رفتن به نوشته‌ها

نویسنده: عباس کریمی

دانشجوی فیزیک، دانشگاه شهیدبهشتی

علاقمندی‌ها: فیزیک، ریاضیات و علوم کامپیوتر :
سیستم‌های پیچیده، سیستم‌های دینامیکی، نظریه آشوب، نظریه شبکه‌ها، نظریه گراف، مکانیک کلاسیک، مکانیک آماری، مکانیک کوانتومی، و یک سری موضوع که هنوز باهاشون آشنا نشدم :)

sitpor.org/abbas

«بیست سال علم شبکه»

این نوشته ترجمه‌ای تقریبا وفادار از مقاله منتشر شده در Nature News and Views توسط Alessandro Vespignani به مناسبت تولد ۲۰ سالگی شبکه‌های جهان-کوچک است.
این نوشته اشاره‌ی مستقیمی دارد به مقاله منتشر شده در Nature News and Views توسط Alessandro Vespignani به مناسبت تولد ۲۰ سالگی شبکه‌های جهان-کوچک است.

 

«این ایده که هرکس در دنیا به هرکس دیگری تنها با ۶ درجه جدایی متصل است، ۲۰ سال پیش توسط مدل شبکه‌ «جهان کوچک» توضیح داده شد. چیزی که به نظر می‌رسید کاربرد خاصی داشته باشد تبدیل به یافته‌ای با نتایج فراوان شد.» الساندرو وسپینانی

ماجرا از این‌جا شروع شد که اواخر بهار سال ۱۹۹۸، واتس و استروگتز مقاله‌ای منتشر کردن به اسم «دینامیک جمعی شبکه‌های جهان-کوچک» که در اون مقاله مدلی معرفی شد که «خوشگی» و «فاصله کوتاه بین رئوس» شبکه‌هایی که در زندگی واقعی پیدا میشن رو توصیف می‌کرد. خب، اون اوایل این مدل یه جوری جالب به‌نظر می‌رسید. ولی صرفا به عنوان یک خروجی یا تعمیمی از شبکه‌های منظمی که فیزیک‌دونای آماری و ماده‌چگالی‌ها بهشون عادت داشتن. [در حقیقت تا ۲۰ سال پیش، منظور ما از شبکه توی فیزیک، گراف‌های منظم توری شکلی بودن که بهشون lattice می‌گفتیم و نه network.] اما با گذر زمان، هر چی که دانشمندان رشته‌های مختلفی از این مدل استفاده کردند، پیامد‌های عمیق این مدل بیشتر آشکار شد. به این معنی که درک ما از رفتارهای دینامیکی و گذار فازهایی که توی پدیده‌های روزمره‌ مشاهده می‌کردیم به طور جدی بهتر شد. از فرایندهای واگیری گرفته تا انتشار اطلاعات! به زودی مشخص شد که این مقاله دوران جدیدی از پژوهش رو ایجاد کرده که نهایتا منجر به شکل‌گیری «علم شبکه» به عنوان یک رشته «چندرشته‌ای» شد!

در حقیقت قبل از این‌که واتس و استروگتز مقاله‌شون رو منتشر کنند، الگوریتم‌هایی که برای ایجاد شبکه‌ها استفاده می‌شد به دنبال این بودن که یک شبکه تصادفی ایجاد کنند. مثل مدل اردوش-رینی. ایده اساسی این الگوریتم‌ها این بود که ما نمی‌دونیم چه‌طور هر دو راس در شبکه باید بهم متصل بشن برای همین فرض می‌کنیم که شیوه اتصال هر دو تا راس در شبکه بر اساس یک احتمال از پیش مشخص شده هست. ویژگی مشترک شبکه‌های تصادفی، اینه که هر چقد اندازه شبکه (تعداد رئوس) بزرگ بشه، میانگین طول کوتاه‌ترین مسیر بین هر دو تا راس به صورت لگاریتم تعداد رئوس رشد می‌کنه. منظور از طول (کوتاه‌ترین) مسیر بین دو راس، کمترین تعداد یال (پیوند) برای رسیدن از این راس به اون یکی هست. بنابراین اگر یک شبکه تصادفی N تا راس داشته باشه، میانگین طول مسیر بین هر دو راس که به تصادف انتخاب بشن این شکلی تغییر می‌کنه:

این رفتار لگاریتمی به معنی جهان‌-کوچک بودن هست. همون ایده‌ای که در دنیا هر نفر حداکثر با ۶ تا واسطه به هرکس دیگه‌ای می‌تونه برسه. یعنی آهنگ بزرگ شدن فاصله بین هر دو راس در یک شبکه تصادفی کمتر از آهنگ بزرگ شدن اندازه اون شبکه است. (این رابطه خطی نیست، با دو برابر کردن L ،N دو برابر نمیشه!).

پروفایل چگونگی تغییر متوسط طول کوتاه‌ترین مسیرین بین دو راس در شبکه‌هایی با تپولوژی متفاوت. نگاره از کتاب علم شبکه باراباشی.

با این وجود، مدل‌های شبکه‌‌های تصادفی، وجود گروهک‌هایی (Cliques) که در شبکه‌‌های واقعی دیده شده رو توصیف نمی‌کنند. برای اندازه گیری گروهک‌‌دار بودن یک شبکه باید ضریب خوشگی هر راس رو حساب کنیم. برای این‌کار، به‌ازای هر راس، تعداد پیوندهای بین همسایه‌هاش رو می‌شماریم و  تقسیم می‌کنیم بر تعداد کل پیوندهای ممکن بین همسایه‌های راس مورد نظر. در حقیقت ضریب خوشگی معیاری از اینه که چقدر همسایه‌ها به هم متصل هستند. یک شبکه اجتماعی رو در نظر بگیرین، معمولا دوستِ دوستِ شما، دوست شما هم هست! یعنی مثلث‌هایی از روابط توی شبکه‌های واقعی دیده میشه و این درست چیزیه که شبکه‌های تصادفی فاقدش هستن. به عبارت دیگه، احتمال اینکه سه نفر در یک شبکه اجتماعی دوست هم باشن به مراتب بیشتر از چیزیه که شبکه‌ای که طی یک فرایند ساده تصادفی ایجاد شده پیش‌بینی کنه!

سازوکار ایجاد یک شبکه جهان کوچک در مدل واتس-استروگتز با اضافه کردن بی‌نظمی به یک شبکه منظم. نگاره برگرفته از مقاله اصلی ۱۹۹۸.

می‌دونیم که شبکه‌های منظم، دارای ضریب خوشگی بالایی هستن و شبکه‌های تصادفی دارای خاصیت نزدیک بودن اعضا به هم! چیزی که یک شبکه جهان-کوچک واقعی نیاز داره هر دوی این ویژگی‌هاست! واتس و استروگتز برای این‌که این دوگانگی رو برطرف کنند پیشنهاد مدلی رو دادن که ابتدا یک شبکه منظم با ضریب خوشگی بالا رو ایجاد کنه و بعد از اون، با احتمال p، یال‌ها رو بین رئوس اصطلاحا بُر بزنه! یعنی برای این‌ کار، از یک شبکه منظم، هر یال رو با احتمال p انتخاب می‌کنید و دو سرش رو به رئوس متفاوتی وصل می‌کنید! به این کار اصطلاحا سیم‌بندی گفته می‌شه و اگر این سیم‌بندی به طور تصادفی انجام بشه، اصطلاحا گفته میشه که یال‌های شبکه رو بُر می‌زنیم! بنابراین با تغییر مقدار می‌تونیم شبکه رو از حالت منظم  (p → 0) به حالت تصادفی (p → 1) تبدیل کنیم.

برای مقادیر بسیار کوچک p شبکه حاصل، یک شبکه منظمه با ضریب خوشگی بالا. اما برای مقادیر کوچک p میان‌برهایی که بین نقاط دور شبکه ایجاد میشه، میانگین طول کوتاه‌ترین مسیر رو کاهش می‌ده. واتس و استروگتز نشون دادن که برای طیف وسیعی از مقادیر p، بسته به تعداد رئوس، میشه شبکه‌های با ضریب خوشگی بالا و میانگین فاصله کمی بین رئوس ساخت. برای همین با این روش میشه پدیده جهان-کوچکی به همراه گروهک‌داربودن رو ایجاد کرد!

