书籍 介绍塔勒布写的四本好书: 《反脆弱》在读 《黑天鹅》已读完 《随机漫步的傻瓜》未读 《非对称性风险》未读 《随机生存的智慧》未读 知识延伸 在看塔勒布的黑天鹅时，他一直强调平均斯坦和极端斯坦这两者的特性，同时特别关注极端斯坦中的概率理解-分形几何，自相似理论。这里让我特别关注到今年年初wolfram提出的图网络是宇宙物理理论基石的猜想，有兴趣的小伙伴可以去wolframphysics了解具体内容，简单的讲就是通过一个简单的规则去创建复杂的宇宙，然后通过这些繁衍出来的宇宙模型去解释我们现有的物理学理论大厦。在分形理论中，某种规则通过不断迭代自身，从而繁衍出大自然中的美妙几何，这就是塔勒布在他的书中一直描述的自相似结构，所以目前自己把大量的注意力集中在随机性和分形几何这两个领域，运用分形几何也许会使机器学习有新的突破。
自己在三月份预定了reMarkable2墨水屏手写电子平板书，由于疫情的原因，本来应该在七月份收到的，结果到昨天才收到货物，整个产品的包装很有艺术份儿，购买这个产品的原因是为了方便自己在出行时能够快速阅读，并且能够直接在文档上做标记和画图，电池的续航也特别长，基本上看看书可以使用3-5天，比起像iPad这样的平板该产品的优势大概就在于是墨水屏，分辨率1872*1404(226 DPI)基本上不会出现字体模糊的现象。平时在家，可以看看纸质书籍，出门上班或者远行带上reMarkable2就可以轻松快速的完成学习，将注意力专注于阅读和做笔记上。
icosavax-vaccine-pipeline 编写中…
从Rosetta@home到Folding@home 先从主要的原理入手，Rosetta@home只是预测能够Binding Covid-19外层刺突蛋白的人工合成药物的分子结构，可以想象成类似摄影中的拍照技术，Rosetta能够静态的预测某一个蛋白质的特征，但是它无法预测该蛋白质分子在时间的演化下是如何运作的，因为分子之间会有电势差异，产生电磁力的作用，所有分子内部的构成元素都会随着时间的变化相互影响而产生运动，当我们在Rosetta中设计出一种能够绑定SARS-COV-2病毒的合成药物时，需要进入测试阶段，观察该药物是否能稳定的与病毒蛋白质结合，因为预测的结构是静态的，我们无法知道蛋白质结构在相互作用运动的情况下是否能够很好的与病毒蛋白质结合，这里Folding@home就派上用场了，它就类似于摄影中的拍摄动态画面，我们可以从Rosetta@home上拿到静态的蛋白质结构链，然后在Folding@home中模拟该蛋白质随着时间的推移是否能够很好的与病毒蛋白质结合，从而产生抵抗病毒的作用。 加入计划 我会关闭之前一直在运行的Rosetta@home，目前Rosetta@home已经发表了论文，预测出了能够结合SARS-COV-2的人工蛋白质结构，所以现在需要做的就是进行大量分子动力学模拟，并且Folding@home已经支持ARM64架构，我会把自己运行的算力全部迁移到Folding@home，期望全世界的感染人数能够降下来，使得经济能够复苏。
www.cineneural.com网站初版已经上线，主网站托管在自己搭建的树莓派4集群上，官网的主要功能就是提供医学影像处理的入口。 To Do list: 加密所有流量。 增加cloudflare <-> Home Raspberry Pi的网络稳定性。 提供医学影像检测入口，上传影像，以及下载分析结果。
NVIDIA CLARA DISCOVERY 生态 Nvidia进军医疗领域，从封面我们可以看到一个环状结构: 自然语言 -> 病毒基因序列 -> 病毒蛋白质结构 -> 新药物与病毒蛋白质对接 -> 分子对接动力学模拟 -> 候选药物临床试验检测病人肺部医疗影像 -> 自然语言 简介 在Nvidia GTC 2020秋季大会上，Nvidia发布了NVIDIA CLARA DISCOVERY 药物研发框架，目的就是加速全球药物研发的进度，之前Nvidia收购ARM的消息，我就意识到未来Nvidia有想要统治边缘计算领域的野心。不出所料，这次GTC发布会上Nvidia更新了很多产品线，包括大到数据中心的计算模块BlueField-2，小到边缘领域jetson Nano 2G，最让我激动的还是CLARA DISCOVERY，因为自己短期的目标就是如何将边缘计算用于医疗领域，比如个人可以通过边缘计算设备结合自己从医院检查获得的诊断数据来计算出自身疾病的现状，还有对Covid-19 CT，ChestXRay的判断检测。 是什么 Clara Discovery 集成了很多框架和应用，包括基因序列分析，蛋白质对接和结构预测，分子动力学模拟，医学图像识别和分割，自然语言处理。 基因序列生成 NVIDIA Clara Parabricks Collection 图像处理 NVIDIA Clara Imaging 蛋白质结构 RELION MELD 分子动力学模拟 GROMACS VMD NAMD 重点 NVIDIA Clara Imaging 主要分为两部分: Clara Train SDK -> 用于训练模型 架构图: Getting started with Clara Train SDK Clara Deploy Bootstrap -> 将模型部署到kubernets集群中 ...
