  |
はてなキーワード: Alphaとは
https://x.com/alpha_racehorse/status/1843800253612601525
@alpha_racehorse
昨日は道内在住で馬業界に就職したいという方が職場見学に来ました
なんと、お母様同伴！
これまで高校生や未成年の方が親御さんと一緒に来た事はありましたが、36歳のオッサンが……😅
「お母さんと一緒に来ちゃいました！」と笑顔
「母」でなく「お母さん」
私、内心ドン引きしていましたが、その素振りを全力で隠して業務内容等の説明をしながら案内を進めました
ようやく案内を終えて「では、お気をつけて」と挨拶すると、お母様が「ほら◯◯ちゃん、履歴書渡さなきゃ」と
私的にはなかなか強烈な親子でした
どうぞ元気に暮らして下さい
この説明は、ダニングクルーガー効果に対する批判的な見方を数学的に表現しようとしたものです。以下にその内容を解説します:
この説明では、ダニングクルーガー効果を以下の変数で表現しています:
命題「A~Oであることを証明せよ」は、実際の評価(A)と過大評価(O)に相関関係があることを示そうとしています。
証明では、O(S,A)という関数を定義し、OがAの関数であるため、自動的にAとOに相関関係が生じると主張しています。
この説明は、ダニングクルーガー効果が単なる数学的な関係性から生じる現象であり、実際の心理学的な意味を持たないという批判を示唆しています。
具体的には:
2. 実際の能力や自己評価の内容に関わらず、統計的に成立してしまう
3. これは心理学的な現象ではなく、単なる「数字のマジック」である
さらに、平均以上バイアス（多くの人が自分を平均以上だと考える傾向）を加えることで、この相関関係がより強くなると述べています。具体的には、100点満点の評価で自己評価(S)を60点程度に設定し、実際の評価(A)をランダムに与えることで、A~Oにより強い相関が得られるとしています。
この説明は、ダニングクルーガー効果が実際の心理学的現象ではなく、単に数学的な関係性や統計的な偏りから生じる見かけ上の効果に過ぎないという批判的な見方を示しています。
import numpy as np import matplotlib.pyplot as plt from scipy import stats def simulate_correlation(n_samples=10000): # シナリオ1: AとSが一様乱数(0〜100)の場合 A1 = np.random.uniform(0, 100, n_samples) S1 = np.random.uniform(0, 100, n_samples) O1 = S1 - A1 # シナリオ2: Aが一様乱数(0〜100)、Sが60周辺の正規分布の場合 A2 = np.random.uniform(0, 100, n_samples) S2 = np.random.normal(60, 10, n_samples) S2 = np.clip(S2, 0, 100) # 0〜100の範囲に制限 O2 = S2 - A2 # 相関係数の計算 (AとOの間) corr1 = stats.pearsonr(A1, O1)[0] corr2 = stats.pearsonr(A2, O2)[0] # 結果のプロット fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5)) ax1.scatter(A1, O1, alpha=0.1) ax1.set_title(f'シナリオ1: 相関係数 = {corr1:.3f}') ax1.set_xlabel('実際の能力 (A)') ax1.set_ylabel('過大評価 (O)') ax2.scatter(A2, O2, alpha=0.1) ax2.set_title(f'シナリオ2: 相関係数 = {corr2:.3f}') ax2.set_xlabel('実際の能力 (A)') ax2.set_ylabel('過大評価 (O)') plt.tight_layout() plt.show() return corr1, corr2 # シミュレーションの実行 corr1, corr2 = simulate_correlation() print(f"シナリオ1の相関係数 (AとO): {corr1:.3f}") print(f"シナリオ2の相関係数 (AとO): {corr2:.3f}")
指数関数 \( y = e^x \) を x で0.5回微分することは、一般的な整数次数の微分とは異なり、一般的な微積分の範囲を超えた「分数微分」という特殊な概念に関わる。
分数微分の定義や計算にはいくつかの方法があるが、一つの広く使われる手法はリーマン-リウヴィルの分数階微分である。この方法を用いて \(\frac{d^{0.5}}{dx^{0.5}} e^x\) を計算することができる。
