رفتن به نوشته‌ها

نویسنده: عباس ریزی

فیزیک آماری و علوم کامپیوتر:
سیستم‌های پیچیده، علم شبکه‌ و پدیده‌های بحرانی

abbas.sitpor.org

🎞 گفت‌وگو در مورد نوروساینس

این برنامه به منظور آشنایی بیشتر با نوروساینس و به طور خاص علوم اعصاب محاسباتی در قالب یک گفت‌وگوی زنده اینستاگرامی برگزار شد.

میهمانان

🎤 دکتر سمانه نصیری 🇺🇸
دکتری انفورماتیک پزشکی، یادگیری ماشین و پردازش سیگنال، پژوهشگر در دانشگاه پزشکی هاروارد

🎤 دکتر شیما سید علایی 🇮🇷
دکتری علوم اعصاب شناختی، فرایندهای عالی شناختی، پژوهشگر پسادکتری ارشد IPM

🎤 علیرضا سعیدی 🇩🇪
دانشجوی دکتری علوم اعصاب سیستمی، آگاهی و ادراک دیداری، موسسه ماکس پلانک برای سایبرنتیک زیستی

منابع معرفی شده

از MIT OCW:

سایر منابع:

Summer school on Mathematical Methods in Computational Neuroscience at the Fred Kavli Science Center, Eresfjord, Norway
All seminars will be available for the public to attend digitally (no need to register or apply)
https://NTNU.zoom.us/j/98589653142?pwd=SnFLK0lmd2Z0bzJSOXlxbk5jTFRHQT09
Passcode: 235220 

پرسش‌های اصلی این برنامه

  • اسم دقیق این گرایش چیست؟
  • هدف و پرسش‌های معروف در این گرایش چیست؟ متخصصان به چه نوع از مسائل علاقه دارن؟
  • به نظر شما چه تصویر رایج غلطی در ذهن عوام در مورد این گرایش وجود دارد؟
  • چگونه با این رشته آشنا شدین؟ 
  • چه‌طور متوجه شدید که این گرایش مناسب شماست؟
  • محیط کار شما چه شکلی است؟ (آزمایشگاه، رصدخانه، پشت میز، کار با کامپیوتر و …)
  • یک روز عادی در زندگی حرفه‌ای شما چگونه سپری می‌شود؟
  • آیا از انتخابتان راضی هستید؟
  • سختی‌های زندگی شما شامل چه چیزهایی می‌شود؟
  • آیا به سایر علاقه‌مندان به این گرایش توصیه می‌کنید که به‌طور حرفه‌ای به این گرایش بپردازند؟
  • مقدمات علمی و فنی لازم برای ورود به این گرایش
  • درس‌های اصلی (ارائه شده و نشده در مقطع کارشناسی)
  • مهارت‌های جانبی (توانایی محاسباتی و کار کردن با نرم‌افزارهای خاص)
  • کدام دانشگاه و یا مراکز تحقیقاتی در ایران به این گرایش می‌پردازند؟
  • بازار کار در ایران و خارج چگونه است؟
  • امکان تحصیل در خارج از کشور و پذیرش گرفتن در این گرایش چگونه است؟
  • آینده کاری و وضعیت رفاهی خود را چگونه می‌بینید؟ در ایران/خارج

در اینستاگرام ببینید:

sitpor_media
گفت‌وگو در مورد نوروساینس ۱/۲
sitpor_media
گفت‌وگو در مورد نوروساینس ۲/۲

در یوتیوب بینید:

🎞 گفت‌وگو در مورد فیزیک زیستی

این برنامه به منظور آشنایی بیشتر با فیزیک زیستی (فیزیک ماده چگال نرم) در قالب یک گفت‌وگوی زنده اینستاگرامی برگزار شد.

