رفتن به نوشته‌ها

برچسب: مدل آیزینگ

چرا مدل آیزینگ اینقدر برای فیریکدونا جذابه؟ چرا اینقدر کاربردیه حتی بیرون فیزیک؟!

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.

ویدیو در یوتیوب

ویدیو در اینستاگرام

برای بیشتر عمیق شدن

شبیه‌سازی مدل آیزینگ

گشت و گذاری در علم شبکه

به دعوت بچه‌های انجمن علمی فیزیک دانشگاه تهران در مورد شبکه‌های پیچیده حرف زدم. ویدیو جلسات ضبط شده. در ادامه اسلایدها رو گذاشتم.

قسمت اول: پیچیدگی و تحول انگاره

در این قسمت ابتدا به سراغ انگاره پیچیدگی می‌رویم و پیرامون تحول انگاره در فیزیک در دهه‌های گذشته صحبت می‌کنیم. نشان می‌دهیم که فیزیک آماری در گذار از ریزمقیاس به بزرگ‌مقیاس با چه چالش‌هایی روبه‌رو بوده. سپس به دنبال توجیه رفتارهای جمعی در سیستم‌های فیزیکی و زیستی به اهمیت برهمکنش‌های نابدیهی و شبکه‌های پیچیده می‌رسیم.

قسمت دوم: مقدمه‌ای بر علم شبکه

در ادامه قسمت قبل، به دنبال توجیه رفتارهای جمعی در سیستم‌های فیزیکی و زیستی به اهمیت برهمکنش‌های نابدیهی و شبکه‌های پیچیده می‌رسیم و به ویژگی‌‌های این شبکه‌ها و پدیده‌های دینامیکی روی آن‌ها می‌پردازیم. سرانجام در مورد مدل‌سازی‌های انتشار ویروس کرونا صحبت خواهیم کرد!

اسلایدها

در رویارویی با علم و مسئله ترویج آن

در مورد علم، شبه‌علم، روش و تحول ساختارش، ارتباط‌‌گری و روایتگری در علم زیاد حرف زده شده. با این وجود، خوبه که هر از گاهی با مرور بعضی مثال‌ها، به این موضوعات دوباره فکر کنیم. توی این مسیر همیشه باید توجه کنیم که علم، نه تقدس به همراه میاره و نه قاطعیت! به قول فاینمن، گزاره‌های علمی از جنس این نیستند که چه چیزی درست یا غلطه، بلکه اونا گزاره‌هایی هستند با درجه‌های مختلفی از عدم قطعیت در مورد چیزهایی که می‌دونیم. از طرف دیگه، باید به عنصر آزمایش یا تجربه در «علوم تجربی» هم توجه کنیم. در علم، هر اندازه‌گیری همراه با مقداری خطا گزارش میشه که به ما میگه عدم قطعیت (دقت) موجود در این اندازه‌گیری چقدره و ما تا کجا می‌تونیم مطمئن باشیم از مقدار مشاهده شده. میزان موفقیت یک نظریه علمی هم در دقت پیش‌بینی‌هایی هست که در مورد کمیت‌های مورد نظر ارائه می‌کنه. نظریه‌ای دقیق‌تره که نتایجش نزدیکتر به واقعیت (اندازه‌گیری‌ها) باشه. نظریه الکترودینامیک کوانتومی دقیق‌ترین نظریه فیزیکه چون مقداری که برای «ثابت ساختار ریز» معرفی می‌کنه تا ۸ رقم بعد از ممیز با مقدار اندازه‌گیری شده می‌خونه.

