رفتن به نوشته‌ها

برچسب: سیستم‌های پیچیده

«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


تمرین‌ها

به زودی

برای مطالعه بیشتر

برای بیشتر عمیق شدن

شبیه‌سازی مدل آیزینگ


اسلایدها

بازبهنجارش-آیزینگ1

«مقدمه‌ای بر بازبهنجارش» هفته سوم: اتوماتای سلولی

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 سوم: اتوماتای سلولی

یک اتوماتای سلولی شامل یک شبکه منظم از سلول‌های خاموش و روشن است. تحول این سلول‌ها توسط قواعد ثابتی که فقط وابسته به وضعیت قبلی آن سلول و همسایگانش است مشخص می‌شود. در این جلسه ابتدا اتوماتای سلولی را معرفی می‌کنم و به مفاهیمی چون «کامل بودن تورینگ» و «نمودارهای جابه‌جاشوند»  می‌پردازم. سپس سراغ درشت-دانه‌بندی اتوماتای سلولی و مقاله ۲۰۰۴ و ۲۰۰۵ گلدنفلد می‌روم و در نهایت در مورد شبکه‌‌های بازبهنجارش بحث خواهم کرد.


ویدیوها

۱) معرفی اتوماتای سلولی

۲) درشت-دانه بندی اتوماتای سلولی

۳) شبکه‌های بازبهنجارش


تمرین‌ها

به زودی

برای مطالعه بیشتر


اسلایدها

بازبهنجارش-اتوماتای-سلولی5

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 مقاله‌ی 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!

«مقدمه‌ای بر بازبهنجارش» هفته اول

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.

هفته اول: مقدمه

یک تصویر جِی‌پِگ (JPEG) چه ربطی به اقتصاد یا گرانش کوانتومی دارد؟ برای پاسخ به این پرسش باید به این نکته توجه کنیم که هر سه این‌ها در مورد این هستند که چه می‌شود وقتی توصیف‌هایمان از دنیا را ساده‌سازی کنیم!؟ JPEG با دور ریختن ساختار ریز، یک تصویر را به نحوی فشرده می‌کند که با یک نگاه گذرا جزئیات دور ریخته شده قابل شناسایی نباشد. اقتصاددانان هم با چشم‌پوشی از جزئیات روان‌شناسی هر فرد، در مورد رفتار انسان‌ها نظریه‌پردازی می‌کنند. در این میان، یادآوری کنیم که حتی سطح‌بالاترین آزمایش‌های ما در فیزیک نمی‌توانند به ما بنیادی‌ترین عناصر سازنده ماده را نشان دهند و نظریه‌هایمان برای تطابق با آزمایش‌ها ناگزیر به این هستند که برخی از جزئیات در مقیاس‌های بسیار ریز را محو کنند.

ایده بازبهنجارش در مورد همین چیزها است؛
مطالعه نظریه‌ها هنگامی که از مقیاسی به مقیاس دیگر می‌روند.


ویدیوها

هفته اول

۱) اقتصاد و نظریه موثر

۲) دانه‌-درشت‌بندی یک تصویر

۳) آنتروپی شانون


تمرین‌ها

به زودی

برای مطالعه بیشتر


اسلایدها

بازبهنجارش-مقدمه1

نگاهی به کتاب «فرمول: قوانین جهان‌شمول موفقیت» نوشته باراباشی

آلبرت لازلو باراباشی، یک دانشمند شبکه معروفه که اخیرا پروژه‌ای به اسم «علم موفقیت» در دپارتمان «علم شبکه» دانشگاه نورث‌ایسترن شروع کرده. منظور از علم موفقیت، بررسی افراد، شرکت‌ها، کسب‌وکارها و … به صورت کمی برای رسیدن به تحلیل‌های داده‌محور از موفقیت اون‌هاست. خلاصه که کارشون استفاده از روش علمی برای مطالعه میزان موفقیت افراد یا شرکت‌ها در موضوعات مختلفه. باراباشی تجربیات پژوهشی پروژه علم موفقیت رو در کتاب عامه‌پسندی به اسم «The Formula: The Universal Laws of Success» منتشر کرده. این نوشته کوتاه، نظر من در مورد این کتابه.

