سیتپـــــور – برگه 23 – به‌خاطر روایتگری در علم!

یک کلاس خوب ریاضی چگونه است؟

منتشر شده توسط عباس ریزی در 20/02/2016

این پست، اشاره‌ی مستقیمی دارد به مقاله «استفاده از ساخت‌های نظری برای تدریس آگاهانه»‌ جان میسون که در ۹امین کنفرانس آموزش ریاضی (شهریور ۸۶) ارائه شده. ترجمه مقاله در ۹۳امین شماره مجله «رشد آموزش ریاضی» موجود است.

فرض کنید یک معلم حسابان قصد تدریس مفهوم انتگرال را دارد. قاعدتا راه‌های زیادی برای ورود به مبحث وجود دارد:

روش نخست) معلم برای شروع درس می‌گوید: «انتگرال‌گیری عکس عمل مشتق‌گیری است» و پس از آن لیستی از روابط انتگرال‌گیری برای توابع مختلف ارائه می‌کند و دانش‌آموز هم بدون این‌که دید بیشتری به موضوع پیدا کند، صرفا به خاطر این که از یادداشت کردن مطالب روی تخته جا نماند، سریع شروع به جزوه نویسی می‌کند و لابد بعد از کلاس هم به حفظ کردن روابط می‌پردازد.

روش دوم) کلاس دیگری را فرض کنید که معلم برای شروع درسش به سراغ تخته می‌رود و می‌نویسد: «انتگرال». دانش‌آموز این کلاس که منتظر معرفی این موضوع توسط معلم است با این تعریف ناگهانی از انتگرال مواجه می‌شود که: «انتگرال مقدار مشترک ممکن زیرینۀ مجموعه‌ای ریمانی و زیرینۀ مجموعه‌ای ریمانی یک تابع حقیقی در بازۀ مفروض است. انتگرال از مفاهیم اساسی در ریاضیات است که در کنار مشتق دو عملگر اصلی حساب دیفرانسیل و انتگرال را تشکیل می‌دهند.» و پس از آن هم لابد با تعریف مفاهیمی چون انتگرال معین، انتگرال نامعین و تابع انتگرال‌پذیر مواجه خواهد شد. دانش‌آموز این کلاس، نسبت به کلاس قبل وضعیت اسفناک‌تری خواهد داشت چرا که در کلاس اول دست‌کم فهمیده بود که انتگرال عملیست که با مشتق‌گیری چگونه رابطه‌ای دارد. اما در این کلاس نه تنها با عباراتی مواجه شده که تا کنون دیدی نسبت به آن‌ها نداشته، بلکه رابطه بین مشتق و انتگرال‌ هم دیگر برایش مشهود نیست. خلاصه اینکه این کلاس اگر همین‌گونه پیش‌رود دانش‌آموز فقط گیج و گیج‌تر می‌شود و یادگیری رخ نخواهد داد.

روش سوم) حال، کلاس سومی را در نظر بگیرید که معلم برای شروع از دانش‌آموزان می‌خواهد که مساحت شکل سمت چپ را حساب کنند.

اولین کاری که دانش‌آموزان سراغ‌ آن می‌روند، استفاده از روابط آشنایی است که از هندسه مقدماتی به یاد دارند، اما از آنجا که شکل مذکور مشابه هیچ‌کدام از اشکال آشنا نیست، سراغ قطعه قطعه کردن شکل به اشکال آشنایی چون مستطیل و مثلث می‌روند چرا که می‌توانند مساحت هر جز را اینگونه محاسبه و در نهایت مساحت کل شکل را به دست آورند.

این فرانید چندان طول نمی‌کشد. معمولا دانش‌آموزان به روش‌های مختلفی تقسیم بندی را انجام می‌دهند و در نهایت اکثریت کلاس به یک جواب یکتا می‌رسند. با این وجود، برخی دچار یک‌سری خطا در محاسبه می‌شوند. به عنوان مثال، در محاسبه مساحت یک مثلث، فقط ارتفاع را در قاعده ضرب می‌کنند و این چنین خطاهایی که خودشان سریع متوجه‌شان می‌شوند و معمولا به سرعت هم آن‌ها را اصطلاح می‌کنند. اکنون که معلم دانش‌آموزان را وادار به دست‌ورزی با یک مسئله ساده کرده می‌تواند فراتر رود و شکل را کمی‌ بغرنج کند. یک معلم آگاه می‌داند از این مرحله به بعد هر شکلی که به دانش‌آموزانش بدهد، اولین کاری که آنان برای محاسبه‌ی سطح می‌کنند تقسیم شکل به قطعات قابل محاسبه است. با علم به این موضوع، در مرحله بعد، معلم از دانش‌آموزان می‌خواهد که مساحت سطح زیر یک منحنی را محاسبه کنند. اینجاست که دانش‌آموزان دچار یک نگرانی می‌شوند.

آن‌ها نمی‌توانند سطح مورد نظر را با تعداد مشخصی از اشکال آشنا بپوشانند. چرا که آن‌ها یا سطح را کامل نمی‌پوشانند یا اینکه قطعاتشان بزرگتر از سطح از آب در میاند. به همین دلیل، در این مرحله، بر خلاف قسمت قبل، اکثریت کلاس برای شروع مسئله حدس‌های مختلفی می‌زنند. در نهایت، دانش‌آموزان به یک جواب یکتا نمی‌رسند و هر کس برای خود جوابی دارد که احتمالا ادعا هم می‌کند که پاسخش صحیح‌ترین است. کاری که یک معلم آگاه در این شرایط انجام می‌دهد این است که از دانش‌آموزان بخواهد روششان را توضیح دهند و دلیل بیاورند که چرا این روش صحیح‌ است. همین‌طور اگر کسی ادعا دارد که روش دوستش نادرست است، علتش را بیان کند، به نحوی که بتواند کلاس و معلم را متقاعد سازد. در حقیقت، در این شرایط تمام جر و بحث‌هایی که بر سر صحت پاسخ‌ها صورت می‌گیرد، صرف نظر از خطاهای محاسباتی، بر سر چگونگی پر کردن فضای زیر منحنی توسط اشکال هندسی آشناست. در میان بحث و گفتگوی صورت گرفته بین دانش‌آموزان با معلم و دانش‌آموزان با یک‌دیگر، کم‌کم مشخص می‌شود که هیچ جوابی کاملا صحیح نیست و در واقعا هر چه دقیق‌تر سطح زیر منحی با اشکالی که مساحتشان قابل محاسبه است پوشانده شود، عدد به دست آمده صحیح‌تر است. در این جاست که دانش‌آموزان با مفهوم تقریب و تقریب زدن آشنا می‌شوند. پس قدم بعدی برای معلم، هدایت دانش‌آموزان به سمت محاسبه‌ی سطح زیر منحنی با تقریب بهتر و نزدیک‌تر به جواب دقیق است. از آن‌جا که در برنامه‌ آموزشی، مفهوم سری‌های هم‌گرا و حد یک دنباله قبل از انتگرال به دانش‌آموزان معرفی می‌شود، معلم به راحتی می‌تواند مسیر فکری دانش‌آموزان را به این سمت ببرد که آن‌ها می‌توانند مستطیل‌های زیادی کنار هم بگذراند به طوری که عرض آن‌ها را هرچقدر که می‌خواهند کوچک‌در نظر بگیرند و در نهایت با جمع کردن این مستطیل‌ها بتوانند با تقریب خوبی مساحت را به دست‌بیاورند. اینجاست که معمولا دانش‌آموزان – که حسابی در فرایند دست‌ورزی با مسئله گرم شده‌اند- به وجد می‌‌آیند و به معلم می‌گویند ما می‌توانیم با جمع کردن بی‌شمار مستطیل که عرضشان را بسیار کوچک گرفته‌ایم سطح را به طور کامل بپوشانیم.

