بعد از مدت‌ها، فرصتی پیش‌ اومد تا با مهدی در مورد وبلاگ‌نویسی و روایتگری در علم گپ بزنیم. ویدیوی این گفت‌وگو ضبط شده و در ادامه‌ی این نوشته می‌تونید ببینیدش. به‌طور کلی در مورد این حرف زدیم که چرا وبلاگ‌نویسی مهمه، منظورمون از روایتگری در علم چیه و اشاره‌هایی هم داشتیم به تجربه‌هامون در سیتپور. حین این گپ و گفت یک سری وبلاگ معرفی شد و یک سری ایده و ترفند برای شروع وبلاگ‌نویسی که سعی می‌کنم اینجا به اون‌ها اشاره‌ مختصری کنم.

برای شروع وبلاگ‌نویسی

.There is nothing to writing. All you do is sit down at a typewriter and bleed

Ernest Hemingway, awarded the 1954 Nobel Prize in Literature

می‌تونید به سادگی وبلاگ شخصی خودتون رو توی blog.ir یا ویرگول یا هر جای دیگه درست کنید. برای دنبال کردن وبلاگ‌های مورد علاقه‌تون هم می‌تونید همه‌ رو به صورت یکجا به کمک feedly.com داشته باشید. این نوشته از جادی رو بخونید: برای پیشرفت مجدد، دوباره وبلاگ بنویسید!

وبلاگ‌های پیشنهادی

وبلاگ‌هایی که شخصا دنبال می‌کنم رو با توجه به سطح مطالبشون لیست کردم. منظور از «عمومی» یعنی مناسب هر علاقه‌مندی بدون در نظر گرفتن پیش زمینه خاصی هستند. «کمی فنی» یعنی باید دانش عمومی از ریاضیات و فیزیک داشته باشید. مثلا دانشجوی کارشناسی این رشته‌ها باشید. «فنی» یعنی نیاز به دونستن پیش‌زمینه‌های خاص در فیزیکی یا ریاضی هست. «خیلی فنی» هم یعنی باید دانشجوی تحصیلات تکمیلی باشین دست‌کم!

برای زندگی روزمره و بیشتر برای جنبه‌های عمومی مسئله:

«عمومی» 

• دکتر رضا منصوری
• پوریا ناظمی
• نوشته‌های استیون استروگتز
• Sabine Hossenfelder
• Nautilus
• Dr Len Fisher

«کمی فنی» 

• Quanta Magazine
• Sabine Hossenfelder
• مجله نجوم
• بیان یک مطلب در ۵ درجه از سختی
• John D. Cook

نوشته‌های مربوط به فیزیک جریان‌اصلی:

«کمی فنی» 

• وبلاگ شان کرول
• Azimuth Project
• Quantum Frontiers

فیزیک آماری، ماده‌چگال و محاسباتی:

«فنی» 

• Soft bites
• bit-player

سیستم‌های پیچیده، یادگیری ماشین و علوم داده:

«فنی» 

• Complexity Economics
• Count Bayesie

«خیلی فنی» 

• Off the Convex Path

برای عمیق شدن در ریاضیات:

«خیلی فنی» 

• حاشیه نویسی بر مقاله‌های مهم: Fermat’s Llibrary
• Gowers’s Weblog
• وبلاگ تری تائو
• Polymath Project

این دو تدتاک رو هم برای جنبه عمومی نوشتن پیشنهاد می‌کنم:

به تازگی کامنتی دریافت کردم که چندتا سوال ازم پرسیده بود. در این نوشته می‌خوام به این پرسش‌ها جواب بدم!