اطلاعات بیشتر در formula.barabasi.com

با تیزر تبلیغاتی خود باراباشی شروع کنیم:

کتاب در مورد چیه؟

این کتاب بر اساس مجموعه‌ای از پژوهش‌های گروه باراباشی در مورد موفقیته و ابتدای کتاب هم موفقیت رو به عنوان یک امر اجتماعی در نظر می‌گیره. همین‌طور که از فهرست کتاب مشخصه، در ادامه باراباشی سراغ ۵ قانون کلی در مورد موفقیت میره که هر کدومشون مستند بر تعداد زیادی پژوهشه که میشه بهشون رجوع کرد. توی این کتاب در مورد موفقیت افراد در ورزش، علم، هنر و … صحبت میشه.

این کتاب چه چیزی نیست؟!

«فرمول» باراباشی نه قرار است کتاب انگیزشی باشد و نه قرار است به شما امید الکی بدهد! کتاب باراباشی یک گزارش داده‌محور علمی است!

تفاوت عمده این کتاب با عمده کتاب‌هایی که در مورد موفقیت تا حالا نوشته شده اینه که این کتاب یک گزارش داده‌محور هست! منظورم اینه که شما ممکنه زندگی‌نامه افراد موفق مثل استیوز جابز یا محمدعلی کلی رو بخونید و چون اون‌ها آدمای موفقی هستند دچار این خطا بشین که پس من هم اگر کارهایی که جابز کرد رو بکنم حتما یک مدیر موفق در دنیای استارتاپ‌ها میشم یا اگه مثل کلی تمرین کنم حتما تبدیل میشم به قهرمان بوکس دنیا. از طرف دیگه کتاب‌هایی که در مورد موفقیت نوشته میشن معمولا بر اساس نمونه‌های خاص از افراد یا شرکت‌های موفق هستند. اغلب این کتاب‌ها به نمونه‌هایی اشاره می‌کنند که مستقل از کم (ناکافی) بودن تعدادشون برای یک بررسی آماری، هیچ گزارشی هم از افرادی که موفق نشدند تاحالا ارائه نمی‌کنند. به عنوان مثال، ممکنه در کتابی بعد از یک بحث کوتاه و اشاره به چند شرکت موفق این ایده تجویز بشه که فلان استراتژی شما رو به پیروزی می‌رسونه بدون این‌که بررسی بشه که این استراتژی تا حالا چند شرکت دیگه رو به خاک سیاه نشونده! هر ادعایی که در این کتاب شده بر اساس مجموعه‌ای از پژوهش‌های منتشر شده در مجلاتیه که به عنوان مجلات علمی شناخته‌شده‌ن و از فرآیند داوری همتا (peer review) عبور کردن! به همین خاطر به این نتایج میشه تکیه کرد!

این کتاب برای چه کسانی مناسبه؟!

اگر دنبال کتابی می‌گردین که آدرنالین خونتون رو بالا ببره یا بهتون هیجان بده، قطعا کتاب خوبی نیست! این کتاب شرح مجموعه‌ای از پژوهش‌های علمیه که برای مردم به زبان قابل فهم منتشر شده. این کتاب یک کتاب انگیزشی نیست!

  • اگه دنبال این هستید که با واقعیت‌ها کنار بیاین و دنیا رو همون شکلی که کار می‌کنه بپذیرید قطعا کتاب خوبیه.
  • اگر حالتون از کتاب‌های زرد دنیای موفقیت بهم می‌خوره چون می‌فهمید که می‌خوان سرتون کلاه بذارن تا با فروش این کتاب‌ها خودشون پول‌دار بشن، این کتاب رو بخونید!
  • اگر فکر می‌کنید که شانس وجود نداره یا اینکه زندگی کلا شانسی هست، این کتاب بهتون کمک می‌کنه که دید درستی از مفهوم شانس داشته باشین.
  • اگر یک دانشجو هستید و براتون مهمه که آینده کار حرفه‌ایتون به چه چیزهایی بستگی داره، حتما این کتاب رو بخونید.
  • اگر اصحاب هنر و رسانه هستید، اگر دنبال راه‌اندازی یک کسب‌وکار نوپا هستید قطعا این کتاب ایده‌های خوبی بهتون میده.
  • اگر مشاور، معلم با مدیر مدرسه هستید و قصد پاک کردن ذهن بچه‌های مردم از باورهای غلطی که از طریق نسل‌های گذشته، همکارهای خودتون و شبکه‌های اجتماعی بهشون رسیده رو دارید، این کتاب فوق‌العاده‌ایه!

