Hiroshi Wayama

My nephew’s taking college entrance exams this year and asked me to help with physics and math. It’s been a while since I did that stuff, but I can still manage. Maybe choosing a job that used those skills paid off. If AI wipes out my value, maybe I’ll tutor students again—can’t automate that!

甥が今年大学受験で、物理や数学の問題を解いてくれとお願いされている。受験数学や物理からは遠のいていたが、それでもある程度は解ける。物理や数学の知識を必要とする職種を選び、ご飯を食べていたのがよかったのかもしれない…AIで今の自分の付加価値が駆逐されたら、対面で受験勉強の指導でもしようか…（学生時代の4年間の物理と数学の家庭教師の経験と対人の職種はAIに代替されないという意見を参考にして…）

RustとGoの違いを改めて考えると、Rustは所有権と借用でメモリ安全をコンパイル時に保証するのに対し、GoはGCで管理する。Rustはゼロコスト抽象を志向しつつ安全性が高く、Goはgoroutineとチャネルで並行処理が直感的な印象。どちらも実用上は十分高速で、安全性と生産性のトレードオフに言語設計の考え方の違いを感じる。AIがコードが書く時代に不要かもしれないが、少しでも理解を深めたい…

信号処理ではフーリエ変換、制御工学ではラプラス変換がよく用いられるが、両者の違いの一つは安定性解析が可能かどうか。ラプラス変換では、s平面上の極の位置からシステムの安定性や発散性を判断できるため、制御分野で重要な役割を果たしている。半導体設計時、ラプラス変換後の伝達関数解析をよくやった記憶があるが、ほとんど忘れた…

Python 3.13 introduces an experimental option to disable the GIL, making real multithreaded parallel execution possible in some setups. CPU-bound tasks used to be tough to parallelize, but that might change soon. Tools like uv are catching up—wonder if GIL-free will become the default…

Python 3.13から、GILを無効化できる実験的な仕組みが導入され、特定の環境ではマルチスレッドの並列実行が可能になりつつある。従来はCPUバウンド処理では並列化が難しかったが、今後は改善が期待される。uvなどのツールも対応が進んでおり、デフォルトでGILなしになるのか気になるところ…

Pydantic v2.12 adds `exclude_computed_fields` to `model_dump()`, letting you skip computed fields when serializing. There are also finer controls like `url_preserve_empty_path` for URL types. Works even better with FastAPI now. Plus, the Rust core boosts speed—Rust really is a beast.

Pydantic v2.12 では、model_dump() に exclude_computed_fields オプションが追加され、計算フィールドをシリアライズから除外できるようになった。ドキュメントには URL 型で空パスを保持する url_preserve_empty_path のような細かな設定もあり、Pydantic のシリアライズ機能が細かく制御できるようになっている。FastAPI と組み合わせた際の利便性が向上している。そして、コアな部分はRust実装で高速化がはかられている。やはり Rust は強いだろうか…

FEM uses weak forms and weighted residuals or variational principles to discretize equations, while FVM applies the divergence theorem to ensure conservation per volume. FVM focuses on conservation, FEM on smooth solutions. I’ve only used FEM, but maybe we should switch depending on the case...

有限要素法（FEM）は弱形式に基づき、重み付き残差法や変分原理によって方程式を離散化する。一方、有限体積法（FVM）は発散定理を用いて体積ごとに保存則を満たす形で離散化する。FVMは保存性を重視した手法であり、FEMは滑らかな解の近似に適しているとのこと…私自身はFEMしか実務で経験がないが、用途に応じて両者を使い分けることが重要だろうか…

Looks like in FastAPI 0.115+, you can now use Pydantic models directly for Query, Header, and Cookie params for validation! No more writing each param with `Field` or `Query`. Plus, with `extra="forbid"`, you can block extra params. Validation just got safer and easier!

FastAPI 0.115 系では、Pydantic モデルを Query、Header、Cookie パラメータに直接指定してバリデーションできるようになったらしい…従来は各パラメータに Field や Query を個別に書く必要があったが、モデル全体でバリデーションが可能になった。また、extra="forbid" を設定すると余分なパラメータの受け入れを防げる。これにより、パラメータの検証がより安全に行えるようになっている。どんどん楽になっていく…

The Negative Binomial Distribution (NBD) is often used to model customer heterogeneity. Assuming the Poisson parameter follows a Gamma distribution leads to the NBD. It captures different customer purchasing behaviors via a hierarchical Bayesian model—super useful in marketing.

負の二項分布（NBD）は、顧客の異質性をモデル化する際にしばしば利用される。ポアソン分布のパラメータ自体がガンマ分布に従うと仮定すると、負の二項分布が導出される。顧客ごとに購買傾向が異なる現実を、階層ベイズモデルとして表現できる点が数学的に表現され、それが実務でもよく利用される。マーケティングにおいて統計モデルが貢献できる場面だろうか…

The power method for eigenvalue problems repeatedly applies a matrix to find the eigenvector of the largest eigenvalue. It’s used in PCA and PageRank (proposed by Google’s founders). I rely on it a lot in my PhD research, and it’s pretty handy in real-world tasks too (probably).

