رفتن به نوشته‌ها

سیتپـــــور مطالب

تلاش برای توصیف جهان از زاویه‌ی گرانش

داستان معروف سیبی که از درخت افتاد و به سبب اون نیوتون کشف کرد که زمین جاذبه داره رو همه از بریم. این داستان چندان واقعی نیست نیوتون سالها توی اتاقش داشت با انواع و اقسام روابط سر و کله میزد تا بالاخره تونست که فیزیک جدیدی رو پایه‌گذاری کنه و واقعا با یک سیب نبود که نظریه‌ای متولد شد.

اگه گرانش رو به زبان خیلی ساده بخوام بگم، میشه فرمول‌بندی نیوتون از حرکات سیاره‌ها. قبل‌تر از نیوتون فردی به نام کپلر سه قانون رو در مورد حرکات سیاره‌ها پیدا کرده بود.کپلر معتقد بود که سیاره‌ها دارن در مدارهایی بیضوی به دور خورشید میچرخند که خورشید در یکی از کانون‌های بیضی قرار گرفته.. زمانی که سیاره به خورشید نزدیکتره با سرعت بیشتری حرکت میکنه نسبت به زمانی که از خورشید دورتره و رابطه ی بین فاصله سیارات از خورشید و پریود حرکتشون هم به دست آورده بود.

بعدتر از کپلر، نیوتون حرکات سیارات رو با صورت بندی گرانش ارائه کرد. نیوتون میگفت گرانش یک نیروی بلندبرده و بین اجرام مختلف برقراره. اگر دو تا جرم مختلف به نحوی بتونن همدیگه رو مشاهده کنن،شروع میکنن به جذب کردن همدیگه. شدت نیرویی هم که حس میکنن متناسب با حاصل ضرب جرمشون تقسیم بر مجذور فاصله دو تا جرم از همدیگه است.

این تا اوایل قرن نوزده بهترین تصویر ما از جهان بوده. اینکه اجرام به شکلی پراکنده‌اند در جهان و طبق گرانش نیوتونی رفتار میکنن. اما از اونجایی که علم همواره در حال تحوله و تصویر ما از جهان ثابت نمی‌مونه، شواهدی پیدا شدن که باعث شد دانشمندان درباره ی این نظریه به تردید بیفتند.اوایل قرن نوزدهم اینشتین با ارائه نظریه نسبیت عام تصویر جدیدی از جهان رو ارائه کرد.در این نظریه گرانش نه یک نیرو که یک ویژگی از فضا- زمان درنظر گرفته میشه.تغییرات در فضا-زمان هم به دلیل پراکندگی اجرام در فضا به وجود میاد.یک مثال آشنا از این اجرام میتونه سیاهچاله ها باشند. سیاهچاله ها در واقع بخشی از فضا زمان هستند که حتی نور هم امکان گریختن از افق رویداد سیاهچاله ها رو نداره. معادله‌ی میدان در نسبیت عام با رابطه‌ی زیر نشون داده میشه.

معادله ی میدان اینشتین

سمت چپ این معادله تانسور انیشتین رو میبینید. این تانسور درواقع حامی تمام اطلاعات هندسه‌ی فضا- زمان هست.سمت راست معادله هم تانسور انرژی- تکانه‌ رو میبینید. که درواقع حاوی تمام اطلاعات یک جرم گرانشی یا بهتر بگم یک ماده است.این جرم گرانشی میتونه زمین باشه، ستاره نوترونی باشه، یا حتی یک سیال باشه.

نسبیت عام موفقیت‌های چشم‌گیری تا به امروز داشته. پیش‍بینی ام‍واج گرانشی، توصیف سیاهچاله‌ها، سفر در زمان و… همگی از دستاوردهای نسبیت عام هستند.اما نسبیت عام در اواسط قرن بیستم و بعدتر با چالش‌های جدی مواجه شد. همین اتفاق باعث شد که دریچه‌ی جدیدی به سوی گرانش باز بشه و نظریات جدید گرانشی متولد بشن.

اینشتین وقتی معادله‌ی میدان گرانشی در نسبیت عام رو نوشت با یک سوال مواجه شد. چرا جهان تحت گرانش خودش فرو نمیریزه؟ نیوتون برمبنای بی‌نهایت بودن و همسانگردی جهان مطمئن بود که جهان تحت گرانش خودش فرو نمیریزه. نیوتون بر مبنای این فرضیات معتقد بود که هر نقطه از جهان نیروی برابری رو حس میکنه، بنابراین جهان هرگز تحت گرانش فرونمیریزه. انیشتین برای رفع این مسئله جمله‌ای رو دستی وارد معادلاتش می‌کنه. این جمله به صورت یک نیروی دافعه‌ی کیهانی، که به عنوان ثابت کیهان‌شناسی معرفی شده، وارد این معادلات میشه. جالبه بدونید اینشتین بعدها از این کارش به عنوان یک اشتباه بزرگ یاد میکنه.

بعد از وارد شدن جمله ی ثابت کیهان شناسی معادله‌ی میدان اینشتین به فرم زیر در میاد.

$$G_{\mu \nu}+ \Lambda g_{\mu \nu}=T_{\mu\nu}$$

با فرض عدم وجود ماده، یعنی در حالتی که مقدار تانسور انرژی- تکانه در این معادله صفر باشه، میتونیم به جمله‌ی ثابت کیهان‌شناسی انرژی خلا رو نسبت بدیم. در این حالت لمبدا رو معادل چگالی انرژی خلا میدونیم.

اما مشکلی که تا به امروز هنوز حل نشده چی بود؟

ما باید بدونیم مقدار این ثابت کیهان شناسی چقدره و از چه مرتبه‌ایه. نظریه‌ی میدان‌های کوانتومی مقداری رو که برای انرژی خلا پیش‌بینی می‌کنه بسیار بسیار بیشتر از عددی است که از رصدها بدست میاد. چیزی در حدود شصت تا صد و بیست مرتبه‌ی بزرگی بزرگتر. همین اختلاف مقدار در نظریه و رصد باعث شد نظریات جدید گرانشی‌ای متولد بشن تا شاید این مشکل رو حل کنند.

مشکل بعدی‌ای که نسبیت عام نتونست از پسش بربیاد مسئله‌ی ماده تاریک بود. اگه بخوام مختصرا بگم ماجرای ماده تاریک از کجا جدی شد، باید برگردیم به رصدهایی که انجام شده و مهم‌ترین شاهد حضور ماده تاریک نمودارهای سرعت چرخش ستاره‌ها و کهکشان‌ها بودند.ما از گرانش نیوتونی میدونیم که سرعت حرکت دایره‌ای یک ستاره از رابطه‌ی زیر بدست میاد.

معادله سرعت چرخش کهکشان‌ها

در این رابطه G ثابت جهانی گرانش، M جرم محصور و r فاصله شعاعی است. برای فواصل بیشتر از دیسک کهکشانی قانون گاوس بیان می‌کند که با فرض اینکه تمام جرم در مرکز محصور شده در فواصل دور مقدار جرم ثابته و سرعت باید با r-1/2  کاهش پیداکنه. اما آن چیزی که رصدها نشون میده چنین نیست. رصد ها میگه از فاصله ای به بعد سرعت حرکت به مقدار ثابتی میل میکنه. انگار که برخلاف اون چیزی که از قانون گاوس میدونیم، جرم اینجا متغیره و داره با فاصله تغییر میکنه. در واقع  تغییرات جرم متناسب با تغییرات فاصله است. این جرم اضافی از کجا میاد؟ به نظر میاد این وسط ماده‌ای فراتر از ماده‌ی مرئی وجود داره که بهش میخوایم بگیم ماده‌ی تاریک. ماده‌ی مرموزی که خیلی خوب نمیشناسیمش. وجود داره ولی مشاهده نمیکنیمش. برهمکنش نمیکنه و هرجایی خودش رو نشون نمیده، اما این وسط داره تو معادلاتمون و در کیهان‌شناسی نقش مهمی بازی میکنه.

نمودار سرعت چرخش کهکشان‌ها

نظریات گرانشیِ بعد از نسبیت عام  تلاش هایی برای توصیف ماده تاریک هم داشته اند. البته عده‌ای از فیزیکدانان انرژی‌های بالا معتقدند که ماده تاریک واقعا به صورت ذراتی وجود داره. و تلاش‌های زیادی چه از بابت نظری و چه عملی برای توصیف و آشکارسازی ذرات ماده تاریک کرده‌اند.

