رفتن به نوشته‌ها

دسته: سیستم‌های پیچیده

نظریه گراف و علم شبکه

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)!

نگاره از QuantaMagazine

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:

Bridging the gap between graphs and networks
arXiv:2004.01467 [physics.soc-ph] DOWNLOAD

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!

پدیده‌های بحرانی ۱۵۰ سال پس از چارلز دلاتور

پیش‌تر نوشته‌ای تخصصی‌تر در مورد گذار فاز و پدیده‌های بحرانی نوشته بودم. این نوشته که ترجمه‌ای از یک مقاله است، بیشتر جنبه تاریخی دارد و برای مخاطب علاقه‌مند آشنا با پدیده‌های بحرانی می‌تواند جالب باشد!

پدیده‌های بحرانی ۱۵۰ سال قبل توسط چارلز کاگنیارد دلاتور در ۱۸۲۲ کشف شدند. به سبب این سالگرد، مفهوم و تاریخ اولیهٔ کشف او را بررسی کرده‌ایم و سپس با طرح مختصر تاریخ پدیده‌های بحرانی مسیر رشد و توسعه آن تا به امروز را دنبال می‌کنیم.


[arXiv:0905.1886 [physics.hist-ph

پدیده های بحرانی که امروزه یکی از مهمترین روش ها در بررسی گذار فازها در سیستم های پیچیده، فیزیک ذرات بنیادی و بسیاری دیگر از شاخه های علم فیزیک است به مجموعه‌ای از اتفاقات که در نقاط بحرانی رخ می‌دهند گفته می‌شود. پدیده های بحرانی اولین بار در بررسی گذار فازهای مواد دیده شدند. ساده ترین گذار فاز را می توان در تبخیر آب مایع و یا یخ زدن آب و گذار از فاز مایع به جامد و برعکس مشاهده کرد. در مورد آب گرمای ویژه و چگالی آب از متغیرهای قابل بررسی هستند که برای هر کدام می توان یک نمای بحرانی هم پیدا کرد و با استفاده از نظریه مقیاس و گروه های بازبهنجارش و یا نظریه ی میدان میانگین این نماهای بحرانی استخراج می‌شوند و برای هر پدیده یک کلاس جهان شمولی یافت می‌شود.

پدیده‌های بحرانی ۱۵۰ سال قبل توسط چارلز کاگنیارد دلاتور در ۱۸۲۲ کشف شدند. به سبب این سالگرد، در مقاله ی زیر به قلم برتراند برکه، مالته هنکل و رالف کنا، مفهوم و تاریخ اولیه‌ی کشف او را بررسی کرده‌ایم و سپس با طرح مختصر تاریخ پدیده‌های بحرانی مسیر رشد و توسعه آن تا به امروز را دنبال می‌کنیم.

paper-1

#شرح_پیچیدگی

در توییتر متخصصان حوزه پیچیدگی با هشتگ #ComplexityExplained در مورد مفهوم پیچیدگی توییت کردند و ماحصل توییت‌ها تبدیل به دفترچه‌ای شد در #شرح_پیچیدگی. دفترچه‌ای برای توضیح مفهوم پیچیدگی بر اساس آرا صاحب‌نظران این حوزه!

شما می‌توانید سایت اصلی این پروژه را با رفتن به این نشانی ببینید:
complexityexplained.github.io

این اثر با مجوز زیر منتشر شده است:
CC BY-NC-ND 4.0

این شما و این نسخه فارسی این دفترچه :

ComplexityExplainedFarsi

«مقدمه‌ای بر بازبهنجارش» هفته پنجم: بازبهنجارش در فیزیک انرژی‌های بالا، نظریه گروه‌ها و نظریه نرخ-اعوجاج

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 پنجم: بازبهنجارش در فیزیک انرژی‌های بالا، نظریه گروه‌ها و نظریه نرخ-اعوجاج

در ابتدای این جلسه کمی در مورد بازبهنجارش در فیزیک انرژی‌های بالا صحبت خواهم کرد و سپس با معرفی کوتاهی از نظریه‌ گروه‌ها، سراغ قضیه Krohn–Rhodes می‌روم. در انتها به این پرسش می‌پردازم که آیا برتری بین روش‌های درشت-دانه‌بندی وجود دارد یا خیر. در قسمت انتهایی نظریه نرخ-اعوجاج (Rate–distortion theory) را مطرح می‌کنم.


ویدیوها

۱) بازبهنجارش در فیزیک انرژی‌های بالا

۲) نظریه گروه‌ها

۳) نظریه نرخ-اعوجاج


برای مطالعه بیشتر


اسلایدها

بازبهنجارش-قسمت-آخر

«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

«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


برای مطالعه بیشتر


اسلایدها

بازبهنجارش-زنجیره‌های-مارکوف2-4

پیشنهادهایی برای دانشجویان تحصیلات تکمیلی سیستم‌های پیچیده

تجربه من از دوران کارشناسی ارشد سیستم‌های پیچیده در دانشگاه شهید بهشتی چیزهای مختلفی بهم یاد داد. شاید بعضی از این تجربه‌ها به کار شما هم بیاد اگر که به تازگی دوران کارشناسی ارشد یا دکتری خودتون رو در زمینه سیستم‌های پیچیده در یکی از مراکز آموزش عالی شروع کرده باشید.

تا جایی که می‌تونید با سواد بشید.