نمایش گرافیکی انتگرال. — *نمایش گرافیکی انتگرال*.

معلم هم که از قبل تمام این سناریو را چیده بود، از آن‌ها می‌خواهد تا حرفی که زدند را دقیق‌تر بیان‌ کنند. به عبارت دیگر معلم به کمک دانش‌آموزان شروع به نوشتن تمام داستان به زبان ریاضی (استفاده از نمادگذاری ریاضی) می‌کند تا اینکه سطح مورد نظر را به طور دقیق اندازه‌گیری کند. در انتها معلم به دانش‌آموزان می‌گوید: «به کاری که ما امروز در کلاس انجام دادیم، یعنی محسابه‌ی سطح زیر یک منحنی، انتگرال‌گیری می‌گویند.» و ادامه ماجرا…

مسلما در کلاس‌های بالا، میزان یادگیری متفاوت است. کدام روش بهتر است؟ مسلما هر کسی ترجیح می‌دهد دانش‌آموز آخرین کلاس باشد. ماجرا از اینجا شروع می‌شود که یادگیری را می‌توان ترکیبی از تکلیف، فعالیت، تجربه و بازتاب دانست. تکلیف معمولا یک یا چند مسئله است که می‌تواند شروع یک فعالیت در کلاس باشد. درست مانند آنچه که در ابتدای کلاس سوم (مساحبه مساحت چهارضلعی) رخ داد. معمولا تکلیف هیچ‌گاه قبل از شروع تدریس وجود ندارد. مدرس یا از آن برای شروع یک مطلب استفاده می‌کند و یا پس از تدریس خود تکلیفی برای دانش‌آموز مشخص می‌کند که آن‌را انجام دهد. معمولا تکالیف در کتاب‌های درس مشخص شده‌اند. در مثال ما، پس از تکلیف، یک فعالیت در کلاس رخ داد. فعالیت، یک فرایند چالش‌برانگیز است که در آن دانش‌آموز با توجه به دانسته‌های قبلی و توانمندی‌های خود، تحت هدایت معلم، با یک مسئله جدید آشنا می‌شود.

در حین فعالیت، دانش‌آموز سعی بر توسعه ابزارهای مورد نیاز برای حل مسئله (تکلیف) می‌کند. در حقیقت فعالیت مجموعه‌ای از اقداماتی است که یادگیرنده با وجود داشتن دانش در آن حیطه، به کمک یک یاددهنده آن‌ها را پیش‌ می‌برد (دامنه تقریبی رشد). در کلاس اول و کلاس دوم، هیچ گونه فعالیتی در کلاس صورت نگرفت. دانش‌آموزان فقط با یک دسته تعریف و یا رابطه روبه رو شدند که نمی‌توانستند ارتباط منطقی بین آن‌چه در آن جلسه در کلاس درس می‌دیدند با دانسته‌های قبلی خود برقرار سازند. بر خلاف کلاس سوم، دانش‌آموزان به هیچ‌وجه وادار نشدند که از توانایی‌های طبیعی مختلف‌شان در زمان کلاس برای یادگیری استفاده کنند. از طرف دیگر، هنگامی که دانش‌آموز مجبور شود پشت جزوه‌اش مخفی شود و منتظر باشد تا استاد مطلب را بگوید و او یادداشت کند یا اینکه تمام تلاشش این باشد که در نهایت الگوی مشابهی بین مثال‌های حل شده بیابد که به کمک آن به سوالات امتحان پاسخ‌دهد، هیچ‌گاه تفکر ریاضی در او رشد نخواهد کرد. در کلاس سوم، در حین فعالیت، دانش‌آموزان این فرصت را داشتند که حدس بزنند (در مورد چگونگی پرکردن فضاهای خالی)، آن‌ها حتی این فرصت را داشتند که حدس اشتباه بزنند و پس از آن اشتباه خود را تصحیح کنند و از اشتباه خود بیاموزند. معلم آگاه، به پاسخ دانش‌آموز باید به منزله یک حدس نگاه کند، حدسی که در صورت ناقص بودن نیاز به تکمیل و در صورت نادرست بودن نیاز به تصحیح دارد. نکته‌ی بسیار قابل توجه این است که «برای شکوفایی تفکر ریاضی، ضروی است که فضای کلاس درس، فضای حدس باشد.» ویژگی دیگر کلاس سوم این بود که دانش‌آموزان توانستند با استفاده از دانسته‌های قبلی خود (مفهوم حد، سری و همگرایی) به یک مفهوم جدید (انتگرال) برسند که در حقیقت تعمیمی از همان اندازه‌گیری مساحت بود که قبلا برای شکل‌های خاص‌ می‌توانستند حساب کنند. در صورتی که در دو کلاس اولی چنین چیزی وجود نداشت. دانش‌آموزان کلاس سوم، خود را مالک و خالق ریاضیاتی می‌دانند که تا آن لحظه آن را ساخته‌اند در صورتی که این ریاضیات برای دانش‌آموزان کلاس اول و دوم به منزله‌ی یک فرزند سر راهی است؛ آن‌ها هیچ حسی نسبت به آن ندارند! به قول جان میسون: «درسی که به یادگیرندگان هیچ فرصتی نمی‌دهد که فرایند تعمیم را تجربه کنند یک درس ریاضی نیست!». مسلما دانش‌آموزان کلاس سوم می‌توانند با ابزاری که اکنون به اسم انتگرال‌گیری در دست دارند به سراغ مثال‌های قدیمیشان روند و اندازه مساحتشان را با توجه به رهیافت جدید به دست آورند که این خود بخشی از فرایند ریاضی‌فکر کردن است (doing and undoing).

نکته‌ای کلیدی در مورد فعالیت وجود دارد و آن اینکه، فعالیت، یادگیری نیست! با این وجود، در مسیر فعالیت یادگیری می‌تواند صورت گیرد. چیزی که در کلاس سوم فعالیت‌ را به یادگیری تبدیل کرد تجربه و بازتاب بود. به عنوان مثال، در کلاس سوم برای محاسبه‌ی سطح زیر منحنی دانش‌آموزان از اشکال مختلفی با اندازه‌های متفاتی و چینش گوناگونی استفاده کردند که برای هر کسی یک تجربه قلمداد می‌شود. از سوی دیگر، در طی فعالیت، ممکن است یادگیرنده اقدامات پراکنده‌ای انجام دهد که لزوما همه آن‌ها مرتبط با مسیر آموزشی نباشد، بنابراین وظیفه‌ی معلم هدایت تجربه‌های دانش‌آموزانش است. هدایت به سمتی که تجربه‌ها به کارآیند! معلم در مسیر آموزش، تجربه‌ی دانش‌آموزان را به وادی ارزشیابی می‌برد. در کلاس سوم، معلم پس از آنکه به یادگیرندگان فرصت کافی برای کسب حس معنادار از چگونگی حل مسئله داد، از آن‌ها خواست تا به یک نتیجه برسند، به عبارتی تفسیرهای خود را از فعالیتی که انجام داده‌اند بیان کنند. برخلاف کلاس اول و دوم، در کلاس سوم ابتدا دانش‌آموزان شروع به دست‌ورزی به مسئله کردند تا اینکه تحت هدایت معلم به یک حس معنادار رسیدند به طوری که در نهایت توانستد نتیجه‌ی کار خود را به صورت دقیق بیان کنند (MGA). دانش‌آموزی که از مفهوم ساده‌ی جمع و اندازه‌گیری مساحت به شیوه‌ای کاملا ابتدایی به محاسبه حد یک سری می‌رسد، پی به زیبایی و نظام‌بندی ریاضی می‌برد. چیزی که به کمک آن توانسته از یک مفهوم ساده، یک مفهوم تعمیم یافته جدید بسازد و آن را بیان کند. ممکن است یادگیرندگان بیان‌ها و تفاسیر مختلفی از یک موضوع را ارائه دهند. اینجا معلم وارد عمل می‌شود و باز هم به کمک خود دانش‌آموزان سعی به رسیدن به صحیح‌ترین و دقیق‌ترین و موجزترین بیان ممکن می‌کند. بنابراین اگر معلم کلاس سوم، تعبیر معلم کلاس دوم را در انتهای کلاسش مطرح کند، احتمالا با چشم‌هایی درشت شده و سرهای شاخ در آورده از تعجب مواجه نخواهد شد، چرا که دانش‌آموزان در کلاس سوم هم تلاش برای دست‌ورزی و رسیدن به روابط معنادار کردند و هم در حین گفتگوها ایده‌های یکدگیر را به چالش کشیدند و در نهایت هم به کمک همدیگر، تحت رهبری و هدایت، به یک جمع‌بندی رسیده‌اند (DTR).

