astropy

「Pythonで太陽系の天体位置を描画してみる」というのを見つけた。python上の天文学統合データ処理環境であるastropyというライブラリを使うものだ。

jupyter lab を起動して，さっそく試してみると，いきなりmatplotlibが見つからないというところでつまづいた。以前に試したpythonのコードでは，matplotlibを読み込んでちゃんと作図がでてている。その古いコードでもエラーがでてきた。

macbook air の環境は，基本的にはhomebrew で更新しているので安心できるのだが，問題は，python環境である。python は3.9〜3.12までの複数のバージョンが同居することになっている。これは基幹ソフトなので，下手に古いものを消してしまうとややこしいのだ。そこで，一般には，python環境を指定するpyenvとかvenvで仮想環境を設定した上で，様々なライブラリを加えていくことになる。

が，ですね，それはそれで面倒なので，アドホックにバージョンアップを繰り返しながら，pip install ホゲホゲをつづけているために，わけわかめ状態になっている今日この頃なのだ。jupyterlabもバージョンが上がるたびに，見えなくなってしまうので，毎回 brew link jupyterlabを繰り返す始末だ。70歳になると，自分の体の中のDNA情報システムだけでなく，外の電子情報システムまで老化が進んでくるということだ。

まあ，macOSの場合は，機種更新の際に新規インストールすればそれなりに，なんとかなるかもしれないけれど，複雑な記録や認証情報を引き継ぐのは厄介だ。特に，iOSでは，指紋認証を含め，現金が動く認証アプリがウヨウヨいるので，次期機種更新のことを考えただけで気が遠くなりそうだ。

話を戻して，astropyについて。jupyter環境でpython kernelを立ち上げているところから，!エスケープで!pip listをやってみると，matplotlibは存在している。!pip install matplotlib でも致命的エラーはでない。ChatGPTに相談してみると，カーネルがどうなっているか確認せよとのこと。

 jupyter kernelspec list

  python3              /opt/homebrew/Cellar/jupyterlab/4.0.9_2/libexec/lib/python3.12/site-packages/ipykernel/resources

  julia-1.9            /Users/koshi/Library/Jupyter/kernels/julia-1.9

  maxima               /Users/koshi/Library/Jupyter/kernels/maxima

  wolframlanguage12    /Users/koshi/Library/Jupyter/kernels/wolframlanguage12

はいはい，表に見えていたのは python3.11.6だったけれど，実は，python.12.1が使われており，ここにはmatplotlibが入っていませんでした。さっそく，このポイントで，matplotlibとかscipyとかastropyとかpytest-astropyとかをpipでインストールした。別の参考資料に指示があった，astropyが正しく導入できているかどうかのテストも，試行錯誤の後にOKとなった。

　　　cd /opt/homebrew/Cellar/jupyterlab/4.0.9_2/libexec/bin

　　　./pip install astropy

　　　./pip install ephem

import astropy as ap

>>> ap.test()

platform darwin -- Python 3.12.1, pytest-7.4.3, pluggy-1.3.0

Running tests with Astropy version 6.0.0.

Running tests in lib/python3.12/site-packages/astropy.

Date: 2023-12-19T22:26:53

Platform: macOS-14.2-arm64-arm-64bit

Executable: /opt/homebrew/Cellar/jupyterlab/4.0.9_2/libexec/bin/python

Full Python Version: 

3.12.1 (main, Dec  7 2023, 20:45:44) [Clang 15.0.0 (clang-1500.0.40.1)]

encodings: sys: utf-8, locale: UTF-8, filesystem: utf-8

byteorder: little

float info: dig: 15, mant_dig: 15

Package versions: 

Numpy: 1.26.2

Scipy: 1.11.4

Matplotlib: 3.8.2

h5py: not available

Pandas: not available

PyERFA: 2.0.1.1

Cython: not available

Scikit-image: not available

asdf-astropy: not available

Using Astropy options: remote_data: none.

rootdir: /opt/homebrew/Cellar/jupyterlab/4.0.9_2/libexec

plugins: astropy-0.11.0, remotedata-0.4.1, hypothesis-6.92.1, cov-4.1.0, filter-subpackage-0.1.2, astropy-header-0.2.2, anyio-4.1.0, mock-3.12.0, doctestplus-1.1.0, arraydiff-0.6.1

collected 28085 items / 5 skipped  

-- Docs: https://docs.pytest.org/en/stable/how-to/capture-warnings.html

========== 27425 passed, 425 skipped, 240 xfailed, 80 warnings in 184.56s (0:03:04) ===========

<ExitCode.OK: 0>

ところが，やっぱりもとの太陽系の天体位置描画が動かない。最後に，Animation関数中のblit=False をblit=Trueにしてようやく何か表示されてほっとしたが，そこまでで内部にエラーがあるとのメッセージが出て異常終了してしまった。チーン。

図：ここまでは出たけれどアニメーションにはなっていなかった残念な図

astropyはイメージ処理やデータ処理を本業とした，プロ用の本格的なシステムだった。

リザーバー・コンピューティング

脳オルガノイド計算からの続き

これは，リザーバー・コンピューティングについて，Bardに聞いてChatGPTに和訳してもらった解説だ。質問者（自分）のスペルが reserverと間違っていたけれど，修正して答えてくれた。このレベルになると，どの程度フェイク成分があるのかが判別できない。

Ｑ：Please explain about reservoir computing.

