日常生活當中，不論是要描述生物的體重，物體的重量，我們都已經非常習慣利用在數字後方加上一個物理單位—公斤 (這可是一個嚴謹且具有科學性的物理量描述法)。但是1公斤是怎麼被定義出來的呢？全世界的1公斤又是如何標準化？在過去的日子裡，公斤的定義是以存放於法國巴黎的鉑銥合金標準原器為標準 (延伸閱讀：人類將重新定義公斤 從此宇宙間牛扒質量都相同)；但以此類人造原器做為基本單位的定義會有許多缺點（例如：現任鉑銥合金與其複製品因不明原因以每年0.5微克的誤差逐年增加，而今誤差已累積至50微克，使一公斤的標準逐年變動）。因此有必要以新的方式定義基本單位，而新的SI制單位必須滿足不隨時間而變化的特性，才能做為科學上精準量測的依據。

量能科技逐步成熟，超導相變功不可沒—用相變探測光子
 

克卜勒(Johannes Kepler)的墓誌銘，簡短四句詩，概括了他的一生志業。西元1630年11月15日，克卜勒（生於1571年12月27日）在德國雷根斯堡（Regensburg）病逝。他被埋葬在當地的一個教堂墓園裡，但該墓園後來(在三十年宗教戰爭期間）為瑞典軍隊所摧毀，他的墓碑和屍骨都散逸無存，如今只留下了他在臨終前自撰的墓誌銘。墓誌銘的原文為德文，根據英文翻譯，似可解讀並中文翻譯如下：

“ 砷化硼晶體的合成技術有望解決電子產品的過熱問題。” 當你已經連續玩了四個小時的手機遊戲，可能會感覺到手機開始發燙，此時該考慮讓手機休息一下了，因為過熱會損毀內部的線路，造成整體工作性能降低，對於用電效率和裝置壽命是有害無益。各種手機和平板裝置持續追求輕薄，不過越小的電子元件，它的電阻會越大。如何讓裝置有效散熱已經成為科技產業的一大挑戰。

「電生磁」、「磁生電」是否傻傻分不清?「磁力線」能不能代表「磁力」? 磁場越強，磁力就越大嗎? 透過「彈跳線圈」單元(註1)，讓我們好好釐清磁學的重要概念，也試著解釋其中一個顛覆“直覺”的神奇現象。

前面我們花了不少篇幅講述了深度學習的原理以及歷史，然而我們卻沒有提及深度學習究竟在物理上有何應用，所以這篇裡面，我們就來好好聊聊深度學習究竟在凝態物理上有何應用。

在開始討論應用之前，我們必須要了解到一個事實：深度學習本身是數據科學的一個分支。因此深度學習本身存在兩個面向，一個是數據，一個是科學。提別提出這點是什麼意思呢？我想強調的是，既然深度學習在本身是數據科學的一部分，它在物理上的應用自然也該從數據以及科學兩個面向來做討論。

從數據上的角度來看，任何有數據的領域，深度學習都可以作為一個強而有力的工具，例如在實驗上，我們可以使用深度學習找尋出實驗數據的內在規律，分析以往難以用簡單的物理公式分析的問題，又例如在做計算時，我們可以先用理論計算出一部分的數據，然後餵給模型，讓它大批量的替我們發現更多仰賴昂貴的計算資源才能獲得的訊息。這是從數據的面向來看的。

這時候可能有人會問，那如果我從事的領域並不涉及大量的數據，我又該怎麼涉足深度學習的研究呢？這就是屬於科學的面向了。事實上深度學習的理論本身和物理上的熱力學是息息相關的，除了諸多從資訊熵的角度討論深度學習的工作持續的在發表外，最近也有一些工作表明深度學習與物理上的重整化群是存在高度關聯的，這些都是有志於從理論的角度切入深度學習的物理學者可以努力的方向。此外深度學習還涉及大量的理論數值計算技巧，例如對非凸問題的優化，例如在深度學習的優化過程中透過引入噪音來提升泛化性等等，這些理論在發展的過程中，都與數學還有物理產生過多次的碰撞，激盪出許多火花。過去這幾年對於深度學習得基礎研究越來越多，所以也有許多人從拓樸，幾何的方向切入深度學習，相關的工作可謂一言難盡。