۱) زمان بر نیروی وزن اثر داره ؟ منظورم اینه وقتی زمان رو ثابت یکنیم یعنی اینکه تمام قوانین فیزیک رو با استفاده از زمان ثابت کنیم باز هم جسمی مثل لیوان به زمین برخورد میکنه اونم بر اثر نیروی گرانش یا نه؟(مثلا اگر تندی زمان رو زیاد کنیم جسمی مثل لیوان با تندی زیاد به زمین میرسه)
۲) چرا بعضی از پدیده ها در حال حرکت هستند؟ (مثل نور که وقتی لامپ رو روشن میکنیم بدون اینکه کاری بکنیم پرتوی نور خود به خود حرکت میکنه)
۳) آیا واقعا نور به دام سیاهچاله میفته ؟تا جایی که من میدونم انسان برای دیدن پدیده ها و اجسام ها به نور نیاز داره پس اگه نور از سیاهچله نمیتونه فرار کنه چطور دیدیمش؟(منظورم
عکسی که از سیاهچاله توی سال ۹۸ پارسال گرفتن)
۴) آیا نور تنها پدیده ایی هستش که سرعتی بسیار زیاد داره یا نه ؟
۵) نور ثابته ؟

۱) رابطه نیرو و زمان

قوانین نیوتون به ما میگه که اگه جسمی در حال حرکت باشه، تا زمانی که به اون جسم در کل نیرویی وارد نشه، جسم به حرکت خودش ادامه میده. اگر هم جسم از اول در حال حرکت نباشه، قاعدتا همون‌جایی که هست می‌مونه. مثل توپی که یه گوشه افتاده و تا زمانی که کسی بهش لگ نزنه از جاش تکون نمی‌خوره. منظور از «حرکت» هم تغییر موقعیت جسم با گذشت زمانه. یعنی هر بار که عقربه ساعت روی دست من تیک بزنه جسم از جایی به جای دیگه بره.

در فیزیک نیوتونی اختیار تند و کند کردن گذر زمان دست ما نیست. یعنی ما نمی‌تونیم کاری کنیم که زمان سریع‌تر بگذره یا کندتر بگذره یا اینکه متوقف بشه! ولی می‌تونیم این ایده رو شبیه‌سازی کنیم. مثل زمانی که از چیزی فیلم گرفته باشیم و با سرعت‌های مختلف اونو پخش کنیم. می‌تونیم تندتند بزنیم جلو ببینم آخرش چی میشه یا اصلا متوقفش کنیم. برای همین، اگه بتونیم که زمان رو متوقف کنیم، اون موقع اتفاقی که می‌افته اینه که آخرین تصویری که از هر چیزی داریم، همون باقی می‌مونه. پس اگه سیبی در حال سقوط به زمینه، با متوقف کردن زمان بین زمین و آسمون می‌مونه. این به این معنی نیست که نیرویی وجود نداره! بلکه به این معنی هست که در یک لحظه خاص، ما فقط یک فریم از یک فیلم رو انتخاب کردیم و داریم اونو می‌بینیم و با راه انداختن دوباره زمان، می‌بینیم که سیب به سقوطش ادامه میده. یا اگه فرض کنیم که گذر زمان رو سریع‌تر کنیم اون موقع می‌بینیم که سیب زودتر به زمین می‌خوره. یا اگه زمان رو به عقب برگردونیم می‌بینم که سیب به جای زمین خوردن، هوا میره 🙂

توضیح‌ فنی‌تر:

اگر دینامیک توصیف‌کننده یک سیستم، توسط معادلات تعینی داده بشه،اون موقع خروجی مسئله، یک «مسیر» می‌تونه باشه. مسیر، یک «خم» در فضای مکانه که توسط زمان نشانه‌گذاری شده. با داشتن مسیر، می‌تونیم بدونیم که سرشت نهایی سیستم چیه. به عنوان مثال با حل مسئله گرانش عمومی نیوتون برای دو جسم، به یک مسیر بسته بیضی شکل برای یکی از اون دو جسم می‌رسیم. با تغییر زمان، از نقطه‌ای به نقطه‌ی دیگه‌ از اون مدار (مسیر بسته) هدایت میشیم.

قانون دوم نیوتون، $F=ma$ یا معادله اویلر-لاگرانژ $\frac{\partial L(x,\dot{x}; t)}{\partial x } = \frac{d}{dt}\frac{\partial L(x,\dot{x}; t)}{\partial \dot{x} }$ هر دو منجر به دسته‌ای از معادلات دیفرانسیل معروف به معادلات حرکت میشن. در این روش مدل‌سازی، حرکت سیستم شما تعینی هست و شما با دونستن اطلاعات در مورد حال، دقیقا می‌تونید بگید که چه اتفاقی در آینده می‌افته.

