ALPHA GO

ALPHAGO

The analysis of  several  hobbies, including the ancient Chinese strategy game Go, has allowed researchers of  Artificial Intelligence (IA) program from Google's Deep Mind to create Alpha Go, a strategic game, able to create their own rules, based on little related information and without any human intervention. Early versions of Alpha Go (Zero) employed trial and error and 2 neural networks (imitations of human neural networks): to predict the best movements and results, through quick and random games. The currently Alpha Go Zero, employs a single neural network, which is asked who won in a certain position (as you ask an expert). Resting in a single neural network has made this algorithm more efficient and powerful, although more computational power is required. One of the objectives of Deep Learning  in relation to Alpha Go is to analyze deeply the systems used by the human brain to solve problems. Now, Alpha Go, that  trains itself, employs strategies not created by humans in thousands of years, reaching superhuman levels in game strategy. Without the influence of emotions and other pressures, these machines are expected to outperform the human brain in logical-rational aspects. Therefore, its creators intend to use it to solve problems of robotics, construction of materials and assembly of protein folds. The first version: from Alpha Go, started from scratch rules, imitate the structure of the brain and played against  the best human players  to learn abstract concepts. Established the first rules, the ancestral versions of Go, increased each time, its information, improving after each game. During the first phase imitated what the best human players did (avid capture of the opponent's chips). Then, they used complex tactics used by human experts, accumulated over thousands of years, to eventually create new strategies and knowledge.

ALPHAGO

El análisis de varios pasatiempos, dentro de ellos el ancestral juego de estrategia chino Go, ha permitido  a  un programa de investigadores de  Inteligencia Artificial (IA), de   Deep Mind de Google, crear Alpha Go, un juego estratégico     capaz de crear sus propias reglas,  partiendo de poca información relacionada y sin mediar   intervención humana alguna. Las  primeras versiones de Alpha Go (Zero), empleaban el ensayo y el error y 2 redes neurales  (imitaciones de las redes neurales humanas): para predecir los mejores movimientos y otra para     evaluar los  resultados,mediante juegos  rápidos  y  al azar.    El Alpha Go Zero, actual emplea   una sola red neural, a la que se le  pregunta quien  ganara en determinada posición (como se le pregunta a un experto). Reposar en una sola red neural ha convertido a este algoritmo en más eficiente y poderoso, aunque se requiere mayor poder computacional. Uno de los objetivos de Deep    Learning en relación a Alpha Go, es analizar de profundis los sistemas que emplea el cerebro     humano para resolver problemas. Ahora, Alpha Go  se entrena a sí mismo,  emplea  estrategias  no creadas por humanos en miles de años, alcanzando niveles superhumanos en     la estrategia del juego. Se prevé que, sin la influencia de las emociones y otras presiones, estas máquinas superaran al cerebro humano en aspectos lógico-racionales. Por ello,  sus  creadores  pretenden emplearlo para resolver problemas de robótica,creación de materiales y     ensamblaje de pliegues de  proteínas. La    primera versión: de Alpha Go, empezó de cero      aprendiendo a jugar  contra sí mismo.   Tras vencer a los mejores jugadores del mundo y practicar técnicas de reforzamiento,el algoritmo directriz,  sobrepaso las versiones iniciales   empleando  menor tiempo de entrenamiento y mayor poder    computacional. Alpha Go emplea    imitaciones de redes neurales humanas inspiradas en la estructura del cerebro, para aprender   conceptos abstractos. Establecidas    las primeras reglas, las versiones ancestrales de Go, incrementaron cada vez, su información,   mejorando después de cada juego. Durante la   primera fase   imitaban lo que hacían los mejores jugadores humanos (ávida captura de fichas del contrario). Luego emplearon tácticas  complejas usadas   por expertos humanos,   acumuladas durante  miles           de años, para al final crear nuevas estrategias y    conocimientos.