آن‌چه که در انتها باید به آن اشاره شود این است که تدریس و یادگیری دو فرایند متفاوت هستند.

تدریس در لحظه و در کلاس انجام می‌شود و پس از پایان کلاس فرایند آن به پایان می‌رسد. در حالی که یادگیری فرایندی است که در طی زمان رخ می‌هد. به قول جان میسون: «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.»

قضیه‌ی حد مرکزی

منتشر شده توسط سامان بزمی در 16/01/2016

همه‌ی ما قطعا بارها کلمه‌ی احتمال را شنیده‌ایم و به گوشمون خورده. توی کتاب‌های درسی هم در خیلی از سرفصل‌ها به خصوص درس جبر و احتمال با مبانی و تئوری آمار و احتمال آشنا شدیم. ولی الان میخوایم یک قدم فراتر بریم و کمی افق دیدمون رو از مسائل کلیشه‌ای که قبلا تو کتاب‌هامون دیدیم فراتر ببریم. بنا داریم به یکی از مهمترین نتایجی که از دل نظریه‌ی آمار و احتمال بیرون میاد بپردازیم و این نتیجه چیزی نیست جز قضیه‌ی حد مرکزی یا همون ‌Central Limit Theorem.

شاید به گوشتون خورده باشه که تابع توزیع بعضی از فرآیندهایی که در طبیعت رخ می‌دهد نرمال یا گاوسی هست و حالا ما میخواهیم ببینیم چرا و چگونه؟!

خب قبل از هر چیز ببینیم چرا به این قضیه میگن حد مرکزی. در دایره‌ی آمار، اطلاعات و احتمالات نقش مرکز رو داره و بسیاری از محاسبات بر اساس این قضیه انجام میشه. از طرفی صورت مجانبی داره و برای حد نمونه‌های بزرگ درست هست و خیلی خوب کار می‌کنه. از همین رو و به خاطر این دو دلیل میشه حد مرکزی.

اولین اطلاعاتی که ما می‌تونیم از یک فرآیند که مجموعه‌ای از متغیرها در اون وجود دارند بدست آوریم از تابع توزیع اون فرآیند بدست میاد. مثلا تابع توزیع احتمال بیانگر احتمال هر کدوم از متغیرهای تصادفی و یا احتمال قرار گرفتن هر متغیر در یک بازه‌ی معلوم هست که اولی برای متغیرهای گسسته و دومی برای متغیرهای پیوسته تعریف می‌شود.

صورت قضیه : تابع توزیع متغیر تصادفی که خودش از جمع $n$ تا متغیر تصادفی دیگه که دارای تابع توزیع $p(x)$ و واریانس محدود $\sigma_{i}$هستند، به سمت تابع توزیع گاوسی میل می‌کند.

یعنی متوسط گیری در تعداد زیاد (نگاه آماری ما به مساله) به سمت توزیع گاوسی متمایل میشه. بدون اینکه مهم باشه مجموعه‌های تصادفی تشکیل دهنده، خود دارای چه تابع توزیعی هستند. پس یک نکته‌ی خیلی خوب و مفید اینه که بدون داشتن اطلاعات اولیه میشه تا حد خوبی تابع توزیع رو روی جمع متغیرهای تصادفی تعیین کرد. حتی اگر متغیرهای اولیه‌ی ما خودشون هم دارای تابع توزیع مشخصی باشند، متوسط گیری روی اونها به سمت تابع توزیع گاوسی متمایل میشه، با اینکه مستقل از هم اندازه‌گیری می‌شوند.

یکی از مثال‌های ملموس در این زمینه :

زمانی که یک لودر خاکی را در یک پروژه‌ی عمرانی جابجا می‌کند و در یک نقطه تخلیه می‌کند، انتظار داریم خاک‌های ریخته شده شبیه یک تپه شود. یک تل از خاک شبیه یک تابع توزیع گاوسی دو بعدی است. هر فرآيندی که در طبیعت رخ می‌دهد، به شرطی که انحراف از معیار اون واگرا نباشد و عامل خارجی هم تصادفی بودن توزیع رو بهم نزنه، در نهایت توزیع به سمت تابع توزیع گاوسی میل می‌کند.

عکس زیرنمونه‌ای از تابع توزیع گاوسی یا همان نمودار زنگوله‌ای رو نشان می‌دهند.($\mu$ مقدار متوسط است)

توی این شکل هم می‌توان به نوعی تجمع داده‌ها در زیر نمودار تابع توزیع نرمال مشاهده کرد که نشون‌دهنده‌ی تجمع داده‌ها حول مقدارمتوسط هست.

قسمت آبی تیره در فاصلهٔ یک برابر انحراف معیار از میانگین توزیع قرار دارد و قسمت آبی روشن و آبی تیره به طور توام، در فاصلهٔ دو برابر انحراف معیار از میانگین توزیع قرار دارند. در توزیع طبیعی، اولی برابر با ۶۸٪ سطح زیر نمودار و دومی برابر با ۹۵٪ سطح زیر نمودار است. *ویکی‌پدیا*

برای مطالعه‌ی بیشتر در مورد این قضیه و همچنین آشنایی بیشتر با مبانی آمار و احتمال می‌تونید سری به منابع زیر بزنید:

Feller, W. “The Fundamental Limit Theorems in Probability.” Bull. Amer. Math. Soc. 51, 800-832, 194
Feller, W. An Introduction to Probability Theory and Its Applications, Vol. 1, 3rd ed. New York: Wiley, p. 229, 1968
Spiegel, M. R. Theory and Problems of Probability and Statistics. New York: McGraw-Hill, pp. 112-113, 1992
Zabell, S. L. “Alan Turing and the Central Limit Theorem.” Amer. Math. Monthly 102, 483-494, 1995
Trotter, H. F. “An Elementary Proof of the Central Limit Theorem.” Arch. Math. 10, 226-234, 1959

مدل باراباشی-آلبرت و تولید شبکه‌های بی‌مقیاس

منتشر شده توسط عباس ریزی در 30/08/2015

در پست قبل در مورد بالانس تئوری یا نظریه توازن صحبت کردیم و نشون دادیم که به کمک یک مدل ساده و ابتدایی می‌تونیم به جوامع، متناسب با نوع رابطه‌ی اعضا با همدیگه، انرژی نسبت بدیم و مقدار این انرژی به ما میگه که جامعه مد نظر در چه وضعیتی از توازن قرار داره.

بنابر بهنجارش، اگر انرژی جامعه‌ ۱- به‌دست بیاد، جامعه کاملا متوازن یا بالانس هست که این در صورتی رخ میده که همه اعضای جامعه دوست همدیگه باشند و یا اینکه جامعه دو قطبی بشه، یعنی جامعه به دو زیر مجموعه تقسیم بشه به نحوی که درون زیرمجوعه‌ها اعضا دوست باشند اما هر عضوی از این زیرمجوعه با اعضای زیرمجوعه‌ی مقابل دشمن باشه. همین‌طور اگر انرژی جامعه بیشتر از ۱- به‌دست بیاد یعنی جامعه نامتوازن‌ هست و هر چقدر که انرژی به ۱+ (کران بالای انرژی بنابر بهنجارش) نزدیک‌تر باشه جامعه نامتوازن‌تر هست که به معنی وجود امکان نزاع و درگیری در بین اعضاست.

