夜间的北风吹散了天空的云，一扫昨日灰暗的天色。金色的阳光富有穿透力，伯克利校园里明亮的建筑外墙在蓝天下愈发鲜艳。加州的早晨像深秋，中午像盛夏。
今天参与的内容是一堂课和一个开放式研讨会，课程主要内容偏能源和化学，研讨会是经济学相关。由于涉及范围比较广，并且和自身专业没太大关联，因此主要思考集中在他们的研究思路：发现问题 -> 寻找原因 -> 提出方案 -> 建立模型 -> 验证方案 -> 优化方案 -> 更进一步 -> 发现问题 ->…如此递进，直达本质。
照例从宾馆吃完早饭，上午在一个酷似酒吧的大堂内开始了本次行程的第三堂课，由Farhad Fathieh主讲，课程主题很有意思，叫做「From Engineering to Science」，讲述了Fathieh自己从本科到博士后的科研经历：由高新科技相关的工科作为起点，最后投向理科研究的过程，颇有一种返璞归真之意。
Fathieh首先从航空领域的研究讲起，包活发动机的内部结构、能量转换和传递等。由于大学三年没学物理，Fathieh语速很快，这部分也听的相对吃力。不过他描述科研成果时一句慷慨激昂的「Excited！」，让我也瞬间觉得亦可赛艇。
硕士结束后，Fathieh前往加拿大攻读博士。加拿大是个很冷的地方，他注意到不仅是加拿大，世界上的许多地方每年在调节室内温度上面的开销惊人（他给出的统计数据为$200 Billion）。另一方面，室内的湿度也会影响细菌、病毒、化学反应等，适宜的湿度同样是人类生活必不可少的。
结合这两点，他继承导师博士期间的工作，攻读机械工程领域的博士，研究空气交换机，以能量轮(Energy Wheel)的结构实现。
能量轮内部首先需要多孔(Porous)材料，用以增大和气体分子的接触面积，一次性吸入更多气体。Fathieh进一步从物理、化学、吸附性、传输能力四个方面阐述了材料的选择标准，并介绍「小规模测试」这一常用手段进行材料和结构研究。听罢很受启发。
小规模测试(Small Scale Testing)：Fathieh以飞机机翼的构造为切入点，讲述人们建造飞机机翼时会优先构造一个等比缩放若干倍的小模型，并执行相关性能的测试。我们可以直观地看出，只要等比缩放的方法足够合理和可靠，这样的方法既省时又省钱。
接下来Fathieh用部分篇幅介绍他建立的数学模型，用以拟合随时间变化的热转化数据，此模型是双指数模型(Double Exponential Model (DEM))，全程没看懂。
这里有个插曲：同行的室友是数学系大二的，晚上11点困得想睡觉了，但发现群里共享了课件。于是开始仔细看数学模型，越看越兴奋，导致看到0点多睡不着了（真是搞科研的料），并发现看似很平常的一页ppt中展示了对数据的完美拟合，然而上课的时候教室里似乎没有人注意到这个让人震惊的地方。
Fathieh本人从本科到博士均为工程背景，为什么最后会转投理科的研究？这也是他上课向我们提出的问题。
从航天工程到机械工程，这一步比较容易理解，而他在机械工程研究的后期，逐渐发现优秀的材料对于热量转化的重要性，并不断尝试新材料，效果却不理想。这时他顿悟：是时候开始搞化学了。当然，科学研究的最终目的是为人类服务，这就是他博士后期间的工作。
Fathieh接下来向我们介绍水资源的稀缺性，世界上有1/3的人无法直接获得洁净的水。但是，大气中却有3 000 000 000 000 000 000 000(3的21次方)升水。倘若能将这些水资源加以提取利用，是否可以缓解很多缺水地区的困难呢？因此他开始了寻找化合物->创造化合物->验证化合物的过程。
根据调研，为了达到这一目的，所使用的化合物必须具备三个标准：吸收和释放的过程必须在某一条件附近具备突变/吸收和释放水分子都不需太多能源/在多次吸水和释放后保持性能稳定。在反复试验和研究对比后，该工作进行的比较顺利，他们创造的化合物达到了预期效果。对研究的具体细节不作过多描述。
课程结束前，他向我们简单讲了讲10年科研生涯的心路历程。「Comfort Zone」这一概念让人印象深刻。
Comfort Zone: 舒适空间，就是在一个领域时间长了以后，会本能地不愿意转换领域，而选择在一条路上继续往下走，即便问题迟迟未能解决。他在博士阶段结束后意识到，自己必须要换个领域才能真正解决问题，因此恶补理论知识，最后到了伯克利Yaghi研究组继续深造。
出于对科研工作者的敬畏（和进一步勾搭的想法），我挑出一张从学校带来的明信片，简单写了几句祝福的话和落款，送给了这位学者（非常感谢教务老师抓拍了合影