Ａ：Bard + ChatGPT

Reservoir computing（リザーバーコンピューティング）は、再帰ニューラルネットワークに着想を得た比較的新しい計算フレームワークです。この手法は、入力信号をリザーバーと呼ばれる固定された非線形システムのダイナミクスを使用して、高次元の計算空間にマッピングすることによって機能します。このリザーバーは、水のバケツや回路などの物理的なシステムであるか、微分方程式の系などの数学的なモデルであることができます。

その後、リザーバーの出力は線形の読み出し関数を使用して読み取られます。この読み出し関数は、リザーバーの状態と所望の出力との関係を学習するためにトレーニングできます。

図：リザーバーコンピューティングアーキテクチャ

（編者注： Rossello (2018)の図 [1] へ勝手にリンク引用しているBard）

リザーバーコンピューティングの利点の一つは、非常に効率的であることです。リザーバーは非常に単純であり、読み出し関数は比較的単純で速いアルゴリズムである線形回帰を使用して学習できます。これにより、低消費電力とリアルタイムのパフォーマンスが重要なアプリケーションに適しています。

リザーバーコンピューティングのもう一つの利点は、非常に柔軟であることです。同じリザーバーは、読み出し関数を変更するだけでさまざまなタスクを学習するのに使用できます。これにより、タスクが事前にはわからない場合や、タスクが時間とともに変化する場合に適しています。

リザーバーコンピューティングはまだ比較的新しい分野ですが、計算の仕方を革新する可能性があります。既に音声認識、画像認識、およびロボット制御など、さまざまなアプリケーションで使用されています。

以下はリザーバーコンピューティングに関するいくつかの追加の詳細です：

　・リザーバーは通常、多くの内部状態を持つ高次元システムです。これらの状態は複雑な方法で相互作用し、リザーバーが非線形関数を計算できるようにします。

　・読み出し関数は通常、リザーバーの状態の線形関数です。この関数は、所望の入出力関係の例などのトレーニングデータを使用して学習できます。

　・リザーバーコンピューティングは、サポートベクターマシンやディープラーニングなどの他の機械学習技術と組み合わせて使用されることがよくあります。これにより、システムの精度とパフォーマンスを向上させるのに役立ちます。

Bard, Perplexity, Bing などは正確性を若干担保するために実在して関係あるURLへのリンクを提供しているが，それを埋め込み図の形で提供するのを見たのは初めてかもしれない。

以下は真正の参考文献：

［１］Simple Cyclic Reservoir Computing with FPGA Devices for Efficient Channel Equalization

［２］A Survey on Reservoir Computing and Its Interdisciplinary Applications Beyond Traditional Machine Learning（2023, H. Zhang and D. V. Vargas）

脳オルガノイド計算

数日前，インディアナ大学のチームが，ヒト脳幹細胞から作成した脳オルガノイドをコンピュータ・チップに取り付けてAIツールに接続したシステム（Brainoware）で，初歩的な音声認識を含む，情報処理・学習・記憶ができることを実証したとのニュースが流れた。

ちょうど，しばらく前のNHKのフロンティア第２回「AI 究極の知能への挑戦」でも，脳を利用した計算チップの話が取り上げられていた。東大の池内与志穂准教授のグループが16点のプローブ上においた脳オルガノイドを２つ接続して，反応を観察する様子や，オーストラリアのBrett Kaganのグループの実験室の詳細な映像を見ることができた。

Kaganは，1970年代の最初期のコンピュータゲーム（アーケードゲーム）であるPON（ピンポンゲーム）をこの脳オルガノイドシステムにやらせていて，学習効率の高さを強調していた。すごくないか。

写真：脳オルガノイドチップ（左 F. Guo et. al. から，右 B. Kagan et. al. から引用）

［１］ Brain organoid reservoir computing for artificial intelligence（Feng Guo et. al.）

［２］‘Biocomputer’ combines lab-grown brain tissue with electronic hardware（Nature）

［３］脳オルガノイドをコンピューターに接続，日本語の音声認識に成功（MIT Tech Review）

［４］In vitro neurons learn and exhibit sentience when embodied in a simulated game-world（B. Kagan et. al.）

［５］Cortical Labs（https://spikestream.corticallabs.com/）

モキュメンタリー

WOWOWで放映していた「ザ・モキュメンタリーズ　〜カメラが捉えた架空世界」を録画していたので，一気見した。

フェイクニュースが蔓延する昨今，「この番組では、現実の私たちと同じように、架空の世界で社会の変化に翻弄される人々を追い、現代社会で実際に起こっている出来事や社会の矛盾を、モキュメンタリーという手法をもって描くことで、真実に迫る。」とあるが，これぞ純正で良質なSFビデオ作品である。

ザ・モキュメンタリーズ ～カメラがとらえた架空世界～（各編30分）

　（編者注：丸括弧内はこちらで付加したキーワード）

#1 「インビジブル・ブルース」（透明人間皮膚移植・マイノリティー）

#2 「(株)わたし」（個人の公開株化「株式人間」・人間の価値）

#3 「WORD HUNTER」（言語省・言語取締官・不正日本語取締法）

#4 「マイナースポーツ・未来の星」（スルーイング・東西日本国）

#5 「ドローン・クライシス」（脱法人工知能搭載野良ドローンとマタギ）

#6 「ハラハラ♥ハラスメント」（ハラスメントバッチ・自由恋愛タブー）

#7 「冷凍睡眠ビジネスの闇」（家庭用冷凍睡眠カプセル）

#8 「仮想俳優Ａ」（フルCGの俳優・最明寺アキラブーム）

本物のドキュメンタリーのような形式で製作されているうえ，非常にていねいなシュミレーションがされているため，うっかりしていると現実と混線してしまいそうになる。放送時間の関係で星新一のショートショートレベルの掘り下げとなり，問題をそこまで深刻に描いているわけではないけれど，ドキュメンタリーの力がこれらにリアリティをもたらす効果は大きい。

各編に出てくる日付が2020年のオーダーだったので調べてみると，最初に放送されたのは2021年の3月・4月だったようだ。なお，モキュメンタリーという言葉は普通名詞だった。

写真：ザ・モキュメンタリーシリーズのタイトルバック（WOWOWから引用）

この延長線上になる「PORTAL-X　〜ドアの向こうの観察記録〜」が2024年1月から8回放送されるそうで，こちらも楽しみ。

モーリーの定理

真鍋さんのウェブサイトMIPOのブログには，算数・数学コラムというのがあって，おもしろい算額の問題などがしばしば取り上げられている。

で，先日モーリーの定理という，三角形の内角の三等分線がつくる図形が正三角形になるという問題を証明していた。なるほど。図形の問題は苦手なので，解析幾何学の手法でできないか考えてみた。

