رفتن به نوشته‌ها

دسته: روایتگری در علم

«مقدمه‌ای بر بازبهنجارش» هفته چهارم: مدل آیزینگ

دوره «مقدمه‌ای بر بازبهنجارش»

قصد من ارائه یک معرفی مدرن از بازبهنجارش از افق سیستم‌های پیچیده‌ است. با نظریه اطلاعات و پردازش تصویر آغاز می‌کنم و به سراغ مفاهیم بنیادی چون پدیدارگی، درشت-دانه‌بندی و نظریه مؤثر در نظریه پیچیدگی خواهم رفت. آنچه برای این مجموعه نیاز دارید شهامت آشنایی با ایده‌های جدید و البته کمی نظریه احتمال، حسابان و جبر خطی است. برای تمرین‌های پیشنهادی هم خوب است که کمی پایتون و متمتیکا بدانید.

با تشکر از Simon Dedeo، موسسه سانتافه و بهار بلوک آذری.

ایده بازبهنجارش در مورد مطالعه نظریه‌ها است هنگامی که از مقیاسی به مقیاس دیگر می‌روند.

هفته چهارم: مدل آیزینگ

مدل آیزینگ، به عنوان معرف‌ترین مدل در فیزیک آماری، یک مدل ساده برای توصیف گذار فاز در مواد مغناطیسی است. این مدل از متغیرهای گسسته (اسپین) به روی یک گراف مشبکه (Lattice) تشکیل شده است. در این قسمت از مجموعه مقدمه‌ای بر بازبهنجارش، نخست مدل آیزینگ را معرفی می‌کنم و سپس به سراغ درشت‌-دانه‌بندی شبکه‌ اسپینی می‌روم. چالش‌های پیش‌رو را مطرح می‌کنم و سرانجام به پدیدارگی جملات مرتبه‌-بالاتر و نقاط ثابت جریان بازبهنجارش می‌پردازم.


ویدیوها

۱) مرور جلسات گذشته و معرفی مدل آیزینگ

۲) درشت-دانه بندی شبکه اسپینی

۳) یافتن نقاط ثابت


تمرین‌ها

به زودی

برای مطالعه بیشتر

برای بیشتر عمیق شدن

شبیه‌سازی مدل آیزینگ


اسلایدها

بازبهنجارش-آیزینگ1

«مقدمه‌ای بر بازبهنجارش» هفته دوم: زنجیره‌های مارکف

دوره «مقدمه‌ای بر بازبهنجارش»

قصد من ارائه یک معرفی مدرن از بازبهنجارش از افق سیستم‌های پیچیده‌ است. با نظریه اطلاعات و پردازش تصویر آغاز می‌کنم و به سراغ مفاهیم بنیادی چون پدیدارگی، درشت-دانه‌بندی و نظریه مؤثر در نظریه پیچیدگی خواهم رفت. آنچه برای این مجموعه نیاز دارید شهامت آشنایی با ایده‌های جدید و البته کمی نظریه احتمال، حسابان و جبر خطی است. برای تمرین‌های پیشنهادی هم خوب است که کمی پایتون و متمتیکا بدانید.

با تشکر از Simon Dedeo، موسسه سانتافه و بهار بلوک آذری.

ایده بازبهنجارش در مورد مطالعه نظریه‌ها است هنگامی که از مقیاسی به مقیاس دیگر می‌روند.

هفته دوم: زنجیره‌های مارکف

در این قست به سراغ زنجیره‌های مارکف می‌روم و در مورد درشت‌دانه‌بندی کردن سری‌های زمانی صحبت خواهم کرد. به فضای مدل‌ها و تغییرات پارامترها پس از بازبهنجارش خواهم پرداخت و به نقاط ثابت، کاهش ابعاد فضا و تغییر کلاس‌ها اشاره خواهم کرد.


ویدیوها

۱) سری‌های زمانی و زنجیره‌های مارکف

۲) ریاضیات زنجیره‌های مارکف

۳) مدل بنیادی‌تر برای داده ریز-دانه‌بندی شده


تمرین‌ها

به زودی

برای مطالعه بیشتر


اسلایدها

بازبهنجارش-زنجیره‌های-مارکوف2-4

حکایت «سیستم‌های پیچیده» چیست؟!

این نوشته رو به مناسبت بیست و پنجمین گردهمایی ژرفا با موضوع سیستم‌های پیچیده برای شماره ۸۱۸ روزنامه دانشگاه صنعتی شریف نوشتم.


برای دیدن نگاره با کیفیت بیشتر کلیک کنید. حق نشر متعلق به شماره ۸۱۸ روزنامه دانشگاه صنعتی شریف.

انسان به دنبال قدرت پیش‌بینی

از قرن ۱۷ میلادی ما انسان‌ها به امید پیدا کردن الگوهایی در طبیعت، با جدیت خاصی شروع به مطالعه دنیای اطرافمان به صورت کمی کردیم. رفته‌رفته عددها مهم‌تر شدند و همه هم‌ و غم‌مان تبدیل به این شد که بعد از به دست آوردن یک‌سری عدد، پیش‌بینی کنیم که عدد بعدی چیست! گاهی این پیش‌بینی در مورد مکان یک سیاره در آسمان بود بعد از چند ماه رصد یا دمای یک پیستون پر از گاز و مایع بعد از طی کردن یک فرایند ترمودینامیکی. گاهی هم آن عدد مطلوب، زاویه‌ی پرتاب یک توپ بود به لشکر دشمن! الگوهای حاکم بین اعداد همیشه موضوع هیجان‌انگیز و سودآوری برای مردم بود چرا که قدرت «پیش‌بینی» را در پی داشت.

قدرت پیش‌بینی، مزیت رقابتی علم بر فلسفه بود که از دل مدل‌سازی‌های عددمحور به دست می‌آمد. قرن ۱۹ و ۲۰ میلادی طی شد و نوبت به هزاره سوم رسید. انسان قرن ۲۱ام که به گمانش همه علوم را خوب می‌شناخت، با پرسش‌های جدیدی روبه‌رو شد. پرسش‌هایی که این بار مرز بین علوم را نشانه گرفته بودند. پرسش‌هایی از این جنس که حالا که فیزیک را به‌خوبی می‌شناسیم‌، آیا می‌توانیم یک ترکیب آلی را به خوبی توصیف کنیم یا مثلا شیوه تاشدگی یک پروتئین را با دقت خوبی پیش‌بینی کنیم؟! یا اگر متخصص زیست‌شناسی باشیم پیش‌بینی رفتار جامعه انسان‌ها در شرایط بحران اقتصادی برایمان ممکن است؟! در مورد رفتار بازار بورس چه؟ اکنون که سلول‌های عصبی را می‌شناسیم آیا کارکرد مغز را می‌توانیم توصیف کنیم؟ آیا می‌توانیم بگوییم که برای سلول‌های عصبی چه اتفاقی می‌افتد که فردی دچار بیماری‌هایی مانند صرع یا پارکینسون می‌شود؟ یا پرسش‌هایی از این قبیل که چرا هنوز مدیریت ترافیک و جلوگیری از مسدود شدن جاده‌ها برایمان دشوار است؛ مگر ما همان بشری نیستیم که به ماه سفر کرده‌ایم و با توسعه مکانیک کوانتومی بمب اتم ساخته‌ایم؟! چرا بعد از حل کردن این همه مسئله بغرنج، نمی‌توانیم زمان بحرانی برای همه‌گیری یک شایعه یا بیماری جدید در دنیا را محاسبه کنیم و برنامه دقیقی برای چگونگی واکسیناسیون مردم را تدوین کنیم؟ علی‌رغم این همه پیشرفت در علوم مختلف، چرا در حل این قبیل مسائل ناتوان مانده‌ایم؟!