وجود میان‌برهای قرمز، به یک شبکه با ضریب‌خوشگی بالا، خاصیت جهان کوچکی می‌بخشد. نگاره از nature

مدل واتس و استروگتز ابتدا به عنوانی مدلی که «شش درجه جدایی» رو توصیف می‌کرد، در نظر گرفته می‌شد. اما در حقیقت مهم‌ترین تاثیرش هموار کردن مسیر مطالعه اثرات ساختار شبکه روی طیف وسیعی از پدیده‌های دینامیکی بود. یک سال پس از انتشار مقاله شبکه‌های جهان-کوچک، آلبرت باراباشی و رِکا آلبرت در مقاله‌ای با عنوان «برآمدگی اثر مقیاسی در شبکه‌های تصادفی» مدلی معروف به مدل شبکه «اتصال ترجیحی‌» رو منتشر کردن که نقش بسیار کلیدی در توسعه پژوهش در نظریه شبکه‌های پیچیده ایفا کرد. در نظریه گراف یا علم شبکه، به تعداد یال‌های متصل به هر راس، درجه اون راس گفته می‌شه و برای شبکه تصادفی، توزیع درجات رئوس، پواسونی هست. ایده مدل باراباشی-آلبرت این بود که توزیع درجات شبکه‌های واقعی، پواسونی نیست بلکه یک توزیع دم‌کلفت (توانی) هست. برای همین باراباشی و آلبرت سازوکاری رو معرفی کردن که به کمکش بشه شبکه‌هایی با توزیع درجات توانی داشت. این که درجات یک شبکه از توزیعی توانی میاد، به معنای وجود پدیده‌هایی نادر ولی مهمه! مثلا تعداد کسانی که توی اینستاگرام بالای ۱۰۰میلیون دنبال‌کننده دارن ۱۰ نفر هست ولی این‌ها افراد سرشناسی هستن! یا مثلا وقتی گفته میشه که در امریکا ۹۹٪ ثروت دست ۱٪ افراد جامعه است، درسته که این ۱٪ تعداد کمی از افراد جامعه امریکا رو تشکیل می‌دن ولی افراد بسیار تاثیرگذاری هستن! از اونجایی که در شبکه‌های جهان-کوچک و شبکه‌هایی که توزیع درجات ناهمگنی دارن طیف وسیعی از گذارفازها و رفتارهای برآمده رو میشه مشاهده کرد، رفته‌رفته دانشمندان زیادی از رشته‌های مختلف به این موضوع علاقمند شدن.

یک شبکه رندم (شبکه جاده‌های امریکا) در برابر یک شبکه باراباشی-آلبرت (شبکه خطوط هوایی امریکا). در شبکه خطوط هوایی، راس‌هایی (فرودگاه‌‌ها) با درجه بسیار بالا وجود دارد در صورتی که در شبکه جاده‌ای این‌گونه نیست. نگاره از کتاب علم شبکه باراباشی.
یک شبکه تصادفی (شبکه جاده‌های امریکا) در برابر یک شبکه باراباشی-آلبرت (شبکه خطوط هوایی امریکا). در شبکه خطوط هوایی، راس‌هایی (فرودگاه‌‌ها) با درجه بسیار بالا وجود دارد در صورتی که در شبکه جاده‌ای این‌گونه نیست. نگاره از کتاب علم شبکه باراباشی.

نکته مهمی که به مرور خیلی جلب توجه کرد، اصطلاحا تپولوژی شبکه‌ها بود، به این معنا که طی سلسله‌ای از پژوهش‌ها متوجه شدیم که چگونگی ارتباطات عناصر در یک شبکه می‌تونه چه تبعات جالبی به همراه داشته باشه. کم‌کم اتفاقات بزرگی رقم خورد. ما تونستیم مقاومت شبکه‌های مختلف رو بررسی کنیم، گسترش‌ بیماری‌های همه‌گیر رو کنترل کنیم، درک عمیق‌تری از انتشار اطلاعات پیدا کنیم و همین‌طور بفهمیم که  همگاه‌سازی رفتارهای‌ برآمده چه‌طور روی شبکه‌ها شکل می‌گیره. به عنوان مثال، با استفاده از مفهوم شبکه‌های جهان-کوچک موفق شدیم که ساختار وب (WWW) رو درک کنیم یا اینکه بفهمیم چه‌طور قسمت‌های آناتومیک و کارکردی مغز با همدیگه ارتباط برقرار می‌کنند. ویژگی‌های ساختاری دیگه‌ای هم کم‌کم مورد مطالعه قرار گرفت، مثل پیمانه‌ای بودن یا مفهوم موتیف‌های شبکه. همه این یافته‌ها در نهایت سبب شد که دانشمندان، معماری شبکه‌های موجودات زنده و مصنوعی رو شناسایی و درک کنند، از شبکه‌های زیرسلولی گرفته تا زیست‌بوم‌ها و اینترنت!

استیون استروگتز.

به لطف توان محاسباتی بی‌سابقه، مجموعه داده‌های بزرگ و تکنیک‌های مدلسازی محاسباتی موجود، پژوهش‌های روز این حوزه موفق شدن که پلی بین دینامیک تک‌تک راس‌ها  و ویژگی‌های برآمده بزرگ‌مقیاس شبکه‌ها برقرار کنن. با این وجود، سادگی و دم‌دست بودن مدل‌های جهان‌-کوچک و اتصال ترجیحی هنوز پایه‌ی فهم ما از تپولوژی شبکه‌ها رو تشکیل می‌دن و از صدقه‌سر ارتباط این مدل‌ها با شاخه‌های مختلف علم، امروز رسما با یک حوزه بین‌رشته‌ای به اسم «علم شبکه» روبه‌رو هستیم!

نکته‌ای که حتما باید بهش اشاره کنیم اینه که جمع‌آوری دانش و روش از رشته‌های کاملا مختلفی مثل علوم اجتماعی، ریاضیات کاربردی، فیزیک، زیست‌شناسی و علوم کامپیوتر واقعا کار آسونی نبوده! سال‌ها جنگ و جدل به خاطر توافق بر سر تعاریف و مفاهیم بوده و واقعا انرژی زیادی صرف شده تا رهیافت‌هایی که مردم در رشته‌های مختلف به کار بردن برای بقیه هم واضح بشه! ولی ما این کار رو انجام دادیم! طی ۲۰ سال گذشته، یک جامعه پرجوش و خروشی از علم شبکه ایجاد شده که برای خودش مجلات معتبر، موسسات تحقیقاتی و کنفرانس‌هایی با هزاران دانشمند داره!

در ۲۰امین سالگرد انتشار مقاله واتس و استروگتز، بیتشر از ۱۸۰۰۰ مقاله به این مدل که یکی از نمادهای تپولوژی شبکه‌ است ارجاع دادن. واتس و استروگتز مقاله‌شون رو با این جمله تموم می‌کنن که «امیدواریم که کار ما انگیزه‌بخش مطالعات بیشتر شبکه‌های جهان-کوچک بشه!» شاید در بستر تاریخ، هیچ گزاره‌ای اینقدر پیشگویانه نبوده باشه!

 

این ویدیو در مورد ظهور علم شبکه است:

یادگیری «سیستم‌های پیچیده» رو از کجا و چه‌طور شروع کنیم؟!

خیلی وقته که از من پرسیده میشه که اگر بخوایم یادگیری سیستم‌های پیچیده رو شروع کنیم باید چیکار کنیم؟! آیا میشه بیرون از دانشگاه این کار رو انجام داد؟ یا اگر من رشته‌م مثلا کیهان‌شناسی، آمار یا ریاضی هست برام مقدوره که یادبگیرم؟ خب جواب اینه: چرا که نه! اما اینکه یک راه خیلی خاص وجود داشته باشه، راستش وجود نداره. در حقیقت آدم‌های مختلفی به این سوال طی سال‌های گذشته جواب‌های متنوعی دادن؛ مثلا  مارک نیومن یک‌بار در مورد موضوعات مطرح و منابع موجود در Complex Systems: A Survey نوشته. با این حال سعی می‌کنم طرحی برای شروع یادگیری سیستم‌های پیچیده در ادامه ترسیم کنم. از هرگونه نظر، انتقاد یا پیشنهاد از صمیم قلب استقبال می‌کنم، به‌ویژه از طرف متخصصان. راستی  قبل‌تر نوشته‌ای با عنوان «چگونه یک‌ فیزیک‌دان نظری خوب شویم؟» از خِراردوس توفت، نوبلیست، ترجمه کرده بودم.