میهمانان

🎤 دکتر فرنوش فرهپور 🇩🇪
دکتری فیزیک زیستی، بیوانفورماتیک و مدلسازی سیستم‌های زیستی، سرپژوهشگر در دانشگاه دویسبورگ-اِسِن

🎤 دکتر حسین سالاری 🇫🇷
دکتری فیزیک مواد نرم، ساختار مکانیکی کروموزوم و د‌ی‌ان‌آ، پژوهشگر پسادکتری در ENS de Lyon

🎤 دکتر حمیدرضا رحمانی 🇺🇸
دکتری فیزیک، فیزیک زیستی مولکولی، دانشگاه ایالتی فلوریدا

پرسش‌های اصلی این برنامه

  • اسم دقیق این گرایش چیست؟
  • هدف و پرسش‌های معروف در این گرایش چیست؟ متخصصان به چه نوع از مسائل علاقه دارن؟
  • به نظر شما چه تصویر رایج غلطی در ذهن عوام در مورد این گرایش وجود دارد؟
  • چگونه با این رشته آشنا شدین؟ 
  • چه‌طور متوجه شدید که این گرایش مناسب شماست؟
  • محیط کار شما چه شکلی است؟ (آزمایشگاه، رصدخانه، پشت میز، کار با کامپیوتر و …)
  • یک روز عادی در زندگی حرفه‌ای شما چگونه سپری می‌شود؟
  • آیا از انتخابتان راضی هستید؟
  • سختی‌های زندگی شما شامل چه چیزهایی می‌شود؟
  • آیا به سایر علاقه‌مندان به این گرایش توصیه می‌کنید که به‌طور حرفه‌ای به این گرایش بپردازند؟
  • مقدمات علمی و فنی لازم برای ورود به این گرایش
  • درس‌های اصلی (ارائه شده و نشده در مقطع کارشناسی)
  • مهارت‌های جانبی (توانایی محاسباتی و کار کردن با نرم‌افزارهای خاص)
  • کدام دانشگاه و یا مراکز تحقیقاتی در ایران به این گرایش می‌پردازند؟
  • بازار کار در ایران و خارج چگونه است؟
  • امکان تحصیل در خارج از کشور و پذیرش گرفتن در این گرایش چگونه است؟
  • آینده کاری و وضعیت رفاهی خود را چگونه می‌بینید؟ در ایران/خارج
  • ازدواج و بچه‌داری برای کسی که فیزیک خوانده چگونه است؟!

در اینستاگرام ببینید:

در یوتیوب بینید:

تراوش جهت‌دار در شبکه‌های زمانی

به فیزیک چکه کردن آب از سقف خونه تاحالا فکر کردید؟! آب روی پشت‌بوم به خاطر جاذبه وارد سقف به عنوان یک محیط متخلخل میشه و بعد از طی کردن یک مسیر پر پیچ و خم ممکنه به پایین سقف برسه و در نهایت چکه کنه! این فرایند خیلی شبیه به سازوکار قهوه درست کردنه؛ اونجا آب یا بخار با فشار زیادی از محیطی به اسم پودر قهوه می‌گذره و در نهایت نوشیدنی قهوه ایجاد میشه. به این پدیده «تراوش» گفته میشه. اگر آب از پشت بوم به داخل اتاق نرسه یا وقتی نوشیدنی قهوه از قهوه‌ساز خارج نشه اصطلاحا می‌گیم تراویدن موفقیت‌آمیز نبوده و تراوش انجام نشده. ساز و کار تراوش به عنوان یک مسئله گذارفاز پیوسته، از نظر فیزیک پدیده‌های بحرانی خیلی جالبه. خصوصا وقتی که تراوش جهت‌دار باشه. مثلا اگه آب فقط بتونه از بالا به پایین بره، تراوش فقط در یک جهت خاص انجام میشه.

شبکه برهمکنشی در مدل آیزینگ – نگاره از مجله کوانتا

مدل آیزینگ ساده‌ترین مدلی هست که گذار فاز پیوسته در شرایط تعادل رو نشون میده.

مسئله دسترسی و مدل تراوش – ویدیو از مجله کوانتا

مدل تراوش جهت‌دار ساده‌ترین مدلیه که گذار فاز پیوسته در شرایط دور از تعادل رو نشون میده.