چرا شناخت دنیای اتم‌ها برای شناخت دنیای شیمی کافی نیست؟! یا چرا «بیشتر، متفاوت است»؟

همه این‌ها پرسش‌هایی بود که به‌خاطر ظاهر ساده‌شان انسان قرن بیست‌ و یکمی نخست فکر می‌کرد که «علی‌الاصول» باید بشود جوابشان را دانست. بالاخره طی سه قرن گذشته، ریاضیات بسیار گسترش یافته بود و فیزیک – علم اتم‌ها و کهکشان‌ها – را به خوبی توسعه داده‌ بودیم. فیزیک هم که مادر شیمی است و شیمی مادر زیست‌شناسی و زیست‌شناسی توصیف‌کننده موجودات زنده و انسان‌ هم یک موجود زنده است. رفتار بازار بورس یا اقتصاد جهانی یا همه‌گیری یک بیماری هم بر اساس عملکرد همین موجودات زنده است. خب پس لابد با مقداری محاسبه می‌توان به این پرسش‌ها پاسخ داد. با این وجود، رفته رفته متوجه شدیم که فهم ما از سیستم‌هایی مانند مغز انسان یا اقتصاد جهانی دچار نواقص جدی است و پیش‌بینی و کنترل رفتار آن‌ها برای ما بسیار دشوار است. گویا این سیستم‌ها دارای پیچیدگی عجیبی هستند. به عبارتی، این سیستم‌ها، پیچیده هستند از آن‌جا که ما با آن‌که اجزایشان را می‌شناسیم و رفتار تک‌تک ‌آن‌ها را به خوبی می‌توانیم پیش‌بینی کنیم، ولی «رفتار جمعی» آن‌ها تحت یک ساختار جدید را نمی‌توانیم به خوبی توصیف کنیم! می‌دانیم که عملکرد سلول‌های عصبی سازنده مغز چگونه‌ است، اما عملکرد مغز را نمی‌توانیم توصیف کنیم. مثلا نمی‌دانیم تکلیف حافظه چیست! می‌دانیم که در سلول‌های عصبی حافظه وجود ندارد ولی با این حال، در مجموعه‌ای از همین سلول‌ها وجود دارد! همین مجموعه کارهای عجیب و غریب‌تری هم می‌کند. مثلا سلول‌های عصبی مغز به طور جمعی از خود، آگاهی نشان می‌دهند. در حالی که آگاهی در هیچ کجای سلول عصبی بیچاره وجود ندارد. تلاش برای حل این قبیل تناقض‌ها که در مقیاس ریز اگر همه چیز آشنا باشد، لزومی ندارد در مقیاس درشت‌تر رفتار سیستم را بتوانیم توصیف کنیم آغازگر انگاره‌ای جدید در علم بود؛ انگاره پیچیدگی.

پدیدارگی (Emergence) و لزوم تحول انگاره در علم

اگر به دنبال کتاب مناسبی برای یادگیری سیستم‌های پیچیده هستید، این کتاب پیشنهاد جدی ما است 🙂

بشر قرن ۲۱، به دنبال شناخت سیستم‌های پیچیده است. سیستم‌هایی که از تعداد زیادی اجزا تشکیل شده‌اند و نوعی نظم خودبه‌خودی بر آن‌ها حاکم است. در این سیستم‌ها در مقیاس ریز، اجزایشان برهم‌کنش‌های موضعی دارند ولی در مقیاس درشت، رفتارهای «پدیداره» از خود نشان می‌دهند که شبیه به رفتار اجزای آن در مقیاس ریز نیست. راستش، ما ناچار به درک سیستم‌های پیچیده هستیم. برای ما که همیشه مجذوب قدرت پیش‌بینی علم شده‌ایم مهم است که بدانیم اگر آنفولانزا در آفریقا شایع شد با چه احتمالی یک آلمانی در چه روزی بیمار می‌شود و با چه احتمالی یک ایرانی در چند روز بعد. برای ما مهم است، چرا که شبکه واگیری بیماری از لحاظ ریاضیاتی موجود ساده‌ای نیست و مطالعه یک فرایند دینامیکی روی چنین شبکه‌ای بدون کمک گرفتن از کامپیوترها غیرممکن است. برای ما حل هم‌زمان تعداد زیادی معادله دیفرانسیل غیرخطی که به‌ همدیگر وابسته هستند با قلم و کاغذ اصلا راحت نیست. حداقل تجربه سال اول و دوم زندگی دانشگاهیمان این را به ما گوش‌زد می‌کند!

سیستم‌های پیچیده مهم هستند، چرا که انگاره پیچیدگی عینک جدیدی برای مطالعه طبیعت به ما می‌دهد. انگاره پیچیدگی به ما می‌گوید مستقل از این‌که مسئله‌ای تا پیش از این در کدام حوزه‌ خاص از علم بررسی می‌شده، باید با نگاهی از پایین‌ به بالا به دنبال حل آن مسئله باشیم و همزمان از همه امکانات فنی و تحلیلیمان برای حل آن استفاده کنیم. برای مثال، مسئله مغز، یک مسئله در فیزیک یا شیمی یا زیست‌شناسی یا علوم کامپیوتر نیست. در مکتب/نگاه/انگاره پیچیدگی، مسئله مغز سوالی است که متخصصان حوزه‌های مختلف با ابزارهایی که دارند سعی می‌کنند در یک محیط مشارکتی راهی برای حل آن پیدا کنند.

انگاره پیچیدگی به ما می‌گوید با تبدیل کردن یک سیستم به اجزا سازنده آن و شناخت اجزا نمی‌توانیم به درک درستی از آن سیستم برسیم. مکتب پیچیدگی در برابر مکتب تقلیل‌گرایی (reductionism) قرار دارد.

(این نوشته از دکتر محمد خرمی در مورد تقلیل‌گرایی را بخوانید.)


نوشته‌های مرتبط

داستان پیچیدگی: «چرا بیشتر، متفاوت است؟»

قیام علیه سیاهی

به بهانه‌ ثبت اولین تصویر سیاه‌چاله به تاریخ ۲۱ فروردین‌ ۱۳۹۸


چند روز پیش، خبری منتشر شد که هیاهوی زیادی به پا کرد: انتشار اولین تصویر از یک سیاه‌چاله. هرچند که قبلا هم تصاویری غیر مستقیم از سیاه‌چاله‌ها منتشر شده بود که در واقع تاثیرات سیاه‌چاله بر محیط اطرافش رو نشون می‌داد، اما این اولین قابی بود که سیاه‌چاله‌ای رو تا این حد با جزییات به تصویر کشید و نمایی نزدیک از یک سیاه‌چاله نشون داد. اما این همه ماجرا نیست؛ در واقع این قاب، نشون‌دهنده تلاش بشر در طول تاریخ، برای یافتنِ اسرار عالم هست که این‌بار، تلاش ۲۰۰ نفر از پژوهش‌گران در اقصی نقاط جهان، از نظریه صدساله پرده برداشت و یکی از پرآشوب‌ترین و مهلک‌ترین محیط‌های عالم – یعنی یک ابرسیاه‌چاله – رو به نمایش گذاشت: قیامی علیه سیاهی!

سیاه‌چاله چیه؟

سیاه‌چاله به جرمی با چگالی خیلی خیلی زیاد گفته میشه که بخاطر میدان گرانشی قوی در اطرافش، اگر حتی نور هم که بیش‌ترین سرعت رو داره از یه حدی بیش‌تر بهش نزدیک بشه، دیگه راه فراری نداره و داخلش سقوط می‌کنه. بنابراین، شبیه چاله سیاهی هست که نوری ازش ساطع نمیشه. در واقع، هیچ اطلاعاتی از توی سیاه‌چاله نداریم. به‌همین خاطر، سیاهچاله‌ها یه جورایی، موجودات مرموزی هستن! هرچند که ما هنوز خیلی چیزها رو در مورد سیاه‌چاله‌ها نمی‌دونیم – علی الخصوص این‌که داخل یک سیاه‌چاله چه خبره – ولی از طرفی هم میشه خیلی ساده بهشون نگاه کرد؛ توی چارچوب نسبیت عام، قضیه‌ای داریم به اسم «قضیه بدون مو» که میگه سیاه‌چاله‌ها رو میشه فقط با دونستن چندتا ویژگی ازشون، به‌طور کامل توی فضا-زمان توصیف کرد و جدای از این چندتا ویژگی،‌ با هم فرقی ندارن. مث آدمای کچل که فارغ از چندتا ویژگی ظاهری، همشون شبیه هم هستن! :)) اون ویژگی‌ها، این سه‌تا مورد هستن: جرم، بار الکتریکی، و تکانه زاویه‌ای (این‌که سیاه‌چاله با چه سرعتی و در چه جهتی به دور خودش می‌چرخه).