نظریات جدید گرانشی که عمدتا ازشون به عنوان گرانش تعمیم یافته یاد میشه، اضافه کردن درجات آزادی به نظریه‌ی نسبیت عام هست. در واقع ماجرا از این قراره که فیزیکدانان تلاش میکنن با اضافه کردن درجات آزادی به کنش نسبیت عام راهی پیدا کنند که بتونن سوالاتی که نسبیت عام نمیتونه بهشون پاسخ بده رو پاسخ بدن. این درجات آزادی در ساده‌ترین حالت میتونه اضافه کردن یک میدان اسکالر باشه. یا عده‌ای هم دوست دارن بردار، تانسور یا میدان‌های با رنک بالاتر اضافه کنند به این کنش. هر مدلی از گرانش که ساخته میشه باید تست‌پذیر باشه. یعنی نتایجی که پیش‌بینی میکنه با نتایج آزمایش و رصد سازگار باشه. و اساسا قابلیت در معرض آزمایش قرارگرفتن رو داشته باشه.

از دل این تلاش‌ها مدل‌های زیادی برای توصیف جهان ساخته شده اند، که اینجا مختصرا اشاره میکنم و در پست‌های بعدی بهشون می‌پردازم.نظریه‌های اسکالر-تانسور، دینامیک تعمیم یافته نیوتونی، نظریه‌ی انیشتین- اِتِر، نظریه‌های بایمتریک، نظریه‌های f(R )، گرانش غیر موضعی و گرانش ابعاد بالا مشهورترین نظریه‌های گرانشی اند.

سرنوشت نظریات گرانشی به کجا رسیده؟

هنوز فیزیکدانان در حال تلاش‌اند تا بتونن برای سوالاتی که مطرح شده نظریه‌ای بسازند که پاسخ سوالاتشان رو بده. برای محقق شدن این امر نیاز به ایده‌های بهتر و داده‌های رصدی و آزمایشگاهی بیشتر دارن.

پی نوشت:

  1. برای تعریف  تانسور به این آدرس سر بزنید.
  2. برای اینکه مختصری درباره‌ی درجه‌ی آزادی در فیزیک بدونید به این آدرس مراجعه کنید. البته درجه‌ی آزادی در متن بالا کمی متفاوت از چیزیه که در متن پیوست شده مشاهده میکنید.

سرطان از نگاه پیچیدگی

سرطان به عنوان یکی از بیماری‌های که این روزها نامش بر سرزبان‌ها افتاده است، نامی است که به مجموعه‌ای از بیماری‌هایی اطلاق می‌شود که از تکثیر مهارنشده سلول‌ها پدید می‌آیند. سرطان عموما به عنوان بیماری ژن‌ها شناخته می‌شود؛ به این معنا که تغییرات ژنتیکی می‌توانند منجر به بروز این عارضه شود. از سوی دیگر، تلاش‌های صورت گرفته پیرامون کنترل و درمان سرطان عمدتا بر اساس شناخت ژن‌های موثر در سرطان‌های مختلف، تاکنون با چالش‌های زیادی همراه بوده است. در نگاه پیچیدگی، حرکت‌های جمعی برآمده از برهمکنش‌های یک سیستم‌ بس‌ذره‌ای (سلول) تنها با مطالعه اجزای آن سیستم (ژن‌ها) قابل توصیف نیست و با دانستن این‌که هر جز (ژن) چگونه کار می‌کند، نمی‌توان درک کاملی از مقیاسی بزرگ‌تر (سلول) با سازمان‌دهی مرتبه‌-بالاتری پیدا کرد. در مورد ژن‌ها می‌دانیم که بیان هر ژن بر بیان سایر ژن‌ها اثر می‌گذارد و وجود این همبستگی‌ها سبب تشکیل یک حرکت جمعی می‌شود که خود باعث اثر گذاشتن روی بیان سایر ژن‌ها می‌‌شود. هدف این مطالعه، نگاهی پدیدارشناسانه به سرطان سینه و مقایسه رفتار جمعی ژن‌ها در نمونه سالم و سرطانی است. با در نظر گرفتن سلول به عنوان یک سیستم پیچیده، می‌خواهیم شبکه پیچیده‌ای که در پس این سیستم نشسته است را مورد مطالعه قرار دهیم به امید این‌ که درک بهتری از سرطان از نگاه پیچیدگی پیدا کنیم.

بدین منظور، با در نظر گرفتن هر ژن به عنوان یک اسپین و برهمکنش ژن با ژن به عنوان ضریب جفت‌شدگی بین دو اسپین متناظر با آن‌ها در یک مدل شیشه-اسپینی (مدل گاوسی چند متغیره)، به دنبال استنباط این ضرایب هستیم. برای این‌ کار با استفاده از اصل بیشینه آنتروپی، ماتریس برهمکنش را برای نمونه سالم و سرطانی یافته و از روی آن شبکه تنظیم ژن را برای دو نمونه بازسازی می‌کنیم. این شبکه‌ها، دارای یال‌هایی با وزن‌های مثبت و منفی هستند، بنابراین می‌توانیم در چارچوب نظریه توازن به این شبکه‌ها انرژی نسبت دهیم و تمایل شبکه‌ها نسبت به تغییر وضعیتشان را مورد بررسی قرار دهیم. نتایج ما نشان می‌دهد که توزیع مثلث‌های ایجاد شده در شبکه از یک الگوی توانی پیروی می‌کند. از نقطه نظر چشم‌انداز انرژی، انرژی شبکه سالم از شبکه سرطانی بیشتر است و این به معنای پویایی بیشتر سلول سالم نسبت به سرطانی است. شبکه سرطانی تمایل کم‌تری نسبت به تغییر وضعیت خود دارد و به همین خاطر دسترسی کم‌تری به وضعیت‌های قابل دسترس خود پیدا می‌کند. از سوی دیگر، در شبکه‌ سرطانی، تعداد یال بیشتری دیده می‌شود. وجود یال بیشتر، به معنای ارتباط بیشتر بین اجزا و تاثیر بر دینامیک سلول است. رهیافت دنبال‌شده در این مطالعه به ما در یافتن درک بهتری از سلول به عنوان یک سیستم پیچیده کمک می‌کند.

ارجاع به اثر: arXiv:2010.05897 [q-bio.MN]

 

 

2010.05897

برای اطلاعات فنی بیشتر به این صفحه رجوع کنید.

فرکتال‌ها، مفاهیم مقیاسی و بازبهنجارش

تصمیم گرفتم تا جایی که می‌توانم، مسیر یادگیری سیستم‌های پیچیده را برای علاقمندانی که جرات یادگرفتن و شهامت حرکت کردن بیرون از مرزهای تعریف شده علوم را دارند را هموار کنم. برای شروع قصد دارم چند جلسه کلاس/سمینار در دانشگاه شهید بهشتی (تهران) برگزار کنم. ایده اصلی این جلسات لکچرهایی پیرامون مفاهیم اصلی سیستم‌های پیچیده است بی‌آن‌که وارد جزئیات ریز آن شوم. می‌خواهم طی این جلسات افراد با پیش‌زمینه‌های مختلف با ایده‌های اصلی آشنا شوند.

فیزیک نیوتون و موضوعات مربوط به حساب دیفرانسیل و انتگرال که غالب تفکر علمی سه سده گذشته را تشکیل داده‌اند بر این ایده استوار هستند که هر چه مقیاس فضایی یا زمانی یک سیستم فیزیکی را ریزتر و ریزتر کنیم، با سیستمی ساده‌تر، هموارتر و با جزئیات کمتری روبه‌رو می‌شویم. ملاحظات دقیق‌تری نشان می‌دهد که ساختار ریزمقیاس سیارات، مواد و اتم‌ها بدون جزئیات نیست. با این وجود، برای بسیاری از مسائل، چنین جزئیاتی در مقیاس‌های بزرگ‌تر نامرتبط به حساب می‌آیند. از آن‌جا که این جزئیات مهم نیستند، فرموله کردن نظریه‌ها به شیوه‌ای که اصلا جزئیاتی وجود نداشته باشد منجر به همان نتایجی می‌شود که با در نظر گرفتن توصیف دقیقی از سیستم می‌توان به آن‌ها رسید.

برف دانه کخ – یک فرکتال کاملا خودمتشابه. نگاره از ویکی‌پدیا


می‌دانیم در رویارویی با سیستم‌های پیچیده، هموار کردن پی‌در‌پی سیستم در مقیاس‌های ریزتر معمولا نقطه شروع مناسبی برای مطالعه سیستم به طور ریاضیاتی نیست. درک این موضوع، تغییر چشم‌گیری را در بنیادهای فکری ما به همراه داشته است.