1辺と両端の2角を与えれば三角形は定まる。現れるすべての座標はその辺の長さに比例するので，辺の長さAB=1とする。∠A=$3\alpha$，∠B=$3\beta$，∠C=$3\gamma$とすると，$\gamma = \frac{\pi}{3}-\alpha-\beta$で定まる。結局全ての量が２つの角度$\alpha,\beta$で表される。

これは実は問題の対称性を損ねるので，標準解答と比較しても良策ではないのだけれど，乗り掛った舟なのでやってみる。

図：モーリーの定理の証明

まず三角形ABCの頂点Aを原点(0,0)とし，頂点Bを(1,0)とする。このとき頂点C$(p,q)$は，$y=\tan 3\alpha$と$y=-\tan 3\beta (x-1)$の交点として求まり，$(p,q) =\Bigl( \dfrac{\tan3\beta}{\tan3\alpha+\tan3\beta},\dfrac{\tan3\alpha \tan3\beta}{\tan3\alpha + \tan3\beta} \Bigr)$となる。

同様にして，∠の三等分線の交点として(P,Q,R)の3点求めればよい。

(1) ABからの三等分線の交点P

$y=\tan \alpha\ x \ \&\  y = -\tan \beta\ (x-1)\ $の交点は，

$(p_1,q_1) =\Bigl( \dfrac{\tan\beta}{\tan\alpha+\tan\beta},\dfrac{\tan\alpha \tan\beta}{\tan\alpha + \tan\beta} \Bigr)$

(2) ACからの三等分線の交点Q

$y=\tan 2\alpha\ x \ \&\  y = -\tan (3\beta+2\gamma)(x-p)+q\ $の交点は，

$(p_2,q_2) =\Bigl(\dfrac{p \tan(3\beta+2\gamma) + q}{\tan2\alpha+\tan(3\beta+2\gamma)},\dfrac{\tan2\alpha \{p \tan(3\beta+2\gamma)+q\}}{\tan2\alpha + \tan(3\beta+2\gamma)}\Bigr)$

(3) BCからの三等分線の交点R

$y=-\tan 2\beta\ (x-1) \ \&\  y = -\tan (3\beta+\gamma)(x-p)+q\ $の交点は，

$(p_2,q_2) =\Bigl( \dfrac{p \tan(3\beta+\gamma) -\tan2\beta + q}{\tan(3\beta+\gamma)-\tan2\beta}, -\dfrac{\tan2\beta\{(p-1) \tan(3\beta+\gamma)  +q\}}{ \tan(3\beta+\gamma) -\tan2\beta } \Bigr)$

これから3点の距離を計算すれば良いのだけれど，ちょっと人間の手には負えなかった。

Mathematicaで計算すると，なんとか確認することができた。

In[1]:= c[a_, b_] := Pi/3 - a - b

In[2]:= p[a_, b_] := Tan[3 b]/(Tan[3 a] + Tan[3 b])

q[a_, b_] := Tan[3 a] Tan[3 b]/(Tan[3 a] + Tan[3 b])

In[3]:= p1[a_, b_] := Tan[b]/(Tan[a] + Tan[b])

q1[a_, b_] := Tan[a] Tan[b]/(Tan[a] + Tan[b])

In[4]:= 

p2[a_, b_] := (p[a, b] Tan[3 b + 2 c[a, b]] + q[a, b])/(Tan[2 a] + Tan[3 b + 2 c[a, b]])

q2[a_, b_] := 

 Tan[2 a] (p[a, b] Tan[3 b + 2 c[a, b]] + q[a, b])/(Tan[2 a] + Tan[3 b + 2 c[a, b]])

In[5]:= 

p3[a_, b_] := (p[a, b] Tan[3 b + c[a, b]] - Tan[2 b] + 

    q[a, b])/(Tan[3 b + c[a, b]] - Tan[2 b])

q3[a_, b_] := -Tan[

    2 b] (((p[a, b] - 1) Tan[3 b + c[a, b]] + 

      q[a, b])/(Tan[3 b + c[a, b]] - Tan[2 b]))

In[6]:= (p1[a, b] - p2[a, b])^2 + (q1[a, b] - 

     q2[a, b])^2 - (p2[a, b] - p3[a, b])^2 - (q2[a, b] - 

     q3[a, b])^2 // Simplify

Out[7]= 0

In[8]:= (p2[a, b] - p3[a, b])^2 + (q2[a, b] - 

     q3[a, b])^2 - (p3[a, b] - p1[a, b])^2 - (q3[a, b] - 

     q1[a, b])^2 // Simplify

Out[9]= 0

［１］三角形の外角の三等分線の場合（時岡郁夫さん）

情報伝達活動の構造（２）

情報伝達活動の構造（１）からの続き

そもそも，年齢によって，職種によって，個人の生活スタイルによって，まったく異なるものを平均しようというのに無理がある。

図：一日の時間と情報伝達活動のモデル

会話行動に関する調査からは，平均会話時間が6時間と出てくる。ただ，会話密度が変われば，発話・受話量はまったく変わってしまうことになるが，図ではその値を書き込んだ。

ＴＶとネットの視聴時間がそれぞれ3時間で計6時間という「情報通信メディアの利用時間と情報行動に関する調査報告書」の結果も反映しているが，ネットでのアウトプットを2時間分加えてみた。これも他の作業と並行・重複していたりで，集中度によってその内容は大きく影響される。

身体活動を中心とした労働の場面では，会話やネットでやりとりされる情報密度はずっと少ないかもしれないし，オフィスワークや対人活動が主となる仕事ならば，逆にさらに情報密度が高まるかもしれない。

これを解決するには，典型的なモデルを複数設定して，そこでの平均を提示することだ。実証的な研究に繋げるためには，GoProのようなアクションカムを24-8時間装着して，その活動を記録して分析すればよいことになる。ありそうだけれで適当な論文は探しきれていない。

総務省の情報通信政策研究所の情報流通インデックス研究会の報告書では，流通するメディア情報については客観的な指標が設定されている。問題は，これを各個人レベルに落とし込んだときの，有効な吸収率や反射率がどうなるかということ。