نکته جالب دیگه این‌که هر جسمی، بالقوه می‌تونه تبدیل به یک سیاه‌چاله بشه. حتی من یا شما! کافیه اون جسم رو به اندازه کافی فشرده‌ش کنیم. به همین سادگی! فقط نکته‌ش توی همین «به اندازه کافی» هست. اگر من یا شما بخوایم به سیاه‌چاله تبدیل بشیم، باید ابعادی حدود ۱۰ میلیون بار کوچک‌تر از هسته اتم داشته باشیم! در مورد کره زمین این‌طوریه که باید همه‌ش توی کره‌ای به شعاع ۱ سانتی‌متر جا بگیره! یا مثلا برای این‌که خورشید – که حدود ۹۸.۸ کل جرم منظومه شمسی رو شامل میشه‌ – تبدیل به سیاه‌چاله بشه، باید تا اندازه کره‌ای به شعاع ۶ کیلومتر فشرده بشه! در واقع برای هر جرم، شعاعی تعریف میشه که اگر کل اون جرم، توی کره‌ای کوچک‌تر از اون شعاع قرار بگیره، یک سیاه‌چاله تشکیل میشه. به این شعاع، «شعاع شوارتزشیلد» و به سطح اون کره، «افق رویداد» میگن.

شوارتزشیلد کسی بود که این شعاع رو با حل معادلات میدان گرانشی انیشتین برای یک سیاه‌چاله، به‌دست آورد. البته این شعاع رو با استفاده از گرانش نیوتنی هم میشه حساب کرد؛ در واقع مفهوم سیاه‌چاله به خیلی قبل‌تر برمی‌گرده. ظاهرا اولین بار در ۱۷۸۳ میلادی، دانشمندی به اسم جان میشل، به این نکته رسید که اگه یه جسم به اندازه کافی سنگین رو توی حجم کوچیکی از فضا جا بدیم، به‌خاطر گرانش قوی، می‌تونه همه‌چیز، حتی نور رو هم ببلعه! و دقیقا به همین جوابی رسیده بود که بعدا از نسبیت عام به‌دست اومد. ولی علی‌ ای‌ حال! شعاع مورد نظر سیاه‌چاله، به اسم شعاع شوارتزشیلد شناخته میشه.

خب! اگه این‌طوریه، پس چرا سیاه‌چاله‌ای دور و برمون نمی‌بینیم؟! داستان از این قراره که هیچ سازوکار طبیعی وجود نداره که جسمی رو تا اندازه شعاع شوارتزشیلدش فشرده بکنه، الّا یکی! و اون هم عبارتست از: آزاد شدن انرژی گرانشی عظیم در پایان عمر ستاره‌های پرجرم!

هر چیزی که جرم زیادی داره، نیروی گرانشی بهش وارد میشه که دوست داره باعث رمبش یا فروریختنِ اون جسم بشه. بنابراین نیروی گرانشی، به تنهایی نمی‌تونه باعث پایداری جسم بشه. ولی معمولا نیروی دیگه‌ای خلاف جهت اون وجود داره که اون جسم رو در حالت تعادل نگه می‌داره. مثلا با وجود اینکه زمین جرم زیادی داره و نیروی گرانش زیادی به سمت مرکزش وارد میشه، اما نیروی الکترومغناطیسی که بین اتم‌ها وجود داره در مقابلش مقاومت می‌کنه و در نتیجه زمین، پایدار باقی می‌مونه. ستاره‌ها در طول حیاتشون، در تعادل هیدروستاتیک هستن؛ ستاره‌ها توی مرکزشون، با سوزوندن هیدروژن و آزاد کردن انرژی، فشار تابشی ایجاد می‌کنن که نیروی گرانشی رو خنثی می‌کنه. بنابراین در حالت تعادل باقی می‌مونن. وقتی سوخت ستاره به پایان می‌رسه، بسته به این‌که جرم باقی‌مونده ستاره در مراحل پایانی چقدر باشه، ممکنه اتفاقات مختلفی براش بیفته: ستاره‌های نسبتا کم‌جرم مثل خورشید، در پایان عمرشون، تحت نیروی گرانشی خودشون، تا حدود ابعاد زمین فشرده میشن و فشار تبهگنی الکترون‌ها، جایگزین فشار تابشی میشه و تبدیل به «کوتوله سفید» میشن. ستاره‌های پرجرم‌تر، تا اندازه یه شهرِ کوچیک (از مرتبه چند ده کیلومتر)، فشرده میشن و به‌خاطر فشار تبهگنی نوترون‌ها، پایدار باقی می‌مونن و تبدیل به «ستاره نوترونی» میشن. اما برای ستاره‌های پرجرم‌تر، نیرویی جلودار گرانش نیست و در نهایت، ستاره تبدیل به یک سیاه‌چاله میشه.

به این نوع از سیاه‌چاله‌ها، سیاه‌چاله‌های ستاره‌ای هم میگن که جِرمشون می‌تونه چند برابر جرم خورشید باشه. اما گونه دیگه‌ای از سیاه‌چاله‌ها هم وجود دارن که جِرمشون، از چند صد برابر تا چندین میلیارد برابر جرم خورشید هست! به اینا میگن، «سیاه‌چاله‌های کلان‌جرم» یا «اَبَر سیاه‌چاله‌ها». حدس می‌زنیم بیش‌ترِ کهکشان‌ها توی مرکزشون، یه دونه از این ابرسیاه‌چاله‌ها داشته باشن. هرچند سناریوی تقریبا کاملی از طرز تشکیل سیاه‌چاله‌های ستاره‌ای داریم، ولی دقیقا نمی‌دونیم ابرسیاه‌چاله‌ها با چه سازوکاری تشکیل شدن. چند روز پیش، یعنی ۲۱ فروردین ۱۳۹۸، یکی از لحظه‌های هیجان‌انگیزِ تاریخ علم اتفاق افتاد و ما شاهد رونمایی از اولین تصویر از یک ابر‌سیاه‌چاله، به‌وسیله بشر بودیم. چیزی که بیش‌تر از صد سال قبل،‌ از دل معادلات نسبیت عام، بیرون کشیده شده بود، حالا با پیشرفت تکنولوژی دیده شد. جذاب نیست؟!

ابعاد فنی ثبت اولین تصویر از یک سیاه‌چاله

برای این‌که بشه از یه ابرسیاه‌چاله، داخل یه کهکشان تصویربرداری کرد، باید این شرایط فراهم باشه:

  • سیگنال رادیویی که از کهکشان به ما می‌رسه، به اندازه کافی قوی باشه.
  • کهکشان، توی طول موج رادیویی شفاف باشه؛ یعنی سیگنال رادیویی که قراره به ما برسه، وسط راه جذب نشه تا این‌که هیچی تهش باقی نمونه!