با این وجود، دقیق‌ترین نظریه لزوما بهترین نظریه نیست! مثلا در مسائل گرانشی، نسبیت توصیف دقیق‌تری ارائه می‌کنه، با این حال در زندگی روزمره معمولا ما به این میزان دقت نیاز نداریم؛ یک مهندس شهرسازی هیچ ملاحظه نسبیتی رو نیاز نیست که رعایت کنه! حتی اگه این کارو بکنه، فقط زمان و انرژی بیشتری برای محاسباتی صرف کرده که نتایج بهتری بهش تحویل نمیدن! اما مثلا در توصیف مدار عُطارِد دیگه این جوری نیست. نظریه نسبیت به طور چشم‌گیری دقیق‌تره و بر خلاف نظریه‌های غیرنسبیتی مقادیر معقول‌تری رو پیش‌بینی می‌کنه. خلاصه این‌که اگه همین‌طور رو هوا کسی بگه «آینشتین درست گفت و نیوتون غلط» نشون میده که یه آدم غیرحرفه‌ایه! همیشه توی علم مهمه که با چه مسئله‌ای روبه‌رو هستیم و انتظارات از مطالعه یا پژوهش ما چیه. گاهی مدل‌های خیلی ساده می‌تونن نتایج خیلی خوبی، بسته به مسئله مورد نظر، ارائه کنند. مثلا مدل آیزینگ با تمام سادگی‌هاش توصیف خیلی خوبی از گذارفاز خودبه‌خودی فرومغناطیسی و پدیده‌های بحرانی مرتبط با اون ارائه می‌کنه. انتخاب مدل در علم خودش بحث مفصلیه. بگذریم.

برای همین، اگه کمی دقت کنیم خیلی چیزها دیگه زیر پرچم علم قرار نمی‌گیرند. دونستن ارتفاع قله اورست یا ظرفیت گرمایی نقره علم حساب نمیشه. این‌ها اطلاعاتی هستند که پس از یک‌بار استخراج یا محاسبه میشه توی یه جدول نگهشون داشت و بارها ازشون استفاده کرد. همین‌طور خیلی از ادعاهایی که در رشته‌هایی مثل روان‌شناسی یا جامعه‌شناسی وجود داره علمی نیستند. چون یا درست آزمایش نشدند، یا قابل تکرار نیستند یا مشکلات دیگه‌ای دارن که روش تحقیقشون رو خارج از چارچوب روش علمی قرار می‌ده. حتی بخشی از ریاضیات هم علم نیست! در ریاضیات شما می‌تونید ساختارهای کاملا انتزاعی درست کنید بدون نیاز به وجود یا مثال خارجی. نکته مهم اینه که هر چیزی که علمی نباشه چیز بدی نیست. علمی بودن به ما یک سری ویژگی و ملاک‌ شناختی میده در برخورد با دنیای خارجمون. اصلا برای همینه که در علم، ندونستن عیب نیست و قرار نیست که علم به همه پرسش‌ها یا نیازهای بشر جواب بده. اعتبار بخشیدن به ادعایی به عنوان یک «گزاره علمی» فقط از این جهت قابل قبوله که میشه انتظارات مشخصی از اون حرف یا ادعا داشت.

یادگرفتن واژه‌ها خیلی لازم است، اما این کار علم نیست. البته منظور من این نیست که چون علم نیست نباید آن را یاد بدهیم. ما دربارهٔ این که چه چیزی را باید یاد بدهیم حرف نمی‌زنیم؛ دربارهٔ این بحث می‌کنیم که علم چیست. این که بلد باشیم چطور سانتی‌گراد را به فارنهایت تبدیل کنیم علم نیست. البته دانستنش خیلی لازم است، ولی دقیقاً علم نیست. برای صحبت کردن با همدیگر باید واژه داشته باشیم، کلمه بلد باشیم و درست هم همین است؛ ولی خوب است بدانیم که فرق «استفاده از واژه» و «علم» دقیقاً چیست. در این صورت، می‌فهمیم که چه وقت ابزار علم مثل واژه‌ها و کلمه‌ها را تدریس می‌کنیم و چه وقت خود علم را یاد می‌دهیم. … اگر به شما بگویند «علم این و آن را نشان داده‌است.» می‌توانید بپرسید که «علم چطور آن را نشان داده‌است؟ چطور دانشمندان فهمیده‌اند؟ چطور؟ چه؟ کجا؟» نباید بگوییم «علم نشان داده‌است.»، باید بگوییم «تجربه این را نشان داده‌است.» و شما به اندازهٔ هر کس دیگر حق دارید که وقتی چیزی دربارهٔ تجربه ای می‌شنوید، حوصله داشته باشید و به تمام دلایل گوش فرا دهید و قضاوت کنید که آیا نتیجه‌گیری درست انجام شده‌است یا نه.