\[ D^{\alpha} f(x) = \frac{1}{\Gamma(n-\alpha)} \left( \frac{d}{dx} \right)^n \int_0^x (x-t)^{n-\alpha-1} f(t) \, dt \]
ただし、 \(\alpha\) は分数階（ここでは0.5）、 \(n\) は \(\alpha\) より大きい最小の整数（ここでは1）、 \(\Gamma\) はガンマ関数を表す。
簡略化して言えば、分数階微分は膨大な計算を伴うが、\(\frac{d^{0.5}}{dx^{0.5}} e^x\) の場合、結果としてまた別の指数関数と特殊関数に帰着することが多い。具体的な結果としては複雑な式になるが、代表的な特殊関数である「ミッタク・レフラー関数」が利用されることがある。
このように、個別に詳細な計算をするには高度な数学的手法が必要となり、具体的な数値計算は専用の数値解析ソフトウェアを用いることが推奨される。
結論として、指数関数 \( e^x \) の 0.5回微分は一般的な関数にはあまり見られない特殊な形を取り、分数微分の特殊な理論を用いる必要がある。
import numpy as np import matplotlib.pyplot as plt # パラメータ設定 num_agents = 100 # エージェント数 time_steps = 100 # シミュレーションの時間ステップ alpha = 0.1 # 情報共有の効果 beta = 0.05 # 情報拡散の効果 # エージェントの初期状態をランダムに設定 states = np.random.rand(num_agents) # 平均場の初期化 mean_field = np.mean(states) # 状態の履歴を保存 state_history = np.zeros((time_steps, num_agents)) mean_field_history = np.zeros(time_steps) # シミュレーション開始 for t in range(time_steps): # 各エージェントの行動を決定（情報を共有するかどうか） actions = np.random.rand(num_agents) < alpha # 状態の更新 states += beta * (mean_field - states) * actions # 平均場の更新 mean_field = np.mean(states) # 履歴の保存 state_history[t] = states mean_field_history[t] = mean_field # 結果のプロット plt.figure(figsize=(12, 6)) plt.plot(mean_field_history, label='Mean Field') plt.xlabel('Time Step') plt.ylabel('Mean Field Value') plt.title('Mean Field Dynamics in Social Media Model') plt.legend() plt.show()
Ωを仮に100次元の実ベクトル空間R^100とする。各次元は特定の神経活動パターンに対応する。
Ω = {ω ∈ R^100 | ||ω||₂ ≤ 1}
ここで||・||₂はユークリッドノルムである。τは標準的なユークリッド位相とする。
O : Ω → Ω
O(ω) = Aω / ||Aω||₂
ここでAは100×100の実行列で、||Aω||₂ ≠ 0とする。
S[ω] = -∫Ω p(x) log p(x) dx
S[O(ω)] ≤ S[ω] + log(det(AA^T))
dω/dt = F(ω) + G(ω, O)
F(ω) = -αω + β tanh(Wω)
G(ω, O) = γ(O(ω) - ω)
ここでα, β, γは正の定数、Wは100×100の重み行列、tanhは要素ごとの双曲線正接関数である。
g_ij(ω) = E[(∂log p(x|ω)/∂ω_i)(∂log p(x|ω)/∂ω_j)]
ここでE[・]は期待値、p(x|ω)は状態ωでの条件付き確率密度関数である。
ψ(x) = √(p(x)) exp(iθ(x))
Φ[ω] = min_π (I(X;Y) - I(X_π;Y_π))
ここでI(X;Y)は相互情報量、πは可能な分割、X_πとY_πは分割後の変数である。
勾配降下法を用いて定式化する：
ω_new = ω_old - η ∇L(ω_old, O)
L(ω, O) = ||O(ω) - ω_target||₂²
G = (V, E)
V = {v_1, ..., v_100}
E ⊆ V × V
各頂点v_iはω_iに対応し、辺(v_i, v_j)はω_iからω_jへの因果関係を表す。
このモデルはPythonとNumPyを用いて以下のように実装できる：
