を観察できる放射光施設です。 需要ありきの市場参入今回の長瀬産業の研究参画では大きな特徴があります。それは売り上げの大半を商社機能で稼いでいく長瀬産業ならではの販売戦略です。グループ外企業との共同研究でのノウハウ・技術が蓄積されると同時に、長瀬産業が販売の中で得ている「市場の製品ニーズ」を長瀬産業が結びつけて開発を進めていけるのです。いわば「需要ありきのマーケットイン」が出来る事です。すでに顧客との会話の中で利用をしていきたいというニーズが多々あり利用計画が立てられないほどだそうです。〆大学教科書・専門書・医学書 専門買取サイト「専門書アカデミー」【スポンサーリンク】以上、間違い・ご意見は 以下アドレスまでお願いします。 問題点に対しては 適時、返信・改定をします。nowkouji226@gmail.com2024/10/31‗初稿投稿 2024/12/12_改訂投稿旧舞台別まとめへ 舞台別のご紹介へ 時代別（順）のご紹介 力学関係へ 電磁気関係へ 熱統計関連のご紹介へ 量子力学関係へ【このサイトはAmazonアソシエイトに参加しています】
2024年10月10日2024年12月5日に投稿 投稿者 元）新人監督 — コメントを残す【Topic_速報】なんと、2024年のノーベル化学賞もAI関連でした ノーベル化学賞もAI関連２０２４年度はノーベル化学賞でもAI関連の人物が受賞をしました。デミス・ハサビス氏（Googleディープマインド）ジョン・ジャンパー氏（Googleディープマインド）、米ワシントン大学のデービット・ベーカー氏が受賞しました。前者の二人は「タンパク質の構造予測」が受賞理由です。ベーカー氏の受賞は「計算でのタンパク質設計」に対しての評価でした。先日の物理学賞の発表でも物理学の主流と異なる分野の人物の受賞で意外に思われた方も多いと思います。そうした時代なのです。ノーベル化学賞でもAI関連の技術開発（研究？）が評価されました。タンパク質の構の造予測ハサビス氏とジャンパー氏は構造予測で成果を出しました。アルフォードと名付けた技術でタンパク質の構造予測をします。数百にのぼるアミノ酸の解析にAIを使い手間暇を大幅に減らしたのです。ハサビス氏は旧ディープマインドの共同創業者でもあります。Demis Hassabis（デミス・ハサビス）とJohn Jumper（ジョン・ジャンパー）―「タンパク質の構造予測」Google DeepMindでCEO(最高経営責任者）を務めるDemis Hassabis氏と同社のJohn Jumper氏は、AIを活用したタンパク質の構造予測に大きく貢献しました。彼らが開発したAlphaFoldは、これまで数十年にわたって科学者たちが直面してきた難題、つまりタンパク質の折り畳み問題を解決するための画期的なツールです。タンパク質のアミノ酸配列からその立体構造を予測することは非常に困難とされてきましたが、AlphaFoldはこれを高い精度で達成しました。ハサビス氏は少年時代は「天才チェス少年」として活躍し、その中で自分の思考が他社とどう違うか考え続け、AIの世界にのめり込んでいきました。その過程で神経学者として研究を続ける時期がありました。その時に人間の脳をまねた情報処理の手法を研究していきました。その成果がAlphaFoldなのです。具体的には、AlphaFoldはタンパク質の一次配列から三次構造を予測し、これにより薬剤の設計や病気の理解に新たな道を開くことになりました。従来の実験的な方法と比べて、予測にかかる時間やコストを大幅に削減でき、これまで予測が困難だったタンパク質の構造も特定できるようになりました。タンパク質の設計ベーカ氏は創薬の分野で成果をあげています。ロゼッタフォールドと名付けた技術で医療分野に有効なタンパク質を設計してきたのです。David Baker（デービット・ベーカー）―「計算でのタンパク質設計」ワシントン大学のDavid Baker氏は、計算技術を駆使したタンパク質の設計において顕著な業績を挙げました。彼の研究チームは、AIや計算アルゴリズムを利用して、自然界に存在しない新しいタンパク質をデザインする技術を開発しました。