［１］令和３年度情報通信メディアの利用時間と情報行動に関する調査報告書

［２］我が国の情報流通量の指標体系と 計量手法に関する報告書

情報伝達活動の構造（１）

棒からの続き

りんちゃんの「棒」は「—」や「｜」の問題だった。そうすると答えが変わってくる。

頻度の高い漢字の平均画数が7画程度で，これを棒の数とします。児童・生徒・学生の間は1日100字書いたとして（PCなど除く）10年間≒3000日では，〜30万字程度漢字をかくことになるので，〜200万画くらいかな。

1画5mmだとすれば，200万画は1000kmである。鉛筆1本で 50kmかけるらしいので，鉛筆20本あれば十分だ。ホントか，削りながらの場合は1000本くらいになりそうだ。ジェットストリームのSXR-07では替え芯1本で700mということだから，1400本なのか。

で，あらためて自分が行う情報活動の入出力量について，どの程度になるのか気になった。

　2023.6.5　シンセティック・メディア（２）

　2023.6.6　情報通信メディアの利用時間

　2023.6.7　社会生活基本調査

　2023.6.8　会話行動に関する調査

のシリーズで半年前に少し考えていたことだけれど，再度見直してみる。

まず，定量的なデータについて考察する前に，個人の情報伝達活動を整理してみた。

図：情報伝達活動の構造

一番下の意識主体が，一人の人だとする。一般化できるように意識主体としている。これが，情報をやり取りするのだけれど，その情報伝達の様態を，(A)入力，(B)出力，(C)対話に分類する。(A)と(B)だけでも十分かもしれないが，あえて独立に(C)という連続的な入出力モード＝対話を考えてみる。

また，その情報伝達の対象は，（イ）個体（これも個人＝一人の人でもよいが，少し一般化した），（ロ）集団（組織でも社会でもよい），これまたあえて独立に（ハ）AI，を設定した。やりとりされる伝達情報の形態は，（１）静的データ（テキストや図画像），（２）動的データ（音声・音楽，動画），（３）実世界（対面による物理的化学的な接触を含む）とする。（１）と（２）ではメディアを媒介する視聴覚情報だけにフィルタされている。

都合，３×３×３＝27通りのパターンに分類できる。技術的な問題を考える場合には，情報伝達の形態を図の右囲みのようにさらに7項目に細分化して考えることもできる。

（例）会話＝（イ・ロ，Ｃ，３），手紙＝（イ，Ａ・Ｂ，１），電話＝（イ，Ｃ，２），

ラジオ・テレビ・映画＝（ロ，Ａ，２），SNS＝（ロ，Ａ・Ｂ，１），VLOG＝（ロ，Ｂ，２），演劇・音楽＝（ロ，Ａ，３），演説・講演＝（ロ，Ｂ，３），生成AIチャット＝（ハ，Ｃ，１）

Duolingo

今年の春に始めた iPhoneアプリDuolingoでの韓国学習である。

最近は，朝起きて新聞とテレビのニュースをチェックした後に，Duolingoで韓国語のレッスンをするのが日課になっている。iPhoneの先週のアクセスログをみると，一日平均3時間のうち，Facebookが45分，Duplingoを30分，Pikmin Bloomが20分，GoogleとLineが15分ということになっている。

単語の表記と発音と意味，韓国語の和訳あてはめ，韓国語読み上げのハングルあてはめ，日本語の韓国語訳ハングルあてはめ，など15問ほどで1セットである。単語ごとにヒントを確認できるので，覚えていないあるいは理解できていなくても，勘だけで何となく答えられてしまう。いいようなわるいような。

ヒント頼りなので，ほとんど実力がつかない。ハチマン，毎日繰り返していると記憶に残る単語も少しはあるので，韓国ドラマを見ていても，以前よりは意識に引っかかる会話が増えてきた。

図：今年11月30日時点のDuolingoの成績（実はソコまで出来ていない）

棒

フェイスブックで，芳賀さんが息子のりんちゃんから受けた質問について書いていた。

「人生でどのくらい，文字の「棒」を書かないといけないか」という趣旨のものだ。なぜその質問がでてきたのかはよくわからない。なぜ「棒」なのかな。書くのが面倒だからなのかな。そういう話ではないのかな。犬も歩けば棒にあたったのかな。

準備のための一般論：

　モノゴコロついてから惚けるまで，およそ75年≒900ヶ月≒3900週≒2万7千日≒66万時間≒3900万分≒24億秒あるとする。このとき，人生におけるある事象の頻度と総数はおよそ次のように対応する。

　10年に 1回　〜　10回

　  3年に 1回　〜　30回

　  1年に 1回　〜　100回

　　年に 4回　〜　300回

　　月に 1回　〜　1000回

　　週に 1回　〜　4000回

　  3日に 1回　〜　1万回

　  1日に 1回　〜　3万回

　  1日に 3回　〜　10万回

名前との比較：

　一生の間に自分の名前はどのくらい書くだろうか。宅配のサインも含めて週に1回よりは多いような気がするので，多分1万回のオーダーになる。「棒」はこれよりは2桁以上少ないのではないか。100回ほどか？

ブログの計量：

　自分のブログであるOn a Thread of the Webの5年分のデータを全文検索してみると，「棒」は16回ヒットした。つまり，最近は年平均に3回ということになる。75年をかけると，生涯では 200回 程度書くことになるのではないか。

生成AIの考え：

Ｑ（私）：日本人が一日に書く漢字の数は400字程度です。一生には，1000万字程度の漢字を書くことになるでしょう。このうち，「棒」という漢字を書く回数は何回程度だと推定されますか？

Ａ（Claude）：

はい、ご指摘の通り、日本人が一生のうちに書く漢字はおよそ1000万字とされています。このうち、「棒」という漢字が何回含まれるかを推定するため、次のように考えます。日本語の漢字使用頻度データによると、「棒」の出現頻度は0.0026%，1000万字の0.0026%は2600字。したがって、一生のうちに書く漢字1000万字のなかで、「棒」という漢字が含まれる頻度はおよそ2600回と推定されます。