如果说上午的课程算是听个思路，下午的研讨会就完全是在感受氛围了。
这场研讨会的主题是「Diagnostic Expectations and Stock Returns」（诊断期望和股票收益，不知道是不是这么翻译，欢迎经济学读者拍砖）。演讲者据说是位意大利人，英文带着浓重的欧洲口音（比如会把「r」音发成「l」，自带舌头的抖动声）。刚开始没几个词听得懂，后来借助PPT和他讲解的对应关系，居然慢慢听习惯了，发现还不怎么难懂。
首先，他阐述了一个经济学中的问题(Puzzle in finance)，即股票价格过度波动和收益难以预期。因此，他们的研究团队以本金、收益和预期作为三个变量，寻找它们之间的联合分布(Joint distribution)情况。
开始讲自己的工作之前必定要介绍相关研究工作，主讲人介绍了「bayes belief-based model」和一些经典的数据集（CRSP、COMPUSTAT、IBES等），以及一些专有名词缩写的定义。
LTG(Long Term Growth)：长期增长，分为LLTG(Low LTG)和HLTG(High LTG)，即增长的期望下限和上限。
EPS(Earnings per share)：每只股票的收益。
Boom-bust：盛极而衰的现象
为了研究股票，首先要研究这一公司的质量，最直接的行情就是对新闻的观察，主讲人提出一般分析师存在三个问题：
- 对新闻的反馈就像他们正在学习公司的质量一样（Analysts react to news as if they are learning the firm’s quality）——说明分析师对新闻的反馈比较片面
- 对新闻的反馈在预测走势时会出错（There appear to be extrapolative errors in the reaction to news）——个人确立的模型不稳定
- 错误会反映在收益中——这会影响投资者的决策
为此主讲人提出了自己的一套模型：
- 分析师需要推断一个公司的质量；
- 具有代表性的实例很重要，我们允许通过对这种实例的分析来扭转初步预测；
- 对比合理的数据和扭转后的数据。
具有代表性的实例(Representativeness)的具体定义如下：
计算方式和概率估计：
\[R(\tau , G) = \frac{Pr(T = \tau | G)}{Pr(T = \tau | -G)}\] \[Pr^{\theta}(T = \tau|G)=Pr(T = \tau|G)·[\frac{Pr(T = \tau|G)}{Pr(T = \tau|-G)}]^\theta \frac{1}{Z}\]参数的具体定义没记清..大致能理解模型的意思，概率估计式子中，$\theta = 0$时为无偏预测。
然后举出医学诊断的例子来说明G的定义和预测的概念：
G:诊断为阳性时，90%概率为健康（假阳性）
-G:总患病率为1%
接下来是噪声建模，听了大概，没完全搞懂，不曲解了。
最后是模型的测试和调整，这个过程台下质疑声很多，大佬们的对话语速很快，一大串专有名词实在来不及反应，放弃记录。
总的来说，这次经历深刻感受到了伯克利在学术方面开放的氛围：任何人都可以进入进行研讨会的教室，即便你听不懂甚至互不认同。下午的教室不大，我们一行人到的比较早，坐在了教室的前几排，一个组织者带着好奇打量了我们一番：“What are you doing here?” “We are going to listen to the seminar.”（干啥来的？听研讨会的。）然后他就笑笑，”OK, perfect!”，就没过多质疑了。
另一方面，回到整个日志的题目上，下午的研讨会更加深了我对研究过程的理解，即：发现问题 -> 寻找原因 -> 提出方案 -> 建立模型 -> 验证方案 -> 优化方案 -> 更进一步 -> 发现问题 ->…
挺有意思的，不是吗？
经过了课程和研讨会，一天也过去了大半，我和另一个同学一起到伯克利最老的图书馆自习（就是昨天下午写日志的地方）。这是一个开放式的图书馆，已有100多年历史，上楼梯的台阶中间都被行人才出了凹坑，却从来没有更换过地砖。桌子足够大，自习了一个多小时直到集合，舒服。
晚上吃美国特有的大披萨（对比可乐罐头就知道有多大了），四个人合吃一份都没吃完。
来到这边学习，自己就像疯狂希望吸收水分的树根，恨不得理清楚每一个细节，认识更多人，记录更多风景，写下更多故事。
晚安。