– ریچارد فاینمن در علم چیست؟!

پس از علم پیروی کنیم؟!

علم در مورد یک سری واقعیته. علم به ما نمی‌گه که چیکار کنیم یا نکنیم. چیزی که میگه اینه که اگه توپی رو با فلان سرعت از فلان نقطه پرتاب کنید، فلان مسیرو طی می‌کنه و بعد از زمان فلان با سرعت بهمان به نقطه مشخصی می‌رسه. پرتاب کردن یا نکردن توپ اما دست ماست. علم در فاجعه هیروشیما و ناکازاکی بی‌تقصیره ولی انسان‌ها و مدیران مختلفی در این مسئله مقصر هستند. میزان گناه‌کار بودن افراد رو علم مشخص نمی‌کنه بلکه قراردادهای غیر علمی اما حقوقی یا اخلاقی مشخص می‌کنند. پس لزومی نداره علم همه امور ما رو رتق و فتق کنه! علم گاهی در مسائلی می‌تونه اصلا جوابی نداشته باشه یا ممکنه ما رو در یک حالت بلاتکلیف قرار بده. در کنترل همه‌‌گیری کرونا علم نمی‌گه که فلان شهرو قرنطینه کنید یا در بهمان شهر قوانین منع تردد از ۷ شب وضع کنید. در این شرایط، اهل علم در گروه‌های تحقیقاتی مختلف، شروع به مدل‌‌سازی‌ و آزمایش می‌کنند. اونا شرایط مختلفی رو تست می‌کنن تا ببینن چه روش‌هایی منجر به چه دستاوردهایی میشه. مثلا ممکنه گروهی سراغ مدل‌های بخش‌بندی یا سراغ تحلیل‌های داده‌محور و بیزی برن و عده‌ای هم از مدلسازی عامل بنیان استفاده کنند. در نهایت این وظیفه یک مدیره که با بررسی نتایج گروه‌های مختلف و با در نظر گرفتن نظرات و یافته‌های گروه‌های اقتصادی، فرهنگی، سیاسی و … تصمیم آخر رو بگیره. علم، شطرنج‌باز نیست، قوانین شطرنجه!

در این ویدیو، سابینه هاسنفلدر به خوبی در مورد این مسئله حرف می‌زنه:

مسئله ترویج علم

ترویج علم یعنی چی؟! چه کسی مروج علمه؟

توافق کردن بر سر مفهوم ترویج علم، قبل از هر چیزی به این بستگی داره که تعریف علم و گزاره علمی رو بپذیریم و بعد در مورد کم و کیف رواج بحث کنیم. در فارسی، ترویج علم به احتمال زیاد وام‌دار مفهوم ترویج دینه چون در انگلیسی (عرف جهانی) معادلی برای ترویج علم نداریم. چیزهایی مثل «ارتباط‌گری» یا «علم‌ به زبان ساده» داریم ولی «ترویج علم» نه! معقول هم هست؛ در گذشته تفاوتی بین علم دینی و غیر دینی نبوده. طبیعتا هر چقدر که ابعاد ترویج دین زیاده ابعاد ترویج علم هم زیاده. پس شما هر کاری که در جهت گسترش علم انجام بدین زیر پرچم ترویج علمه. از تدریس و تحقیق گرفته تا ساخت مدرسه و دانشگاه، دادن کمک هزینه تحصیلی به افراد، شرکت داوطلبانه در آزمایش واکسن کرونا تا مبارزه با خرافات یا اجرای نمایش‌های مختلف برای آشنا کردن مردم کوچه‌ و بازار با مفاهیم علمی. برای همین چه توی تاکسی چه توی دانشگاه یا روزنامه‌ یا توییتر اگه کسی بگه: «از روی زمین، انگار که ماه نمی‌چرخه به این دلیل که سرعت چرخش ماه به دور زمین تقریبا برابر با سرعت چرخشش به دور خودشه.» ترویج علم انجام داده.