در این سخنرانی ابتدا فرکتال‌ها، به عنوان موجوداتی که در مقیاس‌ ریزتر جزئیاتشان را از دست نمی‌دهند را معرفی می‌کنیم. سپس بی‌آنکه سراغ جعبه ابزار نظریه میدان‌های کوانتومی رویم، ایده بازبهنجارش را به عنوان چارچوب جامع‌تری برای مطالعه رفتار سیستم‌ها در مقیاس‌های مختلف و چگونگی ارتباط این رفتارها مطرح می‌کنیم.

ویدیو:

اسلایدها (کلیک کنید!)

منابع:

«بیست سال علم شبکه»

این نوشته ترجمه‌ای تقریبا وفادار از مقاله منتشر شده در Nature News and Views توسط Alessandro Vespignani به مناسبت تولد ۲۰ سالگی شبکه‌های جهان-کوچک است.
این نوشته اشاره‌ی مستقیمی دارد به مقاله منتشر شده در Nature News and Views توسط Alessandro Vespignani به مناسبت تولد ۲۰ سالگی شبکه‌های جهان-کوچک است.


«این ایده که هرکس در دنیا به هرکس دیگری تنها با ۶ درجه جدایی متصل است، ۲۰ سال پیش توسط مدل شبکه‌ «جهان کوچک» توضیح داده شد. چیزی که به نظر می‌رسید کاربرد خاصی داشته باشد تبدیل به یافته‌ای با نتایج فراوان شد.» الساندرو وسپینانی

ماجرا از این‌جا شروع شد که اواخر بهار سال ۱۹۹۸، واتس و استروگتز مقاله‌ای منتشر کردن به اسم «دینامیک جمعی شبکه‌های جهان-کوچک» که در اون مقاله مدلی معرفی شد که «خوشگی» و «فاصله کوتاه بین رئوس» شبکه‌هایی که در زندگی واقعی پیدا میشن رو توصیف می‌کرد. خب، اون اوایل این مدل یه جوری جالب به‌نظر می‌رسید. ولی صرفا به عنوان یک خروجی یا تعمیمی از شبکه‌های منظمی که فیزیک‌دونای آماری و ماده‌چگالی‌ها بهشون عادت داشتن. [در حقیقت تا ۲۰ سال پیش، منظور ما از شبکه توی فیزیک، گراف‌های منظم توری شکلی بودن که بهشون lattice می‌گفتیم و نه network.] اما با گذر زمان، هر چی که دانشمندان رشته‌های مختلفی از این مدل استفاده کردند، پیامد‌های عمیق این مدل بیشتر آشکار شد. به این معنی که درک ما از رفتارهای دینامیکی و گذار فازهایی که توی پدیده‌های روزمره‌ مشاهده می‌کردیم به طور جدی بهتر شد. از فرایندهای واگیری گرفته تا انتشار اطلاعات! به زودی مشخص شد که این مقاله دوران جدیدی از پژوهش رو ایجاد کرده که نهایتا منجر به شکل‌گیری «علم شبکه» به عنوان یک رشته «چندرشته‌ای» شد!

در حقیقت قبل از این‌که واتس و استروگتز مقاله‌شون رو منتشر کنند، الگوریتم‌هایی که برای ایجاد شبکه‌ها استفاده می‌شد به دنبال این بودن که یک شبکه تصادفی ایجاد کنند. مثل مدل اردوش-رینی. ایده اساسی این الگوریتم‌ها این بود که ما نمی‌دونیم چه‌طور هر دو راس در شبکه باید بهم متصل بشن برای همین فرض می‌کنیم که شیوه اتصال هر دو تا راس در شبکه بر اساس یک احتمال از پیش مشخص شده هست. ویژگی مشترک شبکه‌های تصادفی، اینه که هر چقد اندازه شبکه (تعداد رئوس) بزرگ بشه، میانگین طول کوتاه‌ترین مسیر بین هر دو تا راس به صورت لگاریتم تعداد رئوس رشد می‌کنه. منظور از طول (کوتاه‌ترین) مسیر بین دو راس، کمترین تعداد یال (پیوند) برای رسیدن از این راس به اون یکی هست. بنابراین اگر یک شبکه تصادفی N تا راس داشته باشه، میانگین طول مسیر بین هر دو راس که به تصادف انتخاب بشن این شکلی تغییر می‌کنه:

این رفتار لگاریتمی به معنی جهان‌-کوچک بودن هست. همون ایده‌ای که در دنیا هر نفر حداکثر با ۶ تا واسطه به هرکس دیگه‌ای می‌تونه برسه. یعنی آهنگ بزرگ شدن فاصله بین هر دو راس در یک شبکه تصادفی کمتر از آهنگ بزرگ شدن اندازه اون شبکه است. (این رابطه خطی نیست، با دو برابر کردن L ،N دو برابر نمیشه!).

پروفایل چگونگی تغییر متوسط طول کوتاه‌ترین مسیرین بین دو راس در شبکه‌هایی با تپولوژی متفاوت. نگاره از کتاب علم شبکه باراباشی

با این وجود، مدل‌های شبکه‌‌های تصادفی، وجود گروهک‌هایی (Cliques) که در شبکه‌‌های واقعی دیده شده رو توصیف نمی‌کنند. برای اندازه گیری گروهک‌‌دار بودن یک شبکه باید ضریب خوشگی هر راس رو حساب کنیم. برای این‌کار، به‌ازای هر راس، تعداد پیوندهای بین همسایه‌هاش رو می‌شماریم و  تقسیم می‌کنیم بر تعداد کل پیوندهای ممکن بین همسایه‌های راس مورد نظر. در حقیقت ضریب خوشگی معیاری از اینه که چقدر همسایه‌ها به هم متصل هستند. یک شبکه اجتماعی رو در نظر بگیرین، معمولا دوستِ دوستِ شما، دوست شما هم هست! یعنی مثلث‌هایی از روابط توی شبکه‌های واقعی دیده میشه و این درست چیزیه که شبکه‌های تصادفی فاقدش هستن. به عبارت دیگه، احتمال اینکه سه نفر در یک شبکه اجتماعی دوست هم باشن به مراتب بیشتر از چیزیه که شبکه‌ای که طی یک فرایند ساده تصادفی ایجاد شده پیش‌بینی کنه!

سازوکار ایجاد یک شبکه جهان کوچک در مدل واتس-استروگتز با اضافه کردن بی‌نظمی به یک شبکه منظم. نگاره برگرفته از مقاله اصلی ۱۹۹۸

می‌دونیم که شبکه‌های منظم، دارای ضریب خوشگی بالایی هستن و شبکه‌های تصادفی دارای خاصیت نزدیک بودن اعضا به هم! چیزی که یک شبکه جهان-کوچک واقعی نیاز داره هر دوی این ویژگی‌هاست! واتس و استروگتز برای این‌که این دوگانگی رو برطرف کنند پیشنهاد مدلی رو دادن که ابتدا یک شبکه منظم با ضریب خوشگی بالا رو ایجاد کنه و بعد از اون، با احتمال p، یال‌ها رو بین رئوس اصطلاحا بُر بزنه! یعنی برای این‌ کار، از یک شبکه منظم، هر یال رو با احتمال p انتخاب می‌کنید و دو سرش رو به رئوس متفاوتی وصل می‌کنید! به این کار اصطلاحا سیم‌بندی گفته می‌شه و اگر این سیم‌بندی به طور تصادفی انجام بشه، اصطلاحا گفته میشه که یال‌های شبکه رو بُر می‌زنیم! بنابراین با تغییر مقدار می‌تونیم شبکه رو از حالت منظم  (p → 0) به حالت تصادفی (p → 1) تبدیل کنیم.

برای مقادیر بسیار کوچک p شبکه حاصل، یک شبکه منظمه با ضریب خوشگی بالا. اما برای مقادیر کوچک p میان‌برهایی که بین نقاط دور شبکه ایجاد میشه، میانگین طول کوتاه‌ترین مسیر رو کاهش می‌ده. واتس و استروگتز نشون دادن که برای طیف وسیعی از مقادیر p، بسته به تعداد رئوس، میشه شبکه‌های با ضریب خوشگی بالا و میانگین فاصله کمی بین رئوس ساخت. برای همین با این روش میشه پدیده جهان-کوچکی به همراه گروهک‌داربودن رو ایجاد کرد!