با این که مدل تراوش جهت‌دار (directed percolation) خیلی ساده‌ به نظر می‌رسه و بیشتر از ۶۰ سال از مطرح شدنش می‌گذره، اما این مسئله روی اکثر شبکه‌ها حل تحلیلی نداره. همین‌طور تا امروز شواهد بسیار محدود در شرایط بسیار کنترل شده‌ی آزمایشگاهی برای این پدیده داشتیم. یعنی تا همین چندسال پیش تردید وجود داشت که آیا این مدل فقط یک مسئله انتزاعی ریاضیه یا این‌که واقعا در طبیعت تراوش جهت‌دار رخ می‌ده؟! خلاصه کلی خون دل خورده شده برای قسمت تجربی ماجرا تا این چیزها رو مردم در آزمایشگاه هم ببینند! مثلا اخیرا یک گروه ژاپنی-فرانسوی این پدیده رو در بلورهای مایع (electrohydrodynamic convection of liquid crystal) مشاهده کردن.

ما در مقاله جدیدمون نشون دادیم که اتفاقا این پدیده زیاد در طبیعت رخ می‌ده؛ فَارْجِعِ الْبَصَر! در واقع نشون دادیم که گذار فاز در مسئله دسترسی (reachability) در شبکه‌های زمانی، تحت شرایطی نگاشت میشه به مسئله تراوش جهت‌دار و گذار فاز دسترسی عضو کلاس عمومی تراوش‌جهت‌داره. میکّو جزئیات فنی‌ بیشتری در این رشته توییت نوشته.

https://twitter.com/bolozna/status/1413046032666177538

می‌تونید این مقاله از مجموعه کارهای ما روی پدیده‌های بحرانی در شبکه‌های زمانی رو اینجا ببینید. همکار ما در این پروژه مارتن کارزای از CEU بود و آرش بدیع‌-مدیری زحمت اصلی این پروژه رو کشیده. این کار از جهت‌های مختلف برای من هیجان‌انگیزه: هم فیزیک داره، هم ریاضی و هم شبیه‌سازی‌های بسیار بسیار بزرگ! هم فاله و هم تماشا! از همه مهم‌تر این‌که هر کس که برای اولین بار به این مسئله فکر کنه ممکنه به این نتیجه برسه که خب این مسئله کاملا بدیهی به نظر می‌رسه! شما چیو نشون دادین پس؟! اما اولا اونقدرا که مردم تصور می‌کنن بدیهی نیست (همون طور که بحث کردیم در مقاله) و از اون مهم‌تر بالاخره بعد از مدت‌ها حدس و گمان باید تکلیف این مسئله روشن می‌شد و گروهی نشون میدادن که وضعیت آگاهی ما از این مسئله در شرایط و تنظیمات مختلف چیه.

2107.015101

پدیده‌های بحرانی و علم شبکه

این ویدیو در مورد کار پژوهشی من یعنی پدیده‌های بحرانی و شبکه‌های پیچیده است. اینجا میگم که چی شد که به این موضوع علاقه‌مند شدم و الان مشغول چه کاری هستم:

منابعی برای یادگیری

اثر کریولیس و وان حمام

هر گردی گردو نیست!

علت چرخش ساعت‌گرد آب تو سینک ظرف‌شویی تو نیم‌کره شمالی اثر کوریولیس نیست!

نیروی کوریولیس در این مثال‌ها اونقدر کوچک هست که تقریباً هیچ نقشی در جهت چرخش آب نداره؛ حرکت‌های پیشین آب توی سینک، شکل سینک و خروجی‌ اون و حرکت‌های پیچیده گردابی که توی آب به‌وجود میان جهت چرخش رو تعیین میکنن.
حتی خودتون هم تو خونه امتحان کنید می‌بینید که در شرایط متفاوت آب در جهت های متفاوت می‌چرخه.

