使用振盪器改善投擲器鏈之鎖死問題

個人很常玩minecraft大概不用提，最近在建造分類工廠時，遇到「將物品向上傳送」的設計問題，因為一般的漏斗只能水平傳送或是向下傳送，如果不想要讓玩家自己把物品拿到高處，就要有自動化的機制才行。
幸好在1.5版之後，新加入大量紅石元件，讓許多過去無法達成的自動化得以實現，本文設計一個利用振盪器驅動投擲器鏈，進而改善過去投擲器鏈常遇到的鎖死問題，分述如下：

1. 過去向上運送法之介紹：
2. 改善投擲器鏈之設計：
3. 設計展示：
4. 參考資料：

1. 過去向上運送法之介紹：
過去常見的minecraft傳送物品向上有五種方法：向上水流運送、活塞運送、鐵路運送、投擲器鏈和玻璃傳送管。
向上水流最大的問題是運送效率不佳，速度最慢還有可能會卡住，同時需要相當大的建造面積。活塞運送也有相同的問題，向上提升一格就要再將物品移動到另一格，也容易掉物品[1]。
玻璃管傳送法見[2]，是利用minecraft 的bug feature，物品被由下向上擠壓時會向上移動尋找空間，藉此運送物品，最上方再以漏斗承接運送的物品，事實上不用玻璃亦可達到相同的效果，使用玻璃純粹是可以看到在運送什麼；在長距離傳送上，玻璃傳送管效益最高，使用極少量的紅石電路即可，但物品跑到傳送器外，未免讓人心理發毛，一不小心物品可能會落到管外而遺失。
相較上述三種方式，鐵路運送和投擲器鏈不會將物品轉為實體，可靠性相對較高。
鐵路運送[3]相當有效率，要送高只要多蓋鐵軌即可，只有起迄點需要紅石電路設計，但使用方式是利用箱子一次運送一箱的物品，個人比較不喜歡。
投擲器鏈相對可實現連續、可靠的運送，在過去已有幾件相關設計[4]-[5]，這些設計都使用比較器偵測投擲器內的物品，經過回送驅動投擲器向上傳送；這樣的設計有個最大的問題，當投擲器內的東西超過一個時，投擲器發射後裡面還有物品，比較器將不會再更新，使得投擲器錄陷入鎖死，需要以人工手動移除多餘的物品才能再次運作。
特別是一般自動化運送物品都會用漏斗將物品打入投擲器中，而漏斗的運作速率是每秒2.5個(4個redstone ticks)，這速率高於驅動投擲器向上的速率；因此兩個設計中都在漏斗旁放上一個紅石作為控制，一但投擲器有東西就停止漏斗的運作，無奈只要這個機制出小差錯，還是要人工介入移除多餘物品。

2. 改善投擲器鏈之設計：
為了改善這個問題，本設計使用主動振盪器來驅動投擲器向上，雖然需要多一點的面積，不過這個機制保證投擲器會運作到整條投擲器鏈都沒有東西為止，主要分為三個部分：偵測器，Or gate，振盪器：

偵測器：
左右兩邊交互放置比較器偵測投擲器鏈內的內容，由於比較器輸出強驅動訊號，因此只有圖中紅色block上會放置紅石，上一層的比較器可透過白色方塊傳遞給下層紅色block，如圖所示：

Or gate ： 上一層的紅色block訊號，會經過兩次not，送給下一層的訊號；加入repeater的目的，是要防止自身紅色block的強訊號覆寫下一層not過的訊號，否則當整條鏈中只有紅色block該層投擲器有東西時，振盪器也不會驅動。

振盪器： 將訊號集中起來，驅動比較器制成的高頻振盪器，透過半板向上送給每一個投擲器，即完成本設計。

本設計缺點有，一、振盪器的傳送距離為15格，大約只能送12層的高度，可以在上層設置另一個振盪器來解決這個問題，但會佔掉一些樓板面積；或者不求速度的話，可以用比較慢一點的振盪器，就可以用「block-紅石火把」的組合將訊號向上傳送，如圖所示；不過若是超高層傳送，玻璃管傳送法會是比較有效率的做法。二、運作起來相當吵，這個是真的沒得解。