گاهی دینامیک توصیف کننده شما توسط معادلات غیر تعینی داده میشه، مثل زمانی که حرکت یک ولگرد (قدم زن تصادفی) یا یک فرایند تصادفی رو مدل می‌کنید. اون موقع برای شروع مسئله، با معادله «مادر» یا معادله فوکر-پلانک می‌تونید پیش‌ برید. در این حالت، مسئله شما دیگه تعینی نیست و پیش‌بینی آینده یا پیش‌بینی مسیر، با عدم قطعیت (یا به عبارتی خطا) همراه خواهد بود. مثلا برای یک ولگرد نمی‌تونید با قطعیت کامل بگید که در فلان لحظه کجاست!

۲) علت حرکت چیزها

چیزها حرکت می‌کنند چون که بهشون نیرو وارد میشه! زمین دور خورشید می‌چرخه چون از طرف خورشید بهش نیرو وارد میشه یا توپ فوتبال حرکت می‌کنه چون یکی بهش ضربه می‌زنه! در مورد نور لامپ هم این جوری نیست که ما «کاری نمی‌کنیم»! در حقیقت با زدن کلید برق، جریان الکتریکی به لامپ میرسه و توی لامپ انرژی الکتریکی تبدیل به انرژی روشنایی میشه. یعنی همون‌جور که فوتبالیست به توپ ضربه می‌زنه و توپ حرکت می‌کنه، رسیدن جریان الکتریکی به لامپ‌ هم سبب ضربه زدن به نور میشه که به مسیرهای مختلف حرکت کنه. به این پدیده در فیزیک، تابش الکترومغناطیسی گفته میشه. به عبارت فنی‌تر، میدان الکتریکی اعمال شده توسط جریان خارجی (برق) سبب برانگیختگی ماده‌ای مثل تنگستن یا گاز خاصی مثل نئون میشه. برانگیختگی یعنی الکترون‌های که توی اتم‌های تشکیل دهنده اون مواد هستند از یک سطح انرژی به سطح بالاتری می‌رن (مثل وقتی که از پله‌های سرسره بالا میرین). اون موقع وقتی الکترون‌ها از یک سطح با انرژی بالاتر به سطی با انرژی پایین‌تر میان (مثل وقتی از سرسره پایین میاین)، اندازه اختلاف انرژی این دو سطح، از خودشون موج الکترومغناطیس یا ذرات نور منتشر می‌کنند!

این ویدیو رو ببینید:

۳) نور به دام سیاه‌چاله می‌افته؟

در مورد داستان سیاه‌چاله‌ها و اینکه چه‌طور از یک سیاه‌چاله میشه تصویر برداری کرد مفصل نوشتیم قبلا! این نوشته رو بخونید: قیام علیه سیاهی! به طور خلاصه، سیاه‌چاله‌ها اجسام بسیار بسیار سنگینی هستند که حتی بر حرکت نور هم اثر می‌ذارن. در مورد تصاویر منسوب به سیاه‌چاله‌ها هم، در حقیقت نوری که توی تصویر می‌بینیم دقیقا خود سیاهچاله نیست! یه سری موادی هستند که توی یه دیسک (شبیه حلقه‌های زحل) اطراف سیاهچاله دارن میچرخن و چون خیلی داغ هستن از خودشون نور تابش می‌کنن (درست شبیه به همون لامپ!). درواقع ما نور این موادی که در اطراف سیاهچاله وجود دارند و تونستن قسر دربرن و به چشم ما برسن رو می‌بینیم. تصویر ثبت شده، به خاطر اون نورها هست!

کمی توضیح فنی‌تر: ناحیه‌ای هست به‌اسم کره فوتونی که نزدیکترین مدار به افق رویداد که فوتون‌ها می‌تونن توی یه مدار پایدار دور سیاهچاله بچرخن. نزدیک‌تر از اون دیگه تقریبا فوتون شانسی برای برگشت نداره!