یکی از کتاب‌های عامه‌پسند برای پیدا کردن درکی از سیستم‌های پیچیده

پیش‌فرض این نوشته اینه که خواننده به حساب دیفرانسیل و انتگرال، معادلات دیفرانسیل و فیزیک پایه مسلط هست و علاقه شدیدی به ورود به حوزه بین‌رشته‌ای داره! اصلی‌ترین پیش‌نیاز برای یادگیری سیستم‌های پیچیده شهامت و حوصله کافی برای ورود به دنیایی تازه و هیجان‌انگیزه! اگر به دنبال کتابی هستین که حس کلی از «سیستم‌های پیچیده» به شما بده نگاه کنید به کتاب «سیری در نظریه پیچیدگی» نوشته ملانی میچل با ترجمه رضا امیر رحیمی.  همین‌طور کورس مقدماتی در Complexity Explorer وجود داره برای این که یک آشنایی کلی از سیستم‌های پیچیده پیدا کنید. لیستی که در ادامه اومده، بسته به هر موضوع، از ابتدایی به پیشرفته مرتب شده و تقریبا سعی کردم ترتیب معنی‌داری برقرار کنم. به این معنی که شما می‌تونید به‌ترتیب موضوعات مطرح شده یادگیری اون‌ها رو شروع کنید و بسته به زمانی که دارین توی هر کدوم عمیق و عمیق‌تر بشین!

۱) جبر خطی و ماتریس‌ها

برای شروع نیاز به مفاهیم‌ و تکنیک‌های جبرخطی دارین. باید بتونید با ماتریس‌ها خوب کار کنید.

  1. کورس جبر خطی Vector and Matrix Algebra by Anthony D. Rhodes
  2. ویدیوهای Essence of linear algebra
  3. کورس و کتاب جبرخطی Gilbert Strang
این کتاب با نگاهی جدید به مکانیک کلاسیک، به موضوعات مورد نیاز برای سیستم‌های پیچیده می‌پردازد.

۲) مکانیک کلاسیک

بخش زیادی از سیستم‌های پیچیده توسط فیزیک‌دانان توسعه داده شده، پس باید با ادبیات ابتدایی فیزیک آشنا بشید!

  1. کورس مکانیک کلاسیک لنرد ساسکیند
  2. کتاب Introduction to Modern Dynamics – Chaos, Networks, Space and Time – David D. Nolte

۳) آمار، احتمال و فرایندهای تصادفی

ایده‌های اصلی آمار و احتمال رو باید بدونید. یعنی هرکسی که در دنیای امروز زندگی می‌‌کنه باید بدونه!

  1. کتاب An Introduction to Random Vibrations, Spectral & Wavelet Analysis by D. E. Newland
  2. کتاب Probability Theory: The Logic of Science by E. T. Jaynes

۴) فرکتال‌ها و مفاهیم مقیاسی

  1. مقدمه‌ای بر هندسه فرکتالی: ویدیو
  2. کتاب Scale: The Universal Laws of Growth, Innovation, Sustainability, and the Pace of Life in Organisms, Cities, Economies, and Companies by Geoffrey West
  3. کورس Fractals and Scaling by David Feldman
  4. این ویدیو رو ببینید:

۵) فیزیک آماری و پدیده‌های بحرانی

مکانیک آماری رو خیلی خوب باید بدونید! از ایده‌های ابتدایی تا مباحث پیشرفته. مدل آیزینگ رو خیلی جدی بگیرین!

  1. کورس مکانیک آماری لنرد ساسکیند
  2. کورس و کتاب فیزیک آماری ذرات، مهران کاردر
  3. کتاب Statistical Mechanics Entropy, Order Parameters, and Complexity by James P. Sethna
  4. کورس کوتاه  Introduction to Renormalization by Simon DeDeo
  5. کتاب Lectures On Phase Transitions And The Renormalization Group by Nigel Goldenfeld
  6. کتاب David Tong: Lectures on Kinetic Theory

    کتاب دینامیک غیرخطی و آشوب استیون استروگتز به همراه ویدیوهای کلاس درسش یکی از بهترین منابع یادگیری دینامیک غیرخطی است.

۶) دینامیک غیرخطی و آشوب

  1. کورس Introduction to Dynamical Systems and Chaos by David Feldman
  2. کورس و کتاب Nonlinear Dynamics and Chaos by Steven H. Strogatz
  3. کورس Nonlinear Dynamics: Mathematical and Computational Approaches by Liz Bradley

۷) شبکه‌ها (علم شبکه)

  1. ویدیو «ظهور علم شبکه»
  2. مقاله مروری The shortest path to complex networks by S. N. Dorogovtsev and J. F. F. Mendes
  3. کتاب علم شبکه باراباشی
  4. کتاب Networks: An Introduction by Mark Newman
  5. این ویدیو رو ببینید:

۸) روش‌ها و تکنیک‌های محاسباتی و شبیه‌سازی

  1. کورس پایتون برای همه
  2. کورس پایتون برای پژوهش
  3. کتاب Monte Carlo Simulation in Statistical Physics: An Introduction by Kurt Binder, Dieter W. Heermann
  4. کتاب Complex Network Analysis in Python by Dmitry Zinoviev
  5. کورس Introduction to Agent-Based Modeling by William Rand

۹)  نظریه اطلاعات و محاسبه

Self-contained, precise. Numerous examples and exercises make it a valuable teaching book
Builds a bridge between physics of glasses and computer science problems
  1. کورس Introduction to Computation Theory by Josh Grochow
  2. مقاله مروری A Mini-Introduction To Information Theory by Edward Witten
  3. کتاب Information, Physics, and Computation by Marc Mézard and Andrea Montanari

۱۰) نظریه بازی‌‌ها

  1. کورس Game Theory I – Static Games by Justin Grana
  2. کورس Game Theory II- Dynamic Games by Justin Grana
  3. کتاب Strategy: An Introduction to Game Theory by Joel Watson

۱۱) یادگیری ماشین

  1. کورس Fundamentals of Machine Learning by Brendan Tracey and Artemy Kolchinsky
  2. مقاله مروری A high-bias, low-variance introduction to Machine Learning for physicists
  3. ویدیو Bayesian Inference by Peter Green

به طور کلی، دوره‌های آموزشی Complexity Explorer رو دنبال کنید. موسسه سن‌تافه (سانتافه!)  یک کورس مقدماتی روی پیچیدگی داره. همین‌طور پیشنهاد می‌کنم عضو کانال Complex Systems Studies در تلگرام بشین. فراموش نکنید که اینترنت پره از منابع خوب برای یادگیری ولی چیزی که کمه، همت! در آخر دیدن این ویدیو رو با زیرنویس فارسی پیشنهاد می‌کنم:

 

 

 

 

«می‌خواهمت اگر چه دلم با تو صاف نیست!» به‌مناسبت روز نجوم!

این روزها در سراسر ایران، برنامه‌های ترویجی زیادی به مناسبت روز جهانی نجوم برپا شده. برنامه‌های مختلفی که با یک جستجوی ساده در گوگل می‌شود از جزئیاتشان باخبر شد. مثل برنامه‌ فردای مرکز علوم و ستاره‌شناسی تهران یا برنامه‌هایی که جمعه در برج میلاد تهران و رصدخانه زعفرانیه برگزار می‌شوند. در مورد مهم بودن نجوم، اهل فن به قدر کافی نوشته‌اند ([۱]، [۲] و [۳]) و به نظرم نیازی نیست با وجود این همه کتاب خوب به زبان فارسی، نگران این باشیم که اینجا در مورد نجوم به‌طور مفصل بنویسیم. از طرف دیگر، ۱۷ سالی است که در ایران مردم به شیوه‌های مختلف مشغول کارهای ترویجی پیرامون نجوم هستند؛ از برنامه‌های مناسبتی نهادهای مختلف مردمی و غیرمردمی گرفته تا برنامه‌های تلوزیونی مثل آسمان شب. وقت آن است که به همه‌ این عزیزان دست‌مریزاد بگویم! دم برادران صفاریان‌پور گرم که بسیاری علاقه‌شان به نجوم را وام‌دار کارهای حرفه‌ای این دو عزیز هستند. تشکر ویژه از دکتر خواجه‌پور به‌خاطر ترجمه کتاب نجوم به زبان ساده. ممنونیم از دکتر میرترابی به‌خاطر سخنرانی‌های فوق‌العاده‌شان. از همه کسانی که این مدت هر قدمی در راه ترویج و روایتگری در علم برداشته‌اند تشکر می‌کنیم. اصلا مگر می‌شود از بابک امین‌ تفرشی به‌خاطر عکس‌های فوق‌العاده‌اش یا از پوریا ناظمی به خاطر نوشته‌هایش تشکر نکرد؟! یا مگر میشود این حجم از فعالیت‌های مجله نجوم طی این مدت را نادیده گرفت؟! قدردان زحمات همه کسانی که راه را هموار ساخته‌اند هستیم. 