مثلا ابتدای این کتاب رو ببینید:

Bad Astronomy: Misconceptions and Misuses Revealed, from Astrology to the Moon Landing “Hoax” by Philip Plait, Kevin Scullin, et al.

این ویدیو هم پیشنهاد میشه.

در ضمن، علت پرواز کردن هواپیما هم قانون برنولی نیست!

در اهمیت مسئله حل کردن!

  • چرا اصلی‌ترین راه یادگیری دست‌ورزی با اون موضوعه؟!
  • چرا مهم‌ترین چیز برای یک دانشجوی علوم پایه مسئله حل کردنه؟!
  • چرا بهترین کتاب، اونیه که مسئله‌های بهتری و مسیر بهتری برای فکر کردن پیشنهاد می‌کنه؟
  • چرا خوندن چندین کتاب پیشنهاد نمیشه، اما خوندن یه کتاب یا رفتن سر یه کلاس کافیه و مهم اینه که تعداد مناسبی مسئله حل کنیم؟

همه این سوال‌ها به این برمی‌گرده که یادگرفتن یک مسیر کشف و شهود شخصیه! هر آدمی باید خودش بکوشه تا درک درستی رو «از آن» خودش کنه و این فقط با تمرین حل کردن ممکنه. گاهی ما فکر می‌کنیم که با خوندن کتاب‌های مختلف یا دیدن کورس‌های دانشگاه‌های معروف دیگه بعضی مطالب رو به درستی فهمیدیم. در حالی که معمولا این حس خوشایند فهمیدن نوعی توهمه! در واقع احساس موقتی در ما شکل می‌گیره که به خاطر بیشتر شدن درکمون نسبت به ناآگاهی کامله. برای همین این دلیل نمیشه که به میزان کافی یادگیری حاصل شده باشه. به‌خاطر همین، مسئله حل کردن به ما کمک می‌کنه که دونه دونه چک کنیم چه چیز‌هایی رو خوب متوجه شدیم و چه چیزهایی رو نیاز به بازآموزی داریم. همیشه یادگیری و درکمون از مطلبی رو با حل مسئله پیرامون اون موضوع باید بسنجیم.

این عکس نشون میده که خوندن کتاب‌های درسی یا سر کلاس رفتن فقط نقاطی رو در ذهن ما روشن می‌کنه در صورتی که این خود ما هستیم که باید اون نقاط رو به هم وصل کنیم تا الگوی درستی رو به خاطر بسپاریم.

علت این که خیلی وقتا دانشجوها مطالب سال‌های قبل رو یادشون می‌ره به این برمی‌گرده که تعداد کمی مسئله حل کردن. معمولا آدمایی که زیاد تمرین حل می‌کنن با یک مرور کوتاه خیلی سریع می‌تونن چیزهایی که توی ذهنشون در حال حاضر نیست رو به خاطر بیارن و ازشون استفاده کنند.

با کتاب خوندن و کورس دیدن میشه نمره خوبی گرفت، حتی شب یک امتحان. کافیه شما به میزان کافی باهوش باشین و مطالعه خوبی قبل از امتحان بکنید. اما این یادگیری نیست! در حقیقت شما برای مقطع کوتاهی از زمان یک سری اطلاعات رو به حافظه کوتاه مدت سپردین! اطلاعاتی که شامل یک‌سری رویه و دانستنی مربوط به موضوع علمیه. اما با مسئله حل کردن شما دانش بیرونی رو تبدیل به دانش شخصی می‌کنید. برای همینه که خیلی‌ها نمره‌های خوبی می‌گیرن و کنکور هم رتبه‌های خوبی می‌گیرن از کارشناسی تا دکتری اما هیچ موقع پژوهشگر‌های خوبی نمیشن! ذهن نیاز داره به تمرین همیشگی، پس تا جایی که می‌تونید تمرین حل کنید و خودتون رو با چالش‌های فکری بیشتری درگیر کنید.