考虑到这次疫情存在大量的无症状者，所以这个十一假期自己决定把DeepMind 2020 机器学习的剩下的6门课程学完，暂不考虑去旅行。 课程地址: deep learning lecture series 2020 还有一门自己一直在关注的课程HarvardX’s Tiny Machine Learning (TinyML) program，就是课程有点小贵$537，自己再看看后面有没有优惠，因为自己以后的发展方向趋向于TinyML，所以我会一直关注这个领域的最新发展，如果有想一起购买这个课程的朋友，可以通过邮箱[email protected]联系我。 纠正: HarvardX’s Tiny Machine Learning (TinyML) program 这门课程可以通过旁听的方式进行购买，如果需要学业证书则需要按照上面的价格购买该课程，具体旁听的方式，只需要课程点击上方的Enroll，然后选择Audit This Course No Certificate就可以了。
高能粒子物理中使用图神经网络 参考图片和文章地址: The next big thing: the use of graph neural networks to discover particles 思考 文章描述的是高能物理研究所费米实验室为了从海量的粒子碰撞图像中筛选有价值的图像，研发了一套图神经网络模型，这套模型部署在LHC实验室中，用来直接处理粒子对撞过程中产生的数据。 传统的数字图像中我们使用的点阵像素结构，每个像素都是由RGB 红绿蓝结合而成，使用传统的卷积神经网络，我们可以很好的去训练模型，使得模型能够分辨出每张图中的特征属性，然而在分子领域，科学家为了能够辨别出某种化学物质是否有毒性，需要使用X射线拍摄该化学物质的分子结构，从而去定位像碳环和羧基这类功能团的物理属性。研究这类X射线的3D图像与我们日常见到的2D图像有很大的区别，化学中我们会碰到很多同分异构体，如果采用2D CNN的思路，我们就很难去知道原子之间连接的结构，如果采用GNNs，它能够在图像中检测像素与像素之间的关系，原子代表节点，原子的相互作用和邻近关系可以通过边来描述，这样我们就能通过GNNs模型快速定位分子结构的特征，而不像CNN采用卷积核在固定的像素区域内扫描整张图片的有效特征，但并不考虑像素与像素之间的连接关系。 费米实验室采用GNNs模型去快速筛选在每一秒之间高能粒子相互碰撞所产生的海量图像，过滤掉无用的图像，从而更快速的验证新粒子存在的证明。 启发 是否能够将GNNs用在医学领域，比如CT检测，Chest-XRay检测，疾病预防，目前看到的医学领域采用的模型大部分是基于CNN的，采用GNNs是否能够做到更精准更可靠的判断，从而辅助医生快速定位病人的疾病情况。
Rosetta@home 新发现了一种抑制SARS-Cov-2的计算机合成药物，论文发表在Science科学杂志上，De novo design of picomolar SARS-CoV-2 miniprotein inhibitors。 下图为目前自己的算力贡献。 论文内容解析 Doing…