تا اینجا، گزینه‌های زیادی از ابرسیاه‌چاله‌ها وجود دارن که این دو شرط رو ارضا کنن و حتی با تلسکوپ‌های رادیوییِ نه چندانْ بزرگ هم بشه اونا رو رصد کرد. اما چیزی که باعث شد برای گرفتنِ تصویری از یک سیاه‌چاله، این همه سال وقفه بیفته، شرط سوم هست:

  • تلسکوپ رادیویی، باید قدرت تفکیک یا رزولوشن لازم رو داشته باشه؛ برای این‌که چیزی رو بتونیم واضح ببینیم، هم فاصله‌ش از ما مهم هست، و هم بزرگیش. درنتیجه، درسته که سیاه‌چاله‌های ستاره‌ای در نزدیکی ما هستن، ولی ابرسیاه‌چاله مرکز کهکشان‌مون، به‌خاطر بزرگیش، گزینه مناسب‌تری هست. این ابرسیاه‌چاله که توی صورت فلکی قوس قرار داره، فاصله‌ش با ما حدود ٢۵ هزار سال نوریه (با اسم اختصاری *Sag A). گزینه مناسب بعدی، ابرسیاه‌چاله مرکز کهکشان M87 هست که توی صورت فلکی سنبله قرار داره و حدود ٢٢٠٠ برابر دورتر از ابرسیاه‌چاله کهکشان خودمونه. اما چون خیلی سنگین‌تره (شما بخونید بزرگ‌تر) – حدود ۶/۵ میلیارد برابر جرم خورشید – دومین گزینه مناسب برای رصد هست. اندازه‌ این ابر‌سیاه‌چاله توی آسمون، حدود ۴۶ میکرو‌ثانیه قوسی هست؛ هر درجه، ۶۰ دقیقه قوسی و هر دقیقه قوسی، ۶۰ ثانیه قوسی هست. مثلا قطر ماه توی آسمون حدود نیم درجه قوسیه. برای تصویربرداری از این ابرسیاه‌چاله، باید جزییاتی حدود ۹ میلیارد برابر بیشتر از ماه رو بشه نشون داد!

قدرت تفکیک تلسکوپ، به طول موج نورِ دریافتی و قطر دهانه‌ش بستگی داره؛ هرچقدر طول موج‌ دریافتی کوتاه‌تر، یا قطر دهانه تلسکوپ بزرگ‌تر باشه، قدرت تفکیک بهتری داریم. برای این‌که به قدرت تفکیکی برسیم که بشه از ابرسیاه‌چاله M87، توی طول موج رادیویی تصویربرداری کنیم، باید قطر دهانه تلسکوپ، ۱۲۰۰۰ کیلومتر، یعنی اندازه قطر کره زمین باشه! برای حل این مشکل، ۸تا آرایه تلسکوپ رادیویی که در اقصا نقاط زمین بودن، با سازوکاری به اسم «تداخل‌سنجی خط پایه بسیار طولانی»‌ (به انگلیسی: Very-Long-Baseline Interferometry) یا به اختصار وی‌ال‌بی‌آی، به هم مرتبط کردن و با این روش، تلسکوپ بزرگی با قطر مصنوعی به اندازه زمین ساختن، به اسم «تلسکوپ افق رویداد» یا EHT. برای این‌که شهودی از قدرت تفکیکِ این تلسکوپ داشته باشید، حبه قندی توی شیراز رو در نظر بگیرید که یه مورچه داره روش راه میره. با رزولوشن EHT، اون مورچه رو با جزئیات کامل می‌تونید از لس آنجلس ببینید (البته اگر زمین تخت می‌بود)! نکته جالب این‌که، اون زمانی‌که تیم EHT، سال ۲۰۰۹ اعلام کرد که تا آخر دهه بعد میلادی، اولین تصویر از یک سیاه‌چاله رو منتشر می‌کنه، این کار با توجه به پیچیدگی فنی کار،‌ به‌نظر ممکن نمی‌رسید. اما الان این اتفاق افتاده (داخل پرانتز: هنوز تلسکوپ ملی ما بعد از چند دهه راه نیفتاده! به‌دنبال علت‌ها بگردید تا حداقل توی نسل ما و بعدتر این مشکلات حل شده باشه)!

تلسکوپ افق رویداد. نگاره از NRAO

یکی از چالش‌های بزرگ بر سر راه پروژه، کار کردن با حجم بالای داده بود. نتیجه یک هفته رصد کردنِ این هشت ایستگاهِ تلسکوپ رادیویی توی طول موج ۱.۳ میلی‌متری، حدود ۲۷ پتابایت داده(معادل یک میلیون گیگا بایت) شد که کار انتقال، پاکسازی و تحلیلش حدود ۲ سال طول کشید. البته فقط حدود ۱۵٪ از این داده‌ها مرتبط و قابل استفاده برای بدست‌ اومدنِ تصویر بود! سیگنال‌های رادیویی از دو ابرسیاه‌چاله مرکز کهکشان راه شیری و M87 دریافت شد. ولی چون توی اون بازه زمانی، ابرسیاه‌چاله مرکز کهکشان‌مون فعالیت زیادی داشت، تصویر مناسبی ازش ثبت نشد و در‌نتیجه، فقط تصویر ابرسیاه‌چاله M87 رونمایی شد.

حجم داده‌های تلسکوپ افق رویداد. نگاره از موسسه پریمیتر

تصویر منتشر شده دقیقا چیه؟!  

راستی! مگه سیاه‌چاله یه چیز سیاه نیست که نور هم نمی‌تونه از دستش فرار کنه. پس دقیقا از چی عکس گرفتن!؟ این حلقه نورانی توی تصویر چیه؟!

توی بخش اول، در مورد افق رویداد و شعاع شوارتزشیلد توضیح داده شد. برای توضیح تصویر، چند مفهوم دیگه رو هم باید معرفی کنیم. اولا اطراف ابرسیاه‌چاله، یک «دیسک برافزایشی» از مواد وجود داره که در حالت پلاسما قرار دارن – بنابراین باردار هستن – و با سرعتی قابل مقایسه با سرعت نور، دور سیاه‌چاله می‌چرخن. در‌ واقع بلعیدنِ مواد توسط ابرسیاه‌چاله، از طریق این دیسکه. یه چیزی به اسم «داخلی‌ترین مدار دایرویِ پایدار» تعریف می‌کنن که نزدیک‌تر از اون، مواد نمی‌تونن توی مدار پایدار باشن و توی یه مسیر مارپیچی‌، خیلی سریع داخل سیاه‌چاله سقوط می‌کنن. ما در اینجا از این مدار، به اختصار، به اسم «ایسکو» ذکر می‌کنیم. در واقع، ایسکو همون شعاع داخلیِ دیسک برافزایشی هست که ۳ برابر شعاع شوارتزشیلده. از اون‌جایی‌که نور جرم نداره، می‌تونه حتی توی مدار نزدیک‌تر از این هم قرار بگیره که بهش «کره فوتونی» میگن و جاییه که گرانش اون‌قدر قوی هست که نور رو مجبور به حرکت توی مدار می‌کنه. البته این مدار پایدار نیست و فوتون‌ها خیلی زود، یا به سمت ابرسیاه‌چاله سقوط می‌کنن و یا به بیرون فرستاده میشن. این کره فوتونی توی فاصله ۱.۵ برابری شعاع شوارتزشیلد قرار داره. یه شعاع دیگه‌ای هم تعریف میشه، به اسم «شعاع گیرشِ فوتون» (به انگلیسی: Photon Capture Radius). این شعاع، یه مقدار بزرگ‌تر از کره فوتونی و کوچک‌تر از شعاع ایسکو هست و حدود ۲.۶ برابر شعاع شوارتزشیلده (برای این‌که بتونید تصوری از این موضوعات داشته باشید به شکل زیر نگاهی بندازید). قرص تاریکی که مرکز تصویرِ منتشر شده دیده میشه، مربوط به همین شعاع و موسوم به «سایه سیاه‌چاله» هست. برای تقریب به ذهن، تصور کنید توی تاریکی شب، یه نفر جلوی نور چراغ ماشین وایستاده باشه و شما تصویری که از اون شخص می‌بینید، حجم سیاهی از اون شخص هست. سیاه‌چاله، فضا-زمان اطرافش رو خمیده می‌کنه و این باعث میشه پرتو‌های موازی که به سمت سیاه‌چاله میان، از دید ما، روی مسیر خمیده حرکت بکنن. در‌واقع سیاه‌چاله به‌ عنوان یه عدسی گرانشی، پرتو‌های نور موازی رو خم و متمرکز می‌کنه. بیش‌تر از نیمی از روشنایی که توی تصویرِ منتشر شده از ابرسیاه‌چاله M87 دیده میشه، ناشی از همین نورِ اصطلاحا لنز شده هست و نه دیسک برافزایشی از موادی که اطراف ابرسیاه‌چاله قرار داره.