اما در کجای راه هستیم؟

علی‌رغم همه تلاش‌های صورت گرفته، به‌عنوان یک دانشجوی فیزیک، از وضع کنونی نجوم چندان دل خوشی ندارم! ۱۷ سال است که مشغول کارهای ترویجی پیرامون نجوم هستیم! ۱۷ سال! وقت آن است که به‌طور جدی بپرسیم، از این همه وقت و سرمایه چه چیزی عایدمان شده؟! چقدر به چشم‌اندازی که تصور می‌کردیم برای نجوم رسیده‌ا‌یم؟ راستی اصلا چشم‌اندازی در کار بوده؟!

جاستین بیبر ( Justin Drew Bieber) (زادهٔ ۱ مارس ۱۹۹۴)؛ خواننده، ترانه‌سرا، آهنگساز، نوازنده، بازیگر و سرگرمیساز کانادایی است. نگاره از ویکی‌پدیا.

بدون تعارف، از نظر من «امروز نجوم در ایران، جاستین بیبر علوم شده است!». مشهور است، دخترها برایش هورا می‌کشند، کیف پسرها پر است از پیکسل‌های نجومی، اردوهای رصدی کماکان از پرطرفدارترین برنامه‌های دانشگاهی است، در بین پربازدیدترین مستند‌ها، مستندات نجومی در صدر هستند، در بین صفحات مختلف اجتماعی، صفحاتی که به نجوم می‌پردازند پر از دنبال‌کننده هستند، برای برخی کارل سیگن از بزرگترین فیزیک‌دانان قرن اخیر است و چه بسیار کسانی که نیل دگراس تایسون را یک منجم بزرگ می‌دانند بی‌آنکه فرق بین نجوم، اخترفیزیک و کیهان‌شناسی را بدانند! این وسط عده‌ای هم خود را صاحب فن می‌نامند بی‌آنکه دو خط مکانیک سماوی بدانند!  خب شاید بگویید این که اشکالی ندارد! عده‌ای هستند که می‌خواهند از آسمان زیبای شب لذت ببرند و با دیدن مستندات علمی به وجد آیند! اصلا به شما چه؟! فرمایش شما متین، ولی این برای ۱۷ سال تلاش برای ترویج علم دستاورد خوبی نیست! برنامه‌های ترویجی برای آشنا کردن مردم کوچه و بازار با علم است. به بیان دیگر، می‌خواهیم به بهانه‌های مختلف، کاری کنیم که مردم در زندگی روز‌مره‌شان روش علمی را به کار برند و قاعدتا بازخوردی از این کار را در سطوح بالاتر جامعه ببینیم! مثلا به‌طور جدی باید بپرسیم که پس از گذشت ۱۷سال ترویج نجوم، چقدر مردم به طالع‌بینی اعتقاد دارند؟! راستی به این دقت کرده‌اید که وقتی مهران مدیری در برنامه دورهمی، هر شب از مهمان خود می‌پرسد متولدین فلان ماه چه ویژگی‌هایی دارند، هیچ واکنشی مبنی بر یاوه‌ای که می‌گوید از مردم دریافت نمی‌کند؟! ۱۷سال تلاش‌کرده‌ایم ولی هنوز در تلگرام دنبال این هستیم که ببینیم اگر دوستمان متولد مردادماه است به چه چیزهایی علاقه دارد! اولین هدف در برنامه‌های ترویجی و روایتگری در علم، بالابردن فرهنگ علمی مردم است که انگار چندان هم در آن موفق نبوده‌ایم! فراموش نکنیم که هنوز کسانی هستند که فکر می‌کنند زمین تخت است و هیچ‌گونه دست‌بردار این ایده نیستند! برایش تبلیغ می‌کنند، سمینار برگزار می‌کنند و هوررررا می‌کشند!

در دانشگاه‌های ما چه خبر است؟

دل‌نگرانی بعدی من به این خاطر است که پس از گذشت تقریبا دو دهه، ما فعالیت‌های حرفه‌ای را به نجوم آماتوری کاهش داده‌ایم! هیچ خبری از فعالیت‌های حرفه‌ای در مقیاس بزرگ نیست! انگیزه‌ی قسمتی از کارهای ترویجی در نجوم این است که افراد علاقمند را به سمت تحصیل و پژوهش در رشته نجوم سوق دهیم. چقدر در این کار موفق بوده‌ایم؟! برای تحصیل نجوم، در مقطع کارشناسی باید وارد رشته فیزیک شوید و اگر در یکی از دانشگاه‌های خوب کشور باشید و خیلی خوش‌شانس، شاید یک درس ۳ واحدی برای نجوم بگذرانید! خب تا اینجای کار زیاد بد نیست. به‌هرحال، همین که در رشته فیزیک هستید اصول اولیه نجوم را یاد می‌گیرید. نکته اینجاست که در چندتا از دانشگاه‌های کشور، گرایش نجوم در مقطع تحصیلات تکمیلی وجود دارد؟! چند استاد در کل دانشگاه‌های ایران هستند که حرفه‌شان نجوم باشد؟! دقت کنید، نجوم، و نه اخترفیزیک یا کیهان‌شناسی! آیا می‌دانستید برخی از اساتید که به‌طور حرفه‌ای کارشان نجوم بوده، در حال کوچ کردن به سمت کیهان‌شناسی یا سایر گرایش‌ها هستند؟! مردم، باور کنید که حال نجوم حرفه‌ای این روزها خوب نیست! راستی، از رصدخانه ملی‌مان چه خبر؟! فراموش نکنید که یکی از هدف‌های برنامه‌های ترویجی این است که پیشرفت علم را به یک دغدغه برای مردم کند! اصلا پس از ۱۷ سال جشن و بزک، آیا مطالبه مردمی برای زودتر به سرانجام رسیدن پروژه رصدخانه ملی وجود دارد؟! ۱۷ سال گذشت، دولت و مجلس برای نجوم چه کرده‌اند؟! فیزیک، علمی تجربی است و آزمایشگاه می‌خواهد، آزمایشگاه نجوم، رصدخانه است! بدون رصدخانه حرفه‌ای خبری از تربیت نسل جوانی از منجمین نیست. مگر یک سری کار با داده‌های وارداتی!

خلاصه این که…

کویر مرنجاب – برنامه رصد اردیبهشت ۹۳

تقریبا دو دهه است که تمرکز عجیبی روی برنامه‌های ترویجی برای نجوم داشته‌‌ایم. علی‌رغم همه تلاش‌ها و خون‌دل‌ها هنوز کارهای زیادی برای انجام دادن وجود دارد. مردم و مسئولین ما هنوز متقاعد نشده‌اند که علم، قدرت‌آفرین است! هنوز با مفهوم توسعه شوخی می‌کنیم! علم را نشناخته‌ایم، هدف دانشگاه‌ را فراموش کرده‌ایم و نیروی انسانی ارزشمند خود را دو دستی صادر می‌کنیم و به جای آن خروار خروار مواد آرایشی وارد کشور می‌کنیم! منجمین حرفه‌ایمان را مجبور به مهاجرت می‌کنیم و نجوم را به عنوان یک تفریح بزک می‌کنیم و به مردم به عنوان یک فعالیت حرفه‌ای در علم نشانش می‌دهیم. بسیاری از علاقمندان به نجوم و حتی خیل زیادی از کسانی که خود را منجم آماتور می‌دانند، پس از ورود به رشته فیزیک شدیدا از رشته فیزیک و نجوم حرفه‌ای متنفر می‌شوند! علتش این است که آن نجوم بزک‌شده، در دانشگاه صورت خود را شسته و اکنون چهره‌ واقعی نجوم برای دانشجوی بیچاره یک چهره خشن و زشت است! نجوم حرفه‌ای را دریابیم!