پس کتاب رو تقریبا به همه پیشنهاد می‌کنید؟!

بله! به نظر من کتاب «فرمول: قوانین جهان‌شمول موفقیت» نوشته باراباشی کتابیه که خوندنش دست‌کم برای یک‌ بار پیشنهاد بدی نیست! ویدیو تدتاک باراباشی رو ببینید:

و حرف آخر برای سیستم‌پیچیده‌ای‌ها!

شکی نیست که کتاب حاوی اطلاعات ارزشمندی هست که خوبه حتما عموم جامعه اونا رو بدونند. برای همین اگر این کتاب به فارسی ترجمه بشه، من حتما نسخه‌های زیادی از این کتاب رو به دوستان و اعضای خونواده‌م هدیه خواهم داد. همین‌طور به دانشجوهای تازه وارد به دانشگاه یا گروهمون.

اما اگر شما با ادبیات علم شبکه آشنا باشید، بهتون توصیه می‌کنم که به جای دنبال کردن این کتاب، مراجعی که کتاب بهش اشاره می‌کنه رو مطالعه کنید. این کار چندتا خوبی داره؛ اول این‌که در وقتتون صرفه‌جویی میشه و دوم این‌که با این دست از پژوهش‌ها آشنا می‌شید. این کار تمرین خوبیه که ببینید چه‌طور میشه «موفقیت به عنوان یک مفهوم اجتماعی» رو کمّی کرد و با عدد و رقم و نمودار در موردش حرف زد. از طرف دیگه این کتاب جوری نوشته شده که خودش گواهی باشه بر ادعاهایی که درش هست! وقتی کتابی یک مدل علمی برای موفقیت میده باید تا جایی که قوانین موفقیت اجازه میدن، موفق بشه! به همین‌ خاطر روایتگری کتاب به شکلیه که یک‌سری یافته علمی نهایتا تبدیل به یک کتاب‌ عامه‌پسند بشه که با برچسب «پرفروش‌ترین کتاب سال» در موردش بشه تبلیغ کرد! کسایی که باراباشی رو میشناسن منظور منو به‌خوبی درک می‌کنند 😉

خلاصه قبل از هر حرف اضافه بیشتری می‌تونید این ویدیو رو ببینید و اطلاعات خوبی از این کتاب پیدا کنید:

ویدیو ۲۵امین گردهمایی انجمن علمی ژرفا با موضوع سیستم‌های پیچیده

۲۵امین گردهمایی انجمن علمی ژرفا با موضوع سیستم‌های پیچیده با همکاری انجمن‌های علمی فیزیک، همبند، شناسا از دانشگاه صنعتی شریف و مرکز شبکه‌های پیچیده و علم دادهٔ اجتماعی دانشگاه شهید بهشتی در تاریخ ۲۴ام اردیبهشت ماه سال ۱۳۹۸ برگزار شد.

💰 اقتصاد و فیزیک سیستم‌های پیچیده – دکتر سامان مقیمی

🧠 مغز از پیچیده تا بغرنج – دکتر عبدالحسین عباسیان

🧬 پیچیدگی زیستی: در جستجوی تصویری واقع‌بینانه از ژنوتیپ و شایستگی – دکتر عطا کالیراد

میز گفت‌وگو درباره‌ی سیستم‌های پیچیده

حکایت «سیستم‌های پیچیده» چیست؟!

این نوشته رو به مناسبت بیست و پنجمین گردهمایی ژرفا با موضوع سیستم‌های پیچیده برای شماره ۸۱۸ روزنامه دانشگاه صنعتی شریف نوشتم.


برای دیدن نگاره با کیفیت بیشتر کلیک کنید. حق نشر متعلق به شماره ۸۱۸ روزنامه دانشگاه صنعتی شریف.