نمودار شماتیک از یک سیاه‌چاله شوارتزشیلد.

اعدادی که برای پارامتر‌های مختلفِ سیاه‌چاله گفته شد، برای «سیاه‌چاله غیر‌چرخان» با متریک شوارتزشیلد صادقه. برای «سیاه‌چاله‌ چرخان» (مثل ابرسیاه‌چاله M87) که فضا-زمانِ اطرافش با متریک کر توصیف میشه، داستان یه مقداری پیچیده‌تر هست. وقتی که ابرسیاه‌چاله به دور خودش می‌چرخه، فضا-زمان رو هم به دنبال خودش می‌کشه. شعاع گیرش فوتون برای سیاه‌چاله چرخان، بزرگ‌تر از سیاه‌چاله شوارتزشیلد هست و بسته به جهت‌‌گیری پرتوها نسبت به بردار تکانه زاویه‌ای، تغییر می‌کنه. هم‌چنین، سطح مقطع سیاه‌چاله دیگه لزوما به شکل دایره نیست و ممکنه حدودا کم‌تر از ۴٪ تغییر داشته باشه.

قطر حلقه تابشی که توی تصویر دیده میشه به شعاع گیرشِ سیاه‌چاله بستگی داره که خودش به شعاع شوارتزشیلد و در‌نتیجه جرم سیاه‌چاله وابسته هست. ولی به‌طور غیر بدیهی، به پارامتر‌های دیگه‌ای هم بستگی داره: رزولوشن رصد، بردار چرخش سیاه‌چاله به دور خودش و مقدار کج بودنش، و اندازه و ساختار منطقه تابش.

اگه دقت کرده باشید، توی تصویر یه طرفِ حلقه، روشنایی بیش‌تر و طرف دیگه کم‌نورتر هست. علتش پدیده‌ای موسوم به «پرتو‌افکنیِ نسبیتی» هست؛ همون‌طور که گفته شد، مواد توی قرص برافزایشی، با سرعت خیلی بالا (نسبیتی)، در حال گردش به دور سیاه‌چاله هستن. وقتی از پهلو به قرص برافزایشیِ سیاه‌چاله نگاه می‌کنیم، مواد در یک طرف دیسک، به سمت ما حرکت می‌کنن و در طرف دیگه از ما دور میشن. موادی که حرکتشون به سمت ما هست درخشان‌تر و موادی که نسبت به ما در‌حال دور شدن هستن، کم‌نورتر به نظر می‌رسن.

ابعاد علمی ثبت اولین تصویر از سیاه‌چاله M87

ثبت تصویر از یک ابرسیاه‌چاله با این رزولوشن، موقعیتی بود تا یه بار دیگه، نظریه نسبیت عام انیشتین رو آزمایش کنیم که البته در این مورد کاملا سازگار بود. این رصد، پیش‌بینیِ یک‌ سری از مدل‌ها رو رد کرد. مثلا تعداد زیادی از مدل‌هایی که موسوم به مدل‌های تکینگی برهنه هستن، کنار زده شد. یا این‌که مثلا ما الآن می‌دونیم افق رویداد، سطحِ سختی از مواد نیست وگرنه موادی که به سمت سیاه‌چاله سقوط می‌کنن، باید اثراتی در محدوده فروسرخ می‌گذاشتن. البته ما با این رصد، در‌مورد ماده تاریک، نظریه‌های گرانش تعمیم‌یافته، گرانش کوانتومی یا مثلا این‌که داخلِ افق رویداد چی هست، نمی‌تونیم حرفی بزنیم.

بررسی دینامیک گرانشی اجرام اطراف ابرسیاه‌چاله مرکزیِ کهکشان راه شیری. نگاره از S. SAKAI / A. GHEZ / W.M. KECK OBSERVATORY / UCLA GALACTIC CENTER GROUP

قبل از این، ما جرم سیاه‌چاله رو از دو روش حساب کرده بودیم. روش اول نگاه کردن به مدار ستاره‌هاییه که اطرافش حرکت می‌کنن؛ همون‌طور که ما با نگاه کردن به مدار و سرعت حرکت سیارات توی منظومه شمسی، می‌تونیم نیروی گرانشی که خورشید توی مرکز داره بهشون وارد می‌کنه رو محاسبه کنیم و تخمینی از جرمش بزنیم، توی این مورد هم می‌تونیم جرم رو محاسبه بکنیم. روش دیگه، تخمین زدنِ جرم از روی رصد‌هایی هست که از تابش گازهای اطراف سیاه‌چاله داشتیم. برای ابرسیاه‌چاله کهکشان خودمون و M87، مقدار جرمی که از این دو روش به‌دست میومد خیلی با هم تفاوت داشتن؛ تخمین جرم از روش اول، حدود ۵۰ تا ۹۰ درصد بیش‌تر از روش دومی بود. مقداری که از رصد تلسکوپ افق رویداد به‌دست اومد، با مقداری که از روش اول بدست اومده بود سازگار بود. این نشون داد که روش بررسی دینامیک گرانشی، روش بهتریه برای محاسبه جرم سیاه‌چاله‌ها، و این‌که باید روی فرضیات اخترفیزیکی که توی روش دوم در نظر گرفته بودیم تجدید نظر بکنیم.

سیاه‌چاله‌ها موجوداتی هستن که دینامیک دارن. از اونجایی که برای نور حدود یک روز طول می‌کشه تا افق رویداد ابرسیاه‌چاله M87 رو طی کنه، توقع میره تابشی که رصد میشه، توی همین مقیاس زمانی تغییر بکنه. توی چهار تصویری که از این سیاه‌چاله منتشر شده هم این تغییرات دیده میشه.

تابشی که توی تصویر ابرسیاه‌چاله M87، روزهای ۵ و ۶ آپریل مشاهده میشه، با اونی که توی روز‌های ۱۰ و ۱۱ آپریل هست، کمی تغییر کرده. نگاره از تیم تلسکوپ افق رویداد

تلسکوپ افق رویداد چه چیزهای دیگه‌ای رو قراره در آینده نشون بده؟

اول. طی رصد‌های قبلی که از ابرسیاه‌چاله مرکز کهکشان‌مون، توی طول‌موج‌های ایکس و رادیویی انجام گرفته، یه سری تابش از فورانات، شبیه به شراره‌های خورشیدی، مشاهده شده. از اون‌جایی‌که جرم این ابرسیاه‌چاله ۰.۰۶ درصدِ جرم ابرسیاه‌چاله M87 هست (حدود ۴ میلیون برابر جرم خورشید)، مقیاس زمانیِ تغییراتِ سیاه‌چاله از مرتبه دقیقه هست. بنابراین، رصد این تغییرات سریع برای ابرسیاه‌چاله M87، می‌تونه احتمالا درمورد ماهیت این شراره‌ها اطلاعاتی بهمون بده. سوال‌هایی که مطرحه از این قراره: این شراره‌ها چطور به دما و درخشندگیِ مشخصه‌های رادیویی که می‌بینیم مربوط میشه؟ آیا شبیه تاج‌های خورشیدی، این شراره‌ها ناشی از دینامیک مغناطیسی هستن؟ آیا جریانی از دیسک برافزایشی جدا میشه؟ اگه رصدها و شبیه‌سازی‌هامون مثل مورد سیاه‌چاله M87 خوب کار کنن، می‌تونیم بفهمیم چه پدیده‌هایی باعث تشکیل این شراره‌ها میشن و شاید حتی متوجه بشیم که چه چیزی روی سیاه‌چاله سقوط می‌کنه که شراره‌ها رو تشکیل میده.