اما باید مراقب جنبه‌های دیگه این فرایند هم باشیم؛ به داستان‌های مختلفی که در مورد پول‌شویی به واسطه تاسیس خیره‌ها شنیدین فکر کنید. اگه کارتل‌های مواد مخدر به کلیساها یا نهادهای خیریه کمک‌ کنند، آیا «ترویج انسانیت» کردند؟! اگه دولتی اجازه ورود آلاینده خاصی به آب یا هوای کشورش رو بده و از طرف دیگه به کمک یک شرکت داروسازی داروهای مربوط به بیماری‌های ناشی از اون آلاینده رو با یارانه دولتی به بازار عرضه کنه، آیا این دولت «ترویج سلامت» کرده؟! در مورد ترویج علم هم این سوال وارده؛ اگه فردی، نهادی یا رسانه‌ای خواسته یا ناخواسته یا با روش یکی به نعل یکی به میخ هم مطالب علمی منتشر کنه و هم مطالب غیرعلمی یا شبه علم آیا باز هم در حال ترویج علمه؟! اگه فردی یا حزبی در مورد یک واقعیت علمی که موافق اهدافشه تبلیغ کنه ولی در مورد واقعیت دیگه‌ای که براشون هزینه ایجاد می‌کنه جوسازی‌های نادرست ایجاد کنه، آیا باز مشغول ترویج علمه؟! فراموش نکنیم که اصلا مهم نیست که هم‌قطارهای ما بگن فلان چیز علمیه یا نیست، این روش علمیه که مشخص می‌کنه که کی راست میگه!

دیشب در یک آگهی شنیدم که روغن وسون به داخل غذا نفوذ نمی‌کند. خب این واقعیت دارد و تقلبی در کار نیست؛ ولی آنچه من دربارهٔ آن صحبت می‌کنم تقلب نیست بلکه صحبت از صحت و درستی علمی است که در مرتبه دیگری قرار دارد. حقیقتی که باید به آگهی اضافه می‌شد، این است که هر روغنی که در دمای مشخص استفاده شود به داخل غذا نفوذ نمی‌کند. اما اگر در دمای دیگری مصرف شود حتی اگر روغن وسون باشد، در غذا نفوذ می‌کند. در نتیجه می‌بینیم در این آگهی نه حقیقت مطلب بلکه بخشی از آن بیان شده‌است؛ و ما با همین اختلاف سر و کار داریم. … اگر تصمیم دارید یک نظریه را آزمایش کنید یا ایده‌ای را توضیح دهید، باید همواره آن را بدون در نظر گرفتن پیامدهایش منتشر کنید. اگر تنها مطالب خاصی را چاپ کنید بدین معناست که قصد داشته‌اید آن را درست جلوه دهید، ازین رو باید تمام جوانب کار را منتشر کنید. دربارهٔ مشاوره‌های دولتی نیز این اصل اهمیت دارد. تصور کنید سناتوری بررسی یک مسئله حفر چاه در ایالتش را به شما واگذار کند و شما پس از بررسی، ایالت دیگری را برای اینکار مناسب‌تر تشخیص دهید، اگر شما تحقیقتان را منتشر نکنید، توصیه شما عملی نخواهد شد و شما آلت دستی بیش نخواهید بود. اگر نظر شما موافق نظر دولت و سیاستمداران باشد، آنها می‌توانند از آن در جهت به‌کارگیری مقاصدشان استفاده کنند و اگر شما با خواست‌های آنها در تضاد باشید، هرگز آن را منتشر نخواهند کرد. در این صورت کار شما دیگر یک توصیه علمی قلمداد نمی‌شود.