انسان به دنبال قدرت پیش‌بینی

از قرن ۱۷ میلادی ما انسان‌ها به امید پیدا کردن الگوهایی در طبیعت، با جدیت خاصی شروع به مطالعه دنیای اطرافمان به صورت کمی کردیم. رفته‌رفته عددها مهم‌تر شدند و همه هم‌ و غم‌مان تبدیل به این شد که بعد از به دست آوردن یک‌سری عدد، پیش‌بینی کنیم که عدد بعدی چیست! گاهی این پیش‌بینی در مورد مکان یک سیاره در آسمان بود بعد از چند ماه رصد یا دمای یک پیستون پر از گاز و مایع بعد از طی کردن یک فرایند ترمودینامیکی. گاهی هم آن عدد مطلوب، زاویه‌ی پرتاب یک توپ بود به لشکر دشمن! الگوهای حاکم بین اعداد همیشه موضوع هیجان‌انگیز و سودآوری برای مردم بود چرا که قدرت «پیش‌بینی» را در پی داشت.

قدرت پیش‌بینی، مزیت رقابتی علم بر فلسفه بود که از دل مدل‌سازی‌های عددمحور به دست می‌آمد. قرن ۱۹ و ۲۰ میلادی طی شد و نوبت به هزاره سوم رسید. انسان قرن ۲۱ام که به گمانش همه علوم را خوب می‌شناخت، با پرسش‌های جدیدی روبه‌رو شد. پرسش‌هایی که این بار مرز بین علوم را نشانه گرفته بودند. پرسش‌هایی از این جنس که حالا که فیزیک را به‌خوبی می‌شناسیم‌، آیا می‌توانیم یک ترکیب آلی را به خوبی توصیف کنیم یا مثلا شیوه تاشدگی یک پروتئین را با دقت خوبی پیش‌بینی کنیم؟! یا اگر متخصص زیست‌شناسی باشیم پیش‌بینی رفتار جامعه انسان‌ها در شرایط بحران اقتصادی برایمان ممکن است؟! در مورد رفتار بازار بورس چه؟ اکنون که سلول‌های عصبی را می‌شناسیم آیا کارکرد مغز را می‌توانیم توصیف کنیم؟ آیا می‌توانیم بگوییم که برای سلول‌های عصبی چه اتفاقی می‌افتد که فردی دچار بیماری‌هایی مانند صرع یا پارکینسون می‌شود؟ یا پرسش‌هایی از این قبیل که چرا هنوز مدیریت ترافیک و جلوگیری از مسدود شدن جاده‌ها برایمان دشوار است؛ مگر ما همان بشری نیستیم که به ماه سفر کرده‌ایم و با توسعه مکانیک کوانتومی بمب اتم ساخته‌ایم؟! چرا بعد از حل کردن این همه مسئله بغرنج، نمی‌توانیم زمان بحرانی برای همه‌گیری یک شایعه یا بیماری جدید در دنیا را محاسبه کنیم و برنامه دقیقی برای چگونگی واکسیناسیون مردم را تدوین کنیم؟ علی‌رغم این همه پیشرفت در علوم مختلف، چرا در حل این قبیل مسائل ناتوان مانده‌ایم؟!

چرا شناخت دنیای اتم‌ها برای شناخت دنیای شیمی کافی نیست؟! یا چرا «بیشتر، متفاوت است»؟

همه این‌ها پرسش‌هایی بود که به‌خاطر ظاهر ساده‌شان انسان قرن بیست‌ و یکمی نخست فکر می‌کرد که «علی‌الاصول» باید بشود جوابشان را دانست. بالاخره طی سه قرن گذشته، ریاضیات بسیار گسترش یافته بود و فیزیک – علم اتم‌ها و کهکشان‌ها – را به خوبی توسعه داده‌ بودیم. فیزیک هم که مادر شیمی است و شیمی مادر زیست‌شناسی و زیست‌شناسی توصیف‌کننده موجودات زنده و انسان‌ هم یک موجود زنده است. رفتار بازار بورس یا اقتصاد جهانی یا همه‌گیری یک بیماری هم بر اساس عملکرد همین موجودات زنده است. خب پس لابد با مقداری محاسبه می‌توان به این پرسش‌ها پاسخ داد. با این وجود، رفته رفته متوجه شدیم که فهم ما از سیستم‌هایی مانند مغز انسان یا اقتصاد جهانی دچار نواقص جدی است و پیش‌بینی و کنترل رفتار آن‌ها برای ما بسیار دشوار است. گویا این سیستم‌ها دارای پیچیدگی عجیبی هستند. به عبارتی، این سیستم‌ها، پیچیده هستند از آن‌جا که ما با آن‌که اجزایشان را می‌شناسیم و رفتار تک‌تک ‌آن‌ها را به خوبی می‌توانیم پیش‌بینی کنیم، ولی «رفتار جمعی» آن‌ها تحت یک ساختار جدید را نمی‌توانیم به خوبی توصیف کنیم! می‌دانیم که عملکرد سلول‌های عصبی سازنده مغز چگونه‌ است، اما عملکرد مغز را نمی‌توانیم توصیف کنیم. مثلا نمی‌دانیم تکلیف حافظه چیست! می‌دانیم که در سلول‌های عصبی حافظه وجود ندارد ولی با این حال، در مجموعه‌ای از همین سلول‌ها وجود دارد! همین مجموعه کارهای عجیب و غریب‌تری هم می‌کند. مثلا سلول‌های عصبی مغز به طور جمعی از خود، آگاهی نشان می‌دهند. در حالی که آگاهی در هیچ کجای سلول عصبی بیچاره وجود ندارد. تلاش برای حل این قبیل تناقض‌ها که در مقیاس ریز اگر همه چیز آشنا باشد، لزومی ندارد در مقیاس درشت‌تر رفتار سیستم را بتوانیم توصیف کنیم آغازگر انگاره‌ای جدید در علم بود؛ انگاره پیچیدگی.