طی این پست‌ می‌خوایم ببینیم اگر به یک جامعه با شرایط اولیه مشخص (جمعیت و انرژی اولیه)، عضو جدیدی وارد بشه چه اتفاقی می‌افته. اما قبل از اون اجازه بدید که مدل باراباشی-آلبرت رو معرفی کنیم.

همه‌ی ما گزاره‌های این شکلی رو زیاد شنیدم: «پول، پول میاره» یا «ثروتنمندان، ثروتمندتر میشند و فقرا فقیرتر». بد نیست بدونید که جامعه‌شناسان به این پدیده می‌گند اثر متیو (Matthew Effect). ماجرا از اینجا شروع میشه که درون شبکه‌هایی مثل وب(www)، اینترنت، شبکه استناد (citation networks) و شبکه‌های اجتماعی اعضایی وجود دارند که علی‌رغم تعداد کمشون، توجه زیادی از شبکه رو به خودشون معطوف می‌کنند.

توزیع قاون‌توانی، قسمت سبز رنگ ۸۰٪ از شبکه را شامل می‌شود و دم‌دراز زرد رنگ ۲۰٪ باقی‌مونده را. — توزیع قانون‌توانی، قسمت سبز رنگ **۸۰٪** از شبکه را شامل می‌شود و دم‌دراز زرد رنگ **۲۰٪** باقی‌مانده را.

به عنوان مثال در بین تمام سایت‌ها گوگل، ویکی‌پدیا و فیس‌بوک بیشترین بازدیدکننده‌ها و پیوندها رو دارند یا مثلا در جامعه‌ی ما، محمدرضا شجریان، حسین علیزاده و کیهان کلهر جزو برجسته‌ترین هنرمندان موسیقی سنتی هستند، در مقایسه با جمعیت هنرمندان موسیقی، این افراد تعدادشون کمه. با این‌وجود شهرت و محبوبیشون از همه هنرمندان بیشتره. این شبکه‌ها، شبکه‌های بی‌مقیاس (scale-free) هستند به این معنی که توزیع درجه در این شبکه‌ها با تقریب خوبی از یک الگوی قانون‌توانی(power law) پیروی می‌کنه. این چندتا جمله‌ی سخت که گفتم یعنی اینکه وقتی ما این شبکه‌ها رو با یک گراف نمایش می‌دیم، درجه ‌رئوس متناسب با وارون فراوانی(تعداد) اون رئوس هست . یعنی هرچی راسی درجه‌ش بیشتر باشه (تعداد یال‌های بیشتری بهش متصل بشند) فراوانیش کمتره و هر چقدر درجه راسی کم‌تر باشه فراوانیش بیشتره! همون‌جوری که تعداد سایت‌هایی مثل گوگل تعدادشون خیلی کمه، چون درجه‌شون زیاده.

رشد یک شبکه مطابق با مدل باراباشی-آلبرت که در هر مرحله راس جدید به ۲ راس قبلی وصل می‌شود.

کار آلبرت باراباشی و رکا آلبرت معرفی الگوریتمی بود که قادره چنین شبکه‌هایی رو مدل‌سازی کنه. این الگوریتم صرف‌نظر از تصادفی بودن باید گرافی رو تولید کنه که توزیع درجه‌ رئوسش قانون‌توانی باشه. برای همین اساس این مدل دو چیزه:

۱) رشد: در طی زمان رئوس جدیدی به شبکه اضافه می‌شند.

۲) اتصال ترجیحی: رئوس جدید ترجیح می‌دند به رئوسی وصل بشند که درجه‌ی بالاتری دارند.

برای همین این الگوریتم ابتدا یک شبکه متصل (همبند) با $m_0$ راس ایجاد می‌کنه. بعد از اون، در هر مرحله، راسی اضافه می‌شه و به $m \le m_0$ راس قبلی وصل میشه. این m راس بر اساس درجه‌شون انتخاب می‌شند: یعنی احتمال اینکه راس جدید به iامین راس موجود درگراف وصل بشه برابره با نسبت درجه راس iام به مجموع درجات کل رئوس. این سبب میشه که «هاب» در شبکه به‌وجود بیاد. هاب‌ها رئوسی هستند که درجه‌ شون از بقیه رئوس شبکه بیشتره. (صفحه شجریان در اینستاگرام یک هاب به حساب میاد در بین خواننده‌ها همون‌جوری که گوگل یک هابه در بین سایت‌ها!). يادتون باشه که در مدل باراباشی-آلبرت وزن هر یال ۱ است!

الکترومغناطیس و مکانیک‌ کوانتومی را چه کنیم؟

منتشر شده توسط عباس ریزی در 23/08/2015

قبلا کتاب‌ها و دوره‌هایی که دانشجوهای سال اول و دوم کارشناسی فیزیک بهشون نیازدارند رو معرفی کرده بودم. همین طور بحث مفصلی در مورد دوره‌ها (کورس‌ها) اینجا و اینجا کرده بودم. معمولا بچه‌ها سال دوم و سوم دروس الکترومغناطیس و مکانیک‌کوانتومی رو می‌گیرند و شاید بشه گفت اصلی‌ترین درس‌های دوره‌ی کارشناسی فیزیک همین‌ دوتا درس باشه. برای همین من سعی می‌کنم طی این پست کمی از تجربیاتم بگم:

۱) الکترومغناطیس:

چیزی که لازمه تا این درس رو راحت شروع کنید و در حین ترم کم‌تر اذیت بشید مرور مفاهیم اصلی فیزیک پایه۲ و آنالیزبرداری هست که احتمالا آخرای ریاضی پایه۲ و ریاضی‌فیزیک باهاش مواجه شدید. الکترومغناطیس از لحاظ مفهومی زیاد سخت نیست ولی از لحاظ تکنیکی سخت‌ترین درس کارشناسی به نظر می‌رسه چون که کار کردن با آنالیز برداری زیاد خوشایند ملت نیست!

Introduction to Electrodynamics (4th Edition) — «آشنایی با الکترودینامیک، دیوید گریفیث»

اگر دنبال یک کتاب آموزشی خوب می‌گردید که به خوبی درس رو توضیح داده باشه، مثال‌های خوبی زده باشه و در نهایت تمرین‌های مناسبی رو در اختیارتون بذاره بدون هیچ شکی سراغ کتاب «آشنایی با الکترودینامیک، دیوید گریفیث» برید. نسخه‌ ۴ام این کتاب تفاوت چندانی با نسخه‌ی قبلی نداره با این وجود مسئله‌های به شدت جالب و قابل تفکری بهش اضافه شده. در ضمن گریفیث از جمله کسانی هست که خودش برای کتاب‌هاش حل‌المسائل می‌نویسه پس شما می‌تونید به راحتی پاسخ صحیح همه پرسش‌ها و تمرین‌های کتاب رو داشته باشید. بعد از گریفیث به شما کتاب «الکترودینامیک کلاسیک، والتر گراینر» رو پیشنهاد می‌کنم و بعد از اون کتاب «الکتریسیته و مغناطیس، پرسل و مورین». این دو کتاب‌های خیلی خوبی هستند به ویژه اینکه مثال‌های متنوعی دارند. به نظر من این سه کتاب بهترین کتاب‌هایی هستند که دانشجوهای سال دوم و سوم کارشناسی می‌تونند ازشون برای یادگیری الکترومغناطیس استفاده کنند. با این وجود کتاب‌های دیگه‌ای هم هستند از جمله:

جولیان سیمور شوینگر فیزیکدان آمریکایی بود که همراه با ریچارد فاینمن، سین‌ایترو تومونوجا موفق به کشف الکترودینامیک کوانتومی (QED) شد. شوینگر جایزه نوبل فیزیک سال ۱۹۶۵ را از آن خود کرد. — جولیان سیمور شوینگر

این کتاب‌ها کمی قدیمی شدند با این حال بعضی از اساتید (که اونها هم قدیمی شدند) ممکنه این کتاب‌ها رو به عنوان کتاب مرجع معرفی کنند. با این وجود تجربه‌ی شخصی من میگه که این کتاب‌ها، کتاب‌هایی نیستند که موقع خوندنشون آدم خسته نشه. ایمان خیلی وقت پیش کتاب «آشنایی با الکترودینامیک، دیوید گریفیث» با «مبانی نظریه الکترومغناطیس، ریتز و میلفورد» رو مقایسه کرده، می‌تونید این مقایسه رو بخونید!