3. 設計展示： 在底部送入物品，都會送到頂部的箱子中，兩段式的版本也可以運作正常，前述的噪音問題在兩段式版上會更明顯，因為這裡用的是比較器振盪源，比較器只有1 ticks的延遲讓投擲器的運作快過漏斗的運作，一開啟就會聽到投擲器時停時開的嗒嗒聲，其實相當煩人。

4. 參考資料：
[1]. water
https://www.youtube.com/watch?v=z1rAiPsCj5Q
[2]. glass tube item lifter:
https://www.youtube.com/watch?v=DtcSljfkMIw
[3] railway item transport:
https://www.youtube.com/watch?v=PLtqJ5gsO9E
[4]. dropper chain:
https://www.youtube.com/watch?v=7OJUHyJfrQE
[5]. dropper chain:
https://www.youtube.com/watch?v=_xu7e97_Qdo

讀機器學習有感

這學期修了學校資工系開的機器學習一課，跟眾多資工系所的大神們一起上課，雖然內心有一些想要用機器學習來解的問題，不過目前還算是「不知道學這個有什麼確實用途」的狀態(啊…我臉書上的好友Ya教授一定會對這點很不爽O_O)。
這幾天複習一下進度，把課本的內容對照筆記再看過一遍，倒是得到一些感觸。

－－

現在學習的有Perceptron Algorithm(感知學習演算法)，和Linear regression Algorithm(線性迴歸)，這兩個學習法從根本上有兩個不同：
Perceptron Learning是給定一大群資料和他們所屬的群體，找出那條分隔線，之後就可以利用這條分隔線作為機器判斷的基礎，這算是最最基本的機器學習演算法；要怎麼讓機器學到這條線呢？做法很簡單，針對每個點，要是現在的分隔線分錯了，就用這個點的資料去更新這條線，求到錯誤最少的那條線即可，很可惜的，要直接找出那條分隔線，已經被證明是一個NP-Hard的問題，所以我們用了一個替代的方法：一個點一個點的更新，然後記住那條表現最好的線，時間久了，這條線就是我們想要的解。

和Perceptron Learning 相對的，另一種是Linear regression： 這次我們不是要把資料分兩群，而是送來一大群資料和他們的評分，要找一個預測式，能讓預測結果和評分間的均方差(square error)為最小，和上一個問題不一樣，這次我們只要拿到資料建成矩陣，做點線性代數的運算就能直接算出解，完全不需要迭代。
不同的問題，卻讓解法天差地遠，Perceptron需要不斷迭代，找尋錯誤；Linear Regression卻像先知一樣，我說這個是答案，那這個就是答案。

像Linear Regression這樣又快又準的演算法，反而讓人覺得不像是「機器學習」，它沒有學嘛。
我們對「學習」這個詞的解釋，比較像Perceptron這樣，這筆資料我錯了，看看我錯在哪？錯了多少？把它修正回來，於是「學」會怎麼處理這筆資料；像Linear Regression這樣，那不是學習，那是工程計算，稱它為「機器學習演算法」，不免心理有些疙瘩。

－－

可是話又說回來，我們的教育制度，不是一直著重公平的考試，不要真正能看學生學會什麼的申論題，不要能看學生推論過程的證明題，只留下有標準答案的選擇題。
結果學生被訓練成對選擇題有反應，給一串題幹說明，再給四個可能對、可能錯的答案，要在最短時間內選出正確的答案，於是學生不再是學習問為什麼，而是背頌式的「知道」答案，對照街上林立的補習班，這豈不和我們上面對「學習」的意義相反？

－－

我們要機器像人一樣學習、卻要人像機器一樣學習，豈不本末倒置？想起來有夠荒唐。