پدیدارگی (Emergence) و لزوم تحول انگاره در علم

اگر به دنبال کتاب مناسبی برای یادگیری سیستم‌های پیچیده هستید، این کتاب پیشنهاد جدی ما است 🙂

بشر قرن ۲۱، به دنبال شناخت سیستم‌های پیچیده است. سیستم‌هایی که از تعداد زیادی اجزا تشکیل شده‌اند و نوعی نظم خودبه‌خودی بر آن‌ها حاکم است. در این سیستم‌ها در مقیاس ریز، اجزایشان برهم‌کنش‌های موضعی دارند ولی در مقیاس درشت، رفتارهای «پدیداره» از خود نشان می‌دهند که شبیه به رفتار اجزای آن در مقیاس ریز نیست. راستش، ما ناچار به درک سیستم‌های پیچیده هستیم. برای ما که همیشه مجذوب قدرت پیش‌بینی علم شده‌ایم مهم است که بدانیم اگر آنفولانزا در آفریقا شایع شد با چه احتمالی یک آلمانی در چه روزی بیمار می‌شود و با چه احتمالی یک ایرانی در چند روز بعد. برای ما مهم است، چرا که شبکه واگیری بیماری از لحاظ ریاضیاتی موجود ساده‌ای نیست و مطالعه یک فرایند دینامیکی روی چنین شبکه‌ای بدون کمک گرفتن از کامپیوترها غیرممکن است. برای ما حل هم‌زمان تعداد زیادی معادله دیفرانسیل غیرخطی که به‌ همدیگر وابسته هستند با قلم و کاغذ اصلا راحت نیست. حداقل تجربه سال اول و دوم زندگی دانشگاهیمان این را به ما گوش‌زد می‌کند!

سیستم‌های پیچیده مهم هستند، چرا که انگاره پیچیدگی عینک جدیدی برای مطالعه طبیعت به ما می‌دهد. انگاره پیچیدگی به ما می‌گوید مستقل از این‌که مسئله‌ای تا پیش از این در کدام حوزه‌ خاص از علم بررسی می‌شده، باید با نگاهی از پایین‌ به بالا به دنبال حل آن مسئله باشیم و همزمان از همه امکانات فنی و تحلیلیمان برای حل آن استفاده کنیم. برای مثال، مسئله مغز، یک مسئله در فیزیک یا شیمی یا زیست‌شناسی یا علوم کامپیوتر نیست. در مکتب/نگاه/انگاره پیچیدگی، مسئله مغز سوالی است که متخصصان حوزه‌های مختلف با ابزارهایی که دارند سعی می‌کنند در یک محیط مشارکتی راهی برای حل آن پیدا کنند.

انگاره پیچیدگی به ما می‌گوید با تبدیل کردن یک سیستم به اجزا سازنده آن و شناخت اجزا نمی‌توانیم به درک درستی از آن سیستم برسیم. مکتب پیچیدگی در برابر مکتب تقلیل‌گرایی (reductionism) قرار دارد.

(این نوشته از دکتر محمد خرمی در مورد تقلیل‌گرایی را بخوانید.)


نوشته‌های مرتبط

داستان پیچیدگی: «چرا بیشتر، متفاوت است؟»