وجود میان‌برهای قرمز، به یک شبکه با ضریب‌خوشگی بالا، خاصیت جهان کوچکی می‌بخشد. نگاره از nature

مدل واتس و استروگتز ابتدا به عنوانی مدلی که «شش درجه جدایی» رو توصیف می‌کرد، در نظر گرفته می‌شد. اما در حقیقت مهم‌ترین تاثیرش هموار کردن مسیر مطالعه اثرات ساختار شبکه روی طیف وسیعی از پدیده‌های دینامیکی بود. یک سال پس از انتشار مقاله شبکه‌های جهان-کوچک، آلبرت باراباشی و رِکا آلبرت در مقاله‌ای با عنوان «برآمدگی اثر مقیاسی در شبکه‌های تصادفی» مدلی معروف به مدل شبکه «اتصال ترجیحی‌» رو منتشر کردن که نقش بسیار کلیدی در توسعه پژوهش در نظریه شبکه‌های پیچیده ایفا کرد. در نظریه گراف یا علم شبکه، به تعداد یال‌های متصل به هر راس، درجه اون راس گفته می‌شه و برای شبکه تصادفی، توزیع درجات رئوس، پواسونی هست. ایده مدل باراباشی-آلبرت این بود که توزیع درجات شبکه‌های واقعی، پواسونی نیست بلکه یک توزیع دم‌کلفت (توانی) هست. برای همین باراباشی و آلبرت سازوکاری رو معرفی کردن که به کمکش بشه شبکه‌هایی با توزیع درجات توانی داشت. این که درجات یک شبکه از توزیعی توانی میاد، به معنای وجود پدیده‌هایی نادر ولی مهمه! مثلا تعداد کسانی که توی اینستاگرام بالای ۱۰۰میلیون دنبال‌کننده دارن ۱۰ نفر هست ولی این‌ها افراد سرشناسی هستن! یا مثلا وقتی گفته میشه که در امریکا ۹۹٪ ثروت دست ۱٪ افراد جامعه است، درسته که این ۱٪ تعداد کمی از افراد جامعه امریکا رو تشکیل می‌دن ولی افراد بسیار تاثیرگذاری هستن! از اونجایی که در شبکه‌های جهان-کوچک و شبکه‌هایی که توزیع درجات ناهمگنی دارن طیف وسیعی از گذارفازها و رفتارهای برآمده رو میشه مشاهده کرد، رفته‌رفته دانشمندان زیادی از رشته‌های مختلف به این موضوع علاقمند شدن.

یک شبکه رندم (شبکه جاده‌های امریکا) در برابر یک شبکه باراباشی-آلبرت (شبکه خطوط هوایی امریکا). در شبکه خطوط هوایی، راس‌هایی (فرودگاه‌‌ها) با درجه بسیار بالا وجود دارد در صورتی که در شبکه جاده‌ای این‌گونه نیست. نگاره از کتاب علم شبکه باراباشی.
یک شبکه تصادفی (شبکه جاده‌های امریکا) در برابر یک شبکه باراباشی-آلبرت (شبکه خطوط هوایی امریکا). در شبکه خطوط هوایی، راس‌هایی (فرودگاه‌‌ها) با درجه بسیار بالا وجود دارد در صورتی که در شبکه جاده‌ای این‌گونه نیست. نگاره از کتاب علم شبکه باراباشی.

نکته مهمی که به مرور خیلی جلب توجه کرد، اصطلاحا تپولوژی شبکه‌ها بود، به این معنا که طی سلسله‌ای از پژوهش‌ها متوجه شدیم که چگونگی ارتباطات عناصر در یک شبکه می‌تونه چه تبعات جالبی به همراه داشته باشه. کم‌کم اتفاقات بزرگی رقم خورد. ما تونستیم مقاومت شبکه‌های مختلف رو بررسی کنیم، گسترش‌ بیماری‌های همه‌گیر رو کنترل کنیم، درک عمیق‌تری از انتشار اطلاعات پیدا کنیم و همین‌طور بفهمیم که  همگاه‌سازی رفتارهای‌ برآمده چه‌طور روی شبکه‌ها شکل می‌گیره. به عنوان مثال، با استفاده از مفهوم شبکه‌های جهان-کوچک موفق شدیم که ساختار وب (WWW) رو درک کنیم یا اینکه بفهمیم چه‌طور قسمت‌های آناتومیک و کارکردی مغز با همدیگه ارتباط برقرار می‌کنند. ویژگی‌های ساختاری دیگه‌ای هم کم‌کم مورد مطالعه قرار گرفت، مثل پیمانه‌ای بودن یا مفهوم موتیف‌های شبکه. همه این یافته‌ها در نهایت سبب شد که دانشمندان، معماری شبکه‌های موجودات زنده و مصنوعی رو شناسایی و درک کنند، از شبکه‌های زیرسلولی گرفته تا زیست‌بوم‌ها و اینترنت!

به لطف توان محاسباتی بی‌سابقه، مجموعه داده‌های بزرگ و تکنیک‌های مدلسازی محاسباتی موجود، پژوهش‌های روز این حوزه موفق شدن که پلی بین دینامیک تک‌تک راس‌ها  و ویژگی‌های برآمده بزرگ‌مقیاس شبکه‌ها برقرار کنن. با این وجود، سادگی و دم‌دست بودن مدل‌های جهان‌-کوچک و اتصال ترجیحی هنوز پایه‌ی فهم ما از تپولوژی شبکه‌ها رو تشکیل می‌دن و از صدقه‌سر ارتباط این مدل‌ها با شاخه‌های مختلف علم، امروز رسما با یک حوزه بین‌رشته‌ای به اسم «علم شبکه» روبه‌رو هستیم!

نکته‌ای که حتما باید بهش اشاره کنیم اینه که جمع‌آوری دانش و روش از رشته‌های کاملا مختلفی مثل علوم اجتماعی، ریاضیات کاربردی، فیزیک، زیست‌شناسی و علوم کامپیوتر واقعا کار آسونی نبوده! سال‌ها جنگ و جدل به خاطر توافق بر سر تعاریف و مفاهیم بوده و واقعا انرژی زیادی صرف شده تا رهیافت‌هایی که مردم در رشته‌های مختلف به کار بردن برای بقیه هم واضح بشه! ولی ما این کار رو انجام دادیم! طی ۲۰ سال گذشته، یک جامعه پرجوش و خروشی از علم شبکه ایجاد شده که برای خودش مجلات معتبر، موسسات تحقیقاتی و کنفرانس‌هایی با هزاران دانشمند داره!

در ۲۰امین سالگرد انتشار مقاله واتس و استروگتز، بیتشر از ۱۸۰۰۰ مقاله به این مدل که یکی از نمادهای تپولوژی شبکه‌ است ارجاع دادن. واتس و استروگتز مقاله‌شون رو با این جمله تموم می‌کنن که «امیدواریم که کار ما انگیزه‌بخش مطالعات بیشتر شبکه‌های جهان-کوچک بشه!» شاید در بستر تاریخ، هیچ گزاره‌ای اینقدر پیشگویانه نبوده باشه!

این ویدیو در مورد ظهور علم شبکه است:

انتقال به سرخ به زبان آدمیزاد

توی این پست میخوام مقداری درمورد مفهوم «انتقال به سرخ» و انواعش توضیح بدم. انتقال به سرخ یا «Redshift» مفهومیه که به کمک اون تونستیم دریچه‌ای از کهکشان‌ راه شیری خودمون به باغ وحشی از کهکشان‌ها و ساختارهای بزرگ مقیاس کیهانی باز کنیم. به کمک این پدیده، از حدود صد سال پیش، متوجه شدیم که کیهان، فقط محدود به کهکشان راه شیری نیست و بیش از پیش به اصل کوپرنیکی معتقد شدیم.