なお，Copilotが4690回，Perplexityが4800回，Bardは200万回，ChatGPTは10億回と答えた。（注）上記の仮定である1日に400字というのは，手書きだけではなくて，SNSなどでのスマホやPCにおけるデジタル入力も含めたつもりだけれど，どうだろうか。

漢字出現頻度：

　ClaudeやPerplexityは，漢字の出現頻度という量を持ち出してきた。Perplexityでは，0.0048%とされた。そんなデータがあるのかと検索してみた。令和1年に文化庁の漢字出現度数調査というレポートがある。出現確率ではなく，出現順位が与えられている。棒は1200位あたりで，結構高頻度で出現する文字だった。もう少し調べてみると，mwSoft Blog[1]というサイトが見つかった。2012年6月Wikipediaデータにおける出現漢字をまとめたものだ。このデータを拝借すると，「棒」は1375位で38,285回/528,530,037回（上位3000字の総計）=0.00724%=724回という結果が得られた。

結論：

　平均的な人が「書く」漢字の「棒」は，100回〜1000回程度じゃないでしょうか。

参考（学校で棒が出てくる場面）：

　棒読み。棒暗記。棒立ち。棒グラフ。棒磁石。乳棒。制御棒。溶接棒。指揮棒。鉄棒。棒高跳び。段違い平行棒。棒球（だま）。綿棒。編み棒。棒針。相棒。泥棒。片棒。棒ダラ。アメン棒。お先棒。棒切れ。火かき棒。金棒。警棒。用心棒。こん棒。ゲバ棒。点棒。

P. S. このページだけで12年分くらいの「棒」を書いてしまった。

写真：画像生成AIがイメージしている「棒」（Diffusion Beeより引用）

［１］WikipediaとTwitterで使用される漢字上位3000を出してみる。（Watanabe Masao）

Gemini

12月6日に，Googleから新しいマルチモーダルの生成AIモデルのGeminiが発表された。

宣伝のYouTubeビデオクリップでは，絵や写真を見せながら対話している様子がデモンストレーションされていて，かなりレベルが高そうだったのだが，フェイク（再現モデル）疑惑がでてきているので，どうだかよくわからない。

Google Bardのチャットページから使えるが，自分のgoogleアカウントの言語モードを英語にしておく必要があった。現時点で使えるのは，Gemini Pro であり，ChatGPT 3.5レベルのものなのだ。評判ほどではなく，これまでの体験と大きく変わることはない。というわけで，最近は，［ChatGPT3.5，Bard，Claude，Perplexity，Bing］の５つを組み合わせて試している。問題ごとに，良くできる子とイマイチな子に別れる。課金してChatGPT 4.0に復帰するだけの動機もまだない。

図：Geminiのイメージ（Google Japan ブログから引用）

四角形

三角形（３）からの続き

小学生の問題から離れられない。

長方形（$a \times b$）があって，その1つの角が小さな長方形（$p \times q$）の形に欠けている。この図形の面積を2等分する直線を求めよというものだ。問題では辺の長さの情報が与えられていない。どうするのかと思って解答をみた。それは，与えられたＬ型の図形を２つの長方形の組み合わせとみなし，それぞれの長方形の中心点を結ぶ直線を引けばよいというものだ。なるほど，小学生でも理解できる。この直線の図形内の中点を中心に，図形の角を越えない範囲で直線を回転させればそれらも解になる。

ところで，その欠けた部分が大きくなると，この方法ではうまくいかない。というのも直線で分割される角の欠けた側の領域が連結領域ではなくなり，バラバラになってしまうからだ。これを避けるためには，欠けた側と反対側の角を通る直線で，面積が等しくなるものを探せば良い。中学生レベルの問題になる。

図：直線APによる四角形の面積の二等分（$\frac{a}{b}>\frac{p}{q}$の場合）

直線ACは四角形ABCDの面積をS1(△)とS2(△)に2等分するが，左図形から引き去る部分は台形CEFR，右図形では三角形CGRなので，S1(左) <  S2(右)となる。そこで，分割線をAPにずらせば，S(左)=S(右)となる点が見つかるはずだ。

ずらす距離PC=$x$とおいて立式すると，$2S_1 = b(a-x)-q\bigl\{ 2(p-x)+\dfrac{q(x-a)}{b}\bigr\}$，$2S_2 = (b-q)\bigl\{ a+\dfrac{x(b-q)+aq}{b}\bigr\}$となる。これを等しいとして$x$を求めると，$x=\dfrac{q(a q- b p)}{(b-q)^2}$と求まった。

めでたしめでたしというところだ。ところで，$\frac{a}{b}=\frac{p}{q}$でもとの四角形と切り欠きの四角形が相似となる。このため，最初の対角線が2等分線となって$x=0$になる。ということは，$x<0$の場合が出てくるということか。おかしいのでしばらく悩んだ。

良く考えると，この場合は，欠けた図形の角が対角線より右側になるので，P点はCG上に持ってきてCP=$y$と置く必要がある。すなわち，この場合は，$a$と$b$，$p$と$q$を入れ替えて同じ式を解くことになるので，$y=\dfrac{p(b p- a q)}{(a-p)^2}$とすればよいことになる。

石川デジタルミュージアムネットワーク

金沢大学は，人工衛星（X線突発天体監視速報衛星）を打ち上げたというニュースを先日見たばかりだけれど，金沢大学資料館を中心とした石川デジタルミュージアムネットワークを構築した。

早速アクセスしてみると，金沢大学資料館，石川県立自然史資料館，石川県西田幾多郎記念哲学館，石川県埋蔵文化財センター，羽咋市歴史民俗資料館，野々市市ふるさと歴史館・，野々市デジタル資料館の６つの連携機関を結ぶものだった。どれも訪れたことはない。ちょっと物足りなかった。

金沢21世紀美術館とか石川県立美術館とか石川県立図書館をはじめとして諸々沢山あるので，このへんもつながると面白そうなのだけれど。しかしそれだったら文化遺産オンラインで事足りてしまうのかもしれない。

