Science News环节中，路佳同学介绍了关于AlphaGo Zero的最新消息。报告主要基于AlphaGo开发团队DeepMind于2017年10月19日发表在Nature的论文“Mastering the game of Go without human knowledge”。
AlphaGo是谷歌DeepMind团队开发的人工智能围棋软件。旧版AlphaGo基于人类对弈历史数据进行训练。新版AlphaGo Zero没有参考人类历史棋谱，其输入只有棋子位置与弈棋规则，通过自我对弈进行训练；旧版AlphaGo采用策略网络（policy network）和价值网络（value network），前者输出移动概率，后者输出在当前位置获胜的概率。新版AlphaGo Zero只采用一个深度神经网络（deep neural network）。经过3天训练后，AlphaGo Zero以100:0打败AlphaGo Lee；21天后，AlphaGo Zero达到AlphaGo Master的水平；40天后，AlphaGo Zero打败了先前所有版本的AlphaGo。
AlphaGo Zero采用强化学习算法(reinforcement learning），主要包括两部分：深度神经网络(deep neural network)和蒙特卡洛树搜索(Monte Carlo tree search(MCTS))。深度神经网络fθ以棋盘位置st为输入，根据参数θ，通过卷积层输出走棋概率矢量p和评估赢棋概率标量v，即(p，v)= fθ(st)。在棋盘位置st，系统根据深度神经网络fθ执行MCTS，输出走棋的概率π和自我对弈胜者z，然后将结果返回，并更新参数θ使(p,v)更接近于(π,z)。在下一步走棋时，使用更新后的fθ指导MCTS，如此反复迭代，直到游戏结束。
DeepMind认为，该技术能够用于解决诸如蛋白质折叠、降低能源消耗和新材料开发这样的重要问题。
Talk环节中，耿超同学为紫台师生做了一场题为“The quiescent intracluster medium in the core of the Perseus cluster”的学术报告。耿超在报告中首先在backgroud环节向大家介绍了目前广为接受的宇宙学模型以及星系团质量的精确测定对于宇宙学参数测定的重要意义。然后引入常用的由星系团介质ICM测定星系团质量的方法。即通过假设ICM处于流体静力学平衡状态，通过气体的向外的压强来计算星系团引力的大小，进而推算出星系团质量。但这种方法并没有考虑gas turbulence成分对于gas pressure的影响。故这一次通过Hitomi对于Perseus cluster高分辨率的能谱，我们第一次能够测定出星系团中心气体的湍动速度，进而进而确定出turbulence pressure相对于thermal pressure的大小，进而确定出gas turbulence对于用ICM星系团质量测定精度的影响。最后的结果表明Perseus cluster中心的气体湍动只有164km/s左右，turbulence pressure相对于thermal pressure只占约4%左右，这表明之前通过假设气体流体静力学平衡的方法来计算星系团质量的方法误差并不大。但Hitomi只来得及观测Perseus一个源便失联了，这个现象是否也能在其他的星系团中观测到？能否将这个结论推广到其他的星系团里？要回答这些问题我们期待后续的Hitomi2以及欧洲的Athena x-ray天文望远镜上天后能给我们一个答案。
（撰写：耿超、路佳 摄影：纪丽）