۴) آیا نور فقط سرعتش زیاده؟

نه! هر چیزی می‌تونه خیلی سریع حرکت کنه. محدودیتی در اصول نداریم. مثلا در آزمایش‌های مختلف فیزیکی، نوترون‌ها، الکترون‌ها یا پروتون‌ها رو با سرعت‌های خیلی زیاد به حرکت در میارن. یکی از جاهایی که مثلا پروتون‌ها رو تا سرعت‌های نزدیک به سرعت نور به حرکت در میارن آزمایشگاه سرن هست.

۵) آیا نور ثابته؟!

سوال رو درست متوجه نشدم! اگر منظور سرعت حرکت نوره، بله سرعت حرکت نور در هر محیط ثابته ولی موقعی که از محیطی به محیط دیگه میره تغییر میکنه. مثلا سرعت نور در هوا یک چیزه و در آب یک چیز دیگه‌ است. طبق نسبیت اینشتین، نور بیشترین سرعت در حرکت رو داره.

نزدیک به ۲۰ ساله که چیزی به اسم نظریه شبکه‌ یا علم شبکه در ادبیات علمی پیدا شده. شاید نزدیک‌ترین یا نام‌آشناترین نظریه به علم شبکه، نظریه گراف در ریاضیات باشه. چیزی که از زمان اویلر (۱۷۳۶) شکل گرفته و در چند قرن اخیر هم همیشه حوزه‌ی پژوهشی برای ریاضیدون‌ها بوده. اما این فقط ظاهر کاره! نگاهی به جامعه‌ی علمی این دو شاخه از معرفت بشری، تصویری از دو گروه از متخصصین رو نشون می‌ده که چندان هم کارشون شبیه به هم نیست! به عبارتی، با این‌که نظریه شبکه بسیار وام‌دار نظریه گراف هست، اما چیزی که در عمل در حال اتفاق افتادنه اینه که مسائلی که گراف‌کارها مشغول مطالعه‌شون هستند اصلا شبیه به مسائل شبکه‌کارها (دانشمندان شبکه!) نیست. با تقریب خوبی البته!

علت این اتفاق هم بیشتر به این برمیگرده که برای یک ریاضیدان، گراف یک موجود انتزاعی/مجرد و خوش‌تعریف ریاضی به همراه یک عقبه محکم و استوار ریاضی و تعداد زیادی لم، قضیه و حدسه، در حالی که برای دانشمندان شبکه، شبکه یک موجود کاربردی و پدیدارشناسانه‌ هست که نه تعریف چندان صریحی داره و نه عقبه کاملا مشخصی! علم شبکه یا نظریه شبکه، علمی جدید، پدیداره از علوم و دانش‌های مختلفه که حدودا ۲۰ ساله شکل گرفته و بیشتر از هر چیزی تحت تاثیر داده‌های بزرگ و کامپیوترها بوده تا کاغذ و قلم و حل‌های بسته (تحلیلی)!

در نظریه گراف تلاش عمدتا بر شناسایی و مطالعه ساختارهاییه که بتونیم اون‌ها رو به صورت تحلیلی دنبال کنیم. برای همین، گراف‌کارها (نظریه‌پردازان گراف!) معمولا به سراغ گراف‌های تصادفی، گراف‌های کامل و مسائلی مثل رنگ آمیزی و کاور کردن میرن. اما در علم شبکه، مردم بیشتر به دنبال مسائل کاربردی‌تر و مدل‌هایی هستند که بیشتر مسائل دنیای واقعی (فیزیکی، شیمیایی، زیستی، اجتماعی و اقتصادی) رو توجیه‌ کنند! برای همین لزوما از لحاظ ساختاری این شبکه‌ها، گراف‌هایی نه کاملا تصادفی و نه کامل، بلکه گراف‌هایی تنک با توزیع درجه‌‌های دم‌کلفت هستند!