図：デジタルミュージアムネットワークの表紙から

PISA2022

PISA2018からの続き

OECD生徒の学習到達度調査（PISA）は，3年に1回実施されていた。新型コロナウィルス感染症の影響で，2021年の予定が1年延期されて2022年になり，その結果がこの度公表された。

PISA2022には，81か国・地域から約69万人が参加した。前回より2カ国ふえたのだが，トップだった中国の北京・上海・江蘇・浙江地域がはずれている。なぜか，生成AIのいくつかに聞いてみたがはっきりしない。日本からは，全国の高等学校，中等教育学校後期課程，高等専門学校の1年生のうち，国際的な規定に基づき抽出された183校（学科）約6,000人が参加して，2022年6月から 8月に実施された。

日本の順位（今回/前回）は，数学的リテラシー（1位/5位），読解力（2位/3位），科学的リテラシー（1位/2位）の3分野全てにおいて平均得点や順位が上昇した。コロナの影響で，全体の平均得点は下がったが，日本では，新型コロナウイルス感染症のため休校した期間が他国に比べて短かったことが影響した 可能性があるとの指摘がなされている。

図：PISAの平均得点の推移（国立教育政策研究所の報告から引用）

テレビで田中博之さんが，Facebookで，芳賀さんや豊福さんがコメントしていたけれど，思うところはあまりない。順位が低下していたらもわもわしていただろうか。そもそもPISAで一喜一憂しているところに問題があるのだろか。GIGAスクールの行く末の方がキニナルのか。はたまた，生成AIのインパクトのほうか。日々感受性が劣化しているのかもしれないけれど。

三角形（３）

三角形（２）からの続き

小学生向けの簡単な図形の問題を見かけた。a, b が与えられたときにx を求めれば良いというものだ。適当な補助線を引いてもわからなかったので，思わずピタゴラスの定理を使った複雑な方程式を立てて解いてしまった。

塾の先生のようなしゃべり方の人の解答をみると，どうやら，45度の三角形の解法パターンというのがあるらしい。そこで，問題を一般化したのが次の図である。これで，台形の面積の出し方や三角形の合同についての知識さえあれば，ピタゴラスの定理無しで問題が解けることになった。

日々，思考の水準が弱っていくのがわかる。そのうち小学生の問題も解けなくなりそうだ。

図：45度の三角形を含む簡単な問題

12月8日（Blogger 5周年）

2018年の12月8日にこのブログ（On a Thread of the Web）を開始してからちょうど5年が経過した。この記事を含めて1825件だ。1件平均500字≒1kBとすれば，高々1.8MBであり，微々たる情報量だ。

快食快便と同様で，情報も適切に入力出力しないと健康に悪い。そこで，毎日の散歩（寒いので最近はお休み中だけれど）のように続けてきたら5年経ったというわけだ。

生成AIの登場によって，本末転倒状態が発生しやすくなっている。すなわち，文章を自分で考えずにAIにつくらせて連続記録を更新するだけというものだ。そうでなくても，引用まみれの内容なので，自分でよく考えている部分がどれだけあるのか，頭上には疑問符がたくさん点灯している。AIに出力させるための適切なプロンプトを考えるだけでもよいことにしようか。これだけでは，惚け（認知症）予防になるのかどうか微妙だけれど。

自分のために書いているのではあるが，他の人から参照されているというカウンターを見ると励みにはなる。もっとも新着記事あたり高々数件にしか過ぎないのだが。統計的には，過去記事への遡及アクセスがあるので，もう少し参照回数はふえる。Bloggerの統計情報によれば，このブログ全体への一日あたりのアクセスは次のようになっている。一日50回だから，新着記事よりは1桁多いことになる。

全期間（5年間）6.61万回 ＝　36回/日

過去12ヶ月間　  1.98万回 ＝　54回/日

過去6ヶ月間　    1.38万回 ＝　77回/日

過去3ヶ月間　    0.45万回 ＝　50回/日

過去1ヶ月間　    0.18万回 ＝　60回/日

アンペールの法則（２）

アンペールの法則（１）からの続き

前回の一般的な結果を得るまでにあれこれ考えた。普通はアンペールの法則の単純な形態，つまり直線電流のまわりの円周上の磁束密度に対する，$2 \pi r B(r) = \mu_0 I$から出発して一般化するのかと思った。しかし，そもそも簡単なアンペールの法則とは直線電流まわりの磁束密度ベクトル場を与えるもので，答えは既に出ていたのだった。

あれこれの過程での計算は，結局，線積分の練習問題だった。

図：アンペールの法則の線積分経路

方針：磁束密度を測定する点への位置ベクトル$\bm{r}$とその軌跡として経路$C=r(\theta)$を考える。線要素$d\bm{r}$を変数，$r,\theta$であらわし，さらに経路条件から$r$を消去して，線積分要素を$\theta$の関数として表す。磁束密度は$r$の関数なので，これも$\theta$の関数とみることができる。その結果，線積分要素$dB=\bm{B}\cdot d\bm{r}$は$\theta$の関数になって，角度積分を実行することができる。

領域Ⅰ（左図の$0 \le \theta \le \pi/4$）：$r=a/\cos\theta$，$dy = a d\theta / \cos^2 \theta$

　　$dB=\frac{\mu_0 I}{2 \pi} \frac{\cos^2\theta}{a} \frac{a}{\cos^2 \theta} d\theta$，$B=\frac{\mu_0 I}{8}$

領域Ⅱ（左図の$\pi/4 \le \theta \le \pi/2$）：$r=a/\sin\theta$，$dx = -a d\theta / \sin^2 \theta$

　　$dB=\frac{\mu_0 I}{2 \pi} \frac{-\sin^2\theta}{a} \frac{-a}{\sin^2 \theta} d\theta$，$B=\frac{\mu_0 I}{8}$