رصد شراره‌های درخشان در اطراف ابرسیاه‌چاله مرکزیِ کهکشان راه شیری. نگاره از NASA/CXC/STANFORD/I. ZHURAVLEVA ET AL.

دوم. داده‌های مربوط به قطبش نور سیاه‌چاله، قراره منتشر بشه. اهمیت این موضوع اینه که چون میدان مغناطیسی با نور می‌تونه اندرکنش کنه و اثری روی قطبشش بذاره، با این داده‌ها می‌تونیم درمورد شکل میدان مغناطیسی خودِ سیاه‌چاله و چگونگی تغییراتش اطلاعات بدست بیاریم. البته ما می‌دونیم که دیسک برافزایشی اطراف سیاه‌چاله هم، خودش میدان مغناطیسی قوی رو به‌وجود میاره؛ چون ذرات باردار، داخل دیسک برافزایشی در حال حرکت هستن، میدان مغناطیسی تولید می‌کنن. مدل‌ها نشون میدن که این خطوطِ میدان مغناطیسی می‌تونه، یا توی جریانات قرص برافزایشی باقی بمونه و یا به افق رویداد ختم بشه. یه رابطه‌ای بین میدان‌های مغناطیسی، برافزایش و رشد کردن سیاه‌چاله، و جت‌های گسیلی از اون هست. بدون میدان مغناطیسی راهی وجود نداره که مواد داخل قرص برافزایشی، تکانه زاویه‌ای از دست بدن و به داخل سیاه‌چاله سقوط کنن. داده‌های مربوط به قطبش که در حال تحلیل شدن هستن، می‌تونن این موضوعات رو روشن بکنن.

تصویر خیالی از دیسک برافزایشی و جت‌های اطراف یک سیاه‌چاله. ما هنوز نمی‌دونیم که خودِ سیاه‌چاله‌ها هم میدان مغناطیسی خودشون رو دارن یا نه. نگاره از NICOLLE R. FULLER/NSF

سوم. وقتی دو جسم به هم نیروی گرانشی وارد می‌کنن، به این معنیه که هر کدوم، اون یکی رو سمت خودش می‌کشه. توی منظومه شمسی هم درسته که خورشید نیروی گرانش زیادی رو به مابقی اجرام و سیارات وارد می‌کنه و اونا رو توی مدار نگه می‌داره، ولی بقیه هم نیروی گرانشی به خورشید وارد می‌کنن و این باعث میشه خورشید هم سر جای خودش به‌خاطر این نیرو کمی جابجا بشه و اصطلاحا حرکتی براونی داشته باشه (حرکت براونی به حرکتی مثل حرکت ذرات گرد و غبار توی هوا میگن که به‌صورت تصادفی جابجا می‌شن). اطراف ابر‌سیاه‌چاله هم اجرام زیادی وجود دارن که علی‌القاعده سیاه‌چاله‌های دیگه‌ای هم بینشون هستن. در‌نتیجه شبیهِ داستان منظومه شمسی، ابرسیاه‌چاله هم حرکت براونی داره. منتها برای این‌که مقدارِ این جابجایی رو بشه محاسبه کرد، نیاز به یه مرجعی داریم که جابجایی رو نسبت به اون بسنجیم. بنابراین باید به سیاه‌چاله نگاه کنیم و بعد به مرجع و بعد به سیاه‌چاله و بعد به مرجع و …. اما از اون‌جایی که جو زمین تلاطم داره و توی بازه زمانی حدود ۱ تا ۱۰ ثانیه تغییر می‌کنه، نمی‌تونیم این رفت و آمد رو بین سیاه‌چاله و مرجع راهنما‌مون انجام بدیم؛ چون تا بخوایم بریم و بیایم داستان تغییر کرده! بنابراین درحال حاضر، نمی‌تونیم از روی زمین این کار رو انجام بدیم. ولی احتمالا تا پایان دهه بعد میلادی، با پیشرفت تکنولوژی در این زمینه، این کار عملی میشه و در‌ نتیجه می‌تونیم در‌مورد حضور سیاه‌چاله‌های اطراف ابر‌سیاه‌چاله هم اطلاعات بدست بیاریم.

تصویر خیالی از حرکت سیاه‌چاله‌ها در اطراف یک ابرسیاه‌چاله. نگاره از ESO/MPE/MARC SCHARTMANN

چهارم. با اندازه‌ي الانِ تلسکوپ افق رویداد، فقط ۲ یا ۳ مورد از سیاه‌چاله‌ها رو میشه مطالعه کرد. اما اگر بتونیم از تلسکوپ‌های فضایی هم کمک بگیریم، میشه در‌واقع قطرِ موثرِ تلسکوپ رو بازم بزرگ‌تر و قدرت تفکیک رو بهتر کرد. این کار، عملا با تکنولوژیِ حال حاضر هم شدنی هست و میشه در آینده‌ای نه چندان دور، صدها سیاه‌چاله رو مورد بررسی قرار داد. در نتیجه، این زمینه‌ تحقیقاتی آینده روشنی خواهد داشت.

کاندیدای جایزه نوبل فیزیک برای این پروژه، چه افرادی می‌تونن باشن؟

بعد از انتشار تصویر اولین سیاه‌چاله توسط تیم تلسکوپ افق رویداد، اخباری دست به دست شد که یه خانمی به نام باومن – که اتفاقا هم چند وقت پیش توی تد، در مورد روش محاسباتی که برای تلسکوپ افق رویداد ساخته بودن صحبت کرده بود – باید جایزه نوبل فیزیک رو بگیره. نکته قابل توجهِ ثبتِ این تصویر، اتفاقا همکاری گسترده پژوهش‌گران در اقصا نقاط دنیا بوده که ارزش این کار رو صد چندان می‌کنه. بنابراین، این‌که یه کسی یهو این‌قدر بولد بشه، به‌نظر می‌رسه به‌خاطر مسايل دخیلِ دیگه‌ای هست که هیچ مبنای حرفه‌ای نداره! با این حال اگه قرار باشه به فرد یا افرادی جایزه نوبل فیزیک برای این پروژه تعلق بگیره، شاید افراد زیر، گزینه بهتری باشن:

۱. شِپ دوئلمَن، کسی که این پروژه رو راه‌اندازی کرد، به پیش برد و مدیریت کرد.

۲. هِینرو فالکه، کسی که مقاله اصلی درمورد این‌که چطور تلسکوپ افق رویداد با استفاده از روش وی‌ال‌بی‌آی می‌تونه تصویر رو ثبت کنه، نوشت.

۳.روی کِر، کسی که معادلات میدان گرانشی رو برای سیاه‌چاله چرخان حل کرد که پایه‌ی جزییات استفاده شده توی همه شبیه‌سازی‌های امروزی از سیاه‌چاله‌ها بودن.

۴. جین پیِر لومینِت، کسی که برای اولین‌بار، توی دهه ۱۹۷۰ میلادی،‌ با شبیه‌سازی نشون داد که تصویرِ یه سیاه‌چاله، احتمالا چه شکلی خواهد بود و حتی همون موقع، ابرسیاه‌چاله کهکشان M87 رو برای این کار پیشنهاد داد.

۵. آوری برودِریک، کسی که بعضی از مهم‌ترین کارها رو برای مدل‌سازی کردنِ دیسک برافزایشیِ اطراف سیاه‌چاله انجام داده.

تصویری از گردهمایی پژوهشگران حاضر در پروژه تلسکوپ افق رویداد در نوامبر سال ۲۰۱۸ میلادی

خب که چی؟! حالا این چیزا به چه درد ما می‌خورن؟!