これにより、酵素の設計や新しい材料の開発、医療用タンパク質の創出など、応用可能な分野が飛躍的に広がりました。具体的には、彼らの技術は、疾患治療や環境に優しい産業プロセスの実現に役立つ新しい酵素を作り出し、これまでにない形で生物学的システムをエンジニアリングすることを可能にしています。従来の実験に頼るアプローチでは不可能だった分子レベルの設計が、計算手法によって可能となり、さまざまな実用的な応用が期待されています。AIのノーベル化学賞への貢献2024年のノーベル化学賞は、AI技術が科学に与える影響の大きさを象徴しています。これまで分子生物学や化学の研究は実験に依存していましたが、AIが計算による予測や設計を可能にし、科学的発見のスピードと精度を飛躍的に向上させました。今回の受賞は、科学の最前線でAIが果たす重要な役割を強調するものと言えるでしょう。最後に懸念ヒントン氏が懸念点をあげている事は忘れてはいけません。「AIが人間を排除するリスクを懸念している」と危惧感を抱いているのです。ジョークを理解し、常人以上の流暢な会話をこなし、判断力に優れるAIは現実のものです。もはや、チェスは将棋で名人クラスの人物を負かしているのです。そんなAIが人間に不利益を働く思考を作り得るのです。〆【スポンサーリンク】以上、間違い・ご意見は 次のアドレスまでお願いします。 最近は返信出来ていませんが 全てのメールを読んでいます。 適時返信のうえ改定を致しします。nowkouji226@gmail.com2024/10/10_初版投稿 2024/12/15‗改訂投稿（旧）舞台別のご紹介 纏めサイトTOPへ 舞台別のご紹介へ 時代別（順）のご紹介 イギリス関係のご紹介 力学関係のご紹介へ 熱統計関連のご紹介へ【このサイトはAmazonアソシエイトに参加しています】
2024年10月9日2024年12月3日に投稿 投稿者 元）新人監督 — コメントを残す【Topic_ノーベル賞2024速報】2024年のノーベル物理学賞はジェフリー・ヒントン 新しい知見としてのAI 受賞の前から2024年度のノーベル物理学賞では 「AI」関連が取りあげられるのではないか、と噂されていました。 現代ではAIが大きな関心となっており、他分野での 応用技術が商用化されています。社会や経済を大きく変えつつあります。そうした中で2024年度のノーベル物理学賞は ジェフリー・ヒントンとジョン・ホップフィールドが AI関係で受賞しました。ニューラルネットワーク という新しい知見が世界を変えているのです。ジェフリー・ヒントン（Geoffrey Hinton_1947年12月6日 -）ジェフリー・ヒントンは、ディープラーニング分野のパイオニアであり、特に「バック・プロパゲーション・アルゴリズム」の提唱で知られています。当該アルゴリズムは、ニューラルネットワークの学習を効率化するために重要な役割を果たし、現代のAI技術の発展に大きく貢献しました。バロー、ニュートン、マクスウェル、ケルビン卿、ラザフォード、ボーア、チャドウィック、レイリー卿、JJトムソン、ディラック、ホーキンスがここで議論しました。そしてヒントンも。 ケンブリッジで心理学を専攻していましたが、 先進的な研究である人工知能のモデル化をカナダで進めます。 そうした中で 「脳の構造が何かを学ぶのに適しているのは明らかだ」 と感じて、信念ともいえる先見性で研究を続けました。 【本記事中での太字部は2024年10月9日付の 日経新聞からの引用です（以下同様）】 計算機の性能向上という背景もありますが、 ニューラルネットワークという構造がＡＩの進化に 大きな役割を果たしたと言えます。ヒントンは Googleで働きつつ、トロント大学で研究を続け、 ディープラーニングの商用化にも貢献しました。 また、AIのリスクについても積極的に発言し、 倫理的な側面にも注力しています。こだわる所はこだわり、 持論を貫き「自分は頑固だからね」と語る研究者です。 