import numpy as np from scipy.stats import entropy from scipy.integrate import odeint import matplotlib.pyplot as plt class ConsciousnessModel: def __init__(self, dim=100): self.dim = dim self.omega = np.random.rand(dim) self.omega /= np.linalg.norm(self.omega) self.A = np.random.rand(dim, dim) self.W = np.random.rand(dim, dim) self.alpha = 0.1 self.beta = 1.0 self.gamma = 0.5 self.eta = 0.01 def observe(self, omega): result = self.A @ omega return result / np.linalg.norm(result) def entropy(self, omega): p = np.abs(omega) / np.sum(np.abs(omega)) return entropy(p) def dynamics(self, omega, t): F = -self.alpha * omega + self.beta * np.tanh(self.W @ omega) G = self.gamma * (self.observe(omega) - omega) return F + G def update(self, target): def loss(o): return np.linalg.norm(self.observe(o) - target)**2 grad = np.zeros_like(self.omega) epsilon = 1e-8 for i in range(self.dim): e = np.zeros(self.dim) e[i] = epsilon grad[i] = (loss(self.omega + e) - loss(self.omega - e)) / (2 * epsilon) self.omega -= self.eta * grad self.omega /= np.linalg.norm(self.omega) def integrated_information(self, omega): def mutual_info(x, y): p_x = np.abs(x) / np.sum(np.abs(x)) p_y = np.abs(y) / np.sum(np.abs(y)) p_xy = np.abs(np.concatenate([x, y])) / np.sum(np.abs(np.concatenate([x, y]))) return entropy(p_x) + entropy(p_y) - entropy(p_xy) total_info = mutual_info(omega[:self.dim//2], omega[self.dim//2:]) min_info = float('inf') for i in range(1, self.dim): partition_info = mutual_info(omega[:i], omega[i:]) min_info = min(min_info, partition_info) return total_info - min_info def causal_structure(self): threshold = 0.1 return (np.abs(self.W) > threshold).astype(int) def run_simulation(self, steps=1000, dt=0.01): t = np.linspace(0, steps*dt, steps) solution = odeint(self.dynamics, self.omega, t) self.omega = solution[-1] self.omega /= np.linalg.norm(self.omega) return solution def quantum_state(self): phase = np.random.rand(self.dim) * 2 * np.pi return np.sqrt(np.abs(self.omega)) * np.exp(1j * phase) # モデルの使用例 model = ConsciousnessModel(dim=100) # シミュレーション実行 trajectory = model.run_simulation(steps=10000, dt=0.01) # 最終状態の表示 print("Final state:", model.omega) # エントロピーの計算 print("Entropy:", model.entropy(model.omega)) # 統合情報量の計算 phi = model.integrated_information(model.omega) print("Integrated