PRIZE NOBEL IN PHYSICS,2017

NOBEL PRIZE OF PHYSICS, 2017

The detection of gravitational waves  disruptors of time-space,  produced somewhere in the cosmos, 1.3 billion years ago as a result of a collision between two black holes, would apparently favor new ways of determining spatial mapping, size and age of the universe that  we inhabit, data from the Big Bang, dark matter, supernovae. etc. We say, apparently, because  75% of the known universe is dark energy and 25% is         occupied by   dark matter (where elementary particles may be different from known ones). So, it is too early to assess their perspectives. Although these waves were predicted 100 years ago, by Albert Einstein in his general theory of relativity, their detection for the first time was made on September 14, 2015, using the Laser Interferometer Gravitational-Wave Observatory (LIGO) detector. Given the enormous distance traveled, the intensity of the waves was very weak when they reached Earth. To detect them it was necessary to use giant     laser interferometers capable of measuring waves thousands of times smaller   than the atomic nucleus of any element. The screening allowed the award of the Nobel Prize in Physics, to Rainer Weiss(MIT, Cambridge, MA, USA), Kip S. Thorne (California Institute of Technology,Pasadena, CA, USA) and Barry C. Barish of Technology, Pasadena, CA, USA).

PREMIO NOBEL DE FÍSICA, 2017

La detección de ondas gravitacionales -disruptoras del espacio tiempo- producidas en algún lugar del cosmos, hace 1,3 billones de años a producto de una colisión entre dos agujeros negros, aparentemente favorecerían nuevas formas de determinar la cartografía espacial, del tamaño (las ondas viajan a la velocidad de la luz y llenan el cosmos) y edad del universo que habitamos, datos del Big Bang, de la materia oscura, de las supernovas. etc. Decimos aparentemente porque con un 75% del universo conocido copado por energía oscura           y un           25%  por  materia oscura (donde podrían existir partículas elementales diferentes a las conocidas),  es muy temprano para valorar sus perspectivas.  Aunque estas ondas, fueron predichas hace 100 años, por Albert Einstein en su teoría general de la relatividad, su detección por primera vez fue realizada el 14 de Setiembre del 2015, mediante el detector LIGO (Laser Interferometer Gravitational-Wave Observatory). Dada la enorme distancia recorrida, la intensidad de las ondas fue muy débil cuando estas alcanzaron la Tierra. Para detectarlas fue necesario emplear interferómetros gigantes capaces de medir ondas miles de veces más pequeñas que el núcleo atómico de cualquier elemento. La detección permitió la concesión del Premio Nobel de Fisica,2017 a: Rainer Weiss (MIT, Cambridge, MA, USA),  Kip S. Thorne (California Institute of Technology, Pasadena, CA, USA) y   Barry C. Barish (California Institute of Technology, Pasadena, CA, USA).

PRIZE NOBEL IN CHEMISTRY, 2017

NOBEL CHEMISTRY AWARD, 2017

Until recently, advances in biochemistry were possible by the realization and interpretation of biochemical reactions, but without adequate visualization of the resulting biomolecular structures. Until the invention of the electronic microscope (ME), that began to change the panorama, visibilizing clearly, some biostructures in 2 dimensions (2D), with a certain size limit. The overcoming of the above limitations allowed the award of the Nobel Prize in Chemistry, 2017, to JacquesDubochet (University of Lausanne, Switzerland), Joachim Frank (ColumbiaUniversity, NY) and Richard Henderson (MRC Laboratory of Molecular Biology,Cambridge, UK), by enabling many biomolecules to be seen at the atomic level in 3D, simplifying and improving the images and intuiting the function of many of them. Achievement achieved with the invention of cold cryo-microscopy of high resolution. An achievement conditioned by 3 master ideas: 1) Use of low intensity electron beams to not destroy biological samples. 2) Avoiding evaporation of water by cooling the biological samples rapidly in liquid methane or propane at -190 ° C, preserving it in liquid nitrogen and maintaining it in a liquid (amorphous) liquid state and with molecular weights greater than ~ 50 kDa and 3) generation of softwares that allowed to transform the atomic images of 2D in 3D. What's next? Although we do not know, we intuit that what comes is more technology; add more pixels to the images, better resolution to the  same,  clear observation of smaller images.