دیدن ویدیو در یوتیوب

انتقال به سرخ یعنی چی؟

حتما دقت کردید وقتی یه ماشین یا موتوری با سرعت از جلوتون رد میشه، صداش تغییر میکنه؛ همین‌طور که نزدیک‌تر میشه صداش زیرتر و وقتی عبور می‌کنه و دور میشه صداش کمی بم‌تر میشه. کمی اگر دقیق‌تر صحبت کنیم این اتفاق، به ترتیب، به معنی طول موج‌های کوتاه‌تر و بلندتر هست. به این پدیده، اثر داپلر میگن. خب حالا چرا این اتفاق میفته؟(دقت کنید که راننده اتومبیل تغییری توی صدا احساس نمی‌کنه!) احتمالا این وسط یا اتفاقی برای صوتی که به ما می‌رسه میفته یا اینکه برای خود ما! خداروشکر مشکل از ما و سیستم شنواییمون نیست که بگیم دچار کج‌شنوایی شدیم! داستان به اینجا برمی‌گرده که منبع تولید موج صوتی نسبت به ما در حال حرکت هست؛ بنابراین همین‌طور که اتومبیل از ما دورتر میشه، هر قله(دره) متوالی، از جایی دورتر از ما، نسبت به موج قبلی منتشر میشه و یه خرده زمان بیشتری می‌بره تا به ما برسه. با فرض این‌که سرعت موج صوتی ثابت هست، پس فاصله بین قله‌ها (دره‌ها) هم باید بیشتر باشه؛ یعنی طول موج بیشتر میشه (معادل فرکانس کمتر). وقتی که منبع صوت درحال نزدیک شدن هست، دقیقا عکس این اتفاق میفته و طول موج برای «ما» که ناظر هستیم تغییر می‌کنه و کوتاه‌تر میشه.

توجه کنید که این‌جا مسأله، انتخاب چارچوب مرجع هست. یعنی اگه ما که وایستادیم هم مثلا درحال شیپور زدن باشیم(به دلایلی نامعلوم! ؛)) اتومبیل در حال عبور، همین تغییر در فرکانس رو حس می‌کنه. بنابراین اثر داپلر به‌دلیل حرکت نسبی بین منبع صوت و ناظر اتفاق میفته.

اثر داپلر

در ۱۸۴۲ میلادی، جناب آقای داپلر برای اولین‌ بار این توجیه فیزیکی رو برای این پدیده ارائه داد و ادعا کرد که این پدیده برای هر نوع موجی درسته و مشخصا پیشنهاد داد که رنگ‌های مختلف ستاره‌ها، به‌خاطر حرکتی هستش که نسبت به ما دارن (البته خیلی زود معلوم شد که رنگ ستاره‌ها، فقط به دمای سطحی‌ اون‌ها بستگی داره و نه حرکتشون نسبت به زمین). شش سال بعد، جناب فیزو به این نکته اشاره کرد که جابه‌جایی که در خطوط طیفی ستاره‌ها مشاهده میشه، به‌‌دلیل اثر داپلر هست. به همین خاطر بعضی مواقع به این اثر، «اثر داپلر-فیزو» هم میگن. برای این‌که بحث رو ادامه بدیم، اجازه بدید اول توی یه قسمت پرانتزطوری، مختصرا درمورد طیف‌ها صحبت کنیم تا موضوع روشن بشه.

منظور از طیف یه ستاره چیه؟  

چگونگی شکل‌گیری انواع طیف‌ها (طیف پیوسته، جذبی و گسیلی)

اگه یه منشور رو جلوی نور خورشید بگیرید، رنگین کمانی در طول موج‌های مرئی تشکیل میشه که بهش طیف پیوسته میگن. حالا فرض کنید که گاز سردی از ماده خاصی رو بر سر راه این نور قرار بدید. وقتی نور به اتم‌های گاز سرد برخورد می‌کنه، توی بعضی از طول موج‌های خاص که تابعی از اختلاف انرژی بین تراز‌های الکترون‌های برانگیخته شده هست، جذب میشه. بنابراین توی طیف جدید، چند خط تیره در طول‌ موج‌های مختلف وجود داره. به این طیف، «طیف جذبی» میگن. این‌بار فرض کنید که این گاز رو داغش بکنیم. دقیقا توی طول موج‌هایی که توی حالت قبل جذب اتفاق افتاده بود، این‌بار گسیل نور داریم؛ توی این حالت، وقتی الکترون‌های برانگیخته از ترازهای انرژی بالاتر به تراز‌های انرژی پایین‌تر گذار می‌کنن، نوری گسیل میشه که طول موجش، متناسب با اختلاف انرژی تراز ابتدایی و انتهایی هست. این بار طیف، فقط شامل چند خط روشن در طول موج‌های مختلف هست و بهش «طیف گسیلی» میگن. نکته‌ای که وجود داره اینه که عناصر مختلف دقیقا توی طول موج‌های مشخصی جذب یا گسیل دارن. به‌عبارت دیگه هر عنصر، طیف منحصر به فرد خودش رو داره. بنابراین با دیدن طیف یه ستاره، میشه فهمید که چه عناصری در جوّش وجود دارن.

همون‌طور که اشاره شد، طیف عناصر مختلف دارای خطوط طیفی در طول موج‌های مشخصی هستن. وقتی که ستاره‌ای نسبت به ما در حال حرکت باشه، خطوط طیفی که مربوط به عناصر مختلف شناخته شده هست کمی جابجا میشن؛ اگه ستاره در حال دور شدن از ما باشه، خطوط طیفی به سمت طول موج‌های بلندتر (انتقال به سرخ) و اگه در حال نزدیک شدن باشه، به سمت طول موج‌های کوتاه‌تر جابجا میشن(انتقال به آبی).

جدول تناوبی طیف‌ها

انواع انتقال به سرخ

ما سه نوع انتقال به سرخ برای نور داریم: داپلر نسبیتی، کیهانی و گرانشی. اساس همه‌شون همون انتخاب چارچوب مرجع و تأخیر (تسریع) زمانی بین قله‌های متوالی موج هست که منجر به انتقال به سرخ(آبی) خطوط طیفی میشه. اما منشأ اون میتونه علت‌های مختلفی داشته باشه.

داپلر نسبیتی

تا این‌جا توضیحاتی که در مورد انتقال به سرخ دادیم مربوط به این نوع هست. یعنی سرعت نسبی منبع نور و ناظر باعث این اثر میشه. هر چی این سرعت نسبت به ناظر بیشتر باشه، مقدار انتقال به سرخ و جابجایی در طیف بیشتره. از روی مقدار جابه‌جایی خطوط طیفی میشه سرعت منبع نور رو بدست آورد. وستو اسلیفر در ۱۹۱۲ میلادی، سرعت چندتا از سحابی‌ها رو با این روش اندازه گرفت و دید که سرعتشون خیلی بیشتر از اجرام معمولی دیگه‌ هستش که قبلا رصد کرده بودن. هرچند تا اون زمان، فرضیاتی مطرح شده بودن که احتمالا کهکشان‌های دیگه ای بیرون از کهکشان راه شیری وجود دارن، اما شاهدی برای این موضوع وجود نداشت. چند سال بعد ادوین هابل، فاصله این سحابی‌ها رو اندازه گرفت و متوجه شد که این‌ها در واقع کهکشان‌هایی بیرون از کهکشان راه شیری هستن. (الآن می‌دونیم که حدود ۱۰۰ میلیارد کهکشان دیگه توی کیهانمون وجود داره، تقریبا اندازه تعداد ستاره‌های داخل کهکشان خودمون!) بنابراین این اثر، ابزار قدرتمندی رو در اختیارمون قرار میده که ما باهاش می‌تونیم سرعت اجرام سماوی رو اندازه بگیریم.

انتقال به سرخ کیهانی

انبساط عالم باعث دور‌شدن کهکشان‌ها از همدیگه و درنتیجه انتقال به‌سرخ در مقیاس‌های مکانی بزرگ میشن

سال ۱۹۲۹، هابل نمودار سرعت بر حسب فاصله رو برای تعدادی از کهکشان‌ها رسم کرد و نتیجه گرفت که هرچقدر اونا دورتر هستن با سرعت بیشتری درحال دور شدن از ما هستن (قانون هابل) و این یعنی جهان در حال انبساطه. این کشف، تأییدی بود برای حلی که چند سال قبل‌تر، از معادلات میدان انیشتین به‌دست اومده بود که الآن معروف به معادلات فریدمان هست. پس بنابراین چون جهان درحال انبساطه یا به بیان بهتر، فضا-زمان داره منبسط میشه، کهکشان‌ها نسبت به ما در حال حرکتند و چون همه‌شون دارن از ما دور میشن بنابراین در خطوط طیفیشون انتقال به سرخ مشاهده میشه. منشأ این انتقال به سرخ انبساط کیهانه. به‌همین‌خاطر به اون انتقال به سرخ کیهانی گفته میشه.