علم شبکه، امروز یک ساختار پدیدارشناسانه از دنیای بس‌ذره‌ای و پیچیده بیرونه! یک مقایسه زمانی با فیزیک، میشه گفت که علم شبکه در زمان ما، بسیار شبیه به ترمودینامیک زمان کارنو هست و نه ترمودینامیک در زمان بولتزمان، مکسول و فون‌نویمان! انتظار بر اینه که تلاش‌های جدی صورت بگیره تا ریاضیات لازم برای علم شبکه به قدری توسعه پیدا کنه که علم شبکه به بلوغی برسه که ترمودینامیک بعد از بولتزمن رسید.

چیزی که خوندید، در حقیقت مقدمه‌ای بود برای دعوت به مطالعه این نوشته:

Iñiguez, G., Battiston, F. & Karsai, M. Bridging the gap between graphs and networks. Commun Phys 3, 88 (2020). https://doi.org/10.1038/s42005-020-0359-6

مستقل از این‌که این نوشته دید خوبی می‌ده از تفاوت نگاه دو جامعه علمی متفاوت به یک مسئله و مسائل مختلف حوزه پژوهش در هر کدوم از اون جوامع، این نوشته دارای منابع گلچین شده‌ای هست که هر کسی که کارش مربوط به شبکه است خوبه که حتما اون‌ها رو بخونه!

برای همین اگر دانشجوی سیستم‌های پیچیده یا یکی از سه رشته فیزیک، ریاضی و علوم کامپیوتر هستید و علاقه‌مند به موضوع شبکه‌ها، این نوشته رو به شما توصیه می‌کنم تا بدونید که:

• علم شبکه، نظریه گراف نیست و بالعکس!
• تفاوت مسائل روز پژوهشی که ریاضیدون‌ها و شبکه‌کارها بهشون می‌پردازن چی هست.
• آینده این علوم چه شکلی ممکنه داشته باشه؟!
• اگر ریاضی خوندید و علاقه‌مند به شبکه هستید، مسیری که در پیش دارید چه‌طوری می‌تونه باشه!
• اگه فکر می‌کنید علم شبکه چندان پشتوانه ریاضی قوی نداره، اون موقع باید چه‌طور نگاهتون رو اصلاح کنید!

آلبرت آینشتین یک غول است! یک روایتگر بی‌نظیر در علم! بدون تعارف او برای همیشه نماد فیزیک معاصر خواهد ماند. آینشتین قهرمان دنیای نوجوانی بسیاری از کسانی است که امروز فیزیکدان شده‌اند یا قرار است فردا فیزیکدان شوند. همیشه در اعماق قلبم برای آینشتین جایگاه خاصی قائل هستم. دبیرستانی که بودم برایم هیجان‌انگیزترین چیز این بود که نسبیت آینشتین را بفهمم! بگذریم. غیرممکن است که شخصی در فیزیک معاصر جستاری داشته باشد و ردپایی از او پیدا نکند. عوام او را به خاطر نسبیتش و فرمول $E = mc^2$ می‌شناسند و صدالبته به خاطر ژولیدگی او! از نگاه من اما، آینشتین نماد واقعی یک فیزیکدان است! نماد کسی که فیزیک را بدون هر گونه دسته‌بندی به‌خوبی می‌شناسد و در توسعه هر قسمت آن مشارکت جدی داشته است. در این روزها که برخی از دوستان آینشتین را به نفع فیزیک نظری ثبت و ضبط می‌کنند و قهرمان دنیای کیهان‌شناسی و نسبیت می‌دانندش، دوست دارم به شخصیت‌ او از دریچه‌های مختلف نگاه کنم. برای من بیش از هر چیزی، او استاد بزرگ تمام فیزیک است، کسی که از اشتباهاتش هم درس‌های فراوان گرفته تاریخ! در این نوشته به چند گفتاورد که دوستشان دارم اشاره می‌کنم.