PREMIO NOBEL DE QUÍMICA,2017

Hasta hace poco, los avances en Bioquímica fueron posibles por la realización e interpretación de reacciones bioquímicas, aunque sin visibilizar adecuadamente, las estructuras biomoleculares resultantes. Hasta que la invención del microscopio electrónico (ME), empezó a cambiar el panorama, visibilizándose con claridad, algunas bioestructuras en 2 dimensiones (2D) y con cierto límite de tamaño. La superación con creces de las limitaciones anteriores, permitió la concesión del Premio Nobel de Química, 2017, a Jacques Dubochet (University of Lausanne, Switzerland), Joachim Frank (Columbia University, NY) y
Richard Henderson (MRC Laboratory of Molecular Biology, Cambridge, UK), al posibilitar que muchas biomoléculas sean vistas a nivel atómico, en 3D, simplificando y mejorando las imágenes e intuyéndose la  función de muchas de ellas. Logro conseguido con la invención de la   crio-microscopia al frio, de alta resolución.  Un logro condicionado   por 3 ideas maestras: 1) Empleo de haces de electrones de baja intensidad para no destruir las muestras biológicas.  2) Evitando  la evaporación del agua enfriando las muestras biológicas rápidamente  en metano liquido o propano a  -190ºC, preservándola en nitrógeno líquido y,  manteniéndola en    estado líquido vitrificado (amorfo) y con pesos moleculares mayores de  ~50 kDa y 3) generación de softwares que permitieron  transformar  las imágenes atómicas de 2D en 3D. ¿Qué viene ahora?.Aunque no lo sabemos intuimos que lo que viene es más tecnología; -agregar más pixeles a las imágenes -mejor resolución de las mismas  – observación nítida de imágenes de menor tamaño. 

PRIZE NOBEL in MEDICINE ,2017

NOBEL PRIZE FOR MEDICINE AND PHYSIOLOGY, 2017

How to interpret the fact that all living organisms (plants, animals and humans), must to anticipate and adapt their physiologies to the sequential, environmental changes caused by the succession of day and night, which in turn induce adaptive body changes (higher or  lower temperature, lower or higher levels of hormones, blood pressure, alertness levels, or altered  behaviors)?. This is a necessary question in the case of studies that, over many years, have proved the existence  -at least until now- of 3 pairs of genes with their respective encoded proteins that allow the corporal adaptations referred  and that have allowed to  3 American scientists: Jeffrey C. Hall (Brandeis University, Waltham), Michael Rosbash (BrandeisUniversity) and Michael W. Young (Rockefeller University, NY), get the Nobel Prize for Medicine and Physiology, 2017, for their  discoveries of the molecular mechanisms that control the circadian rhythm. 1-An interpretation is that we -humans- are adaptive, autonomous, programmed biomachines, that we have biological plasticity and that free will, should be rethought. 2-If the environment influences us to the point of manipulating our genes, then, the medicine based on colors, and others related would have their reason for being. 3-Considering that some diseases are produced by defective genetic adaptations to the environment, then the care and improvement of the environment should be part of medicine.4-On the other hand, the genetic mechanism that generates proteins (that are elaborated at night and that are degraded during the day), and which promotes the adaptation of our physiology to environmental changes is an example of autonomous biological engines, which although not yet created by the human mind, are everywhere present in the human body.

PREMIO NOBEL DE MEDICINA Y FISIOLOGIA, 2017

¿Como interpretar el que todos los organismos vivos (plantas, animales y humanos), tengan que anticipar y adaptar sus fisiologías a los cambios secuenciales, medioambientales, provocados por la sucesión del día y la noche, inductores a su vez de cambios corporales adaptativos (mayor o menor temperatura, menores o mayores niveles de hormonas, de presión arterial, grados de alerta o, que sus conductas se alteren)?. Pregunta necesaria ante  estudios que a lo largo de muchos años han probado   la existencia -por lo menos hasta ahora- de 3 pares de genes con sus respectivas proteínas codificadas que permiten las adaptaciones corporales referidas y que han permitido que 3 científicos americanos: Jeffrey C. Hall (Brandeis University,Waltham), Michael Rosbash  (Brandeis University) y  Michael W. Young (Rockefeller University,NY), obtengan el Premio Nobel de Medicina y Fisiología, 2017, por  descubrimientos de los mecanismos moleculares que controlan el ritmo circadiano. 1-Una interpretación es que seamos biomaquinas adaptativas, autónomas, programadas, que tenemos plasticidad biológica y que el libre albedrio debiese ser repensado. 2-Si, el medio ambiente influye en nosotros al punto de manipular nuestros genes, entonces, la medicina basada en colores y otras  relacionadas, tendrían su razón de ser. 3-Considerando que algunas enfermedades son producidas por adaptaciones genéticas defectuosas al medio ambiente, entonces el cuidado y mejora del ambiente debiese formar parte de la medicina.4-De otro lado, el mecanismo genético que genera proteínas (que se elaboran  de noche y se degradan durante el día) y,  que promueven la adaptación de nuestra fisiología a cambios medioambientales es  ejemplo de motores biológicos autónomos, que aunque aún no han sido  creados  por la mente humana,  están presentes por doquier en el cuerpo humano.