اما از کجا تشخیص بدیم که جابجایی طیفی به‌خاطر انبساط کیهان هست یا حرکت مشخصه خود منبع نور؟ خب نکته‌ای که وجود داره اینه که انبساط کیهانی رو توی فواصل نزدیک نمیشه دید. عملا انتقال به سرخ از حدود فاصله چندین هزار سال نوری به بعد قابل ملاحظه هست. برای ستاره‌ای که داخل کهکشانی با این فاصله قرار داره، قسمتی از انتقال به سرخش مربوط به حرکت موضعی خودش هست (اثر داپلر نسبیتی) و قسمتیش هم مربوط به انبساط فضا-زمان (انتقال به سرخ کیهانی). اما از اونجایی که سازوکار این دو تا با هم متفاوت هست، میشه انتقال به سرخ کیهانی رو از مدل کیهان‌شناسی که درنظر گرفتیم بدست بیاریم و از قسمت مربوط به حرکت مشخصه ستاره تفکیک کنیم.

از اون‌جایی‌ که کیهان‌شناس‌ها با فواصل خیلی زیاد سروکار دارن، کهکشان‌ها رو عملا یک نقطه در نظر می‌گیرن (بدون اعتنا به اتفاقاتی که داخل کهکشان‌ها داره میفته و ستاره‌ها و سیارات و احتمالا موجوداتی که دارن اون‌جا زندگی می‌کنن!) و به‌جای استفاده از واحدهایی مثل سال نوری یا پارسک برای گفتن فاصله‌ها، معمولا از انتقال به سرخ(رِد شیفت) استفاده میکنن. انتقال به سرخ‌های بزرگ‌تر، یعنی فواصل دورتر از نظر مکانی و هم از نظر زمانی! چون نور اجرام دورتر، بیشتر طول میکشه تا به ما برسه. پس هر چی فواصل دورتری رو توی عالم رصد بکنیم، درواقع داریم خاطرات قدیمی‌تری از عالم رو مرور می‌کنیم؛ قدیمی‌ترین تصویر عالم، مربوط به تابش زمینه کیهانی، با رِدشیفت ۱۰۸۹ هست.   

انتقال به سرخ گرانشی

گرانش می‌تونه باعث تأخیر زمانی و درنتیجه اثر انتقال به سرخ گرانشی بشه

طبق نظریه نسبیت عام انیشتین، ماده یا انرژی میتونه فضا-زمان اطرافش رو خمیده کنه و از این طریق گرانش کنه. نوری که از داخل یه چاه پتانسیل گرانشی، مثلا از سطح یه ستاره، به‌سمت بیرون در حال حرکته، با تأخیر زمانی همراهه. درنتیجه توی طیفش انتقال به سرخ دیده میشه. هرچقدر گرانش اون جسم بیشتر باشه، این انتقال بیشتر هست. مثلا در اطراف ستاره‌های نوترونی و سیاه‌چاله‌ها که بسیار پرجرم هستن، این اثر رو میشه دید.

خلاصه اینکه انتقال به سرخ مفهوم بسیار مهم و کاربردی برای فهم ما از عالم پیرامونمون هست. راستی انتقال به سرخ یه کاربرد دیگه‌ای هم داره. از اون توی دوربینای کنترل سرعت هم استفاده میشه که احتمالا خاطرات خوبی باهاش دارید! :)) جا داره این پست رو با یادی از همه‌ گذشتگان راه علم به پایان ببریم. روحشان شاد!

یادگیری «سیستم‌های پیچیده» رو از کجا و چه‌طور آغاز کنیم؟!

خیلی وقته که از من پرسیده میشه که اگر بخوایم یادگیری سیستم‌های پیچیده رو شروع کنیم باید چیکار کنیم؟! آیا میشه بیرون از دانشگاه این کار رو انجام داد؟ یا اگر من رشته‌م مثلا کیهان‌شناسی، آمار یا ریاضی هست برام مقدوره که یادبگیرم؟ خب جواب اینه: چرا که نه! اما اینکه یک راه خیلی خاص وجود داشته باشه، راستش وجود نداره. در حقیقت آدم‌های مختلفی به این سوال طی سال‌های گذشته جواب‌های متنوعی دادن؛ مثلا  مارک نیومن یک‌بار در مورد موضوعات مطرح و منابع موجود در Complex Systems: A Survey نوشته. با این حال سعی می‌کنم طرحی برای شروع یادگیری سیستم‌های پیچیده در ادامه ترسیم کنم. از هرگونه نظر، انتقاد یا پیشنهاد از صمیم قلب استقبال می‌کنم، به‌ویژه از طرف متخصصان. راستی  قبل‌تر نوشته‌ای با عنوان «چگونه یک‌ فیزیک‌دان نظری خوب شویم؟» از خِراردوس توفت، نوبلیست، ترجمه کرده بودم.

اخیرا کتابی منتشر شده به اسم «مقدمه‌ای بر نظریه سیستم‌های پیچیده» که برای شروع سیستم‌های پیچیده کتاب بدی نیست. مخصوصا فصل‌های اولش!

کتاب مقدمه‌ای بر نظریه سیستم‌های پیچیده

پیش‌فرض این نوشته اینه که خواننده به حساب دیفرانسیل و انتگرال، معادلات دیفرانسیل و فیزیک پایه مسلط هست و علاقه شدیدی به ورود به حوزه بین‌رشته‌ای داره! اصلی‌ترین پیش‌نیاز برای یادگیری سیستم‌های پیچیده شهامت و حوصله کافی برای ورود به دنیایی تازه و هیجان‌انگیزه! اگر به دنبال کتابی هستین که حس کلی از «سیستم‌های پیچیده» به شما بده نگاه کنید به کتاب «سیری در نظریه پیچیدگی» نوشته ملانی میچل با ترجمه رضا امیر رحیمی.  همین‌طور کورس مقدماتی در Complexity Explorer وجود داره برای این که یک آشنایی کلی از سیستم‌های پیچیده پیدا کنید.

لیستی که در ادامه اومده، بسته به هر موضوع، از ابتدایی به پیشرفته مرتب شده و تقریبا سعی کردم ترتیب معنی‌داری برقرار کنم. به این معنی که شما می‌تونید به‌ترتیب موضوعات مطرح شده یادگیری اون‌ها رو شروع کنید و بسته به زمانی که دارین توی هر کدوم عمیق و عمیق‌تر بشین!

۱) جبر خطی و ماتریس‌ها

برای شروع نیاز به مفاهیم‌ و تکنیک‌های جبرخطی دارین. باید بتونید با ماتریس‌ها خوب کار کنید.

  1. کورس جبر خطی Vector and Matrix Algebra by Anthony D. Rhodes
  2. ویدیوهای Essence of linear algebra
  3. کورس و کتاب جبرخطی Gilbert Strang

این کتاب با نگاهی جدید به مکانیک کلاسیک، به موضوعات مورد نیاز برای سیستم‌های پیچیده می‌پردازد.

۲) مکانیک کلاسیک

بخش زیادی از سیستم‌های پیچیده توسط فیزیک‌دانان توسعه داده شده، پس باید با ادبیات ابتدایی فیزیک آشنا بشید!

  1. کورس مکانیک کلاسیک لنرد ساسکیند
  2. کتاب Introduction to Modern Dynamics – Chaos, Networks, Space and Time – David D. Nolte

۳) آمار، احتمال و فرایندهای تصادفی

ایده‌های اصلی آمار و احتمال رو باید بدونید. یعنی هرکسی که در دنیای امروز زندگی می‌‌کنه باید بدونه!

  1. کتاب An Introduction to Random Vibrations, Spectral & Wavelet Analysis by D. E. Newland
  2. کتاب Probability Theory: The Logic of Science by E. T. Jaynes
  3. جزوه فرایندهای تصادفی دکتر کریمی‌پور

۴) فرکتال‌ها و مفاهیم مقیاسی

  1. مقدمه‌ای بر هندسه فرکتالی: ویدیو
  2. کتاب Scale: The Universal Laws of Growth, Innovation, Sustainability, and the Pace of Life in Organisms, Cities, Economies, and Companies by Geoffrey West
  3. کورس Fractals and Scaling by David Feldman
  4. این ویدیو رو ببینید:

۵) فیزیک آماری و پدیده‌های بحرانی

مکانیک آماری رو خیلی خوب باید بدونید! از ایده‌های ابتدایی تا مباحث پیشرفته. مدل آیزینگ رو خیلی جدی بگیرین!

  1. کورس مکانیک آماری لنرد ساسکیند
  2. کورس و کتاب فیزیک آماری ذرات، مهران کاردر
  3. کتاب Statistical Mechanics Entropy, Order Parameters, and Complexity by James P. Sethna
  4. کورس کوتاه  Introduction to Renormalization by Simon DeDeo
  5. کتاب Lectures On Phase Transitions And The Renormalization Group by Nigel Goldenfeld
  6. کتاب David Tong: Lectures on Kinetic Theory

    کتاب دینامیک غیرخطی و آشوب استیون استروگتز به همراه ویدیوهای کلاس درسش یکی از بهترین منابع یادگیری دینامیک غیرخطی است.