کم نیستند کسانی که از یک ملاقات نیم‌ساعته‌شان با آینشتین به عنوان یک اتفاق مهم در زندگیشان یاد نکرده باشند. نقل است که ریچارد فاینمن در اولین دیدارش در سمیناری با این پرسش از طرف آینشتین روبه‌رو شده که «شما می‌دانید چای کجاست؟» و فاینمن جوان از این که پاسخ پرسش آینشتین را می‌دانسته کیفش کوک شده! بعدها، فاینمن در مورد ژرفا و گستره نگاه آینشتین در شاخه‌های مختلف فیزیک گفت:

آینشتین یک غول بود؛ سرش در میان ابرها بود ولی پاهایش به روی زمین! اما از میان ما، آنان که قامتشان به آن بلندی نیست، بهتر است که انتخاب کنند!

Carver Mead – Collective Electrodynamics: Quantum Foundations of Electromagnetism (2002), p. xix

در این روزها که بلا و سختی از هر دریچه‌ای بیرون زده، از زمین و زمان برایمان می‌بارد، دانشگاه‌هایمان تبدیل به بنگاه‌های معاملاتی و محل برگزاری یک سری مراسم‌ تشریفاتی شده‌اند شاید بد نباشد که به زندگی کسانی که عمری قهرمانشان دانسته‌ایم زیرچشمی نگاهی داشته باشیم و ببینیم که در نهایت، با خودمان چندچندیم!

«هر عمل آدمی تابعی است از اراده‌ی خود او یا اراده‌ی کسی دیگر. اگر این همه آدم اراده‌ی خود را تابع اراده‌ی نازی‌ها نکرده بودند، چیزی به نام اردوگاه‌های مرگ به وجود نمی‌آمد.» (هرمان، ۱۳۹۰: ۱۰۰؛ به نقل از آلبرت آینشتین)

ـ هرمان، ویلیام؛ اینشتین و شاعر؛ ترجمه‌ی ناصر موفقیان؛ تهران: انتشارات علمی و فرهنگی، (۱۳۹۰) چاپ چهارم.

در قرنطینه خانگی مانده‌ایم، سختمان است؟ تجربه تحریم و گرانی و بیچارگی داشته‌ایم؟! دچار درد مهاجرت و غربت هستیم؟ قبول! شرایط سخت است. اما می‌شود این گونه هم نگاه کرد که قهرمان‌هایی که عمری ستایششان کرده‌ایم در دوران سختی درخشیده‌اند، آن‌گاه روحیه می‌گیریم! معروف است که نیوتون، قانون گرانش عمومی را زمانی کشف کرد که به خاطر طاعون مجبور شده بود از کمبریج به لینکلن‌شر (خانه مادری) برود. همین‌طور ویلیام شکسپیر، «لیر شاه» را در زمان طاعون نوشت! کتاب «جز و کل» هایزنبرگ را بخوانیم و ببینیم که در آن بحبحه جنگ و بگیر و ببند این عزیزان چگونه هم به علم می‌پرداختند، هم به سیاست و هم به شرافت! در کتاب «حتما شوخی می‌کنید آقای فاینمن!» ببینیم که زندگی چگونه بر فاینمن سخت گذشت و هنگامه جنگ چگونه آن‌ها را مجبور به کارهایی کرد که دوست نمی‌داشتند! برگردیم به آینشتین، نشنال جئوگرافیک در مجموعه سریال‌های «نابغه» ، سریالکی ساخته در مورد او که دیدنش خالی از لطف نیست. در زندگی آلبرت آینشتین چیزی که کم نیست، درد است و رنج:

«در زوریخ من اغلب گرسنه بودم. هیچکس نمی‌داند که هر روز چندتا در را برای پیدا کردن کار می‌کوبیدم.» (هرمان، ۱۳۹۰: ۸۴؛ به نقل از آلبرت آینشتین)

ـ هرمان، ویلیام؛ اینشتین و شاعر؛ ترجمه‌ی ناصر موفقیان؛ تهران: انتشارات علمی و فرهنگی، (۱۳۹۰) چاپ چهارم.

آثار آینشتین را در اینجا می‌توانید ببینید. این نوشته را فقط به این خاطر منتشر کردم که در این شرایط که همه چیز سیاه است بد نیست که به چیزهای بهتری هم فکر کنیم. امید داشته باشیم به آینده و عزم داشته باشیم به یادگیری. در دنیایی که علم و پژوهش تبدیل به دکان شده، یاد کردن از این گونه انسان‌ها خاطرمان را آسوده می‌کند.