– ریچارد فاینمن در علم بارپرست‌گونه

روایتگری در علم و تیراژ کار

«منظور ما از روایتگری در علم نوع بیان و ارائه یک مطلب علمی با هر میزان پیچیدگی به مخاطبی با سطح مشخصی از تخصص است، به طوری که فرایند یادگیری لذت بخش باشد و فرد ارتباط بین مفاهیم را به درستی متوجه شود.»

در مورد روایتگری در علم در این نوشته و این ویدیو مفصل صحبت کردیم. به نگاره زیر نگاه کنید. محور افقی نشون‌دهنده میزان تخصص افراد در یک حوزه تخصصی خاص مثل فیزیکه. طبیعتا هر چقدر که به سمت راست حرکت کنیم میزان تخصص بیشتر میشه. روایتگری در علم فرایند ارائه مطلب توسط فردی در نقطه $X$ از محور به فردی قبل‌تر از اون ($X – \Delta X$) هست. مثلا ممکنه یک استاد با تجربه بعد از سال‌ها تدریس، یک کتاب آموزشی خوب برای دوره لیسانس یا یک پژوهشگر برجسته یک مقاله مروری برای بقیه پژوهشگرا بنویسه. گاهی هم روایتگری در علم می‌تونه سر کلاس فیزیک دبیرستان رخ بده یا توی مهمونی وقتی داری به داییت توضیح میدی که فرکتال‌ها چی هستن! به عنوان یک نمونه عملیاتی کلاس‌های درس ساسکایند یا درس‌گفتارهای فاینمن رو ببینید. به تولید این جنس محتوا می‌گیم روایتگری در علم و اگه مخاطب ما عموم مردم باشن، اون موقع این کار به صورت عمده توسط روزنامه‌نگاران علمی و ارتباط‌گران علم انجام میشه.

نمودار روایتگری در علم – روایتگری در علم از راست به چپ رخ می‌دهد.

یکی از اهداف جدی روایتگری در علم تولید محتوای خوش‌هضم‌ برای مخاطبه. هرچقدر محتوا باکیفیت بهتری آماده بشه طبیعتا احتمال یادگیری بالا میره و این می‌تونه به پیکره علم و جریان‌های علمی کمک کنه. برای همین همیشه مهمه که محتوای تولید شده چه مقدار مخاطب داشته باشه. خصوصا برای روزنامه‌نگاران علمی یا ارتباط‌گران علم. مثلا با توجه به شرایط همه‌گیری بیماری کرونا خیلی مهمه که عمده مردم واکسینه بشن. برای همین از یک طرف وظیفه مروجان علمه که تا جایی که میشه دولت‌ها رو تشویق به سرمایه‌گذاری در خرید و توسعه واکسن کنند و از طرف دیگه با آگاهی دادن به مردم اونا رو متقاعد کنند که واکسن چیز خوبیه، اومد بزنید! این تلاش‌ها باید در مقیاس کشوری و جهانی انجام بشه. برای همین اگر کسی قصد تولید محتوایی رو داشته باشه خیلی مهمه که جامعه هدف بزرگی رو پوشش بده. اما در مورد بقیه موضوعات قاعدتا نیازی نیست که تیراژ کار اینقدر زیاد باشه. مثلا افراد علاقه‌مند به نجوم یا علم داده قابل مقایسه با افراد علاقه‌مند به شیمی یا زیست‌شناسی دریا نیستند. برای همین درسته که تیراژ کار مهمه، اما باید دید در چه حوزه‌ای مشغول به کار هستیم. گاهی روایتگری در علم برای کلاس دو سه نفره‌ای از دانشجویان دکتری یا جلسه‌های دو نفره استاد و شاگرده.