Information:", phi) # 因果構造の取得 causal_matrix = model.causal_structure() print("Causal Structure:") print(causal_matrix) # 観測の実行 observed_state = model.observe(model.omega) print("Observed state:", observed_state) # 学習の実行 target_state = np.random.rand(model.dim) target_state /= np.linalg.norm(target_state) model.update(target_state) print("Updated state:", model.omega) # 量子状態の生成 quantum_state = model.quantum_state() print("Quantum state:", quantum_state) # 時間発展の可視化 plt.figure(figsize=(12, 6)) plt.plot(trajectory[:, :5]) # 最初の5次元のみプロット plt.title("Time Evolution of Consciousness State") plt.xlabel("Time Step") plt.ylabel("State Value") plt.legend([f"Dim {i+1}" for i in range(5)]) plt.show()
成分推しのものは、The Ordinary、TOUT VERTあたりを使ってる。
それ以外は雑にMUJIの化粧水、ヒルドイド、ワセリンボディクリームなど。
α-アルブチンには、メラニンが活性化する際に起こる酵素チロシナーゼを抑える働きがあるとのこと。
肌のシミやくすみ、さらにはニキビ跡を改善してくれると話題の美容液。
うーん、なんか良いような気がする。
ビタミンC 30%すごい。うっかり口元につくと酸っぱい。
※継続してないのは、Buffet（いまいち体感できず）、Caffeine Solution 5% + EGCG（目元に塗るのがめんどい）、AHA 30% + BHA 2%（ピーリング系はレチノールに）あたり。
冬にディープを使っている。
A反応あると効果がありそうな気がするよね。
塗るとチクチクする美容針。
効果あるのかなあ、、、なんか効果あるような気がする。翌日に肌がふっくらする感じがある。
美容クリニックは、継続できる金額の施術しかやってないので、あんま詳しくない。
ポテンツァもやってみたいけど、値段が高くて。
顎のラインがゆるくなった時にやってもらうと、シャープになる。
1〜2ヶ月に1回ほど行ってる。
1回でバチバチに変化が現れるものではないけど、ちゃんと通ってると肌の調子がいい気がする。
値段も安いのでがんばって行きたい。面倒で予約忘れがち。
イソトレチノインを個人輸入で使ってる。皮脂腺のサイズを縮小させ、皮脂の生成を減少してくれる。
日本で許可されていない薬品で、適法に飲むには治療を行っている病院で処方してもらう必要あり。
病院のガイドラインは、肝臓の負担を考慮して2ヶごとに血液検査をして内服してる様子。
自分のオイリー肌には、半年ごとに20mg・10錠（1日/1錠 x 4、3日/1錠 x 6）ほど飲んでおくと皮脂のバランスが調整できて良い感じ。
多分、怒られるやつなので全然推奨できない。
当たり前なんだけど。
PDAや中国産の怪しいスマホ、いろんな音楽プレーヤーが出て、消えていった。今はスマホといえば、これかこれかこれ、くらいに落ち着いている。
予想できなかったのはソシャゲ。新しいリリースのたびにセルランは変わっていくものだと思ってた。
そういえばPCメーカーもたくさんあった気がする。DEC ALPHA, Gateway。SOTEC,コンパック。
30年前、親に「映画の勉強したい」と話したら 「今は日本映画産業は衰退した後だ」と言われて「そうなの！？」となった。昔はたくさんの邦画があったと。
カメラメーカーも減った。車も昔はもっといろんな会社があって、いろんな車種がでてたんだろう。
スポーツも、今よりもっといろんなスポーツがあったのかもしれない。
なんとなく、いろんなものがでてくる、カオスが始まる時がチャンスなんだろう。
今はモバイルPCゲーム機にそんな匂いを感じる。SteamDeckが需要の扉を開けた。
AIもそうなのかな。
当たり前なんだけど。
PDAや中国産の怪しいスマホ、いろんな音楽プレーヤーが出て、消えていった。今はスマホといえば、これかこれかこれ、くらいに落ち着いている。
予想できなかったのはソシャゲ。新しいリリースのたびにセルランは変わっていくものだと思ってた。
そういえばPCメーカーもたくさんあった気がする。DEC ALPHA, Gateway。SOTEC,コンパック。
30年前、親に「映画の勉強したい」と話したら 「今は日本映画産業は衰退した後だ」と言われて「そうなの！？」となった。昔はたくさんの邦画があったと。