اگر دنبال این هستید که کتابی داشته باشید که مطالب رو با ریاضیات استوارتری بررسی کرده باشه و به موضوع الکترودینامیک بیشتر ریاضیاتی نگاه کرده باشه کتاب «الکترودینامیک جکسون» رو بخونید. این کتاب معمولا مرجع درس الکترودینامیک برای مقطع کارشناسی ارشد هست. اگر هم دنبال این هستید که مطالب رو عمیقا بهفمید و فوق‌العاده لذت ببرید و از فرط هیجان نتونید روی صندلی بندشید به این کتاب‌ها (Lecture Notes) مراجعه کنید:

در نهایت پیشنهاد من اینه که با کتاب «آشنایی با الکترودینامیک، دیوید گریفیث» پیش برید و تا جایی که می‌تونید مسئله‌هاش رو حل کنید و در کنار اون هر موقع که فرصت کردید به نوشته‌های شویینگر مراجعه کنید! در مورد دوره‌های آنلاین هم به پست «لیسانس فیزیک با بیژامه» مراجعه کنید. بهترین دوره برای این درس، ویدیوهای کلاس دکتر بهمن‌آبادی در دانشگاه صنعتی شریف هست.

91r-pAmEmNL — «آشنایی با مکانیک کوانتومی، دیوید گریفیث»

۲) مکانیک کوانتومی:

قبلا بحث مفصلی در مورد کورس‌های موجود برای مکانیک کوانتومی کردم و مجددا توصیه می‌کنم که حتما همراه مطالعه‌تون و کلاس رفتنتون یک کورس ببینید. مجددا اولین کتابی که معرفی می‌کنم کتاب «آشنایی با مکانیک کوانتومی، دیوید گریفیث» هست. تمامی مواردی که برای کتاب الکترومغناطیس گریفیث گفتم برای کتاب کوانتومش هم صادقه! گریفیث واقعا معلم فوق‌العاده‌ای هست. بعد از گریفیث «مکانیک کوانتومی، مفاهیم و کاربردها، نورالدین زتیلی» رو پیشنهاد می‌کنم به خاطر تعدد زیاد سوال‌های حل‌ شده‌ش.

اگر دنبال یک مرجع فارسی خوب هستید به درس‌گفتارهای دکتر کریمی‌پور مراجعه کنید! این درس‌گفتارها به شدت قوی نوشته شدند و می‌تونه همراه با کورس ایشون در دانشگاه شریف یک دوره‌ی آموزشی مناسبی رو برای شما فراهم کنه!

حقیقتش کتاب‌های خوب دیگه ای هم میشه لیست کرد، به نظر من بعد از گریفیث این کتاب‌ها خوب هستند:

و بعد از این‌ها، کتاب‌های زیر به عنوان مرجع:

در نهایت یادتون باشه که بهترین کتاب، پرمسئله‌ترین کتابه برای شما و اینکه انتخاب کتاب کاملا سلیقه‌ای هست، شاید سلیقه‌ی شما با سلیقه‌ی من یا استادتون سازگار نباشه و شما کتاب دیگه‌ای رو در اولویت قرار بدید! به هر حال صلاح مملکت خویش خسروان دانند!

بالانس تئوری چی میگه؟! (مقدمه)

منتشر شده توسط عباس ریزی در 04/08/2015

این اولین پستیه که قراره در مورد چیزایی حرف بزنم که کسی در موردش زیاد نشنیده و نخونده. یک موضوع جدید و در حال توسعه که به نظرم به شدت جذابه. خب یک سری مشکلات هست توی این پست از جمله اینکه خیلی از عبارت‌ها رو «من» ترجمه کردم و هنوز ترجمه‌ی رسمی براشون ارائه نشده و یا اینکه لااقل هنوز عرف نشدند. ممکنه یک سری ایراد علمی هم وارد بشه که در آینده تصحیحشون می‌کنم. موضوع این پست Balance Theory هست، اما از اونجایی که اگر «نظریه تعادل» ترجمه بشه خیلی‌ها ممکنه در نگاه اول یاد تعادل نش یا نظریه تعادل عمومی بیفتند من به جای واژه‌ی «تعادل» از واژه‌ی «توازن» استفاده می‌کنم تا اطلاع ثانوی! درضمن مدلی که در ادامه مطرح میشه یک مدل ساده و ابتدایی هست، بنابراین احتمالا بعضی از سوال‌های شما رو در حوزه‌ی علوم اجتماعی و/یا علوم سیاسی بی‌جواب میذاره!

خیلی خب، سه‌ نفر رو فرض کنید که می‌تونند دوست یا دشمن همدیگه باشند. همین‌طور دوستی و دشمنی رو متقابل فرض کنید، یعنی اگر کسی رو دوست دارید، اونم شما رو دوست داره. حالا اگر این سه نفر دوست هم باشند، اون موقع همه چیز خوبه و تنشی پیش نمیاد؛ دوست دوست شما، دوست شماست! اصطلاحا میگیم این مجموعه‌ سه نفری در توازن قرار داره و یا اینکه متوازن -balanced- هست. اما اگر از بین این سه نفر دو نفر رابطه‌ی خوبی با همدیگه نداشته باشند اون‌موقع ممکنه تنش پیش بیاد. به عنوان مثال فرض کنید که شما، همسرتون و مادرتون رو دوست دارید با این وجود، متاسفانه، مادرتون و همسرتون رابطه‌ی خوبی با همدیگه ندارند.

یک شبکه نامتوازن بین آلیس، باب و کرول.دوستی با خط و دشمنی با خط‌چین مشخص شده است.

اجازه بدید ،از این به بعد، به خاطر راحتی بیشتر از واژه‌های دقیق «دوست» و «دشمن» برای نوع روابط استفاده کنیم و دوستی رو کاملا ۱+ و یا ۱- فرض کنیم. بنابراین شما و همسرتون دوست، شما و مادرتون دوست ولی همسر شما و مادر شما دشمن همدیگه هستند. اینجا توازن از بین میره، به عنوان مثال کافیه شما هدیه‌ای برای مادرتون بخرید، در این صورت همسرتون شاکی میشه و مجبورید شب رو توی کوچه بخوابید! حالا فرض کنید که شما و آرش، هم‌زمان از یکی از همکار/هم‌کلاسی‌هاتون به اسم احسان متنفرید. خب طبق یه قاعده‌ی قدیمی، داشتن دشمن مشترک دوستی میاره و یا اینکه دشمن دشمن شما، دوست شماست. آرش دشمن احسان و احسان دشمن شماست پس طبق این قاعده شما و آرش دوست هستید. این مجموعه هم متوازنه. حالت دیگه که ممکنه پیش بیاد این هست که شما، میثم و سهیل هر سه دشمن همدیگه باشید، خب به وضوح مشخصه که این مجموعه نامتوازن هست؛ هر لحظه ممکنه کسی علیه کسی شورش کنه!