طراحی مدادی دون کیشوت

«تدریس به صورت دنباله‌ای از اعمال و تعاملات و دنباله‌ای از تصمیمات گرفته شده توسط معلم، در زمان اتفاق می‌افتاد. در عوض، یادگیری، به عنوان فرایند بلوغ، حتی در زمان خواب، طی زمان اتفاق می‌افتد. لیکن تنها زمانی یادگیری رخ می‌دهد که یادگیرندگان را به جای این که همیشه تسلیم و موافق باشند به ادعا کردن، حدسیه‌سازی  دفاع از حدسیه‌ها و استفاده از توانایی‌های دیگرشان دعوت کنیم.»

جان میسون

منابع مفید و جالب برای سیستم‌های پیچیده

توی این ویدیو به منابع خوبی که به سیستم‌های پیچیده مربوط هستن اشاره می‌کنم.

سایت‌هایی که اشاره شد:
🔗 complexity.sitpor.org
🔗 twitter.com/abbas_k_rizi
🔗 complexityexplorer.org
🔗 complexity-explorables.org
🔗 ccl.northwestern.edu/netlogo

یک سری مطلب فارسی خوب هم اینجا وجود داره:
🔗 facultymembers.sbu.ac.ir/jafari/farsi/topics

در اینستاگرام ببینید

🎞 گفت‌وگو در مورد علم شبکه و علم داده

این برنامه به منظور آشنایی بیشتر با علم شبکه و علم داده در قالب یک گفت‌وگوی زنده اینستاگرامی برگزار شد. در این برنامه به این کتاب‌ها و مطالب اشاره شد:

میهمانان

مژگان خانجانیان پاک 🇮🇷
دانشجوی دکتری فیزیک سیستم‌های پیچیده، انتشار بیماری در شبکه‌های پیچیده، دانشگاه تحصیلات تکمیلی زنجان

سارا حیدری 🇫🇮
دانشجوی دکتری سیستم‌های پیچیده، جامعه‌شناسی محاسباتی، دانشکده علوم کامپیوتر، دانشگاه آلتو

سینا سجادی 🇦🇹
دانشجوی دکتری علم شبکه، علوم اجتماعی محاسباتی، مرکز علوم پیچیدگی وین

پرسش‌های اصلی که در این برنامه دنبال شد به شرح زیر است:

  • اسم دقیق این گرایش چیست؟
  • هدف و پرسش‌های معروف در این گرایش چیست؟ متخصصان به چه نوع از مسائل علاقه دارن؟
  • به نظر شما چه تصویر رایج غلطی در ذهن عوام در مورد این گرایش وجود دارد؟
  • چگونه با این رشته آشنا شدین؟ 
  • چه‌طور متوجه شدید که این گرایش مناسب شماست؟
  • محیط کار شما چه شکلی است؟ (آزمایشگاه، رصدخانه، پشت میز، کار با کامپیوتر و …)
  • یک روز عادی در زندگی حرفه‌ای شما چگونه سپری می‌شود؟
  • آیا از انتخابتان راضی هستید؟
  • سختی‌های زندگی شما شامل چه چیزهایی می‌شود؟
  • آیا به سایر علاقه‌مندان به این گرایش توصیه می‌کنید که به‌طور حرفه‌ای به این گرایش بپردازند؟
  • مقدمات علمی و فنی لازم برای ورود به این گرایش
  • درس‌های اصلی (ارائه شده و نشده در مقطع کارشناسی)
  • مهارت‌های جانبی (توانایی محاسباتی و کار کردن با نرم‌افزارهای خاص)
  • کدام دانشگاه و یا مراکز تحقیقاتی در ایران به این گرایش می‌پردازند؟
  • بازار کار در ایران و خارج چگونه است؟
  • امکان تحصیل در خارج از کشور و پذیرش گرفتن در این گرایش چگونه است؟
  • آینده کاری و وضعیت رفاهی خود را چگونه می‌بینید؟ در ایران/خارج

در اینستاگرام ببینید:

در یوتیوب بینید:

اطلاعات بیشتر:

فیزیک آماری و سیستم‌های پیچیده