カメラメーカーも減った。車も昔はもっといろんな会社があって、いろんな車種がでてたんだろう。
スポーツも、今よりもっといろんなスポーツがあったのかもしれない。
なんとなく、いろんなものがでてくる、カオスが始まる時がチャンスなんだろう。
今はモバイルPCゲーム機にそんな匂いを感じる。SteamDeckが需要の扉を開けた。
AIもそうなのかな。
女が書きがちな恋愛指南で「女性が多いカルチャースクールに通い、女性との距離の取り方を測ろう」ってやつ。
なぜこれがダメか教えてやる。
1.学校で彼女ができなかった男が料理教室に通ったところで彼女はできない
普通に考えてこれに尽きる。
運が悪ければ「あの男はキモイ」「キモジジイ」と女集団で共有されるようになる。
詳しくは、NHKの”ダーウィンが来た！「群れの王を目指せ!新米ニホンザル奮闘記」”（再放送があれば）を見てほしい。
ニホンザルの生態だが、群れ下位のオス（ベータ）がメスの集団からどういう扱いを受けるかは参考になる。
2.女（童貞）は女を性的に誘ったことがないので女を誘うスキルがわからない
女がする恋愛アドバイス全部に言えることだが、女は女を誘ったことがないので的外れなんですね。
女のアドバイス＝童貞のアドバイス、全部無意味、と覚えておいてください。
3.女の領域に男が踏み入れるとおちんぽ騎士にならざるえなくなる
看護師、保育士の男のおちんぽ騎士の多さが気になった人はいないだろうか？
これらは女の領域に男が踏み入れると女の味方にならないと生き残れないんですよね。
フラワーアレンジメント教室に行こうものなら牙は抜かれ、女に都合のいいような行動しか身に付かなくなるわけ。
ぬいペニになりたければどうぞ。
女性に好きなタイプを聞くと「（口が上手で稼でて）嘘つかず優しくて誠実」とカッコを抜かすことは知れ渡っているし、
年配女性が、Vtuberやアニメ絵や若い女性に対し、社会正義の皮をかぶって口を出すのは、自身の性的魅力の市場価格が下がることに対して無意識に反抗しているのも世間は承知しているよね。
また、恋愛アドバイスする女性に付き合ってと言っても、絶対に付き合おうとしてはくれない。
では、どうするか。
英語に【Alpha male of the group】通称AMOGという言葉がある。
力のあるアルファ男を集団から引き離すという意味だが、これが使える。
非モテ男はアルファ男のいない女の多い集団で地位を得るしかない。
バイトリーダーでも、飲食店の管理職でも、バンドのリーダーでもいいが、とにかく比較的地位があるように女に見せるしかないわけです。
動画の企画っぽい感じで自分はカメラ視点(所謂TPS)、ショッピングモールとかの飲食店が多く入ってるフロア(デパートみたいに格式高い印象ではなかった)で、各テナントの前にオモコロメンバーが一人ずつ立ってて店の特色を紹介したり一言コメントを行って次の店へ、って流れだったと思う。
夢としての導入は何かの企画展みたいなことをやってる場面からになるんだけど本筋には関係ないので省略。
登場した順(敬称略)に言うと
モンゴルナイフ:ローストビーフ丼専門店。スイーツ系の店かと思ったら予想が外れた記憶。でも、めっちゃ旨そうに食ってたので良し
原宿:天麩羅屋か寿司店。白い割烹着というか作務衣と帽子(日本料理屋の亭主が着てるようなアレ。伝われ)を着てた、拘り店主っぽさがあった
マンスーンかヤスミノ:どっちだったか定かでないのに加えて何の店だったかも忘れた。洋食系か
恐山:こいつだけ何故か食い物屋じゃなくてモールが独自に展開してるグッズの店だった。モールの名前がデカデカと印字されたTシャツとかアクスタ、キーホルダーなんかを売ってた。Alphaかモンナイに「ざんちって、そういうとこあるよね」と突っ込まれてた
かまど:親子丼の店。一瞬いいなと思ったけど、かまどだしなぁ……と思い直して辞めた
永田:焼肉屋。普通に「地獄に堕ちろ！」って言われてテンション上がった
Alpha:ヤンニョムチキンとか、その辺の流行の店だった覚え。普通に対面しても目線が外れてなかった
大体終わったかな、って所でパティオというか中庭みたいな開けた場所に出て、振り返るとミスドとかマックみたいなファストフードやチェーン店とか普通にあって、そういや紹介して貰った中にはそういう店なかったよなー……と思い至った途端に目が覚めた。
昨日から今朝にかけて見た夢なんだが今の今まですっかり忘れてたのを急に思い出したので記憶が褪せない内に書いておくことにした。
0の0乗 - Wikipedia
https://ja.wikipedia.org/wiki/0%E3%81%AE0%E4%B9%97
0 の 0 乗（れいのれいじょう）は、累乗あるいは指数関数において、底を 0、指数を 0 としたものである。その値は、代数学、組合せ論などの文脈ではしばしば 1 と定義される[注 1]一方で、解析学の文脈では二変数関数 xy が原点 (x, y) = (0, 0) において連続とならないため定義されない場合が多い。
https://www.google.com/search?q=0%5E0
なんじゃこりゃ