ヒントンの主な業績バックプロパゲーションアルゴリズムの開発ディープラーニングの応用によるAIの飛躍的進展AIの倫理や安全性に関する問題提起ジョン・ホップフィールド（John Hopfield）ジョン・ホップフィールドは「ホップフィールド・ネットワーク」として知られるニューラルネットワークの一種を提唱した物理学者です。このモデルは、人間の脳にインスパイアされたコンピュータシステムを構築するための基礎を築き、パターン認識やデータの記憶と復元に使用される理論的フレームワークを提供しました。彼の研究は、ニューラルネットワークの理解を深めるとともに、物理学と計算科学の橋渡しとなっています。主な業績ホップフィールド・ネットワークの提唱神経科学とコンピュータ・サイエンスの融合研究ニューラル・ネットワークの理論的基礎の確立この二人の研究はAIの進展において非常に重要であり、彼らの知見は現在の技術に深い影響を与え続けています。ジェフリー・ヒントンの新規性特に筆者はジェフリー・ヒントンに注目していて彼の唱える Y = A ／（２０４０－X）という公式を記事化してます。サイトdirac226.com での2024年4月の記載でした。ヒントン氏の弟子の議論を記載した記事です。AIの活用により「人間社会の生産性が2040年頃には発散する」という内容です。ジェフリー・ヒントンのもともとの専門は実験心理学的なアプローチです。また、AIが物理学かな？と思う人も居るかもしれませんが、私の中では全くつながる世界です。なにより、ジェフリー・ヒントンはAIの基本的な考え方として人間の脳活動を模倣した「ニューラル・ネットワーク」の仕組みを深化させました。人間の脳の機能を模倣した人工知能の中核的な技術です。以下に、ニューラルネットワークの具体的な仕組みを解説します。ニューラルネットワークとは？ニューラルネットワークは、生物の神経系、特に脳のニューロンの働きをモデル化したもので、AIがデータを学習し、複雑なパターンを認識・生成するための基本的な構造です。個々の「ニューロン」に相当するノードが層状に配置され、これらが互いに連結されて信号（データ）を伝達します。信号は重み付けされて処理され、学習プロセスの中でこの重みが調整されていきます。ニューラルネットワークの構造ニューラルネットワークは、主に3つの層で構成されています。1. 入力層 (Input Layer)入力層は、ネットワークに供給されるデータを受け取る部分です。各ノード（ニューロン）は一つの入力データを受け取り、それを次の層に送ります。例えば、画像処理の場合、各ピクセルの値が入力データとなります。2. 隠れ層 (Hidden Layer)入力層からの信号は隠れ層に伝達され、複雑な計算処理が行われます。隠れ層が多層に渡る場合、これを「ディープラーニング」と呼びます。この層では、特徴抽出やパターン認識などの高度な処理が行われ、モデルの精度を向上させます。隠れ層が多いほど、モデルはより複雑で高度なタスクに対応できるようになります。3. 出力層 (Output Layer)最後に、処理された信号が出力層に送られ、予測結果や分類結果として出力されます。例えば、画像が「犬」か「猫」かを分類する場合、出力層は「犬」または「猫」という結果を返します。ニューラルネットワークの学習方法ニューラルネットワークは、「バックプロパゲーション（誤差逆伝播法）」を用いて学習を行います。これは、出力と正解の誤差を計算し、その誤差を各層に逆方向に伝播させることで、各ノード間の「重み」を調整するプロセスです。この方法により、モデルは徐々に正確な出力を生成する能力を高めます。活用例ニューラルネットワークはさまざまな分野で応用されています。以下は代表的な活用例です。画像認識：写真やビデオの中から物体や顔を認識する技術。Googleの画像検索やスマートフォンの顔認識機能に利用されています。音声認識：音声データをテキストに変換し、会話内容を解析する技術。SiriやGoogleアシスタントなどの音声アシスタントに応用されています。自然言語処理 (NLP)：言語データを解析し、翻訳や文章生成、感情分析などを行う技術。