تا اینجا چارچوب بحث ما در مورد توازن مشخص شد. جذابیت این موضوع برای ما دانشمندان (!) زمانی شروع میشه که به فکر مدل‌سازی این چارچوب باشیم. ایده‌ی اصلی این کار توسط هایدر (۱۹۵۸) مطرح شد. مثلثی فرض کنید که هر راسش یکی از سه نفر بالا باشه و ضلعی که هر دو راس رو بهم متصل میکنه رو به عنوان رابطه اون دو راس(نفر) در نظر بگیرید. اگر دو نفر دوست هم باشند، به ضلعی که دو راس متناظر با اون دو نفر رو متصل میکنه، ۱+ نسبت میدیم و اگر دو نفر دشمن هم باشند به ضلع متصل کننده ۱-.

اجازه بدید از نظریه‌ی گراف کمک بگیریم. مطابق شکل ما یک گراف کامل با ۳ راس و ۳ یال داریم که رئوس، نماینده‌ی اعضای مجموعه و یال‌ها تعیین کننده نوع رابطه (دوستی یا دشمنی) بین رئوس هستند. با توجه به چارچوب بالا اگر تعداد یال‌های منفی که با خط چین توی شکل زیر مشخص شده‌ند فرد باشند (یکی یا سه‌تا) اون‌موقع گراف ما و یا شبکه ما نامتوازن -unbalanced- خواهد شد.

Screenshot from 2015-08-04 20:26:34 — شبکه‌های متوازن و نامتوازن و نوع آرایش آن‌ها

بنابراین مدلی که به عنوان یک «شبکه‌ اجتماعی» برای توصیف روابط بین انسان‌ها و متوازن بودنشون مطرح می‌کنیم این جوری ساخته میشه:

1. با توجه به افراد،‌سازمان‌ها، کشورها و هرچیزی که روابط دوستی یا دشمنی دارند ما یک گراف کامل از مرتبه تعداد اعضا مشخص می‌کنیم. گراف کامل هست چون که فرض بر اینه که همه‌ی اعضا همدیگه رو می‌شناسند و رابطه دارند. به عنوان مثال به کشورهای عضو سازمان ملل فکر کنید که یا از هم خوششون میاد یا از هم بدشون میاد!
2. هر یال یا مثبته و یا منفی. هیچ حالت بینابینی وجود نداره.
3. یک مثلث متوازن (balanced) است اگر و تنها اگر حاصل‌ضرب علامت یال‌های آن مثبت باشه. (اگر تعداد یال‌های منفی فرد باشه: (-,-,- یا -,+,+) اون‌موقع گراف ما و یا شبکه ما نامتوازن خواهد شد.)
  
  شیوه‌ی قطبیده شدن جهان به دو بلوک شرق و غرب قبل از جنگ‌جهانی اول

خب حالا فرض کنید که ما یک شبکه‌ی مشخص از اعضا و روابطشون داریم:

- آیا می‌تونیم بگیم که اوضاع این شبکه چقدر متوزانه؟

- آیا می‌تونیم با در نظر گرفتن شبکه‌ی کشورهای دنیا و روابطشون بگیم آیا ممکنه بین دو کشور صلح برقرار بشه؟ یا اگه بین دو کشور صلح برقرار شد، اون موقع این صلح موضعی (منطقه‌ای) چه اثراتی روی صلح جهانی داره؟ به عبارت دیگه اگه علامت یالی رو در یک شبکه عوض کنیم (رابطه‌ی دو نفر رو از دوستی به دشمنی و یا عکس تبدیل کنیم) اون موقع میشه فهمید برای کل شبکه چه اتفاقی می‌افته؟

آیا می‌تونیم پیش‌بینی کنیم در چه شرایطی ممکنه بین هوادارهای دو تیم ورزشی توی ورزشگاه آزادی درگیری و نزاع پیش میاد؟

بله، با تقریب خوبی می‌تونیم همه این‌کارها رو به لطف نظریه‌ی توازن و یا بالانس تئوری انجام بدیم.

اجازه بدید کمی عمیق‌تر بشیم. خیلی راحت اثبات میشه که فقط دو راه برای یک شبکه بزرگ وجود داره که متوازن بشه، یا همه دوست هم بشند (جامعه بهشت بشه!) و یا اینکه شبکه قطبیده بشه، به این معنی که شبکه به دو بلوک تقسیم بشه جوری که داخل هر بلوک اعضا، دوست همدیگه حساب میشند و اعضای بلوک مقابل دشمن! درست مثل زمانی که دنیا به دو بلوک شرق و غرب تقسیم شده بود؛ یه سری این ور دوست هم بودند، یه سری هم اون‌ور، بعد این‌وری‌ها نمی‌خواستند سر به تن اون‌وری‌ها باشه!

خب پس وقتی ما یک شبکه داریم که در یکی از این دو حالت نیست یعنی متوازن یا بالانس نیست. سوال مهم اینه که خب اگر بخواهیم که شبکه رو بالانس یا متوازن کنیم چه کار باید انجام بدیم؟ یک راه پیشنهادی این هست که یک یال رو به صورت تصادفی انتخاب کنیم و علامتش رو عوض کنیم و بعدش ببینیم برای سیستم چه اتفاقی می‌افته. به عبارت دیگه اگر بعد از عوض کردن اون یال، تعداد مثلث‌های متوازن در کل شبکه زیاد بشه یعنی اینکه ما تونستیم شبکه رو به یک حالت متوازن‌تر هدایت کنیم، ولی اگر با عوض کردن علامت یالی تعداد مثلث‌های متوازن شبکه کم بشه یعنی عدم‌توازن رو توی شبکه بالا بردیم.

از اون‌جایی که ما فیزیک‌پیشه هستیم، اجازه بدید با رویکرد انرژی به قضیه نگاه کنیم؛ با توجه‌ به پیش‌فرض‌های ما، انرژی شبکه باید متناسب باشه با تعداد مثلث‌های نامتوازن منهای تعداد مثلث‌های متوازن موجود درشبکه:

CodeCogsEqn_001 — معادله انرژی برای یک شبکه اجتماعی

CodeCogsEqn — اگر دو راس دوست باشند به یال بین آن دو ۱+ نسبت می‌دهیم و اگر دشمن باشند ۱-

نمودار انرژی برای شبکه‌هایی با (A) سه راس و (B) چهار راس

n تعداد کل رئوس است و به خاطر بهنجارش (Normalization) تفاضل انرژی‌ها رو بر تعداد کل مثلث‌های شبکه تقسیم کردیم تا انرژی هنجار به واحد بشه! بنابراین بیشترین مقدار انرژی ۱ و کم‌ترین مقدار ۱- خواهد شد. وجود منفی هم به این خاطر هست که هرچی انرژی کم‌تر باشه (منفی‌تر) سیستم متوازن‌تره. خب بیاید با استفاده از این رابطه نمودار انرژی رو برای دو تا شبکه‌ی کوچیک، یکی با ۳ راس و دیگری با ۴ راس بکشیم:

نمودار A انرژی یک شبکه یا ۳ راس رو نشون میده که ساده‌ترین شبکه برای بررسی هست. بنابراین انرژی شبکه یا ۱ (نامتوزان) و یا ۱- (متوازن) هست. عددی که بالای هر مثلث نوشته شده فراوانی هر کدوم هست (مثلا اینکه یک یال خط‌چین باشه سه حالت داره، بدیهیه!)