https://qiita.com/godeel277/items/26e127bfc487c48c7732
今一番稼げるポイントサイトはDropGC。qiitaの無能社員乙です。こんな糞サイトなんて捨てて今すぐDropGCへ登録を取得しましょう！！！→→→ https://dropgc.gift 日本最強の荒らしグループ！AARR。qiitaの無能社員乙です。こんな糞サイトなんて捨ててAARRに登録し、Qiitaを潰しましょうｗｗｗ→→→ https://discord.gg/aarr 日本最強の荒らし対策ツール！のなめのアンチスパムボット。qiitaの無能社員乙です。こんな糞サイトなんて捨ててアンチスパムボッとに取得し、スパム対策を取得しましょうｗｗｗ ※qiita社員は使えません →→→ https://nmantispam.de qiita無能社員「え？なんか荒らされてるどうしよ」 qiita無能社員「そうだ、荒らし排除するPythonスクリプト作ったろ！」 qiita無能社員「は? なにこれ消せないじゃん (Pythonがおそすぎて消せない(スレッド使えないゴミ))」 qiita 倒産.... ＿＿＿_ ／ ＼ ／ ⌒ ⌒ ＼ 何やってんだこいつ ／ （●） （●） ＼ | ､" ﾞ)（人）" ） ＿＿＿＿＿＿＿＿＿ ＼ ｡｀ ⌒ﾟ:j´ ,／ jﾞ~~| | | | ＿＿／ ＼ |＿| | | | | | / , ＼ｎ|| | | | | | / / r. （ こ） | | | | | | ⌒ ーnｎｎ |＼ (⊆ｿ .||＿＿＿＿＿＿＿＿| ￣ ＼＿､("二）￣￣￣￣￣ｌ二二ｌ二二 ＿||＿|＿ 再建AARR DDos部門メンバーのAlpha null、Sueqk、食パンに強い弁護士より 「qiitaのサーバー雑魚すぎて草ｗｗｗこれが(自称)日本最大級のエンジニアサイトってまじかよ.... Dosしたら速攻で落ちたんだがwwwww」 秘密組織 EDos部門最高技術者より 「まってawsって書いてあるんだけど 従量課金制」 再建AARRのメンバー紹介 Alphanull +81 Sueqk.JS https://sueqk.dev 食パンに強い弁護士 (Bread San) Alphanullよりお言葉 「私はqiitaやspotifyを落としました。文句があるなら+81 までお電話を！qiita社員無能！！！！！」
定期的に出るんだけどビジネスだとかならずやる。
公務員が法令を起案するときに内閣法制院とかいうとこで議論するけどそこではだいたいそれをやる。日本語の動詞なんて３種類くらいずつあてられる漢字があって意味が違うからな。１文字まちがっても政権がひっくりかえりかねないし。
よくある計る、測る、図るとかも「ケイる、ソクる、トる」とか呼び分けてるはず
英語のA--Alpha. B--Bravo. C--Charlie. D--Delta. E--Echo. F--Foxtrot. G--Golf. H--Hotel. I--India. J--Juliett. K--Kilo. L--Lima. M--Mike. N--November. O--Osca とかとおなじ
自民党総裁候補の高市早苗さんが2030年代に実現する（最初は2020年代）と言って話題になった核融合。高市さんのキャラもあってか「そんなもんできるわけねーだろ」的に扱われることもあるが、実は世界の核融合ベンチャー企業では「2030年代に核融合実現」を掲げて100億以上投資を受けている企業が複数あるので、業界としてはさして驚きはないのである。というわけなので、いくつかの核融合ベンチャーと、官製の核融合実験炉であるiterについて簡単にまとめてみる。
冷戦終結の一つのシンボルとして米露が共同で建設を決めていたiterに、単独で実験炉を作るのを予算的に躊躇していた各国が相乗りしたのが現iterの体制である。
建設地決定の遅れや、上記の各国が機器を持ち寄って組み立てるという、みずほ銀行の勘定システムばりにカオスな体制のために建設は当初予定から20年近く遅れ、2025年初稼働（テストみたいなもん）、本格稼働は2035年という状況になっている。実はこの遅れが核融合ベンチャーが乱立する現在を作ったと言っても過言ではない部分があって、というのも、核融合ベンチャーにはiterに予算が取られて食い詰めた研究者が立ち上げた組織が多いのである。
炉形式は保守的なドーナツ型のトカマク。国際協調なのであまり斬新なアイデアは盛り込まれず、磁石も昔ながらの低温超伝導導体を使う。
投入エネルギーの10倍程度の核融合エネルギーを出すことを目指すが、投入"電力"ではないため、正味はマイナス。発電設備も持たない。ここで得た知見を元に発電を行う"原型炉"を設計する、というのが各国政府の公式な計画（ただし予算は決まってない）である。
iterなどの保守的トカマクが、よくあるドーナツ的な形のプラズマを作るのに対して、球状トカマクは球の真ん中に細い貫通穴を通したような形状をしているのが特徴。球状トカマクは磁場を使ってプラズマを閉じ込める（押し込める）のに有利ではあることがわかっているものの、まだ高温・高密度での実績は弱い。
