در کنفرانس سار، پاییز ۹۷ که ایدهش مشابه با کنفرانسهای TEDx هست در مورد نظریه پیچیدگی حرف زدم. یک سخنرانی عمومی برای مردم!«داستان پیچیدگی: چرا بیشتر، متفاوت است؟»
بهخاطر روایتگری در علم!
فیزیک آماری و علوم کامپیوتر:
سیستمهای پیچیده، علم شبکه و پدیدههای بحرانی
abbas.sitpor.org
در کنفرانس سار، پاییز ۹۷ که ایدهش مشابه با کنفرانسهای TEDx هست در مورد نظریه پیچیدگی حرف زدم. یک سخنرانی عمومی برای مردم!«داستان پیچیدگی: چرا بیشتر، متفاوت است؟»
در همایش پیوند در تابستان گذشته در مورد این حرف زدم که چگونه ایدههای برگرفته شده از فیزیک میتونن درک بهتری از شبکههای اجتماعی مثل فیسبوک به ما بدن. ویدیو این ارائه رو به همراه اسلایدها و فایل صوتی رو اینجا میذاریم. ما بقیه ارائهها رو هم در قسمت «سخنرانیها، دورههای آموزشی و کلاس درس» میتونید پیدا کنید!
ویدیو:
سرطان به عنوان یکی از بیماریهای که این روزها نامش بر سرزبانها افتاده است، نامی است که به مجموعهای از بیماریهایی اطلاق میشود که از تکثیر مهارنشده سلولها پدید میآیند. سرطان عموما به عنوان بیماری ژنها شناخته میشود؛ به این معنا که تغییرات ژنتیکی میتوانند منجر به بروز این عارضه شود. از سوی دیگر، تلاشهای صورت گرفته پیرامون کنترل و درمان سرطان عمدتا بر اساس شناخت ژنهای موثر در سرطانهای مختلف، تاکنون با چالشهای زیادی همراه بوده است. در نگاه پیچیدگی، حرکتهای جمعی برآمده از برهمکنشهای یک سیستم بسذرهای (سلول) تنها با مطالعه اجزای آن سیستم (ژنها) قابل توصیف نیست و با دانستن اینکه هر جز (ژن) چگونه کار میکند، نمیتوان درک کاملی از مقیاسی بزرگتر (سلول) با سازماندهی مرتبه-بالاتری پیدا کرد. در مورد ژنها میدانیم که بیان هر ژن بر بیان سایر ژنها اثر میگذارد و وجود این همبستگیها سبب تشکیل یک حرکت جمعی میشود که خود باعث اثر گذاشتن روی بیان سایر ژنها میشود. هدف این مطالعه، نگاهی پدیدارشناسانه به سرطان سینه و مقایسه رفتار جمعی ژنها در نمونه سالم و سرطانی است. با در نظر گرفتن سلول به عنوان یک سیستم پیچیده، میخواهیم شبکه پیچیدهای که در پس این سیستم نشسته است را مورد مطالعه قرار دهیم به امید این که درک بهتری از سرطان از نگاه پیچیدگی پیدا کنیم.
بدین منظور، با در نظر گرفتن هر ژن به عنوان یک اسپین و برهمکنش ژن با ژن به عنوان ضریب جفتشدگی بین دو اسپین متناظر با آنها در یک مدل شیشه-اسپینی (مدل گاوسی چند متغیره)، به دنبال استنباط این ضرایب هستیم. برای این کار با استفاده از اصل بیشینه آنتروپی، ماتریس برهمکنش را برای نمونه سالم و سرطانی یافته و از روی آن شبکه تنظیم ژن را برای دو نمونه بازسازی میکنیم. این شبکهها، دارای یالهایی با وزنهای مثبت و منفی هستند، بنابراین میتوانیم در چارچوب نظریه توازن به این شبکهها انرژی نسبت دهیم و تمایل شبکهها نسبت به تغییر وضعیتشان را مورد بررسی قرار دهیم. نتایج ما نشان میدهد که توزیع مثلثهای ایجاد شده در شبکه از یک الگوی توانی پیروی میکند. از نقطه نظر چشمانداز انرژی، انرژی شبکه سالم از شبکه سرطانی بیشتر است و این به معنای پویایی بیشتر سلول سالم نسبت به سرطانی است. شبکه سرطانی تمایل کمتری نسبت به تغییر وضعیت خود دارد و به همین خاطر دسترسی کمتری به وضعیتهای قابل دسترس خود پیدا میکند. از سوی دیگر، در شبکه سرطانی، تعداد یال بیشتری دیده میشود. وجود یال بیشتر، به معنای ارتباط بیشتر بین اجزا و تاثیر بر دینامیک سلول است. رهیافت دنبالشده در این مطالعه به ما در یافتن درک بهتری از سلول به عنوان یک سیستم پیچیده کمک میکند.