領域Ⅲ（左図の$\pi/2 \le \theta \le \pi$）：$r=a/(\cos\theta - \sin\theta)$

　　$dB=\frac{\mu_0 I}{2 \pi} \frac{\sin\theta - \cos\theta}{a} \frac{a}{\sin \theta - \cos \theta} d\theta$，$B=\frac{\mu_0 I}{4}$

領域Ⅵ（左図の$\pi \le \theta \le 2\pi$）：$r=a$，$d\bm{r} = a (-\sin\theta , \cos \theta) d\theta$

　　$dB=\frac{\mu_0 I}{2 \pi} \frac{1}{a} a d\theta$，$B=\frac{\mu_0 I}{2}$

領域Ⅴ（右図の$-\pi \le \theta \le \pi$）：$r=\sqrt{a^2+d^2+2 a d \cos\theta}$，$d\bm{r} = a(-\sin\theta, \cos\theta) d\theta$

　　$\displaystyle dB = \dfrac{\mu_0 I}{2 \pi}\int_{-\pi}^{\pi}\dfrac{a(a+d\cos\theta)}{a^2+d^2+2 a d \cos\theta}d\theta = \dfrac{\mu_0 I a}{2 \pi} \int_{-\infty}^{\infty} \dfrac{(a+d)+(a-d) t^2}{(a+d)^2+(a-d)^2 t^2}\dfrac{2 dt}{1+t^2}$

$\displaystyle = \dfrac{\mu_0 I a}{2 \pi a} \int_{-\infty}^{\infty}  \Bigl\{ \dfrac{1}{1+t^2} +\dfrac{(a-d)(a+d)}{(a+d)^2+(a-d)^2 t^2} \Bigr\} dt = \dfrac{\mu_0 I}{2\pi} (\pi + \pi) = \mu_0 I$

アンペールの法則（１）

物理科学概説の授業で，アンペールの法則のところに入った。積分形では，$\displaystyle \oint_C \bm{B}(\bm{r})\cdot d\bm{r}=\mu_0 I$である。

十分長くてまっすぐの導線を流れる電流のまわりの磁束密度$\bm{B}(\rm{r})$の強さ$B(r)$は，電流の強さ$I$に比例し，電流からの距離$r$に反比例する。その向きは電流の向きに右ネジが進むときにネジが回る方向（電流を中心とした半径$r$の円の接線方向）である。

この実験事実を式で表現する。直線電流上の一点を原点に取って，磁束密度ベクトルは原点をとおり電流に垂直な平面内にある。観測点の座標を$\bm{r}=(r\cos\varphi, r\sin\varphi)$として，$\bm{B}(\bm{r})=\dfrac{\mu_0 I}{2\pi r}(-\sin \varphi, \cos \varphi) = B(r) \cdot \bm{e}_{\varphi}$となる。このとき，$\bm{B}(\bm{r})\cdot \bm{r}=0$となっている。

このとき，積分形のアンペールの法則を導けるかという問題だ。

図：アンペールの法則の積分形の導出

積分形のアンペールの法則では，空間中に任意の閉経路Ｃを設定して，この経路Ｃに対する磁束密度の線積分を求める。線積分要素は$dB = \bm{B}(\bm{r})\cdot d\bm{r}= B(r) dr \cos\theta$となる。一方，線要素の磁束密度方向の成分は，$dr \cos \theta = r d\varphi$である。そこで，$dB = B(r) r d\varphi = \dfrac{\mu_0 I}{2 \pi} d\varphi$となる。$\therefore \oint_C \bm{B}(\bm{r})\cdot d\bm{r} = \int_0^{2\pi}  \dfrac{\mu_0 I}{2 \pi} d\varphi = \mu_0 I$

したがって，無限直線電流に対して，3次元空間内でこれを囲む任意の閉経路での磁束密度の線積分の値は，この経路を貫く電流に磁気定数をかけたものとなる。

物体Ｏ

10月1日では遅すぎるからの続き

小松左京（1931-2011）の1962年の短編「物体Ｏ」は，ハヤカワ・ＳＦ・シリーズ3088の短編集「日本売ります」に収録されている。たぶん，銀背シリーズの1冊で初めて買ったものだ。最初に読んだ小松左京のSF作品の一つでもある。

詳細な科学・社会スペキュレーションなどで，後の日本沈没や首都消失などの系列につながる作品だ。そのルーツは日本アパッチ族にあるだろう。小松左京の主な関心は社会構造の変革可能性にある。阪大理学部核物理の三伏教授（伏見康治）が登場して，阪大というキーワードがインプットされたので，これが自分の後の進路選択に微かに影響したかもしれない。

ところで，再読してみるといくつか気になるところがあった。

（１）物体Ｏの落下位置

兵庫県相生市を中心とした半径450km，500km，550kmの円を描くとほぼ記述通りの位置が再現できるのだが，文中に記載のある屋久島と種子島は物体の下敷きにはならない（なお韓国の釜山は物体Ｏに下に沈む）。

（２）兵庫県豊中市などの地名

物体の落下を見たと気象台に報告したアマチュア天文家の在住地，これは大阪府です。小松左京は後に箕面に住むことになるのだけれど。物体Ｏが落下した関東の地名の一部も不正確かもしれない。

（３）物体Ｏの密度

直径1000km，幅100km，高さ200kmのリングなので，その体積は，2π×500×100×200 = 6×10^7 km^3 = 6×10^16 m^3 になる。一方文中にはその質量が2万兆トン=2京トン= 2×10^16 t とある。したがって，その密度は，0.3 t/m^3 = 0.3 g/cm^3になる。ところが，後の方では「比重は重金属−銀と同じ程度だ」という記述があって（銀は10.5 g/cm^^3）矛盾している。

（４）紫外線のラウエ斑点

紫外線による薄片の写真に写った斑点が，X線によるラウエ斑点と同じではないかというところから，物体Ｏが普通の物質を5000万倍に拡大したものであることがわかる。しかし，結晶構造をみるX線の波長は1Å=0.1 nm であり，紫外線の波長は 300nmなので，高々3000倍にしかならない。5000万倍にすれば，波長5mm のミリ波でなければならない。