۶) دینامیک غیرخطی و آشوب

  1. کورس Introduction to Dynamical Systems and Chaos by David Feldman
  2. کورس و کتاب Nonlinear Dynamics and Chaos by Steven H. Strogatz
  3. کورس Nonlinear Dynamics: Mathematical and Computational Approaches by Liz Bradley

۷) شبکه‌ها (علم شبکه)

  1. ویدیو «ظهور علم شبکه»
  2. مقاله مروری The shortest path to complex networks by S. N. Dorogovtsev and J. F. F. Mendes
  3. این ۴ ویدیو رو ببینند.
  4. کتاب علم شبکه باراباشی
  5. کتاب Networks: An Introduction by Mark Newman
  6. این ویدیو رو ببینید:

۸) روش‌ها و تکنیک‌های محاسباتی و شبیه‌سازی

  1. کورس پایتون برای همه
  2. کورس پایتون برای پژوهش
  3. کتاب Monte Carlo Simulation in Statistical Physics: An Introduction by Kurt Binder, Dieter W. Heermann
  4. کتاب Complex Network Analysis in Python by Dmitry Zinoviev
  5. کورس Introduction to Agent-Based Modeling by William Rand

۹)  نظریه اطلاعات و محاسبه

Self-contained, precise. Numerous examples and exercises make it a valuable teaching book
Builds a bridge between physics of glasses and computer science problems

  1. کورس Introduction to Computation Theory by Josh Grochow
  2. مقاله مروری A Mini-Introduction To Information Theory by Edward Witten
  3. کتاب Information, Physics, and Computation by Marc Mézard and Andrea Montanari

۱۰) نظریه بازی‌‌ها

  1. کورس Game Theory I – Static Games by Justin Grana
  2. کورس Game Theory II- Dynamic Games by Justin Grana
  3. کتاب Strategy: An Introduction to Game Theory by Joel Watson

۱۱) یادگیری ماشین

  1. کورس Matrix Methods in Data Analysis, Signal Processing, and Machine Learning – Gilbert Strang
  2. کورس Fundamentals of Machine Learning by Brendan Tracey and Artemy Kolchinsky
  3. مقاله مروری A high-bias, low-variance introduction to Machine Learning for physicists
  4. ویدیو Bayesian Inference by Peter Green

به طور کلی، دوره‌های آموزشی Complexity Explorer رو دنبال کنید. موسسه سن‌تافه (سانتافه!)  یک کورس مقدماتی روی پیچیدگی داره. همین‌طور پیشنهاد می‌کنم عضو کانال Complex Systems Studies در تلگرام بشین. فراموش نکنید که اینترنت پره از منابع خوب برای یادگیری ولی چیزی که کمه، همت! در آخر دیدن این ویدیو رو با زیرنویس فارسی پیشنهاد می‌کنم:

تورم کیهانی، تلاشی برای رفع مشکلات نظریه مه‌بانگ

«در ۱۹۸۱ میلادی، مدل تورم توسط آلن گوت، برای پاسخ به چند مشکل اساسی در نظریه مهبانگ داغ، ارایه شد.»

 

نظریه مهبانگ داغ از جهات زیادی، یک نظریه‌ی موفقیت‌آمیز بوده و هم‌خوانی زیادی با مشاهدات رصدی داشته است که به‌طور خلاصه می‌توان به موارد زیر اشاره کرد:

  • گسترش کیهان
  • وجود تابش زمینه کیهانی و توصیف طیف آن
  • فراوانی عناصر سبک در کیهان(دوران هسته سازی)
  • اینکه سن پیش بینی شده‌ی کیهان، قابل مقایسه با اندازه‌گیری‌های مستقیم انجام شده روی سن اجرام درون آن است
  • و اینکه با وجود داشتن بی‌نظمی‌های موجود در تابش زمینه‌ی کیهانی، میتوان توصیف قابل قبولی برای رشد ساختار در کیهان به وسیله‌ی رمبش گرانشی داشت.

مسأله‌ افق

اما با وجود این موفقیت‌ها، نظریه‌‌‌‌ی مهبانگ داغ نمی تواند به چند پرسش اساسی پاسخ دهد؛ اول آن‌که چرا کیهان در مقیاس‌های بزرگ تا این اندازه همگن و همسانگرد است؟ با نگاه کردن به طیف تابش زمینه‌ی کیهانی می‌توان دریافت که نقاط مختلف آسمان، با دقت زیاد(از مرتبه‌ی یک در صد هزار)، در همه‌ی جهات دارای ویژگی‌های کاملا یکسان هستند. به طور معمول برای آنکه دو جسم شبیه به هم باشند، باید زمانی با یکدیگر در تماس بوده باشند تا اصطلاحا به تعادل گرمایی برسند. به عنوان مثال وقتی یک لیوان چای داغ را در محیط اتاق قرار دهید، پس از مدتی با محیط هم‌دما شده و به تعادل گرمایی می‌رسند. اما دو نقطه‌ در جهت مقابل یک‌دیگر در آسمان که نورشان از دوران واجفتیدگیِ نور و ماده به ما می‌رسد، نمی‌توانند روزی در تماس با هم بوده باشند؛ چرا که نور هر یک، از آن زمان تا به حال در راه بوده تا تنها به نقطه‌ای که ما قرار داریم برسد.

مسأله‌ی افق. فوتون‌هایی که از دو لبه‌ی کیهان به ما می‌رسند، زمان کافی برای این‌که در گذشته به تعادل ترمودیناکی برسند را نداشته‌اند. نگاره از ویکی‌پدیا

حال آن‌که حداقل به همان اندازه زمان نیاز بوده است تا بتواند با نقطه‌ی دیگر برهم‌کنش داشته باشد. البته با انجام محاسبات، می‌توان نشان داد که حتی دو نقطه‌ در فاصله‌ی زاویه‌ای حدود دو درجه در آسمان نیز زمان کافی برای رسیدن به تعادل گرمایی را نداشته‌اند؛ زیرا دو نقطه، باید پیش از دوران واجفتیدگی به تعادل گرمایی رسیده باشند. دوره‌ی واجفتیدگی به دوره‌ای گفته می‌شود که به علت گسترش فضا و در نتیجه کاهش دمای کیهان، انرژی فوتون‌ها به اندازه‌ای کاهش یافته است که از آن پس، فوتون‌ها دیگر با هسته‌های اتم برهم‌کنش نداشته و آزادانه در فضا منتشر شده اند. تا پیش از آن، فوتون‌ها به علت پراکندگی زیاد از هسته‌ها، قادر به طی کردن مسافت‌های طولانی نبودند. بنابراین از آن‌‌جایی که برای برهم‌کنش دو نقطه با یک‌دیگر، نور باید مسافت بین‌شان را بپیماید، نسبت به حالت عادی بعد از این دوره، زمان بیشتری نیاز است تا به تعادل گرمایی برسند. این پرسش که چرا طیف تابش زمینه‌ی کیهانی در همه‌ی جهات تقریبا یکسان است، معروف به مسأله‌ی افق می‌باشد.

مسأله تخت بودن

پرسش دیگر موسوم به مسأله‌ی تخت بودن، در مورد هندسه‌ی کیهان است. طبق مشاهدات رصدی به خصوص تابش زمینه‌ی کیهانی، جهان تقریبا تخت است. در واقع هندسه‌ی فضا ـ زمان با همان هندسه‌ی آشنای اقلیدسی یا به بیان دیگر متریک مینکوفسکی توصیف می‌شود؛ طبق نظریه‌ی نسبیت عام انیشتین، فضا ـ‌ زمان میتواند بسته به توزیع چگالی ماده‌ي (یا انرژی) درون آن، دارای انحنا باشد.