翻訳サービスやチャットボットに利用されています。ジェフリー・ヒントンの研究が深化させたニューラルネットワークは、AI技術の中でも特に重要な要素であり、現代の技術社会に大きな影響を与え続けています。ニューラルネットワークの優位性ヒントンの作り上げた「アレックスネット」は2012年に開かれた画像認識関連の大会で高得点をあげました。また同氏が率いるトロント大学のチームはゲーム関係の大会でも成果を収めています。「ヒントン氏が米エヌピディアの画像処理半導体（ＧＰＵ）をつかった」実績が同半導体の評判を大きく広げました。2024年10月現在でエヌピディア社は過去最大の企業価値を持つ半導体メーカーとして君臨しています。（時価総額３兆ドル）ジェフリー・ヒントン氏の功績はAI分野において非常に重要であり特に彼が提唱・開発した技術や成果は、画像認識やディープラーニングの飛躍的な進展をもたらしました。以下に、彼の代表的な実績を具体的に解説します。アレックスネット (AlexNet) の成功2012年、ジェフリー・ヒントン氏とその弟子であるアレックス・クリージェフスキー (Alex Krizhevsky) が開発した「アレックスネット」は、ILSVRC（ImageNet Large Scale Visual Recognition Challenge）という画像認識の世界大会で圧倒的な成功を収めました。アレックスネットは従来のモデルを遥かに凌駕し、ディープラーニングの可能性を世界に示しました。主な特徴と成果深層ニューラルネットワークの使用：アレックス・ネットは、8層に渡る深層ニューラルネットワークを用いて画像を処理しました。エラー率の大幅な削減：アレックスネットは、他のチームが達成したエラー率を大幅に下回り、画像認識の分野で革新をもたらしました。ディープラーニングの普及：この成功により、ディープラーニングが多くのAIプロジェクトで主流となり、その後の技術発展に貢献しました。トロント大学のゲーム大会での成果ヒントン氏が進化させた原理は、ゲームにおけるAIの活用でも優れた成果を出しました。特に、強化学習やニューラルネットワークの技術を駆使し、ゲームのプレイにおいて人間以上のパフォーマンスを発揮することに成功しました。主な成果強化学習の応用：AIエージェントがゲーム内での行動を学習し、最適な行動を取るための強化学習アルゴリズムを発展させました。AIのパフォーマンス向上：人間のプレイヤーを超えるAIを開発し、ゲームやシミュレーションの分野でもAIが強力なツールとなることを証明しました。 AIが人間を超えるプレイ：強化学習を用いたAIを開発し、ゲームにおいて最適なプレイを学習させました。これにより、AIが人間のプレイヤーよりも効率よくゲームを進められることが証明されました。ゲームAIの進化：特に、戦略ゲームやリアルタイムのゲームにおいてAIが優れた成果を収め、AIの応用範囲が広がりました。これにより、ゲーム業界でもAIが注目され、エンターテインメント分野での利用が進んでいます。この実績により、ゲームやシミュレーション分野でAIの活用が急速に進み、技術の進化だけでなく、商業的な成功にもつながりました。NVIDIAのGPUを用いた功績ヒントン氏は、AI研究において米エヌビディア (NVIDIA) 社のGPU（画像処理半導体）を使用することで、ディープラーニングの計算効率を劇的に向上させました。これにより、従来のCPUでは処理が困難だった大量のデータを短時間で処理できるようになり、AI技術の急速な発展を支えました。主な成果計算速度の飛躍的な向上：GPUの並列処理能力を活用し、ディープラーニングの訓練時間が大幅に短縮されました。NVIDIAの評判を高める：ヒントン氏の成功により、NVIDIAのGPUはAI研究の中核ツールとしての地位を確立し、2024年時点で同社は時価総額3兆ドルに達するなど、過去最大の企業価値を持つ半導体メーカーとなりました。2024年10月現在の影響ヒントン氏のこれらの実績は、AI研究と商用化の両面で大きな影響を与え続けています。