固有値問題で知られるべき乗法は、行列を繰り返し作用させることで最大固有値に対応する固有ベクトルを求める手法。PCAやGoogleの創業者が提案したPageRankの計算にも応用されている。自分の博士課程での研究でもべき乗法は重宝しており、実務でもよく利用されると思う（多分）

In Schur decomposition, any complex square matrix A can be written as A = Q T Q*, where Q is unitary and T is upper triangular with eigenvalues on its diagonal. It’s used as a preprocessing step for eigenvalue computation and matrix functions—more stable and practical than the Jordan form.

シューア分解では、任意の複素正方行列AをA=QTQ*と分解する。Qはユニタリ行列、T は上三角行列で、対角成分が固有値に対応。数値計算では、固有値計算や行列関数の評価の前処理としてシューア分解が用いられる。ジョルダン標準形と比べて数値的に安定で、実装上も標準的な手法になっているはず…

In Python, passing a list to a function and changing it also affects the caller because lists are mutable. In Rust, you need an explicit `&mut` mutable borrow, and multiple mutable borrows cause a compile error. Python “just works,” but Rust makes you *prove* your intent to the compiler.

Pythonで関数にリストを渡して中身を変更すると呼び出し元も変わるのは、リストがミュータブルなオブジェクトだから。Rustでは&mutで明示的に可変借用しないと変更不可で、同時に複数の可変借用はコンパイルエラー。Pythonの「何となく動く」が、Rustでは「意図をコンパイラに証明させられる」感じか…

QR分解をGram–Schmidt法で実装すると、直交化の過程で数値的不安定性が生じることが分かる。古典Gram–Schmidt法は丸め誤差の影響で直交性が失われやすい。一方、修正Gram–Schmidt法やHouseholder反射を用いた方法は数値的に安定であり、実務ではこちらが用いられることが多いだろうか…

DB設計において、インデックスを貼りすぎると書き込み性能が落ちるトレードオフがある。EXPLAINで実行計画を確認しつつ、実際のクエリパターンに合わせて必要なものだけ貼るのが実用上大事な気がする。なんとなくWHEREを利用しそうな列に貼るのは危険で、オプティマイザと人間の役割分担がまだ本質的に重要な部分だろうか…このあたりの技術者の暗黙知がAI時代にどうなるか楽しみな部分ではある。

For general matrices, LU decomposition needs partial pivoting for numerical stability. If a diagonal element is too small, rounding errors blow up, so we swap rows to pick the largest pivot. That gives us PA=LU. The permutation matrix P boosts stability—pretty much essential in practice.

一般の行列に対するLU分解では、数値安定性のために部分ピボット選択が必要となる。対角要素が極端に小さい場合、消去過程で丸め誤差が増幅するため、行を入れ替えて絶対値の大きい要素をピボットとして選択する。この操作によりPA=LUという形になる。置換行列Pを導入することで、数値計算の安定性が向上する。実務上では必須のはず…

After learning LU decomposition, studying Cholesky makes you realize how efficiently you can handle positive definite symmetric matrices. Since A=LLᵀ and only L (a lower triangular matrix) is stored, it saves both memory and computation. Super useful in ML and numerical computing!

LU分解の後にコレスキー分解を学ぶと、正定値対称行列を効率的に扱えることが分かる。コレスキー分解ではA=LL^Tと表され、下三角行列Lのみを保持する。このため、LU分解と比べてメモリ使用量と計算量を削減できる。共分散行列やグラム行列は正定値対称行列（または半正定値）であることが多く、機械学習や数値計算で広く利用されている。数値計算の実務では必須の知識かもしれない…

Rust’s sqlx nails the balance: raw SQL queries with compile-time type checks. It can be annoying sometimes, but it keeps SQL’s power without the over-abstraction of ORMs. It feels like writing real SQL, but safer with Rust’s type system — fewer mistakes, more control.

Rustのsqlxは「クエリは生SQLだけど、型チェックはコンパイル時」というバランスが本当に良い。イライラすることもあるが…ORMのように抽象化しすぎず、SQLの表現力を保ったままRustの型システムで安全性を担保してくれる。RustでDB触るなら、SQLを書いてる実感を残しつつミスが減るのがありがたい。

共分散行列を固有値分解すると、データの分散構造が分かる。最大固有値に対応する固有ベクトルは、データが最も広がっている方向を示し、固有値の大きさはその方向の分散量を表す。これはPCAの基本的な考え方で、多変量データを低次元に射影して捉える方法である。線形代数の基礎だが重要だろうか…

That's just the tip of the iceberg. More is coming.

- Beyond records - mail.openjdk.org/pipermail/am...
- Null-restricted types - mail.openjdk.org/pipermail/va...
- Type classes - mail.openjdk.org/pipermail/va...