احتمالا یا این سوال رو توی ذهن دارید، یا اگه توی زمینه کیهان‌شناسی و نجوم دارید پژوهش می‌کنید، این سوال ازتون پرسیده شده. اگه منظور از این سوال اینه که به چه درد همین الآن ما می‌خوره یا این‌که مثلا توقع داشته باشید که یهو با این مطالعات، اوضاع اقتصادی‌مون درست بشه، باید بگم که خیر!

یک چیز خیلی مهمی وجود داره و اون هم حس کنجکاوی بشر هست. حتی تا همین چند ده سال پیش هم که آلودگی نوری وجود نداشت و مردم هر شب عظمت آسمون رو بالای سرشون به چشم می‌دیدن، پرسش‌های زیادی پیش میومد. چیزی که ما امروزه تقریبا درکی ازش نداریم! البته همین کنجکاوی باعث به‌وجود اومدن علم شد و به تبع اون ایجاد تکنولوژي. خیلی از کاربردی‌ترین و ابزاری‌ترین چیزهایی که امروز باهاشون سروکار داریم، مثلا موبایل، بدون مفاهیم کاملا محض نظری، مثل مکانیک کوانتومی، بی‌معنی بودن. اگه همیشه بشر می‌خواست همین نگاه کوته‌بینانه رو داشته باشه، احتمالا توی غارها و با یه سری ابزارهای بدوی مشغول گذران زندگی خودش بود! بنابراین اگه می‌بینید که کسانی اندک، توی دنیا دنبال این‌جور چیزها هستن، حداقلش این‌که این‌جور سوالات رو ازشون نپرسید 🙂

کمی درباره‌ «ارتباط‌‌گری» و «روایتگری» در علم

سوال مهم من این بود که آیا راهی وجود داره که بشه برمبنای اون دیگران رو از فعالیت‌های متخصصان آگاه کرد؟چرا این سوال برام به وجود اومد؟ چون من خیلی در فضای مجازی می‌گردم و مطالب رو دنبال می‌کنم. فضای مجازی پر بود از شایعاتی که پشت سر هم پراکنده میشد، متخصصانی که به جای تعامل و گفت‌وگو، نگاه از بالا به پایین داشتند و مردمی که باور خودشون رو به حرف‌های متخصصان از دست دادند. بخشی از فضای حاکم بر کشور در فضای مجازی بازتاب می‌شد و به نظر هیچ‌ چیزی خوب نبود. من همیشه در دوران دانشجوییم وقتی که پیش میومد و کار ترویج علم میکردم به این فکر می‌کردم که امکانش هست از مسائل خیلی تخصصی هم با مردم حرف زد یا در همین حد که آونگ نیوتون و آونگ موجی به مردم نشون بدیم کافیه؟ این حرف‌ها رو زدم تا بگم که بعد از این‌که دنبال پاسخ سوالاتم گشتم، متوجه شدم که در دنیا افراد زیادی وجود دارند تحت عنوان ارتباط‌ گران علم و البته پژوهشکده‌های زیادی درباره ارتباط‌ گری علم وجود داره که اتفاقا برای همه‌ی سوال‌های من پاسخ داره.

تصویری نمادین از حوزه ارتباط‌گری در علم. از نظر Carsten Könneker. نگاره از ویکی‌پدیا

ارتباط‌ گری علم چیه و هدفش چیه؟ ارتباط‌‌گری علم درواقع ارتباط عمومی بین متخصصان، یا متخصصان و غیر متخصصان مثلا شهروندان درباره موضوعات علمیه. ارتباط‌گران علم موظفند با مردم از اتفاقاتی که در حوزه‌های مختلف علمی می‌افته صحبت کنند. علم رو به معنی ساینس در نظر نگیریم. محدودیتی وجود نداره. ارتباط گری علم طیف وسیعی از علوم پایه تا اقتصاد، مهندسی، پزشکی، جامعه‌شناسی و… رو در برمیگیره. درواقع هر متخصصی میتونه با افراد جامعه چه به صورت مستقیم و بی‌واسطه و یا غیرمستقیم و باواسطه در ارتباط باشه. سال ۲۰۱۴ مقاله‌ای منتشر شد توسط دو نفر از دانشمندان اهل کشور رومانی که در اون مقاله به اهمیت ارتباط‌گری علم اشاره‌هایی کرده بودند. یکی از مواردی که در اون مقاله نام برده بودند این بود که ارتباط‌گری علم باعث افزایش اعتماد عمومی جامعه میشه. درواقع ارتباط‌گری علم فرصت گفت وگو بین مردم جامعه رو به خوبی فراهم می‌کنه و در فضایی که امکان گفت وگو به راحتی وجود داره، امکان رشد شایعه و داده‌های غلط در جامعه کمتر میشه. تابستانی که گذشت رو به یاد بیارید. افزایش نرخ تورم و نرخ ارز چه بر سر روان جامعه آورد؟ من اون روزها هرقدر دنبال یک تحلیل قابل فهم از شرایط اقتصادی از زبان یک اقتصاددان گشتم، چیزی پیدا نکردم. در همین توییتر فارسی تحلیل‌های متفاوت زیاد بود و البته به هیچ کدامشون هم نمی‌تونستم اعتماد کنم. ویدیویی از وزیر قبلی بهداشت درباره‌ی عدم اختصاص بودجه درمانی برای بیماران  اِس اِم اِی در فضای مجازی منتشر شد و واکنش مردم نسبت به این ماجرا واکنش اخلاقی بود. واکنش پزشکان چه بود؟ صادقانه این بود که بیشتر پزشکانِ فعال در توییتر با به سخره گرفتن واکنش‌های مردم، کمترین توضیحی درباره‌ی سلامت عمومی و نحوه‌ی اختصاص منطقی بودجه به درمانِ بیماری‌ها ندادند. مدتی قبل وزیر جوان در توییتی اعلام کرد که برای مردم خبرهای خوشی داره. فردای اون روز با اعلام موفقیت‌آمیز نبودن پرتاب ماهواره‌ی پیام، مردم رو در جریان پرتاب ماهواره قرار داد. عمده‌ی واکنش مردم در توییتر فارسی تمسخر این ماجرا بود. من این‌طوری فکر می‌کنم که عمده‌ی این واکنش‌های تمسخرآمیز به دلیلِ آگاه نبودنِ مردم به اهمیت وجود فناوری در کشوره.

این مثال‌ها رو زدم تا بگم به نظر میاد که ارتباط‌‌گری علم راهی رو جلوی ما قرار میده که بتونیم از دستاوردهای علمی، اهمیت پژوهش، اصولی که برمبنای اون کشور و جامعه اداره میشه با همدیگه صحبت کنیم. آخرای این مقاله یک جمله خیلی دقیق بیان میکنه. میگه کسی که تحصیلات رایگان داشته در کشوری، اخلاقا موظفه مردم رو از کارش آگاه کنه. چون با هزینه‌ی مردم در دانشگاه درس خونده. حالا اگر هم این پیشفرضِ اخلاقی رو در مورد تمام کسانی که تحصیلات رایگان داشتن کنار بذاریم، ارتباط‌گری علم در جامعه منجر به گسترش علم در جامعه میشه. و به سبب این گسترش اتفاق خوبی که میفته بالاتر رفتن سطح آگاهی عمومی‌ه. در جامعه‌ای که مردم هرروز اطلاعاتِ تازه و قابل درکی از اقتصاد، ریاضیات، زیست شناسی، پزشکی و … کسب میکنن،مجالِ اندکی برای سو استفاده افراد فراهم میشه. ارتباط‌ گری علم باعث تقویت اعتماد در جامعه میشه. مادامی که یک متخصص نتونه به زبان مردم باهاشون صحبت کنه و اطلاعاتش رو منتقل کنه، جامعه بهش اعتماد نخواهد کرد.


مادامی که یک متخصص نتونه به زبان مردم باهاشون صحبت کنه و اطلاعاتش رو منتقل کنه، جامعه بهش اعتماد نخواهد کرد.