ارجاع به اثر: | arXiv:2010.05897 [q-bio.MN] |
2010.05897
تصمیم گرفتم تا جایی که میتوانم، مسیر یادگیری سیستمهای پیچیده را برای علاقمندانی که جرات یادگرفتن و شهامت حرکت کردن بیرون از مرزهای تعریف شده علوم را دارند را هموار کنم. برای شروع قصد دارم چند جلسه کلاس/سمینار در دانشگاه شهید بهشتی (تهران) برگزار کنم. ایده اصلی این جلسات لکچرهایی پیرامون مفاهیم اصلی سیستمهای پیچیده است بیآنکه وارد جزئیات ریز آن شوم. میخواهم طی این جلسات افراد با پیشزمینههای مختلف با ایدههای اصلی آشنا شوند.
فیزیک نیوتون و موضوعات مربوط به حساب دیفرانسیل و انتگرال که غالب تفکر علمی سه سده گذشته را تشکیل دادهاند بر این ایده استوار هستند که هر چه مقیاس فضایی یا زمانی یک سیستم فیزیکی را ریزتر و ریزتر کنیم، با سیستمی سادهتر، هموارتر و با جزئیات کمتری روبهرو میشویم. ملاحظات دقیقتری نشان میدهد که ساختار ریزمقیاس سیارات، مواد و اتمها بدون جزئیات نیست. با این وجود، برای بسیاری از مسائل، چنین جزئیاتی در مقیاسهای بزرگتر نامرتبط به حساب میآیند. از آنجا که این جزئیات مهم نیستند، فرموله کردن نظریهها به شیوهای که اصلا جزئیاتی وجود نداشته باشد منجر به همان نتایجی میشود که با در نظر گرفتن توصیف دقیقی از سیستم میتوان به آنها رسید.
میدانیم در رویارویی با سیستمهای پیچیده، هموار کردن پیدرپی سیستم در مقیاسهای ریزتر معمولا نقطه شروع مناسبی برای مطالعه سیستم به طور ریاضیاتی نیست. درک این موضوع، تغییر چشمگیری را در بنیادهای فکری ما به همراه داشته است.
در این سخنرانی ابتدا فرکتالها، به عنوان موجوداتی که در مقیاس ریزتر جزئیاتشان را از دست نمیدهند را معرفی میکنیم. سپس بیآنکه سراغ جعبه ابزار نظریه میدانهای کوانتومی رویم، ایده بازبهنجارش را به عنوان چارچوب جامعتری برای مطالعه رفتار سیستمها در مقیاسهای مختلف و چگونگی ارتباط این رفتارها مطرح میکنیم.
«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!).
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!
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 p 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!
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.
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!
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:
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.
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!
برای شروع نیاز به مفاهیم و تکنیکهای جبرخطی دارین. باید بتونید با ماتریسها خوب کار کنید.
بخش زیادی از سیستمهای پیچیده توسط فیزیکدانان توسعه داده شده، پس باید با ادبیات ابتدایی فیزیک آشنا بشید!
ایدههای اصلی آمار و احتمال رو باید بدونید. یعنی هرکسی که در دنیای امروز زندگی میکنه باید بدونه!
مکانیک آماری رو خیلی خوب باید بدونید! از ایدههای ابتدایی تا مباحث پیشرفته. مدل آیزینگ رو خیلی جدی بگیرین!
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:
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.
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؟!
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!
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 علاقهمند 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!
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 علاقهمندان 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!