«النّاسُ ثَلاثَةٌ: فَعالِمٌ رَبّانِىٌّ، وَ مُتَعَلِّمٌ عَلى سَبيلِ نَجاة، وَ هَمَجٌ رَعاعٌ، اَتْباعُ كُلِّ ناعِق، يَميلُونَ مَعَ كُلِّ ريح، لَمْ يَسْتَضيئُوا بِنُورِ الْعِلْمِ، وَ لَمْ يَلْجَاُوا اِلى رُكْن وَثيق. مردم سه گروهند: دانشمند ربّانى، دانشجوى بر راه نجات، و مگسانى ناتوان که به دنبال هر صدایى مى روند، و با هر بادى حرکت مى کنند، به نور دانش روشنى نیافته، و به رکنى محکم پناه نبرده‌اند.» چقدر از هر دسته در جامعه ما وجود دارد؟!

دست همه عزیزانی که طی ۱۷ سال گذشته در توسعه نجوم نقش داشته‌اند را به گرمی می‌فشاریم. اما اکنون باید تلاش کنیم برنامه‌های ترویجی هدف‌مندتری برگزار کنیم!

ریچارد فاینمن؛ چهره‌ترین چهره!

اگر از دنبال‌کنندگان سیتپور هستین لابد با فاینمن تا حالا آشنا شدین. ریچارد فاینمن بدون اغراق یکی از بزرگترین فیزیک‌دانان قرن ۲۰ام و یکی از تاثیرگذارترین فیزیک‌دانان کل تاریخه. پیش‌تر از این، در مورد فاینمن نوشته بودم (۱) (۲) (۳) (۴) (۵). طی این چند روز، دوستان ویدیویی از یکی از مصاحبه‌های فاینمن رو برام فرستادن که ازش می‌پرسن آیا هرکسی می‌تونه فاینمن بشه؟ و فاینمن با خونسردی خاصی می‌گه آره! متن مصاحبه از این قراره:

شما از من می‌پرسی که آیا یه آدم معمولی با سخت درس خوندن می‌تونه چیزهایی که من تصور می‌کنم رو تصور کنه؟ البته! من یه آدم معمولی بودم که سخت درس خوندم. هیچ آدم افسانه‌ای وجود نداره! داستان از این قراره که این جور آدما به این جور چیزا علاقمند میشن و همه چیزای مربوط به اون رو یاد می‌گیرن. اونا هم آدم هستن! توانایی خارق‌العاده‌ای برای درک مکانیک کوانتومی یا تصور  امواج الکترومغناطیس به دست نمیاد مگه از راه تمرین و مطالعه و یادگیری و ریاضیات! پس، اگه شما یه آدم معمولی رو در نظر بگیرین که وقت بسیار زیادی رو وقف مطالعه و فکر کردن و ریاضیات و این جور چیزا می‌کنه. اون موقع اون شخص خب یه دانشمند میشه!

فاینمن، ابرچهره مردمی!

احتمالا هر کسی که قدری فیزیک یا ریاضی خونده باشه، با دیدن این ویدیو کمی جا می‌خوره. واقعا مگه میشه مثل فاینمن شد؟ من نمی‌دونم، ولی خود فاینمن میگه میشه! نابغه‌ها دو دسته هستن. دسته اول، اونایی که اگه مدتی وقت بذاری متوجه کارشون می‌شی و با اینکه کارشون  قابل تقدیره، ولی این حس رو پیدا می‌کنی که اگر کس دیگه‌ای هم وقت کافی صرف اون موضوع کرده بود، می‌تونسته اون نتایج رو به دست بیاره. اما دسته دوم، نابغه‌هایی هستن که وقتی آدم کارشون رو دنبال می‌کنه و ایده‌های بکری که به کار بردن رو متوجه میشه، همه‌ش از خودش می‌پرسه، مگه میشه!؟ آخه چه‌طور به ذهنش رسیده این چیزا! چه‌طور یه نفر تونسته توی این سن و سال این مسیر عجیب و غریب رو دیده باشه! آقای کاتس (Mark Kac) توی مقدمه کتاب Enigmas of Chance گفته که فاینمن از اون دسته‌ای هست که حتی دانشمندان تراز اول هم بهش غبطه می‌خورن! آدم‌هایی که نبوغشون جادوییه! با این وجود، این چیزی نیست که فاینمن در مصاحبه گفته! فاینمن معتقده که هر کسی که تلاش کنه می‌تونه فاینمن بشه! راستش گروه باراباشی سال گذشته نشون دادن که موفقیت در مسیر علمی به شانس هم بستگی داره و صدالبته اینکه وقتی شما شانس بیشتری پیدا می‌کنی که همیشه در حال تلاش باشی و پرکار و پویا! به‌هرحال ما نمی‌تونیم انکار کنیم که کار زیاد و خون جگر خوردن بی‌ثمر می‌مونه، همین‌طور که نمی‌تونیم عظمت جناب فاینمن رو انکار کنیم!

چه کسی محبوبه؟ نابغه‌ترین؟!

چیزی که برای من جالبه اینه که چرا بین همه فیزیکدانان رده بالای قرن ۲۰ام، چهره‌هایی مثل آینشتین، فاینمن و هاوکینگ تبدیل به ابرچهره شدند؟! چهر‌ه‌هایی که نه تنها جامعه فیزیک‌دان‌ها اونا رو ستایش می‌کنه بلکه مردم هم اونا رو می‌شناسن، بهشون احترام می‌ذارن و بهشون به عنوان قهرمان/الگو/اسطوره نگاه می‌کنند! راستی، برای اینکه دانشمندی تبدیل به چهره‌ای مردمی بشه فقط به نبوغ سرشار نیاز داره؟

جواب این سوال منفیه! یقینا در قرن گذشته بزرگانی وجود داشتن که از فاینمن یا هاوکینگ بزرگتر بوده باشن. بزرگانی که حتی دانشجوهای لیسانس فیزیک هم ممکنه با شنیدن اسمشون احساس آشنایی پیدا نکنن! مثلا همین جناب شویینگر که به همراه فاینمن در سال ۱۹۶۵ نوبل QED رو گرفته یا عالی‌مقام دیراک! سوال اینجاست که چرا این فاینمنه که ورد زبان‌هاست و نه جان ویلر (استاد فاینمن)؟! بدون تردید جان ویلر قله‌ای استوار در فیزیک به حساب میاد. (شاید از کم‌ترین دستاورهای جان ویلر این باشه که دو تا از دانشجوهاش نوبلیست شدن: فاینمن در سال ۱۹۶۵ و کیپ ثرون در ۲۰۱۷.) یا مثلا اکثر مردم آینشتین رو به عنوان نمادی از نبوغ میشناسن ولی با ماکس پلانک یا هنری پوانکاره عزیز هیچ آشنایی ندارن چه برسه به کسانی مثل چاندراسخار یا لینوس پاولینگ! یا مثلا آقای بیل‌ گیتس، فاینمن را به خوبی می‌شناسه ولی لابد اسمی از دیوید بهم هیچ موقع نشنیده! پس ماجرا چیه؟!

فاینمن، روایتگر بزرگ علم!

چیزی که فاینمن رو تبدیل به یک نماد و ابرچهره کرده فقط نبوغ سرشار و بی‌نظیرش نیست. به قول فریمن دایسون،

فاینمن در حال گفتگو با TA خود پس از کلاس درس. April 29, 1963. حق نشر متعلق به کلتک: feynmanlectures.caltech.edu

برای اینکه یک دانشمند بتونه تبدیل به یک ابرچهره یا نماد برای مردم بشه، علاوه بر نبوغ زیاد، باید توانایی ارتباط با مردم رو داشته باشه. باید بتونه با مردم حرف بزنه و به زبون خودشون بهشون اتفاقات دنیای علم رو توضیح بده. مردم به امثال آینشتین یا فاینمن با روی خوش نگاه می‌کنند چون مثل خودشون هستن! فاینمن یک بذله‌گو تمام عیار بود، یک دلقک حتی! مردم کسایی که خشک و عصا قورت داده هستن رو دوست ندارن! فاینمن همون‌قدر که دانشمند تراز اولی بود، موقع تدریس یک شومن فوق‌العاده هم بود! همون قدر که دقت علمی در گفتگوهاش داشت، همون‌قدر هم در روایتگری ید بیضایی داشت! مردم قصه‌گوها رو دوست دارن و به قصه‌ها گوش می‌دن. به نظر من، فاینمن بزرگترین روایتگر علم در دو قرن گذشته است!