نمودار B انرژی یک شبکه‌ی با ۴ راس رو نشون میده. خب توی این شبکه علاوه بر حالات قبل، انرژی صفر هم مشاهده میشه. طبیعیه که ما توی این شبکه می‌تونیم از بالا به پایین بیایم و شبکه رو متوازن کنیم. برای این کار کافیه علامت یکی از یال‌ها رو عوض کنیم و به وضعیت پایدارتر برسیم. خب این سوال مطرح میشه که:

آیا توی هر شبکه‌ای ممکنه با عوض کردن علامت یک یال، به یک شبکه‌ی متوازن‌تر رسید؟

Screenshot from 2015-08-04 22:06:50 — وجود حالت‌های مسدود (jammed state)

متاسفانه در مورد شبکه‌های بزرگ(تعداد راس بیشتر) حالت‌هایی در سیستم وجود داره که به Jammed States و یا به قول استیون استروگاتز Strict Jammed States معروف هستند. این حالت‌ها چیزی نیستند جزو کمینه‌های نسبی انرژی. به این معنی که انرژی این‌حالت‌ها از تمام حالت‌های ممکن که با تغییر علامت یک یال در دسترس هستند، کمتر هست. بنابراین در حالت‌های jammed یا مسدود، امکان این‌که تنها با تعویض علامت یک یال به یک حالت متوازن‌تر رفت، وجود نداره. به عبارت دیگه انرژی حالت‌های مسدود کوچکتر یا مساوی انرژی حالت‌های مجاور هست.

نکته‌ای که وجود داره اینه که حالت‌های مسدود نمی‌تونند هر مقدار انرژی اختیار کنند. در حقیقت این‌حالت‌ها حداکثر می‌تونند انرژی صفر داشته باشند (کران بالای انرژی حالت‌های مسدود صفر است). اثبات این موضوع خیلی سرراسته: هر یالی در یک حالت مسدود متعلق به مثلث‌های متوازنی هست که تعدادشون برابر با تعداد مثلث‌های نامتوازنه، چون در غیر این صورت علامت اون یال باید عوض بشه که این در تناقض با تعریف حالت مسدوده! بنابراین در شبکه‌های نسبتا بزرگ حالت‌های مسدودی وجود که انرژی این‌ حالت‌ها حداکثر صفر هست.

یک گراف Paley با ۱۳ راس،‌ به شیوه‌ی اتصال رئوس دقت کنید.

ویژگی جالبی در مورد حالت‌های مسدود با انرژی صفر وجود داره؛ یال‌های مثبت در این حالت‌ها عضو یال‌های گراف Paley هستند. گراف Paley گرافی هست که تعداد رئوسش (q) یک عدد اول به شکل q=4k+1 هست. هر دو راس در این گراف درصورتی وصل هستند که تفاضل شماره اون دو راس یک عدد مربع کامل باشه به پیمانه‌ی q. این گراف‌ها خیلی خوشگل‌ هستند و قیافه‌ی متقارنی دارند. می‌تونید تعدادی از این گراف‌ها رو این‌جا ببینید.

اگر دوست دارید به یک حالت مسدود با انرژی U=0 برسید:

1. به یال‌هایی از شبکه که عضو گراف Paley هستند «+» نسبت دهید.به سایر یال‌ها (یال‌هایی که عضو شبکه (گراف کامل) هستند ولی عضو گراف Paley نیستند) «-» نسبت دهید.
2. یک راس جدید به شبکه اضافه کنید (وسط شبکه!). هم اکنون شبکه شما q+1 راس دارد.
3. راس جدید را به q راس قبلی وصل کنید و به یال‌های بین این راس و سایر رئوس «-» نسبت دهید.

با این روش شما می‌تونید یک حالت مسدود با انرژی صفر بسازید که q+1 راس داره.

فکر کنم برای مقدمه کافی باشه!

برای بیشتر دونستن این مطلب رو بخونید.
برای دیدن کاربردهای بیشتر، این مطلب رو بخونید.
همین طور این مقاله‌ها رو به عنوان منابع این پست بخونید:

سخنرانی استیون استروگتز در مورد نظریه توازن

چگونه‌ازكامپيوتردرفيزيک‌استفاده‌كنيم؟ حل عددی، قسمت دوم!

منتشر شده توسط امین هاشمی در 04/07/2015

در پست قبل از روش اویلر برای حل معادله دیفرانسیل مربوط به نیمه عمر رادیواکتیو استفاده کردیم. تو این پست هم میخوایم دوباره از این روش استفاده کنیم و یک حرکت پرتابی واقعی! رو شبیه سازی کنیم که کمی پیچیده تر از مثال مربوط به رادیواکتویه .

از معادله دیفرانسیل حرکت پرتابی شروع می کنیم. گفتیم که میخوایم حرکت پرتابیمون واقعی باشه، یعنی ما اثر مقاومت هوا رو هم روی جسممون در نظر می گیریم. اما حرکت ما در صفحه انجام میشه و باید معادلاتمون رو به دو راستا (x – y) تجزیه کنیم.

معادله دیفرانسیل های این حرکت بصورت زیر هستند (اگر با معادلات زیر مشکل دارید به کتاب‌های فیزیک پایه و یا مکانیک کلاسیک (تحلیلی) رجوع کنید) :

$$ \frac{\mathrm{d^2}{x} }{\mathrm{d} t^2}=\frac{F_{d,x}}{m} $$

$$ \frac{\mathrm{d^2}{y} }{\mathrm{d} t^2}=-g + \frac{F_{d,y}}{m} $$

که در این معادلات ${F_{d}}$ اثر مقاومت هواست و با سرعت حرکت جسم بصورت زیر رابطه داره :

$$F_{d}=-\beta v^2 \widehat{v}$$

همونطور که مشخصه معادله های دیفرانسیلمون مرتبه دو هستند. خب این کار مارو سخت نمیکنه، فقط کافیه هر کدوم از این معادلات رو به دو معادله مرتبه اول تبدیل کنیم. یعنی در پایان با چهار معادله دیفرانسیل مرتبه اول سر و کار داریم. حالا اگه ${F_{d}}$ رو هم به دو راستا تجزیه کنیم داریم:

$$F_{d,x} = F_{d} cos{\theta} = F_{d} \frac{v_{x}}{v} = -\beta v v_{x}$$

$$F_{d,y} = F_{d} sin{\theta} = F_{d} \frac{v_{y}}{v} = -\beta v v_{y}$$

و در نهایت چهار معادله دیفرانسیل مورد نظرمون به صورت زیر درمیاد :

$$\frac{\mathrm{{d} x} }{\mathrm{d} t} = v_{x} = f_{x}(t,x,v_{x})$$

$$\frac{\mathrm{{d} v_{x}} }{\mathrm{d} t} = -\frac{\beta}{m} v_{x} \sqrt{v_{x}^2 + v_{y}^2} = f_{vx}(t,x,v_{x})$$

$$\frac{\mathrm{{d} y} }{\mathrm{d} t} = v_{y} = f_{y}(t,x,v_{y})$$

$$\frac{\mathrm{{d} v_{y}} }{\mathrm{d} t} = – g – \frac{\beta}{m} v_{y}\sqrt{v_{x}^2 + v_{y}^2} = f_{vy}(t,x,v_{y})$$

حالا اگه از روش اویلر استفاده کنیم و این معادلات رو گسسته کنیم داریم :

$$x_{i+1} = x_{i} + \Delta t v_{x,i}$$

$$v_{x,i+1} = v_{x,i} – \Delta t \frac{F_{d,x}}{m}$$

$$y_{i+1} = y_{i} + \Delta t v_{y,i}$$

$$v_{y,i+1} = v_{y,i} – \Delta t (g + \frac{F_{d,y}}{m})$$

که در این معادلات t∆ گام گسسته‌سازی مساله ماست. حالا وقتشه که کد برنامه‌مون رو بنویسیم . کد این برنامه هم مثل برنامه رادیواکتیو خیلی سادست و نکته اضافی ای نسبت به اون نداره. دوباره به یک ساختار تکرار نیاز داریم که محاسبات رو تا زمانی که پرتابه مون به زمین نخورده( y >= 0 ) ادامه بده و به محض خوردن زمین عملیات رو متوقف کنه.