چگونه در ترویج علم «گاوِ نُه مَن شیر» نباشیم؟!

در دنیای امروز که به لطف شبکه‌‌های اجتماعی هر کسی تریبونی داره به نظر می‌رسه که مشکلات ترویج علم کمتر باید بشه. اما در مورد پخش اطلاعات، متاسفانه نتایج تحقیقات این شکلیه که اطلاعات نادرست بیشتر بهره بردن از این بستر! با این وجود نکته‌هایی وجود داره که اگه رعایت نکنیم همه تلاش‌هامون از بین میره و دیگه علمی رواج ندادیم.

  • قبل از هر چیز بدونیم اگه در زمینه‌ای تخصص نداریم یا اطلاع کافی نداریم لزومی نداره که در موردش با همه صحبت کنیم. بارها در بین افراد مختلفی که فیزیک نخوندن و حتی تجربه جدی نجوم آماتوری ندارن دیدم که در مورد مسائل مربوط به مه‌بانگ و انرژی تاریک با بی‌دقتی تمام حرف می‌زنن. یا دانشجو تازه وارد فیزیکی که سعی داره در مورد جهان‌های موازی به دوستش توضیح بده و به جای این‌که صادقانه بگه «هنوز نمی‌دونم» شروع میکنه به داستان‌های غلط غلوط تعریف کردن! اولین نکته در ترویج علم از طریق بیان یا نوشته اینه که در مورد چیزی که حرف می‌زنیم به مقدار کافی اطلاع داشته باشیم و اگه سوالی ازمون پرسیدن که جوابش رو بلد نبودم خیلی صریح بگیم که نمی‌دونیم!
  • فراموش نکنیم که اگه دکتری فیزیک داشته باشیم دلیلی نمیشه که زیست‌شناسی رو هم خوب بشناسیم. خارج از حیطه تخصصی خودمون همیشه باید دست به عصا حرکت کنیم. بخش زیادی از اطلاعات نادرستی که دست مردم رسیده به خاطر حرف‌های اشتباه افراد تحصیل‌کرده بوده. مثلا در برنامه‌های مختلف تلوزیون زیاد می‌بینیم که افراد خارج از تخصصشون حرف‌های کاملا غلطی می‌زنن که به خاطر شهرت یا محبوبیتشون متاسفانه بسیار هم در جامعه حرفشون نفوذ می‌کنه. مثلا همین اواخر در برنامه خوب کتاب‌باز، آقای مجتبی شکوری که ظاهرا دکتری علوم سیاسی دارد در مورد نسبیت و مکانیک کوانتومی حرف‌های اشتباهی زد چون که می‌خواست با مفهوم نسبی بودن و گذر زمان بازی کنه. ایشون جزو محبوب‌ترین کارشناس‌های این برنامه هستن و قطعا با توجه به تعداد بالای بازدید اون برنامه و بازپخشش در اینستاگرام این کج‌فهمی علمی سال‌ها در جامعه باقی می‌مونه. کافی بود ایشون دو سه جمله‌ای که خارج از تخصصشون بود رو نمی‌گفت و نُه مَن شیر رو روی زمین نمی‌ریخت! چند سال پیش هم بهروز افخمی در بیست و دومین قسمت از برنامه تلویزیونی «چهل چراغ» چون می‌خواست برای حرفی که میزنه پشتوانه علمی بیاره، چرند و پرندهایی در‌ مورد نسبیت آینشتین و نظریه تکاملی داروین سر هم کرد و با قباحت تمام بیانشون کرد!