فاینمن، انسان بود، درد رو می‌فهمید!

فاینمن فرد عاقل و خرمندی بود! فاینمن در مورد مسائل زندگی حرف برای گفتن داشت. حرف‌های درست و حسابی! فاینمن زندگی رو می‌شناخت و سختی‌های زیادی رو طی زندگی تحمل کرده بود. اگر کتاب «حتما شوخی می‌کنید آقای فاینمن!» رو خونده باشین، در جریان بیماری Arline همسر فاینمن هستین. فاینمن، علی‌رغم مشغله‌های کاریش به خاطر پروژه منهتن (پروژه ساخت بمب هسته‌ای)، با تمام وجود از همسرش پرستاری کرد و اجازه نداد که آب توی دلش تکون بخوره! فاینمن همسر جوانش رو خیلی زود از دست داد و این داغ هیچ موقع از دل و ذهن فاینمن بیرون نرفت. ما فاینمن رو به عنوان یک معلم بزرگ فیزیک می‌شناسیم. لکچرنوت‌های فاینمن پرآوازه‌ترین کتاب‌هایی هستن که برای یادگیری فیزیک توی بازار میشه پیدا کرد و از صدقه سر این مجموعه فوق‌العاده ما بعد اجتماعی فاینمن رو به خوبی می‌شناسیم. در مورد بعدی فردی فاینمن، چندسال پیش، مجوعه‌ای از نامه‌های فاینمن منشتر شد به اسم «Perfectly Reasonable Deviations: The Letters of Richard P. Feynman» که جلوه‌های جدیدی از زندگی فاینمن رو به ما نشون میده.

فاینمن باتمام وجود از همسرش پرستاری می‌کرد. درست زمانی که مشغول پروژه بمب اتم بود!

پیشنهاد می‌کنم نامه‌ای که فاینمن پس از مرگ همسرش نوشته رو حتما بخونید! فریمن دایسون میگه پشت تمام شادمانی‌های فاینمن، یک تراژدی نشسته بوده و با تمام شور و نشاطی که مردم از فاینمن سراغ دارن، اون خیلی خوب می‌دونسته که زندگی کوتاهه! فاینمن در سال‌های آخر عمرش از دو سرطان نادر رنج می‌برد: لیپوسارکما و بیماری والندشتروم. بعد از یک عمل جراحی کوتاه برای درمان بیماری والندشتروم، فاینمن در ۱۵ فوریه ۱۹۸۸ تو سن ۶۹ سالگی در مرکز پزشکی یو سی ال ای در گذشت. آخرین کلماتش این بود: «از این که دو بار بمیرم متنفرم، خیلی کسل‌کننده است.» 🙁

فاینمن «انسان» بود، درد رو حس کرده بود و برای فرزندان، دانشجوها و حتی همکارانش یک «راهنمای دلسوز» بود. مجموعه نامه‌های منتشر شده فاینمن، گواه دغدغه‌های فاینمن و احساسش نسبت به مردم اطرافشه. فاینمن به عنوان یک نوبلیست، با تمام مشغله‌های آکادمیک به نامه‌های مردم از سراسر جهان با حوصله جواب می‌داده، برای مردم وقت می‌ذاشته و سعی می‌کرده راهنماییشون کنه! راستش، فاینمن عجیب منو یاد این عبارت از اسرارالتوحید ابوسعید ابوالخیر می‌ندازه: «مرد آن بود که در میان خلق بنشیند و برخیزد و بخسبد و بخورد و در میان بازار در میان خلق ستد و داد کند و با خلق بیامیزد و یک لحظه، به دل، از خدای غافل نباشد.»

حواسمون باشه:

  • در انتها به نظرم باید به این نکته اشاره کنم که فراموش نکنیم که ما در علم به دنبال چهره‌ها نیستیم! علم مستقل از عالمه! افراد مهم نیستن، بلکه حرف مردمه که مهمه. درگیر اشخاص نشیم و از دانشمندا بت نسازیم! نظر ساسکیند در مورد فاینمن رو بشنویم، نگاه کنیم که پس از مرگ فاینمن، شووینگر در رثای اون چی گفت! همین‌طور به ماری‌ گل-مان هم گوش کنیم که میگه: «فاینمن بخشی از وقتش رو صرف پرداختن به قصه‌های می‌کرد که خودش قهرمان اون‌ها بود!». نگاه کنید به: Feynman100
  • یه نکته جالب دیگه اینه که مشهور بودن لزوما معنای مثبتی نداره! ارنست آیزینگ معروف‌ترین دانشمند در فیزیک آماری به حساب میاد ولی این به این معنا نیست که بزرگترین فرد در این زمینه هم باشه! راستی زیاد دل‌خوش به اسم قضیه‌ها و قانون‌ها هم نباشیم! بخش زیادی از اکتشافات، قضیه‌ها، روابط و قوانین به اسم کسانی معروف شدن که هیچ ربطی به اون قضیه یا قانون ندارن. به‌هرحال روزگار زیاد مطابق میل و اراده ما هم پیش نمیره!
  •  فاینمن عزیز، روحت در آرامش باد.

‌فایل صوتی: ریچارد فاینمن، چهره‌ترین چهره!

—————————————————–

این نوشته رو تقدیم می‌کنم به علی فرنود به خاطر نوشته‌های فوق‌العاده‌ش.

پیشنهاد‌هایی برای یادگیری مکانیک کوانتومی!

در مورد مکانیک کوانتومی حرف و نقل‌های فراوانی وجود داره که معمولا هر فیزیک‌پیشه‌ای از اونها مطلع هست. واقعیت اینه که مکانیک کوانتومی گیج‌کننده هست ولی درسته، کار می‌کنه! خلاصه‌ این‌که باید مکانیک کوانتومی رو یاد گرفت و ازش استفاده کرد. کتاب‌های زیادی با رویکردها و سطوح مختلفی نوشته شده و هر کسی می‌تونه بسته به نیازش یکی از اونها رو تهیه کنه و مطالعه کنه.

۱) دوره مکانیک کوانتومی MIT:

Allan Adams

اگر دنبال یک دوره (کورس)‌ خوب و معتبر برای شروع یادگیری مکانیک کوانتومی هستید به شما دوره‌ی مکانیک کوانتومی (۱) ام‌آی‌تی رو پیشنهاد می‌کنم. یک دوره‌ی ۲۴ جلسه‌ای (هر جلسه‌ش تقریبا ۱ساعت و ۲۰ دقیقه است) که دیدنش حتما پر از سود و فایده خواهد بود برای هرکسی که دنبال یادگیری مکانیک کوانتومیه!  استاد این درس Allan Adams ، فوق‌العاده این درس رو ارائه می‌کنه. بعد از دیدن این دوره، دوره‌ی مکانیک کوانتومی (۲) MIT یادگیری شما رو  تکمیل خواهد کرد. استاد این دوره Barton Zwiebach شاید به اندازه‌ی Allan Adams پر از انرژی نباشه ولی ایشون هم خیلی خوب تدریس می‌کنند.

۲) دوره مکانیک کوانتومی آکسفورد:

به نظر من اگر تاحالا هیچ‌ آشنایی با مکانیک کوانتومی نداشتید، این کورس برای شروع انتخاب خوبی نیست و پیشنهاد می‌کنم دوره‌ی مکانیک کوانتومی (۱) MIT رو ببینید. اما اگر مکانیک کوانتومی رو شروع کردید و یا همزمان در حال گذروندن این درس در دانشگاه هستید، گزینه‌ی بسیار خوبیه. این دوره رو Professor J.J. Binney (مدیر گروه فیزیک دانشگاه آکسفورد) تدریس می‌کنه.