彼が発展させた技術や使用したツール（特にNVIDIAのGPU）は、現在でもAIの進化を支える基盤として機能しており、AI産業全体の成長を促進しています。今後の物理学とAI物理学における知識の追求は、AIの登場で新しい段階に入ったという印象を受けます。第一回のレントゲンの受賞の時代からはより実験と結びついた実証的な現象理解が次々と進んでいきました。量子力学、素粒子物理学、物性物理学といった新世界で人類は知見を広めてきました。そうした現象理解はこれからも続きます。同時に、現代における革命的な技術である「AI」が急激な変化をもたらして、恩恵を与えていることも確かです。その意味で2024年の受賞は時代を反映していると言えます。「二人が貢献したAIの技術革新と発展は、他の物理学の大きな推進力となっている」とノーベル賞の選考委員会は称えています。具体的には以下の事例を評価してます。具体的に解説します。ヒッグス粒子の発見ヒッグス粒子の発見は、2012年にCERNの大型ハドロン衝突型加速器（LHC）を使用して実現しました。この粒子は、1964年にピーター・ヒッグスらによって予測されたもので、物質の質量の起源を説明する重要な要素です。役割と意義：ヒッグス粒子は「ヒッグス場」という見えないフィールドと関係しており、これが他の素粒子に質量を与える役割を果たします。質量の存在理由を解き明かすことで、標準模型と呼ばれる物理学の基本理論を補完しました。発見の重要性：この発見により、物理学者たちは物質の基本的な性質を理解するための手掛かりを得、宇宙の成り立ちに関するさらなる研究が進展しました。重力波の検出2015年、アメリカのLIGO（レーザー干渉計重力波観測装置）は、重力波の直接検出に成功しました。重力波は、アインシュタインの一般相対性理論で予言された時空の歪みを示す波で、ブラックホールや中性子星が衝突したときに発生します。役割と意義：重力波は、宇宙の深遠な出来事を探知する新しい手段を提供しました。これまで光や電磁波では捉えられなかった現象を観測できるようになり、宇宙の起源やブラックホールの性質に関する新たな洞察が得られるようになりました。発見の重要性：重力波の検出は、天文学や宇宙物理学に革命をもたらし、これまで理解されていなかった天体現象の解明が進むきっかけとなりました。ブラックホール観測2019年、Event Horizon Telescope（EHT）によって史上初めてブラックホールの「写真」が撮影されました。この画像は、地球サイズの望遠鏡を使ってブラックホールの影を直接観測したものです。役割と意義：ブラックホールは、光さえも脱出できない強い重力を持つ天体で、その存在は理論的に予測されていましたが、実際に観測されたのは初めてです。これにより、ブラックホールが実在し、一般相対性理論が正しいことが改めて確認されました。発見の重要性：この観測は、宇宙の極限状態に関する理解を深め、ブラックホールが周囲の物質やエネルギーとどのように相互作用するかを知る手がかりを提供しました。これらの成果は、AI技術の進歩によるデータ解析やシミュレーション技術の向上があったからこそ可能になった部分も大きく、物理学とAIの相互作用が未来の科学研究を大きく推進する役割を果たしています。 4oノーベル賞を創設したアルフレッド・ノーベルの当初の理念（遺言） を最後に残します。「（ノーベル賞は） 人類にもっとも大きく貢献した科学者に贈る。」〆大学教科書・専門書・医学書 専門買取サイト「専門書アカデミー」【スポンサーリンク】以上、間違い・ご意見は 次のアドレスまでお願いします。 最近は返信出来ていませんが 全てのメールを読んでいます。 適時返信のうえ改定を致しします。nowkouji226@gmail.com2024/10/08_初版投稿 2024/12/13‗改訂投稿（旧）舞台別のご紹介 纏めサイトTOPへ 舞台別のご紹介へ 時代別（順）のご紹介 イギリス関係のご紹介 力学関係のご紹介へ 熱統計関連のご紹介へ【このサイトはAmazonアソシエイトに参加しています】