トカマクエナジーは高温超伝導導体で球状トカマクの磁石を作ることを目指している。球状トカマクは保守的トカマクに次いで実績があるので（日本には九州大学にQUESTという中型装置がある）核融合ベンチャーとしては「目新しさ」は弱いものの、逆に堅さがあるともいえるだろう。米国プリンストン大学（NSTXという装置が燃えて止まっている）とも連携しているらしく、そういう意味でもチームが強い。
すでに100億以上の資金を調達しており、堅実に装置を作って稼働させている。すでに1500万度程度のプラズマを実現している（年内にはこの装置で1億度を目指す）ため、単純な段階としては核融合ベンチャーのトップランナーと言って良い。（世界最高温度は1000億単位かかった日本JT-60Uの5.2億度）
2030年までに電力を電力網に送り出すことを目標としている。
MITのチームがベースになって設立した核融合ベンチャー。もともとMITはAlcator C-modというトカマクを持っていたが、CFSはこれをベースにしたARCという核融合炉を提案している。現在はその前段階装置であるSPARCを建設中である。
Alcator C-modは小ぶりながら、世界最強の高磁場（最大8T）を作れるトカマクとして、他では真似できない成果を出していてプラズマ業界では存在感があったものの、2016年に完全にシャットダウンした。それと前後して元々力のあったMITの高温超伝導研究者とAlcator c-modのプラズマ研究者がタッグを組んで提案したのが、ARCである。
2030年代にはSPARC（商用炉でないものの投入電力より大きな出力を出すことを目指している）を稼働させることを目指しているので、ほぼtokamak energyと同じ目標を少し遅めの日程で掲げていると言ってよいだろう。
ARCという名前は、どう見てもアイアンマンのアークリアクターに引っ掛けているのだけど、残念ながらロバートダウニーJrは再エネ関連に投資しているようでアイアンマンとのシナジーはないようだ。
MTF（磁化標的核融合方式）と呼ばれる方式で核融合炉を目指すカナダのベンチャー。この企業はCEOの人のカリスマ的なやつで早期にお金を集めたという印象がある。CFSやtokamak energyがトカマクによる磁場閉じ込めでの長い歴史と実績（90年代に米国はMITの装置ではないが1000 kWを超える核融合出力を実現している）とチームの長い研究歴を背景に、ある種の堅実さをアピールしている一方で、MTFはテーブルトップでの成果も出ていない状態からスタートアップを初めている。液体金属をぐるぐる渦巻かせて中心に空間を作り、そこに吹き込んだプラズマを液体金属で爆縮して断熱圧縮で高温にするというシステムである。野心的であるということはゲームチェンジャーになりえるということであるが、一方で論文などの試算はかなり大雑把なものなので（プラズマや液体金属がうねったりせずにすごくきれいに断熱圧縮される計算）、「そんなきれいに押しつぶされてくれるもんかねぇ？」という印象を持っている人は多いだろうと思われる。
メジャーな核融合ベンチャーの中では多分最古参企業で、おそらく最大の資金投資を受けている企業。FRCという、トカマクなどとは異なる磁場閉じ込め形式を目指す。FRCはプラズマを閉じ込める磁場を、コイルではなくプラズマの動きで作る。5000万度を達成済で、2030年までに発電実証を目標としている点はCFSやtokamak energyと同じ。FRCは高温は作れてもプラズマを安定して維持する能力は低いので、5000万度を作ったからかといって他より先に進んでいるかというとそんなことはないが、装置を作りまくって成果を出しているのは確かである。元々は陽子とボロンの核融合反応を使った発電を目指しており、その反応で出る3つのアルファ粒子に由来して"Tri Alpha Energy"という名前だったのだが、今は他の形式と同じ重水素と三重水素を使った発電を直近の目標とした（陽子ーボロンも捨ててないらしい）ためTAEと名前が変わったらしい。
細かいところはよく知らないが、核融合一辺倒ではなく、応用技術の特許化などで収益をだしているらしく、そこはすごい。
装置名が「ノーマン（現行）」「コペルニクス」とかっこよいのも特徴。
京都大学小西教授が率いる日本初の核融合ベンチャー。小西教授は核融合炉ブランケット（後述）を専門にしている人で、一般向けエネルギー関連書籍を出してたりしている。
ただし、この会社は核融合炉全体を設計するのではなく、ブランケット（核融合で出た中性子を受け止めて熱に変換するところ）の設計を売る会社である。海外などのプラズマ屋さん主導の核融合ベンチャーは、ブランケット設計はあまり注力していないところが多いので、そういうベンチャーに「あんたの炉はこんなブランケットがおすすめですよ」と設計を売るのが仕事。まぁベンチャーの目的なんて投資額と投資家の意思でどうにでもなるといえばそうなので、お金が予想外に集まればプラズマ屋さんも集めて核融合炉全体の設計・製作だってやるのかもしれないが、さしあたり核融合炉自体を作る予定はなさそうである。ほかもそうだが、日本のベンチャーはこの2年でようやく2つ立ち上がっただけなので、今は正直海外と比べると桁違いに規模が小さいし弱い。ここも表に出ている研究者は一人だけである。