در ++c:

#include <iostream>
#include <fstream>
#include <math.h>
#define g 9.8
#define B 4e-5
#define m 1.0
using namespace std;
int main()
{
    double x, y, vx, vy, v, teta, t, dt = 0.1;
    /*** initial conditions***/
    t = 0;
    x = 0;
    y = 0;
    v = 100;
    teta = 30;
    vx = v * cos(teta * M_PI / 180);
    vy = v * sin(teta * M_PI / 180);
    /***-------------------***/
    ofstream o;
    o.open("Projectile motion.txt",ios::out);
    o<<"x"<<"\t"<<"y"<<"\t"<<"t"<<endl;
    while(y >= 0)
    {
        o<<x<<"\t"<<y<<"\t"<<t<<endl;
        v = sqrt(vx * vx + vy * vy);
        x = x + vx * dt;
        y = y + vy * dt;
        vx = vx - (B/m) * v * vx * dt;
        vy = vy - g * dt - (B/m) * v * vy * dt;
        t += dt;      
    }
    o.close();
}

در قسمت اول برنامه کتابخونه هایی که لازم داریم رو تعریف کردیم. کتابخونه math.h توابع مثلثاتی مثل sin و cos و همچنین یک سری از عملیات های ریاضی مثل جذر و یا به توان رسوندن رو شامل میشه (البته کلی توابع دیگه هم تو این کتابخونه هست!) و چون در بدنه برنامه نیاز به محاسبات ریاضی داشتیم از این کتابخونه استفاده شد. در خطوط بعد، ثوابت مورد نیاز در برنامه رو تعریف کردیم. همونطور که مشخصه در قسمت بعد و در بدنه اصلی برنامه، ابتدا شرایط اولیه رو که شامل مکان ابتدایی جسم، سرعت اولیه و زاویه پرتاب میشه تعریف و بعد سرعت رو به راستای افقی و عمودی تجزیه کردیم. در مرحله بعد فایلی برای ذخیره خروجی درست شد و بعد از اون الگوریتم اویلر برای حرکت پرتابی رو با استفاده از ساختار تکرار while پیاده کردیم.

و در پایتون:

from math import *
g = 9.8
m = 1.0
B = 4e-5
x = 0
y = 0
v = 100
teta = 30
t = 0
dt = 0.1
vx = v * cos(teta * pi / 180)
vy = v * sin(teta * pi / 180) 

f = open("Projectile motion.txt", "w")
f.write("x" + "\t" + "y" + "\t" + "t" + "\n") 
while y >= 0 :
    f.write(str(x)+"\t"+ str(y)+ "\t" + str(t) + "\n")
    v = sqrt(vx * vx + vy * vy)
    x = x + vx * dt
    y = y + vy * dt
    vx = vx - (B/m) * v * vx * dt
    vy = vy - g * dt - (B/m) * v * vy * dt
    t += dt

f.close()

قبل بررسی نمودار حرکت پرتابیمون بیاین پیش بینی کنیم که شکل حرکت چجوری میشه؟! خب در موقع بالا رفتن جسم، نیروی مقاوت هوا و نیروی وزن هر دو به سمت پایین هستن. اما در موقع برگشت، نیروی مقاومت هوا رو به بالا و نیروی وزن روبه پایینه و این یعنی برآیند نیرو های وارد به جسممون در رفت و برگشت فرق میکنه. حالا به نمودار زیر توجه کنین.

نمودار حرکت پرتابی در حضور و عدم حضور مقاومت هوا

همونطور که انتظار داشتیم، نمودارمون بطور کامل سهموی نیست و تقارن لازم رو نداره و این بخاطر وجود مقاومت هوا در برابر حرکت جسم ماست. مساله دیگه ای که وجود داره، برد پرتابه است. در حالت عادی و بدون مقاومت هوا میدونستیم که همیشه به ازای زاویه‌ی پرتاب 45 درجه برد پرتابه بیشینه میشه. اما با وجود مقاومت هوا دیگه اینطوری نیست.

برای تمرین بیشتر می تونین برنامه ی حرکت پرتابی رو طوری تغییر بدین که به ازای یک سرعت اولیه، برد بیشینه رو برامون پیدا کنه . همچنین میشه برای یک زاویه خاص، سرعتی که در اون زاویه برد بیشینه میشه رو بدست آورد.

در این پست هم یک معادله دیفرانسیل رو با روش اویلر حل کردیم. بازهم این پرسش مطرحه که همه ی معادله های دیفرانسیل با این روش حل میشه یا نه؟ و آیا روش های قدرتمند تر و مطمعن تری هم برای حل معادله دیفرانسیل وجود داره؟

به امید خدا پست بعد فضای متفاوت تری خواهد داشت ، اما در پست های بعدتر، باز هم به حل معادله دیفرانسیل و روش های مختلف برای حل این معادلات بر می گردیم.

مقارنه مشتری و زهره

منتشر شده توسط محمدرضا نورمندی‌پور در 01/07/2015

همونطور که میدونید سرعت حرکت ظاهری سیارات و ماه در آسمان از ستاره ها بیشتره و این سرعت برای هر سیاره متفاوته و این موضوع باعث میشه که گاهی اوقات دو سیاره یا یک سیاره و ماه و یا حتی یک سیاره و یک ستاره مشهور ظاهرا از کنار هم عبور کنند که به این اتفاق مقارنه میگویند. همونطور که از ریشه این کلمه عربی معلوم است مقارنه یعنی قرین و همنشین شدن. مقارنه پدیده شایعی در نجوم به حساب میاد اما مقارنه ها درجه زیبایی متفاوتی دارند (از دید من).مثلا همین مقارنه مشتری و زهره جزو قشنگ ترین هاش هست. چون در هنگام غروب خورشید اتفاق می افته و در اون لحظه هنوز ستاره های زیادی در آسمون پیدا نیستند و تنها این دو سیاره پرنور در پس زمینه نارنجی رنگ هنگام غروب و اونم دقیقا در شبی که ماه بدر رو داریم در نزدیکی افق غربی آسمون پدیدار شدند. انگار که هر دو سیاره بر روی یک مدار در حال حرکت هستند…حال آنکه مشتری در فاصله 560 میلیون مایلی زمین و زهره در فاصله 46 میلیون مایلی است(اعداد مربوط به 30 ژوئن).مشتری و زهره در 30 ژوئن به نزدیک ترین فاصله از هم رسیدند و در طی چند روز آینده از هم فاصله میگیرند بنابراین امشب هم میتونید از زیبایی این پدیده لذت ببرید. راستی مگه مشتری بزرگتر از زهره نیست؟مشتری حدود 10 برابر بزرگتر زهره هست ولی میبینیم که زهره خیلی پر نور تر از مشتریه…دلیلش چیه؟ دلیلش فاصله زیاد سیاره مشتری هست و این باعث میشه که مشتری اصطلاحا دارای قدرظاهری بیشتری(نور کمتر) باشد.

اصلا مگه ممکنه که مشتری که سیاره خارجی (مدار اون خارج از مدار زمین)حساب میشه بیاد از نزدیکی زهره یعنی یه سیاره داخلی عبور کنه؟ همونطور که بالا گفتم ظاهرا این اتفاق به قوع می پیونده. بذارید یکم در مورد مقارنه و اتفاقای شبیه اون بدونیم. دانشمندا میگن که سرعت دریافت اطلاعات برای انسان از راه تصویر چندین برابر شنیدن و یا خواندن هست,بنابراین منم یه تصویر از حالات مختلفی که ممکنه برای دو سیاره از دید زمین اتفاق بیافته رو اینجا قرار میدم تا خودتون اسمای مختلف و جهت گیری سیاره ها برای هر پدیده رو متوجه بشید.

فارسی (عربی) چند اصطلاح موجود در تصویر:

Opposition: مقابله

Conjunction: مقارنه

Quadrature: تربیع

Elongation: (زاویه) کشیدگی

Superior: خارجی

Inferior: داخلی

امیدوارم لذت برده باشید.

سیتپـــــور مطالب