در هر دانشگاهی، یک سری درس ارائه میشه که شما موظف هستید که بخشی از اون‌ها رو بگذرونید. به نظرم چندان در برابر عناوین اون درس‌ها مقاومت نکنید. این‌که من قراره سیستم‌پیچیده بخونم پس نباید کوانتوم پیشرفته بگذرونیم یا درس ماده چگال پاس کنم یا نظریه میدان به من چه اصلا، حرف‌هایی هست که زیاد شنیده میشه و به نظر من همه‌شون نگاه‌های اشتباهی رو معرفی می‌کنند. تا جایی که میشه سعی کنید از این فرصت‌ها برای یادگیری چیزهای مختلف استفاده کنید. خوبه که آدم یک‌بار برای همیشه خیلی عمیق مکانیک کوانتومی رو یادبگیره و بدونه فیزیک ماده چگال سراغ چه چیزه‌هایی میره. اصلا اشکالی نداره که یک بار با نظریه میدان روبه‌رو بشید؛ اگه الان روبه‌رو نشید شاید دیگه هیچ موقع این فرصت رو پیدا نکنید که این مطالب رو با حوصله یادبگیرید. حواستون باشه سواد آدم‌ها با کتاب‌خوندن و سر کلاس رفتن و تمرین حل کردن به دست می‌آد. وقت زیادی بذارید در ترم‌های اول دوره‌تون برای این‌که باسواد بشید. اگر فکر می‌کنید که استادتون خوب درس نمیده یا به هر دلیلی از کلاسی راضی نیستید سعی کنید از اینترنت استفاده کنید.

مستقل از حرف‌های بالا، یه سری چیزها رو باید خوب بدونید:

برنامه‌نویسی و شبیه‌سازی رو جدی بگیرید.

احتمال زیاد در دوره لیسانس هیچ موقع شما درست حسابی کد نزدید. اما از الان به بعد نه تنها باید زیاد کد بزنید بلکه باید «درست» هم کد بزنید؛ کد شما باید بهینه و خوانا باشه! لطفا به جای غر زدن و بازگو کردن این حقیقت که ای بابا ما قبلا کلاس برنامه‌نویسی نداشتیم و این جور حرفا بچسبید به زندگی علمی‌تون و تلاش کنید که از فرصت‌های پیش اومده برای بهتر شدن استفاده کنید تا بد و بیراه گفتن به زمانه! پیشنهاد می‌کنم با پایتون شروع کنید و بعدا سراغ زبان‌های دیگه برید. گویا زبان‌ علمی آینده،‌ ژولیا است! کورس پایتون برای همه و کورس پایتون برای پژوهش برای شروع خوبه. سعی کنید این مدت جوری کد بزنید که بعد از فارغ‌التحصیلی اگه خواستید از دانشگاه فاصله بگیرید، توی بازار دیتا کار گیرتون بیاد!

عمیق بشید.

بالاخره شما موضوعی خواهید داشت و مسئله‌ای برای پژوهش. تا جایی که می‌تونید در مورد اون حوزه اطلاعات کسب کنید. مطالب پیرامونش رو یادبگیرید، چهره‌های شاخص اون حوزه رو بشناسید،‌کنفرانس‌های مربوط در سراسر دنیا رو دنبال کنید و مراقب مسیر تحول موضوع پژوهشتون باشید. لزومی نداره شما وفادار باشید به جریان‌های اصلی، ولی همیشه جریان‌های اصلی ارزش خودشون رو دارن. مقاله‌های مروری کلیدی رو پیدا کنید. زمانی که مقاله‌ای می‌خونید، سعی کنید گزاره‌ها رو دونه به دونه بفهمید. روابط رو اثبات کنید و شبیه‌سازی‌ها رو انجام بدین خودتون. هیچ موقع خودتون رو گول نزنید!

دانشجوی خوب کارشناسی ارشد بعد از تموم شدن دوره‌ش می‌دونه که کجا باید دنبال موقعیت دکتری باشه. اگه به جای این‌که حرفه‌ای عمل کرده باشین، سر خودتون رو شیره مالیده باشید اون موقع سرتون حسابی بی‌کلاه می‌مونه. اگه هم دانشجوی دکتری در این وضعیت باشه که دیگه وای به حالش!

تماشاچی نباشید!

مثل عمده دانشجوها بی‌تفاوت نباشید! فعال باشید، سوال بپرسید، خودتون و بقیه رو به چالش بکشید. جو گیر نباشید ولی در کنفرانس‌های مختلف شرکت کنید. سعی کنید توی جلسات هفتگی فعالانه شرکت کنید. ژورنال کلاب راه بندازین. با بچه‌هایی که سرشون به تنشون می‌ارزه جمع بشین و هفتگی مقالات مهم رو بخونید. در موردشون بحث کنید، حرف بزنید و تلاش جدی داشته باشید که خودتون رو جزوی از جامعه جهانی بدونید!

این جزئیات هم مهمه:

  • یه سری چیزها هم هست که باید بهشون توجه کنید. مثلا انتظار از شما اینه که دیگه بتونید خوب انگلیسی حرف بزنید و خوب بنویسید. برای همین به فکر باشید! راه‌های مختلفی هم هست، سرچ کنید.
  • نوشتن مهمه. گاهی باید به استاد راهنماتون گزارش بدین، گاهی باید مقاله بنویسید و در نهایت پایان‌نامه خواهید داشت. جوری بنویسید که مردم احساس خوبی از نوشته شما پیدا کنند.
  • یاری ساراماکی نکته‌های جالبی در مورد این چیزها داره، وب‌سایتش رو ببینید. در مورد ارائه دادن هم سعی کنید حرفه‌ای باشید؛ هم از نظر ظاهر و هم از نظر محتوا. این نوشته رو بخونید.
  • تری تائو یک مجموعه نوشته خوب در مورد شروع تحصیلات تکمیلی داره که پیشنهاد می‌کنم بهشون نگاه کنید حتما.
  • قبل از تموم شدن درستون، به دنبال کار باشید.
  • و اینکه حواستون باشه که یک‌سری از کارها رو انجام ندین!