図：物体Ｏの想定位置（半径450km, 500km, 550km）

万博リング

評判の悪い大阪・関西万博2025の大屋根（リング）である。

万博のシンボルとなる木造大屋根リングは350億円もかかる。そのため，会場建設費+α＝2350億円+800億円以上の無駄遣いの象徴とされて，あちこちから叩かれている。まあ大阪維新が万博を持ち出した動機が，同じ夢洲で計画されているIR用地周辺の環境整備だったり，虚構の経済効果だったりするので，それらが見透かされるとこうなってしまう。

そもそも，失われた30年を取り戻すための戦略が，高度成長期の夢よ再びという東京五輪＋大阪万博でしかなかったという，創造力＋想像力の貧困と税金奪取機会の創出が問題だったわけだ。そのあたりの本質的な問題点を一度忘れて考えてみると，万博にはシンボル的な建造物が必要であるということはわかる。ロンドンの水晶宮，パリのエッフェル塔，大阪の太陽の塔などなど。

1970年の大阪万博にもお祭り広場の上に大屋根があった。その大屋根を突き破った太陽の塔には岡本太郎（1911-1996）が必要だったけれど，今の日本にはそれに匹敵するパワーを持ったクリエイターはいないので，大屋根リング止まりになった。リングがなくて，海外各国からの主要パビリオンもなければ，大阪・関西万博2025は本当にグズグズ，バラバラになってしまうのだろう。

なんだかんだいって，パビリオンが一部建設途上のままでも，2025年の4月に万博が始まってしまえば，マスコミがこぞって囃し立てて機運を盛り上げる。大阪の子供に配った無料チケットの効果もあって，2800万人ではなくともそこそこ人は集まるだろう。よほどの混乱や災害が起きない限りは，東京五輪と同様に無事終って良かったというストーリーがでっち上げられそうな気がする。自分は，万博には行かないつもりだが，孫が連れていってと言い出したときにどうなるかはわからない。

さて，当初計画にはなかった万博リングをごり押しで導入した会場デザインプロデューサの藤本壮介だが，リングのデザインがノーマン・フォスター（1935-）のアップルパーク（2017）のパクリではないかという疑惑記事をみかけた。丸くて中に池があるので似ているというのも言い掛かりじみている。それぐらいはしかたないだろう。ただ，万博リングの直径650mは，アップルパークの直径460mの約√2倍で，万博リングの平均高さ16mの方は，アップルパーク23mの約1/√2倍になっていた。まあ偶然である。

ちなみに，小松左京の物体Ｏに関係があるのではないかと思って確認してみたが，物体Ｏは直径1000km，幅100km，高さ200kmの銀の塊だったので形状はかなり違う。また，中心は大阪ではなくて，兵庫県の相生市付近だった。そんなこんなで，リングという形状それ自身はあまりいじめられなくてもいいのにと思う。

図：各リングの断面図の比較

球形キャパシタ

球形キャパシタの問題を物理科学概説の中間テストで出題した。

教科書の例題と同じ単純な問題のつもりだったけれど，２つの球殻に与える電荷の記述を省略したため，アースの取り方によって話が変わるのだった。それが教科書の章末課題に書いてあったので，良く勉強した学生さんはそちらを参照していた。

図：球形キャパシタのイメージ

半径$a$と$b$の同心の導体球殻があり，それぞれに電荷$q_a$と$q_b$を与えたとき，それぞれの電位が$V(a)$と$V(b)$になったとする。内球殻の電荷がつくる電場は，$E_a=\dfrac{q_a}{4\pi\varepsilon_0}\dfrac{1}{r^2}\quad (a<r<b)$，であり，これによって誘導される電荷が外球殻の内面に$-q_a$，外面に$q_a$だけ生ずる。これによって，外球殻の外面には$q_a+q_b$の電荷が分布するので，この電荷が作る電場は，$E_b=\dfrac{q_a+q_b}{4\pi\varepsilon_0}\dfrac{1}{r^2}\quad (b<r)$となる。

これから，外球殻の電位は，$\displaystyle V_b(r) = -\int_\infty^r \dfrac{q_a+q_b}{4\pi\varepsilon_0}\dfrac{1}{r^2}\ dr = \dfrac{q_a+q_b}{4 \pi \varepsilon_0} \dfrac{1}{r} \quad (b<r)$ となり，$V(b) =  \dfrac{q_a+q_b}{4 \pi \varepsilon_0} \dfrac{1}{b}$

内球殻の電位は，$\displaystyle V_a(r) = V(b) -\int_b^r \dfrac{q_a}{4\pi\varepsilon_0}\dfrac{1}{r^2}\ dr = V(b) + \dfrac{q_a}{4 \pi \varepsilon_0}\dfrac{1}{r} -  \dfrac{q_a}{4 \pi \varepsilon_0}\dfrac{1}{b}$

$\therefore V(a) =  \dfrac{1}{4 \pi \varepsilon_0} \Bigl( \dfrac{q_b}{b} +  \dfrac{q_a}{a} \Bigr)$

(1) 外球殻が接地されている場合

$V(b)=0$より$q_b = -q_a$となる。$\therefore V(a) = \dfrac{q_a}{4 \pi \varepsilon_0}\Bigl( \dfrac{1}{a} - \dfrac{1}{b}\Bigr) = \dfrac{q_a}{C}$とすれば，

キャパシタの電気容量$C$は，$C = \dfrac{4 \pi \varepsilon_0 a b }{b-a}$となる。

(2) 内球殻が接地されている場合

$V(a)=0$より$q_a = -\dfrac{a}{b} q_b$となる。$\therefore V(b) =  \dfrac{q_b}{4 \pi \varepsilon_0} \dfrac{1 - a/b}{b} = \dfrac{q_b}{C'}$とすれば，

キャパシタの電気容量$C'$は，$C' = \dfrac{4 \pi \varepsilon_0 b^2 }{b-a}$となる。

このとき，$C' = C +  4 \pi \varepsilon_0 b$となって，外球殻をキャパシタと考えたときの電気容量とCとの並列接続の式となっている。