Webサイトの小西先生がちょっと疲れているように見えるのが気になる。
2019年創業。"日本初のフルスタック核融合ベンチャー"をうたう企業。光産業創成大（浜松ホトニクスという企業が作った大学院大学）の研究者が設立したらしいが、新しいため詳細は不明。"フルスタック"という言葉はよくわからないが、京都フュージョニアリングがブランケットのみの開発を売っていることと対比して、核融合炉全体を見て実現を目指すという意味だろうと思われる。レーザー核融合は米国NIFの2010年代の大コケにより世界的に元気がないので、生き残りをかけているのだろう。日本のレーザー核融合といえば大阪大学のレーザー研があるが、こことどの程度の連携をするかなども詳細不明である。
ちなみに、"EX-Fusion"で検索すると、ドラゴンボール関連ゲームでの同名の設定のほうが上位に表示される。
Webサイトのみ公開されている未設立の企業。まだ設立すらしていないので何もかも謎だが、噂では日本の核融合科学研究所のチームが作るようだ。核融合科学研究所は1億度を超えるプラズマの実績のあるヘリカル型（トカマクとは違うよじれたコイルが特徴）の装置を保有しているのだが、近々シャットダウンを予定している。その後は新規の大型装置の予算が確保できないために小型設備での基礎研究に舵を切るとされているため、内部の核融合発電所を本気で作りたい一派が起業するらしい。日本で"ヘリカル型"といえばここか京都大学なので、名前からしてどっちかであるのは確かだろう。
4月頭段階でこれじゃよ
臨床結果のページは増田においてなかったので適当にググってくれ
貼ったClinicaltrialsarena内にもあったはず
WITHDRAWN: Experimental Treatment with Favipiravir for COVID-19: An Open-Label Control Study
https://www.sciencedirect.com/science/article/pii/S2095809920300631
ついでに、論文の変更措置は「訂正」「懸念表明」「撤回」 があって、「撤回」が最も重い
ただ、こっちではアービドールと比較して好ましい治療と考えることができるとなってるね
Favipiravir versus Arbidol for COVID-19: A Randomized Clinical Trial
https://www.medrxiv.org/content/10.1101/2020.03.17.20037432v2
でもまぁいずれにしてもさらなる大規模臨床試験結果待ちってとこかな？
However, the small sample size of 340 participants, the comparison with lopinavir/ritonavir, whose efficacy to treat SARS-CoV-2 is questionable as reported in a separate clinical trial, as well as the addition of interferon-alpha without controlling for its efficacy separately, should lead to caution about the results until more data are available.
(Clinicaltrialsarena.comより)
あとレムデシビル推し。米国と中国はフェーズ3に入ったってさ。そりゃ催奇性強い薬でたぶん有効は避けたいよね
As for other Covid-19 treatment options being investigated, Gilead’s remdesivir, currently in Phase III in the US and China, is arguably the most promising drug and led to such strong demand for compassionate use that Gilead had to restrict access to pregnant women and children. Additionally, due to increasing pressure building up from non-profit public interest groups worrying about high prices and a long-term monopoly, Gilead asked the FDA to pull remdesivir’s orphan drug designation.
(Clinicaltrialsarena.comより)