  • نکته دیگه پرهیز از ساده‌سازی‌های بی‌مورده. خیلی مهمه که ساده کردن یک مفهوم علمی سوءبرداشتی ایجاد نکنه. «شیر بی‌دم و سر و اشکم کی دید؟!» تلاش برای زیاد ساده کردن مفاهیم علمی و به درک توده مردم رسوندن کار هر کسی نیست. راستش ما باید مراقب شهوت بیان علم به زبان ساده باشیم! استفاده از بعضی مثال‌ها و استعاره‌ها برای توصیف یک مفهوم علمی گاهی منجر به ایجاد شبهه و عدم درک درست اون مفهوم یا پدیده میشه. از طرف دیگه بعضی از مفاهیم علمی درسته که اسامی آشنایی دارن ولی معنای فنی خاصی ممکنه داشته باشن. نباید موقع صحبت کردن یا نوشتن معنی فنی موضوع تغییر یا تقلیل پیدا کنه. مثلا واژه «کار»، «فشار» و «درهم‌تنیدگی» معنی کاملا دقیقی در فیزیک داره. در علم عناصر خیال و رمز و راز آلود بودنی وجود نداره و سعی شده هر کلمه تعریف کامل مشخصی داشته باشه. پس خوبه که یادآور بشیم که منظور ما دقیقا چیه از واژه‌های خاص. مثلا در مورد پیکان زمان و قانون دوم ترمودینامیک به راحتی نمیشه گفت که انتروپی یعنی بی‌نظمی و جهان به سمت بی‌نظمی می‌ره! لزومی نداره انتروپی معنی بی‌نظمی بده. در ضمن، نظم خودش تعریف مشخصی باید داشته باشه قبل از هر چیز. یا مثلا دورنوردی کوانتومی درسته که اتفاق افتاده ولی باید توجه کنیم که در چه شرایطی و با چه اندازه‌هایی این آزمایش انجام شده.
  • نکته مهم دیگه‌ای که به نظر من به شدت ازش چشم‌پوشی میشه استفاده از لحن و ادبیات مناسبه. اگر شما تجربه حضور در برنامه‌هایی مثل کنفرانس‌های علمی رو داشته باشین همیشه افراد بسیار با احتیاط و لحن خالی از عدم قطعیت کامل در مورد پدیده‌ها و یافته‌هاشون صحبت می‌کنند. این خیلی خیلی مهمه که موقعی که در مورد گزاره‌های علمی صحبت می‌کنیم جنس حرف زدن ما یا لحن نوشته ما جوری نباشه که در ناخودآگاه مخاطب احساس اطمینان و قطعیت ایجاد کنه. به نظرم افراد مدعی ترویج علم عمدتا این مشکل رو دارن. برای همین امروز در دنیا افرادی رو داریم که کیششون علم شده و گزاره‌‌های علمی رو مثل آیات کتب مقدس می‌دونن. از طرف دیگه وقتی فقط در مورد نتایج علمی صحبت میشه و از فرایندهای نفس‌گیر و پر از تنش در رسیدن به اون یافته‌ها صحبت نمی‌شه افراد درک درستی از شیوه عملیاتی روش علمی نمی‌بینن. بخشی از بی‌اعتمادی مردم به علم حاصل ندونستن مسیر پرزحمت و پر از سوال و جواب برای رسیدن به یافته‌های علمیه. مروج علم باید شیوه کار کردن علم در دنیای واقعی رو هم ترویج بده و گرنه افراد با تخیلاتی که از مستندهای عامه‌پسند دریافت کردن به علم نگاه می‌کنن. وقتی مردم متوجه بشن که با چه وسواسی این یافته‌ها به دست اومده در تحلیل‌ها و بررسی‌های روزانه‌شون هم تفاوت ایجاد می‌کنن و در نهایت رفتار منطقی‌تری از خودشون نشون میدن. برای همینه که بعضی‌ها این روزها بیشتر از ترویج علم به دنبال ترویج «تفکر علمی» یا «تفکر انتقادی» هستند.

پرداختن به موضوعات کمتر پرداخته شده در ترویج 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


برای مطالعه بیشتر

برای بیشتر عمیق شدن

شبیه‌سازی مدل آیزینگ


اسلایدها

بازبهنجارش-آیزینگ1