هندسه محلی جهان با توجه به اینکه چگالی نسبی Ω کوچکتر،بزرگتر یا برابر با یک باشد، تعیین می گردد. از بالا به پایین: یک جهان کروی با چگالی بیشتر از چگالی بحرانی (Ω>1, k>0)؛ جهان هایپربولیک با چگالی کمتر از چگالی بحرانی (Ω<1, k<0)؛ و یک جهان تخت با چگالی دقیقا برابر با چگالی بحرانی (Ω=1, k=0). جهان ما برخلاف این نمودار ها، سه بعدی است. نگاره از ویکی‌پدیا

اگر چگالی ماده در جهان کمتر از مقدار معینی موسوم به چگالی بحرانی باشد، انحنا منفی بوده و جهان باز است؛ در واقع کیهان تا ابد به گسترش خود ادامه خواهد داد. اگر چگالی کل ماده از چگالی بحرانی بیشتر باشد، انحنا مثبت بوده و اصطلاحا جهان بسته است؛ به عبارت دیگر، گسترش کیهان پس از مدتی متوقف شده و شروع به رمبش می‌کند تا به نقطه‌ی تکینگی یا مه‌رُمب برسد. در حالتی که چگالی ماده در کیهان با چگالی بحرانی برابر است، با جهانی تخت رو به رو هستیم که انحنای آن صفر می‌باشد. همچنین به نسبتِ چگالی کل کیهان به مقدار چگالی بحرانی آن در هر زمان، پارامتر چگالی گفته می‌شود. طبق تعریف های بالا می‌توان به سادگی دریافت، در صورتی که این پارامتر برابر یک باشد، جهان تخت است و اگر بزرگ‌تر یا کوچک‌تر از یک باشد، به ترتیب انحنای فضا ـ زمان، مثبت و منفی خواهد بود. طبق آخرین داده‌های رصدی، مقدار پارامتر چگالی در حال حاضر بسیار به یک نزدیک بوده و جهان با دقت نیم درصد تخت است. با حل معادلات می‌توان نشان داد که با گذشت زمان، انحراف از تخت بودن افزایش می‌یابد، به‌طوری‌که کوچک‌ترین انحراف از تختی در دوران اولیه‌ی کیهان، خیلی زود به جهانی با انحنای غیر صفر می‌انجامد. بنابراین با توجه به مقدار کنونیِ پارامتر چگالی، هر چه به زمان‌های عقب‌تر برویم، مقدار این پارامتر به یک نزدیک‌تر شده و جهان به تخت بودن، نزدیک و نزدیک‌تر می‌شود.

مثلا در دوران واجفتیدگی (سیصد و هشتاد هزار سال بعد از مهبانگ)، اختلاف پارامتر چگالی از عدد یک، از مرتبه‌ي یک در صد هزار است. در دوران هسته سازی (یک ثانیه پس از مهبانگ)، این مقدار از مرتبه‌ی یک در یک میلیارد میلیارد بوده و در مقیاس‌های انرژی الکتروضعیف (یک هزار میلیاردم ثانیه بعد از مهبانگ)، کیهان با دقتِ یک در هزار میلیارد میلیارد میلیارد، تخت بوده است!

مسأله تخت بودن و تنظیم ظریف.

پرسشی که در اینجا مطرح می‌شود این است که چرا کیهان باید با مقدار اولیه‌ای تا این اندازه نزدیک به تخت بودن، آغاز شده باشد. گویی که کیهان دارای تنظیمی ظریف است. هر اختلاف ناچیزی از این مقدار اولیه، می‌توانسته به تفاوتی فاحش منجر شده و کیهان را به شکلی دیگر درآورد.

مسأله ذرات یادگاره

این دو پرسش یعنی مسأله‌ی افق و مسأله‌ی تخت بودن، توسط یاکوف بوریسوویچ زلدوویچ، در اوایل دهه‌ی ۱۹۷۰ میلادی مطرح شد. وی چند سال بعد، در ۱۹۷۸ میلادی، مسأله‌ی دیگری با عنوان مسأله‌ی تک‌قطبی مغناطیسی را مطرح کرد که در واقع نوع دیگری از همان مسأله‌ی افق است که در فیزیکِ ذراتِ بنیادین مطرح می‌شود. طبق پیش‌بینی نظریه‌های مدرنِ ذرات، یک سری از ذرات یادگاره‌ که در دوران آغازین کیهان تولید شده‌اند، باید در کیهان امروزی نیز وجود داشته باشند. این یادگاره‌ها شامل موارد زیر هستند:

هر چند که در ابتدا، مسأله‌ی تک‌قطبی‌های مغناطیسی که از نتایج نظریه‌ی وحدت بزرگ هستند مطرح شد، اما این بحث برای بقیه‌ی یادگاره‌ها نیز برقرار است. تک‌قطبی‌ مغناطیسی نسبت به ذراتی مانند پروتون‌ بسیار سنگین‌تر بوده و به‌همین‌خاطر باید در زمان‌های نزدیک به ما به صورت غالب در کیهان ما حضور داشته باشند. این در حالی است که تا به امروز هیچ تک‌قطبی مغناطیسی در جهان مشاهده نشده است!

مدل تورم

نگازه از edge.org
آلن گوث، نگازه از edge.org

سه سال بعد، آلن گوت، مدل تورم را برای پاسخ به مسأله‌ی تک‌قطبی مغناطیسی پیشنهاد داد. اما خیلی زود مشخص شد که این مدل می‌تواند پاسخ‌گوی بقیه‌ی پرسش‌ها نیز باشد. ایده‌ی مدل تورم بسیار ساده است؛ جهانِ خیلی آغازین، دست‌خوش گسترشی بسیار بزرگ شده است. در واقع در بازه‌ی زمانی ۱۰−۳۶ تا حدود ۱۰−۳۲ ثانیه پس از مهبانگ، کیهان به صورت نمایی گسترش یافته، به‌طوری که در این بازه‌ی زمانی بسیار کوتاه، از چیزی بسیار کوچک‌تر از یک اتم تا حدود اندازه‌ی یک توپ بسکتبال، افزایش حجم پیدا کرده است! گسترش بسیار سریع کیهان در دوره‌ی تورم، موجب شد تا ذرات یادگاره رقیق شوند؛ بدین ترتیب، مقدار آن‌ها در کیهان امروزی قابل اغماض خواهد بود. هم‌چنین دو نقطه‌ای که در حال حاضر در فاصله‌ي زیاد از یک‌دیگر قرار دارند، در زمان پیش از تورم، قادر بوده‌اند در تماس با یک‌دیگر باشند؛ چرا که تورم باعث دور افتادن آنها از یک‌دیگر با سرعتی بسیار بیشتر از سرعت نور شده است. بنابراین دو نقطه‌‌ی به ظاهر غیر مرتبط با یک‌دیگر در زمان کنونی، پیش از تورم در تعادل گرمایی بوده‌اند. در مورد مسأله‌ی تخت بودن نیز این‌طور می‌توان بیان کرد که به علت کش‌آمدگی زیادِ کیهان در این دوره، هر گونه انحنای اولیه‌ی فضا ـ زمان، به جهانی بسیار نزدیک به جهانِ تخت منجر شده تا آن‌جا که امروز نیز کیهان تقریبا تخت است. تنها در آینده‌ای دور است که بار دیگر پارامتر چگالی از مقدار یک فاصله خواهد گرفت.

علاوه بر موارد یاد شده، امروزه می‌دانیم مدل تورمی، نقش مهمی در توصیف منشأ ساختارها در کیهان و وجود ناهمسانگردی‌های موجود در طیف تابش زمینه‌ی کیهانی دارد؛ همانطور که پیشتر اشاره شد، طیف تابش زمینه‌ی کیهانی کاملا همگن نیست، بلکه افت و خیزهای دمایی ناچیزی از مرتبه‌ی یک در صد هزار، در آن مشاهده می‌شود. احتمالا این افت و خیزها توسط نیروی گرانش تقویت شده‌ و بنابراین مناطقی با چگالی بیشتر و بیشتر به وجود آمده‌اند که هسته‌های اولیه برای اولین ستارگان را تشکیل داده و بعدها منجر به ساختِ ساختارهای بزرگ‌تر مانند کهکشان‌ها، خوشه‌های کهکشانی و نهایتاً ابرخوشه‌ها در کیهان شده‌اند.

نمایش تعمیم نظریه مه‌بانگ توسط مدل تورم

طبق مدل تورم، طی این دوره، افت و خیزهای کوانتومی اولیه در خلأ، با کش‌ آمدن کیهان، تبدیل به افت و خیزهای کلاسیک شدند و ناهمسانگردی‌های موجود در طیف تابش زمینه‌ی کیهانی را به وجود آوردند.

در پایان، باید به این نکته توجه داشت که مدل تورم به عنوان رقیبی برای نظریه‌ی مه‌بانگ داغ نیست، بلکه در دوران خیلی آغازینِ کیهان اتفاق افتاده و نظریه‌ی مهبانگ داغ، برای زمان‌های بعد از این دوره، با تمام موفقیت هایش در توصیف کیهان، صادق است.