این‌ روزها در میان گفتاوردهای آینشتین، این جمله را هر روز با خود زمزمه می‌کنم:

هر احمقی می‌تواند بداند، نکته فهمیدن است!

Any fool can know. The point is to understand
Albert Einstein

در گذار فاز، سیستم ویژگی بازگشت‌پذیری ترمودینامیکی رو از دست میده و معمولا گسستگی در فضای ترمودینامیکی دیده میشه. یک لحظه مثال آب و یخ رو مرور کنیم: دمای انجماد آب (H2O مایع) و دمای ذوب برای یخ (H2O جامد) برابره. حدود صفر درجه آب یخ می‌زنه و یخ آب میشه!

اما مثلا برای «آگار» این‌جوری نیست! یعنی دمای ذوب آگار جامد و دمای انجماد آگار مایع یکی نیستند! آگار جامد در دمای ۸۵ درجه سانتی‌گراد ذوب میشه. اما وقتی آگار مایع داشته باشین و شروع به سرد کردنش کنید، در دمای ۴۰ درجه منجمد میشه (نه در ۸۵ درجه). یعنی چی؟!

وقتی آگار جامد رو در دمای ۸۵ درجه ذوب کنید، تا زمانی که به دمای ۴۰ درجه میرسه مایعه! یعنی اگه آگار ذوب شد و خواستین منجمدش کنید باید صبر کنید که به ۴۰ درجه برسه! برای همین اگه در بازه زمانی ۴۰ تا ۸۵ درجه آگار هم به صورت مایع می‌تونه وجود داشته باشه هم به صورت جامد! «بستگی داره که مسیر گرما دادن به سیستم چه جوری باشه» (ببینید که مسیر مهمه!)

این ایده وابستگی به مسیر رو توی فیزیک با واژه پسماند یا hysteresis در موردش حرف می‌زنند. مثال آشناترش وقتیه که میدان مغناطیسی روی یه تیکه آهن اعمال می‌کنیم و آهن خاصیت آهن‌ربایی (مغناطیسی) پیدا می‌کنه ولی وقتی میدان اعمال شده رو قطع می‌کنیم، برخلاف انتظارمون سیستم به حالت قبلی (عدم وجود خاصیت‌ آهن‌ربایی) بر نمی‌گرده

این ایده اساسی شیوه کار کردن دیسک‌های مغناطسی (هارد کامپیوتر) هست.

من معمولا از پایتون برای برنامه‌نویسی استفاده می‌کنم، چون پایتون آزاده، رایگانه و یه حالت آچار فرانسه‌طوری داره که کارهای مختلف میشه باهاش کرد. همین‌طور پایتون کتاب‌خونه‌های زیادی داره که برای کارهای مختلف علمی (محاسباتی) میشه ازشون استفاده کرد. خوبی این کتاب‌خونه‌ها اینه که به زبان‌های سطح پایین‌تری نوشته شدن به همین خاطر به قدر کافی سریع هستند! اگر هم کسی قصد کارهای تحلیل داده و یادگیری ماشین داشته باشه هم پایتون گزینه اوله، دست کم برای شروع! خلاصه همیشه به همه پیشنهاد می‌کنم که با پایتون شروع کنید و اگه کار دانشگاهی می‌کنید با پایتون ادامه بدین! از همه مهم‌تر وقتی شما با پایتون کد می‌زنید معمولا آدم‌هایی رو پیدا می‌کنید که مثل شما روی پروژه یا مسئله مشابهی کار کردن یا کار میکنند و از تجربیاتشون می‌تونید استفاده کنید یا ازشون سوال بپرسین.