۳) دوره مکانیک کوانتوم ساسکیند (The Theoretical Minimum):

The Theoretical Minimum
The Theoretical Minimum

مجموعه The Theoretical Minimum ساسکیند یکی از بهترین مجوعه‌ دوره‌هایی هست که میشه بهش رجوع کرد و هر دانشجوی کارشناسی فیزیکی باید حداقل قسمت «Core Courses» رو کامل ببینه. برای همین دوره کوانتوم ساسکیند هم شدیدا پیشنهاد میشه، مخصوصا برای شروع. با این وجود همه موضوعاتی که معمولا تحت عنوان درس کوانتوم۱ تدریس میشه در این دوره وجود نداره، مثلا حرفی در مورد نوسانگر هماهنگ زده نمیشه. یکی از خوبی‌های این دوره، بحث زیادی هست که حول موضوع درهم‌تنیدگی مطرح میشه. در ادامه این دوره، می‌تونید دوره مکانیک کوانتوم پیشرفته و دوره درهم‌تنیدگی کوانتومی ساسکیند رو ببینید.

۴) برای دوره‌های بیشتر برای مکانیک کوانتومی، پست «لیسانس فیزیک با بیژامه» رو بخونید!

«روایتگری در علم»

قصه‌ و قصه‌گویی

قصه‌گوها را خیلی دوست دارم. قصه، نوع ادبی عجیبی از اطلاعات است که محملی برای بیان عجیب وغریب‌ترین رخ‌دادهاست. اصلا به نظر من، قصه همه چیز است! اگر می‌خواهید ایده‌ای را، هرچند بغرنج و پیچیده، به ذهن کسی بنشانید، محتوای آن ‌را درون قصه‌ای نهادینه و برای آن شخص بازگو کنید. بی‌بروبرگرد اثرش بیشتر از روایت حادثه به صورت خالص و عریان آن است. به باورهای خود رجوع کنید، در بنیادی‌ترین آن‌ها هم، قصه‌ها نشسته‌اند. شاید اصلا بشود چنین ادعا کرد که فرهنگ‌ هر ملتی را می‌توان در چارچوب قصه‌هایشان بازتعریف کرد؛ ممکن است که این ادعا از دقت کافی برخوردار نباشد اما به نظر گمان بدی نیست.

به هرحال، این شکوهمندی درقصه‌گویی و روایتگری‌ همیشه برایم جالب توجه بوده و با این که نه ادیب هستم (که اگر شما باشید لابد می‌توانید به این نوشته خرده بگیرید! پس اگر هستید، به آن‌چه در ادامه می‌خواهم بگویم توجه کنید که عاقل نخست محتوا را می‌نگرد و سپس صورت را!) و نه چندان تجربه زیادی در مطالعه آثار ادبی جهان دارم (که ای کاش داشتم!)، ارزش والای قصه و قصه‌گویی را می‌دانم. از سوی دیگر، یک فیزیک‌خوانده هستم، به بیانی، پیشه‌ام فیزیک است و چند صباحی با اهل علم حشر و نشر داشته‌ام و در گفتگویشان حاضر بوده‌ام. مکانیک کلاسیک گلدستین و الکترودینامیک جکسون را خوانده‌ام، مکانیک کوانتومی گریفیث و درس‌گفتارهای فاینمن  را نیز. تفاوت بیان گریفیث با ریتس و میلفورد  در بیان الکترومغناطیس را هم دیده‌ام. با این وصف، ممکن است بپرسید که روایتگری و قصه‌گویی چه ربطی به من دارد؟ فیزیک کجا و انواع ادبی! زمختی سخنرانی‌های علمی کجا و حماسه‌سرایی‌های شاهنامه؟! ریاضیات پیشرفته و بی‌عاطفه هنکل و بسل کجا و عاشقانه‌های رومئو و ژولیت؟ می‌توانم پاسخ را از این نقل قول جناب اردوش شروع کنم:

«این که بپرسیم چرا اعداد زیبا هستند مثل این است که بپرسیم چرا سمفونی نهم بتهوون زیباست! و اگر شما این زیبایی را نمی بینید، کسی هم نمی‌تواند این زیبایی را به شما نشان دهد. من می‌دانم که اعداد زیبا هستند. اگر نباشند، آنگاه هیچ چیز نیست!»

در داستان شازده کوچولو سنت اگزوپری به شیوه‌ای سوررئالیستی به بیان فلسفه خود از دوست داشتن و عشق و هستی می‌پردازد. او از دیدگاه یک کودک، که از سیارکی به نام ب۶۱۲ آمده، پرسشگر سؤالات بسیاری از آدم‌ها و کارهایشان است. نگاره از ویکی‌پدیا

ولی در پی این پاسخ، باید بگویم که «عاقلان دانند یا صاحبان خرد» یا اینکه سراغ «بصیرت» بروم که در این نوشته قصد پرداختن به آن  را ندارم.  راستش پاسخ بهتر به این پرسش، با فکر کردن به قصه‌گویی به‌دست می‌آید و ریشه در شیوه روایتگری ما در علم دارد! به نظر شما، هنگامی که نویسنده‌ای یا روایتگری، قصه‌ای تعریف می‌کند، چقدر به این فکر می‌کند که مستمعش کیست؟ چند سال دارد؟ در هاروارد درس خوانده یا یک دیپلم‌ردی است؟ به نظر شما «سنت‌ اگزوپری» موقع نگارش شازده کوچولو چقدر تحت تاثیر این قید بوده که شنونده یا خواننده‌ اثرش کودک تازه مدرسه رفته‌ایست یا استاد دانشکده ادبیات؟ سعدی چه طور؟! آیا سعدی هنگام نگارش گلستان، مخاطبش را مشخص‌ کرده بود؟ اگر این‌گونه بود، چگونه هم در بازار و هم دربین کتاب‌های کتاب‌خانه دانشگاه تهران صحبت از حکایات سعدی است؟

راستش را بخواهید، حکایت علم هم همین است! علم، روایتی از طبیعت است، روایتی زیبا، معرکه و پرشکوه! اما این روایت، به آن زیبایی که هست، معمولا نقل نشده و نمی‌شود. روایتگری در علم معمولا جایش را به بیانی خشک و بدون عاطفه داده است. در اقصی‌نقاط دنیا، معلمان ریاضی، فیزیک، شیمی و زیست‌شناسی که اصلی‌ترین راویان علم هستند معمولا تلاشی برای «روایتگری» نمی‌کنند و به جای آن فقط به «بیان حقایق» می‌پردازند. همین است که همه ما سرماخورده یک زمستان در سرتاسر دنیا هستیم، زمستان بی‌ذوق و قریحگی در روایتگری در علم!

گالیله، روایتگر بزرگ علم

نگاهی تاریخی به آغاز علم، به معنی امروزی‌ یا مدرنش، ما را با گالیله و نیوتون مواجه می‌کند. در مورد این دو ابرمرد، نقل‌های زیادی وجود دارد ولی آن‌چه از نظر من جالب توجه است روایتگری این دو نفر است! همه ما می‌دانیم که سه‌جلدی شاهکار نیوتون به نام «اصولِ ریاضیِ فلسفهٔ طبیعی» یا به طور کوتاه «پرینکیپیا» چه تاثیر شگرفی بر علم داشته است. با این وجود، باید توجه کنیم این کتاب به زبان لاتین نوشته شده و فقط جلد نخست آن حدود ۵۰۰ صفحه و ۳۴۰ شکل بسیار پیچیده دارد. گویا جناب نیوتون کتاب را فقط برای متخصصان و اهل فن نوشته و حقی برای فهم مردم عادی در نظر نگرفته. فراموش نکنیم که نیوتون شخصیتی تکرار نشدنی در تاریخ علم است!

گالیله بر خلاف نیوتون، کتاب دیالوگو  را، به صورت یک قصه، به گونه‌ای نوشته که همه بتوانند آن را بخوانند. نگاره از ویکی‌پدیا

با این حال، برخلاف نیوتون، گالیله حدود ۵۰ سال قبل از نیوتون،  کتاب «گفتگو در باب دو سامانه بزرگ جهان» یا به طور کوتاه «دیالوگو»  را به زبان ایتالیایی و کاملا فصیح نوشته، به گونه‌ای که همه بتوانند اثرش را بخوانند! «دیالوگو» در مورد این ایده است که خورشید مرکز منظومه‌ شمسی است و گالیله این موضوع را به صورت گفتگویی میان سه دوست که به مدت چهار روز در ونیز به سر می‌برند روایت‌ می‌کند. نوشته گالیله بی‌نظیر است، ادبی و خنده‌دار است، پرشکوه و مبارزطلب است! گالیله به شکل هنرمندانه‌ای خواسته که مردم اثرش را بخوانند و درک کنند و بفهمند که زمین مرکز عالم نیست و این خورشید است که در مرکز این منظومه قرار دارد. البته همین کتاب سرانجام سبب شد تا آگاهی عمومی بالا برود و گالیله  را به اتهام کفر علیه خدا روانه دادگاه کنند.