 فکر کنم الان کمی واضح شد که در ایران چرا هنوز بخش قابل توجهی از مردم رفتن پیش عطار رو به مراجعه به پزشک ترجیح میدن، در مقابل هشدارهای ایمنی توجهی نمی‌کنن و پشت در صرافی‌ها صف می‌کشن. هر حرف شبه علمی و نادرستی رو با یه پسوند کوانتومی باور میکنن، تاریخِ تحریف‌شده رو می‌پذیرند و… حلقه‌ی مفقود همین جاست. عدم ارتباط‌گری علمی. خب الان فکر می‌کنم اهمیت ارتباط‌گری علم تا حدی روشن شد.ارتباط‌گری علم به شیوه‌های مختلفی در جریانه. روزنامه‌نگاری، مستند سازی، روایتگری و سرگرمی و… .

من قصد دارم اینجا کمی درباره‌ی روایتگری (قصه‌گویی) در علم صحبت کنم.در کتاب بهترین قصه‌گو برنده است کمی درباره‌ی معنی قصه‌اندیشی صحبت شده. بخونیم با هم:

روزی روزگاری قبل از اینکه یاد بگیرید نگاه عینی و واقع‌بینانه‌تر داشته باشید، فکر می‌کردید آدم مهمی هستید و اطرافیان‌تان هم آدم‌های مهمی‌اند. احتمالا سوال‌هایی می‌پرسیدید که دیگران را معذب می‌کرد. برای اینکه دچار خودشیفتگی و بی‌ثباتی عاطفی نشوید، شما را فرستادند مدرسه تا یاد بگیرید چه‌طور انسان مفیدی باشید. روش علمی را یاد گرفتید. فهمیدید که آدم مهمی نیستید. در واقع فقط نقطه‌ای هستید بر روی یک منحنی زنگی شکل. اگر خوش‌شانس باشید، نقطه‌ی شما دو درجه از معیار انحراف داشته و بهتان میگویند «بااستعداد» که در اصل خیلی شبیه مهم بودن است. بعد یاد گرفتید هیچ چیزی تا نتوانید آزمایشش کنید و تا نتوانید درستی‌اش را با آزمایش‌های مکرر ثابت کنید، درست نیست. تفکر انتقادی، تحلیل عقلانی و تفکر عینی شما را آماده کرد تا احساسات را کنار بگذارید و تصمیم‌های بهتری بگیرید. از آن زمان تاکنون تصمیم‌های عینی و به دور از احساسات خیلی به دردتان خورده. با استفاده از تحلیل‌های هزینه/ فایده و مدل‌ها و نمودارهای ستونی، می‌توانید درستی ِ چیزی را ثابت کنید و به بقیه نشان دهید که حق با شماست و توصیه‌هایتان درست است. ولی حرف درست دیگر جذابیت چندانی ندارد. مثل یک دانشمند خوب اطلاعاتی جمع کرده‌اید که ثابت می‌کند درست گفته‌اید ولی درست گفتن باعث نمی‌شود دیگران به حرفتان گوش کنند. حتی ممکن است کم‌کم به این نتیجه برسید که همکارانتان هم دو درجه از معیار انحراف دارند منتها در جهت ِ عکس بااستعدادها. درواقع به نظر می‌رسد حرف درست زدن و پیروی دیگران از حرف درست هیچ ربطی به هم ندارند. شما هم مثل بیشتر ما که در قرن بیستم درس خوانده‌اید به این نتیجه رسیده‌اید که ارتباط‌های شفاف، تفکر عینی و تصمیم‌گیری‌های عقلانی در دنیای غیر شفاف و ذهنی‌ای که تکثر عقلانی در آن بی‌داد می‌کند با محدودیت‌هایی مواجه است. زبانِ ذهنی همان زبانِ قصه است. قصه‌گویی کمک می‌کند افراد از جهات مختلف به موضوع نگاه کنند و در نتیجه بتوانند برداشتی را که از واقعیات شما دارند از نو تفسیر کنند یا شکل بدهند.

چند دقیقه فکر کنید که در جایگاه یک متخصصِ تراز اول قرار دارید و قصد دارید مهم‌ترین دستاوردهاتون رو برای عموم مردم که عمدتا کمترین دانشی از تخصصِ شما ندارند، بیان کنید. بهترین راه چیه؟ آیا میشه با مردم از زبان اعداد و ارقام و تخصصی‌ترین اطلاعات سخن گفت؟ آیا این امکان وجود داره که به اندازه‌ی سالهایی که شما تحصیل کردید مردم رو معطل کرد و تمام دانشی که در طی سالهای عمرتون کسب کردید رو به مردم منتقل کنید؟ قطعا جواب منفی‌ه. باید راه مطمئنی پیدا کرد که همزمان به هرکسی خارج از دایره‌ی تخصص شما مفاهیم رو به سادگی و دور از تکلف عالِمانه آموزش داد. راه حلی که به ذهن خیلی از دانشمندان بزرگ تا امروز رسیده قصه‌گویی یا روایتگری در علم‌ه. بالاتر گفتم زبان ذهنی افراد همان زبان قصه است. پس به نظر میاد که اگر مفاهیم علمی رو از پشت نقاب اعداد خارج کنیم و رنگ و بوی قصه بهش بدیم میتونیم اون رو در اختیار هرکسی خارج از دایره‌ی تخصص خودمون بذاریم.


اگر مفاهیم علمی رو از پشت نقاب اعداد خارج کنیم و رنگ و بوی قصه بهش بدیم میتونیم اون رو در اختیار هرکسی خارج از دایره‌ی تخصص خودمون بذاریم.

چند وقت قبل آقای کرولویچ که یک خبرنگار علمیه به جشن دانش‌آموختگی دانشجویان دانشگاه کلتک دعوت میشه. کرولویچ در سخنرانی‌اش شروع میکنه به حرف زدن درباره‌ی اهمیت بیان قصه‌ها در علم.

کرولویچ میگه شما از این دانشگاه فارغ‌التحصیل شدید و میخواهید برای پدربزرگ، مادربزرگ‌تون بگید در این سالها چه کردید، چی میگید؟ آیا باهاشون با کلمات عجیب و غریب و تخصصی حرف میزنید یا تلاش میکنید قصه بگید؟ کرولویچ از ای. او .ویلسون نقل می‌کنه که علم مثل بقیه‌ی فرهنگ بر ساخت قصه‌ها استواره. ما با قصه‌ها زندگی می‌کنیم. کرولویچ میگه که در دنیای امروز، قصه ها با هم رقابت می کنند. یک لحظه تلویزیون رو روشن می‌کنید و آقای کرولویچ داره تمام سعیش رو می‌کنه که سخت‌ترین مفاهیم فیزیک رو برای عموم توضیح بده، و لحظه بعد برنامه ایست نه فقط غیرعلمی که ضدعلم. آقای کرولویچ می‌گه که در دنیای رقابت قصه‌ها، کدوم قصه می خواهید که بمونه و پایدار باشه؟ بعد میگه از این در که رفتید بیرون، برای اون عمه و خاله و مادربزرگ از کوارک و انواع پروتئین که گفتید، یه قصه هم بگید. حرف تون رو با قصه باز کنید و جزییاتش رو با قصه توضیح بدید. اگر نه، قصه‌های زیادی آماده جایگزین کردن قصه‌هایی هستند که شما می تونستید بگید و نگفتید.


علم مثل بقیه‌ی فرهنگ بر ساخت قصه‌ها استواره. ما با قصه‌ها زندگی می‌کنیم.

🎬 داستان پیچیدگی: «چرا بیشتر، متفاوت است؟»

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؟»

🎞 دانلود ویدیو 🔊 دانلود صوت 🔖 اسلایدها 🎬 در آپارات

🔗 فایل‌ها در تلگرام

داستان پیچیدگی: «چرا بیشتر، متفاوت است؟» عباس کریمی، کنفرانس سار