在接下來的討論裡，我將簡單的摘要一些最近與凝態物理相關的工作，讓大家有個粗淺的認識。(這些工作中，不見得每個工作都使用了深度學習，有些可能只使用的是傳統的淺層學習，不過理論上淺層學習能做得好的問題，深度學習通常可以做得更好，所以下面的介紹中我就不做特別區分了。)

在上一篇文章中，我們簡單介紹了深度學習的觀念以及歷史，然而我們並沒有提及深度學習中最重要的兩個基本架構，也就是卷積神經網路 (convolution neural network) 以及循環神經網路 (recurrent neural network)。這兩個神經網路分別用來處理了對空間有關聯性的數據以及時間有關聯性的數據，前者後來被廣泛地使用在影像識別上，後者則被廣泛地使用在自然語言處理以及時間序列等問題上。有了這兩個強大的武器，當代深度學習大爆發才有了牢固的基礎，因此要講深度學習，核心問題就是要理解這兩種神經網路架構。

機器學習是一個歷史悠久的領域，早在 1950 年代就由英國的計算機科學家圖靈提出了，此後隨著各式各樣模型的提出，機器學習逐漸成為了一個成熟發展的領域。然而在很長的一段時間，這個領域並沒有得到相當的注意，甚至經歷了好幾次的 AI 寒冬[1]，一直到 2012 年開始才重新走入公眾的視野，到了 2015 年，AlphaGo 大敗韓國頂尖圍棋高手李世石，機器學習才走入了大爆發的領域。好奇的人可能都很想問，究竟在 2012 年之後發生了什麼事情導致 AI 大爆發呢？

在電腦視覺領域有一個著名的圖片數據集叫做 ImageNet[2]，最早是 2009 年由當時在 Princeton 大學的李飛飛等人所建構，這個數據集中現在包含了超過一千四百萬張的圖片，每張圖片上的內容都被人工標註了上面所包含的物體，總計達兩萬多類，是一個相當龐大的數據集。自 2010 年開始，開始由任教於 Stanford 的李飛飛主導，舉辦了ILSVRC大賽。該大賽的主題相當簡單，每次從ImageNet數據集中抽取大約一百萬張影像，共一千種類別，參賽的團隊提出新的演算方法透過電腦來辨識圖片上的內容是否與人工標記的結果相同，準確率高者得名。在此前受限於演算法能力的不足，準確率一直無法有效地提升上來，一直到 2012 年由 U of Toronto 的 G. Hinton 所主導的團隊提出了基於現代深度學習架構的 AlexNet[3]，一下子把準確率拉高了十幾個百分點，這一下子才讓機器學習變成了一個火熱的主題，到了 2015 年微軟研究院提出了 ResNet[4] ，機器的影像識別率第一次在 ImageNet 上超越了人類，而推動這此大變革的核心， 便是我們今天的主題：深度學習！

第十四世達賴喇嘛是西藏人民的精神領袖，也是1989年諾貝爾和平獎得主，他除了致力於西藏文化與佛教的保存與延續之外，過去三十年以來，他也廣泛地與西方科學家對談，從量子物理、腦神經到心理學，有效的促進了科學與藏傳佛教間的相互交流。在2018年11月初，由中研院李遠哲前院長所率領的華人科學家團隊，前往印度達蘭薩拉，進行了為期三天的「達賴喇嘛與華人量子科學家對談」，團隊成員包括中研院士李世昌、李定國、吳茂昆、牟中原，美國杜克大學物理系教授張綿福、中研院物理所研究員陳啟東、交大光電所講座教授林尚佑、成大物理系特聘教授陳岳男等人。

在春節假期的國道上，壅塞的交通不只讓駕駛心煩意亂，也讓整個公路系統的效能大幅降低；為此，設計道路的工程師需要費盡心思，盡可能確保車流保持順暢。

  身為一位物理咖＋咖啡控，這位咖啡店老闆～詹惟淳，被問到自己為什麼這麼強，第一次參加比賽就上手，拿下台灣區冠軍，還能出國比賽，應該要感謝腦海中深植的～物理魂！！

奧雲．理察遜（Owen Willans Richardson）發現了主宰熱發射（thermionic emission）現象的數學公式，獲頒1928年的諾貝爾物理獎。