«دیالوگو»تا مدت زیادی ممنوع‌الانتشار شد. نکته این است که آنچه برای کلیسا هشدار تلقی می‌شد فقط اکتشاف علمی گالیله نبود، بلکه قدرت روایتگری او بود! مردم قصه‌ها را دوست دارند، می‌شنوند، فکر می‌کنند و آگاه می‌شوند. گالیله یک روایتگر فوق‌العاده علم بود، یک آگاهی‌رسان!

«توسعه علم» به چه معناست؟

هرچند که می‌شود مفصل بحث کرد که هرکس شخصیت متفاوتی دارد و خلقیات خاص خود  را، اما هدف من معطوف کردن ذهن شما به ایده روایتگری در علم است.  راستی، در مسیر «توسعه علم»، اینکه فقط ایده یا مجموعه‌ای از ایده‌ها را به‌درستی بیان کنیم کافی است؟ یا به نظر شما، اگر نابغه‌ای به مدت ۱۰ سال حجم عظیمی از کارهای پژوهشی را در جزیره‌ای دور افتاده انجام دهد و به اکتشافات فوق‌العاده‌ای دست یابد ولی قبل از انتشار آن‌ها فوت کند یا اینکه آثارش به دلایلی از بین رود،آیا باز هم علم یا توسعه علم رخ‌داده است؟ نظر من که منفی است! البته سر این موضوع بحث زیادی وجود دارد و در این نوشته مجال پرداختن به آن نیست، ولی این یک مسئله جدی است! فتامل!

«چه جور مردمانی هستند این شاعران، که اگر ژوپیتر خدایی در هیئتِ انسان باشد، درباره‌اش چه شعرها که نمی‌سرایند اما اگر در قالبِ کرهٔ عظیم چرخانی از متان و آمونیاک باشد، سکوت می‌کنند؟» ریچارد فاینمن یکی از تاثیرگذارترین فیزیکدانان و روایتگران علم – نگاره از پیکی‌پدیا

تعریف «روایتگری در علم» چیست؟!

روایتگری در علم، به معنای بازگو کردن حقایق علمی به زبان مردم است! البته خوب است که منظورمان از «مردم» را با یک مثال مشخص کنیم! برای یک فیزیک‌دان، یک مهندس یا زیست‌شناس یا دانش‌آموز کلاس پنجم دبستان یا قصاب محل، مردم حساب می‌شود. هر کس که در حوزه مورد مطالعه یا پژوهش شما متخصص نیست، هنگام روایتگری، عامی حساب می‌شود. روایتگری در علم به این معناست که به فراخور مخاطبتان، چنان حق مطلب را ادا کنید که مخاطب، مستقل از سن و دانشش، پس از روایت شما بگوید «آهان، فهمیدم، چه جالب!». مهم‌ترین اصل در روایتگری در علم این است که چنان روایت کنید که هر کس بتواند بگوید «آهان!» پر واضح است که کار ساده‌ای نیست! برای اینکه روایتگر خوبی باشید، قبل از هر چیز، به درک درستی از موضوع نیاز دارید و سپس تلاش زیادی برای بیان مطلب به زبان مردم (مخاطبتان).

 

ایده‌هایی در باب روایتگری در علم

۱) سایت سیتپور

به عنوان یک فیزیک‌پیشه چند پروژه را به کمک دوستانم برای روایتگری در علم آغاز کردیم. پروژه اول، همین وب‌سایت سیتپور است. «مرام‌نامه» ما را بخوانید. هدف ما در سیتپور این است که فیزیک و ریاضی را قابل هضم‌تر به دست مردم برسانیم.

۲) رادیوفیزیک
«رادیـوفیزیـک»، یک رادیـوی اینترنتی علمی به یاد آنان که راه را هموار ساختند!

پروژه سیتپور، ایده‌ای بر اساس وبلاگ نویسی است، یعنی ما مطالبی  را می‌نویسم و شما می‌خوانید! اما امروز گاهی مردم حوصله خواندن ندارند! پس به سراغ ایده‌ی دیگری رفتیم. یک میکروفن برداشتیم و شروع به ضبط صدا کردیم که سرانجام منجر شد به یک رادیوی اینترنتی علمی به اسم «رادیوفیزیک»! ایده رادیوفیزیک بر مبنای ضبط پادکست‌‌های علمی و پخش رایگان آن به روی وب است. با رفتن به نشانی www.radiophysics.ir می‌توانید پادکست‌های ما  را گوش کنید.  راستش را بخواهید کار ساده‌ایست! کافیست که بدانید که قرار است چه بگویید! من و امید میکروفون  را برداشتیم و در مورد موضوعی به گفتگو پرداختیم، صدایمان ضبط شد، کمی با کامپیوتر ویرایشش کردیم و در نهایت به روی وب منتشرش کردیم که خب بازخورد خوبی هم نصیبمان شد!

۳) در تلگرام

کمی بعدتر، به این فکر کردیم، که جامعه ایرانی چقدر با تلگرام عجین شده! پس چه خوب است که به تلگرام برویم و روایتگری کنیم! ابتدا گروه «فیزیک‌طوری» را ساختیم. برخلاف نظر خیلی از دوستان به جای یک کانال، یک سوپرگروه در تلگرام ایجاد کردیم تا همه اعضا بتوانند در مسیر روایتگری سهمی داشته باشند. گروه فیزیک‌طوری در ظاهر قوانین خشکی دارد! ولی به شما اطمینان می‌دهم، باوجود شیوه خاص مدیریت گروه، نوعی جدید از روایتگری در علم به کمک این گروه بنا شده است. پس از آن، به همت دکتر مانی رضایی، گروه و سپس کانالی در تلگرام ساختیم که به روایتگری در حوزه «آموزش ریاضی» می‌پردازد. در گروه و کانال «آموزش ریاضی» به طور دقیق به موضوع «آموزش ریاضی» پرداخته می‌شود و اعضا می‌توانند مسیر علمی این رشته را دنبال کنند. آخرین پروژهایی که در تلگرام در آن شریک هستم، کانال «سیستم‌های پیچیده» است. پروژه‌های «آموزش ریاضی» و «سیستم‌های پیچیده» البته مخاطب‌های خاص خود را دارند، به ویژه کانال سیستم‌های پیچیده. با این وجود یکی از اهداف اصلی در همه کانال‌ها روایتگری در آن حوزه خاص و ترویج علم است.

در نهایت

اگر روایتگری در علم نباشد، توسعه علم با آهنگ کندتری پیش‌می‌رود. نباید فراموش کنیم که «‌علم» موجودی اجتماعی و سیاسی است! توسعه علم از دو سو ممکن است؛ نخست آن‌که متخصصان هر رشته، چه پیر و چه جوان، بتوانند آزادانه بیاندیشند و در تعامل با یکدیگر سعی در توسعه علم کنند و دوم اینکه متخصصان، مردم را هم‌راه و هم‌هدف خود سازند تا مسیر علمی برای پیمودن هموارتر شود. برای این‌کار نخستین گام، ترویج روایتگری در علم است. دانشمندان، اساتید دانشگاه و معلمان مدارس نه تنها باید تلاش کنند که به بهترین شکل ممکن مسیر آموزش  را در کلاس درس طی کنند بلکه باید به عنوان مروجان علم بکوشند تا فکر و جیب مردم  را هم معطوف به علم کنند.

به روایتگری در علم فکر کنید! اگه برای پسرخاله‌تان از علم نمی‌گویید یا نمی‌توانید دایی‌تان را با فهمیدن یک مطلب علمی شاد کنید یا دوست شما در گفتگو با شما نمی‌گوید «آهان، چه جالب!» یک جای کارتان لنگ است؛ یا خود درک درستی از موضوع ندارید یا اینکه به وظیفه خود عمل نمی‌کنید. بله، روایتگری در علم وظیفه هر اهل علم است!