با این وجود گاهی پیش میاد که آدم مجبور به استفاده از زبان‌های دیگه بشه. تجربه شخصی من اینه که عمده دانشگاهی‌ها به این دلیل مجبور میشن از یک زبان خاص استفاده کنند که به قدر کافی آدم‌های حرفه‌ای در تیمشون نیست! گاهی استاد و تیمی که پروژه‌ای رو پیش برده سال‌ها با یک زبان خاص کد زدند و ترجیحشون اینه که آدم‌های جدید هم با همون زبون ادامه بدن. راه کم‌دردسرتری هست معمولا، هر چند که گاهی می‌تونه به شدت احمقانه باشه! خلاصه ممکنه که هر کسی مجبور بشه سراغ زبان‌ها یا محیط‌های دیگه برنامه‌نویسی بره. یکی از این محیط‌ها متلب هست. توی لینوکس می‌تونید از Octave به جای متلب استفاده کنید و لذتش رو ببرید!

متلب یک محیط نرم‌افزاری برای انجام محاسبات عددی و یک زبان برنامه‌نویسی نسل چهارم است. واژهٔ متلب هم به معنی محیط محاسبات رقمی و هم به معنی خود زبان برنامه‌نویسی مورد نظر است که از ترکیب دو واژهٔ MATrix (ماتریس) و LABoratory (آزمایشگاه) ایجاد شده‌است. این نام حاکی از رویکرد ماتریس محور برنامه است، که در آن حتی اعداد منفرد هم به عنوان ماتریس در نظر گرفته می‌شوند.

گنو اُکتاو ( GNU Octave) زبان برنامه‌نویسی سطح بالایی است که بیشتر برای محاسبات عددی به کار می‌رود. این برنامه امکانات زیادی را از طریق رابط خط فرمان برای حل عددی مسائل خطی و غیر خطی می‌دهد. این برنامه را می‌توان جایگزین مناسبی برای همتای غیر آزاد خود متلب به حساب آورد.

ویکی‌پدیا

در ادامه یک سری منبع برای یادگیری متلب و اکتاو رو معرفی می‌کنم.

برای شروع

از بین این دوره‌ها، ببینید کدوم یکی به مذاقتون بیشتر خوش میاد:

• Introduction to Programming with MATLAB, Vanderbilt University
• Introduction To MATLAB Programming, MIT OCW
• MATLAB and Octave for Beginners, EPFLx

برای محسابات عددی

• Learn Differential Equations: Up Close with Gilbert Strang and Cleve Moler, MIT OCW for MATLAB^® ODE suite
• Differential Equations: Linear Algebra and NxN Systems of Differential Equations, MITx
• MATLAB Programming for Numerical Computation, IIT Madras

به طور کلی

پیشنهاد من اینه که کلیات متلب رو یاد بگیرین و از منابع مختلف مربوط به کارتون استفاده کنید. مخصوصا از مثال‌های خود Mathworks استفاده کنید. مثلا اینجا ۵۰۰ تا مثال خیلی خوب برای ریاضیات، آمار و یادگیری ماشین هست. خوبه به این‌ها حتما نگاه کنید. حواستون باشه که به روی ایران بسته‌س و شما نیاز به چیزی برای دور زدن تحریم دارین که حتما راه‌های مختلفی بلدین براش!

• 

• 

• 

• Numerical Computing with MATLAB, 2nd Edition

این کتاب پر از مثال‌های خیلی قشنگه و اساسا آموزشش بر پایه مثال زدن. فصل اولش هم برای کسایی که آشنایی با متلب ندارن یک سری مثال آموزشی خوب داره.

• Scientific Computing with MATLAB and Octave, 4th ed. 2014 Edition

خوبی این کتاب اینه که جواب تمرین‌ها رو هم داره و می‌شه به عنوان کتاب کمکی برای تدریس ازش استفاده کرد.

• Elementary Mechanics Using Matlab: A Modern Course Combining Analytical and Numerical Techniques

به عنوان پیشنهاد به دوستانی که معلم این درس یا درس‌های دیگه میشن : میتونید به جای حل‌تمرین سنتی پایه کلاس‌هاتون رو بر همچین چیزی بذارید. همین کار کوچیک میتونه تغییر محسوسی توی آموزش فیزیک به‌وجود بیاره. این کتاب نسخه‌ پایتونی هم داره!