دانش پیچیدگی
233 subscribers
67 photos
10 videos
28 files
135 links
در این کانال بیشتر با مباحث دانش پیچیدگی و تحلیل مسائل با این رویکرد آشنا می‌شویم
مسعود -امیرزاده
Download Telegram
جان هورتون کانوی

ریاضیدان انگلیسی که نشان داد برای پدید آمدن رفتارهای پیچیده، لزوماً به قواعد پیچیده نیاز نداریم. شاید مهم‌ترین سهم او در شکل‌گیری اندیشه پیچیدگی همین پرسش ساده اما عمیق بود: اگر اجزای یک سامانه فقط چند قاعده ساده را رعایت کنند، آیا از تعامل همین اجزای ساده می‌توان چیزی پدید آورد که در سطح کل، بسیار پیچیده‌تر از خود اجزا باشد؟

کانوی در ادامه راهی قرار گرفت که پیش‌تر جان فون‌نویمان و استانیسلاو اولام با اتوماتاهای سلولی گشوده بودند. اما او این ایده را در قالبی بسیار ساده و در عین حال شگفت‌انگیز به نمایش گذاشت. در اواخر دهه ۱۹۶۰، کانوی «بازی زندگی» را طراحی کرد؛ جهانی از خانه‌های مربعی که هر خانه فقط می‌تواند زنده یا مرده باشد و وضعیت هر خانه در نسل بعد، فقط بر اساس وضعیت هشت همسایه‌اش تعیین می‌شود. اگر یک خانه زنده دو یا سه همسایه زنده داشته باشد، زنده می‌ماند؛ اگر سه همسایه زنده داشته باشد، یک خانه مرده متولد می‌شود و در سایر حالت‌ها خانه می‌میرد یا مرده باقی می‌ماند. همین. چند قاعده بسیار ساده، بدون هیچ فرمانده مرکزی و بدون هیچ نقشه‌ای برای آنچه قرار است در آینده اتفاق بیفتد.
اما هنگامی که این قواعد بارها و بارها بر روی مجموعه‌ای از خانه‌ها اعمال می‌شوند، چیزی ظاهر می‌شود که در هیچ‌یک از خانه‌ها به‌تنهایی وجود ندارد. بعضی آرایش‌ها ثابت می‌مانند، بعضی به شکل دوره‌ای تغییر می‌کنند و دوباره به وضعیت قبلی بازمی‌گردند و بعضی دیگر در صفحه حرکت می‌کنند. یکی از مشهورترین آنها «گلایدر» است؛ الگویی کوچک که بدون آنکه هیچ خانه‌ای واقعاً در صفحه حرکت کند، حاصل جمعیِ تغییرات محلی آن به صورت یک موجودیت متحرک ظاهر می‌شود.

اینجا همان نقطه‌ای است که بازی کانوی برای دانش پیچیدگی اهمیت پیدا می‌کند. یک خانه فقط همسایه‌های خود را می‌بیند و از کل صفحه هیچ اطلاعی ندارد. هیچ خانه‌ای نمی‌داند گلایدر چیست، هیچ خانه‌ای قصد حرکت ندارد و هیچ مرکزی نیز مسیر آن را تعیین نمی‌کند. با این حال، از تعامل همین اجزای ساده، الگویی در سطح بالاتر پدیدار می‌شود که ویژگی‌ای تازه دارد: حرکت. این همان چیزی است که در زبان دانش پیچیدگی از آن با مفهوم «ظهور» یاد می‌کنیم؛ ویژگی‌ای که در سطح کل پدیدار می‌شود، بی‌آنکه در تک‌تک اجزای تشکیل‌دهنده آن به همان صورت وجود داشته باشد.

شگفتی بزرگ‌تر زمانی آشکار شد که پژوهشگران دریافتند جهان کانوی بسیار غنی‌تر از چند شکل متحرک و نوسانگر است. الگوهایی پیدا شدند که می‌توانستند با یکدیگر برخورد کنند، الگوهای دیگری بسازند و حتی ساختارهایی پدید آورند که قادر به انجام محاسبات باشند. در نهایت نشان داده شد که «بازی زندگی» از نظر محاسباتی جهان‌شمول است؛ یعنی می‌توان با ساختارهای مناسب در آن، فرایندهای محاسباتی عمومی را پیاده کرد. به این ترتیب، جهانی که از چند قاعده بسیار ساده بر روی خانه‌های سیاه و سفید آغاز شده بود، ظرفیت ساختن چیزی را پیدا کرد که از نظر منطقی می‌تواند بسیار نزدیک به یک رایانه عمومی باشد.

اهمیت کانوی در اینجا فقط کشف یک بازی عجیب ریاضی نبود. او به ما نشان داد که سادگی در سطح اجزا، الزاماً به سادگی در سطح کل منجر نمی‌شود. یک سلول فقط دو وضعیت دارد، اما مجموعه‌ای از همین سلول‌ها می‌تواند الگوهایی با رفتارهای بسیار متنوع بسازد. بنابراین برای پدید آمدن پیچیدگی، الزاماً لازم نیست اجزای سازنده پیچیده باشند؛ گاهی آنچه اهمیت دارد تعداد زیاد اجزا، نحوه ارتباط آنها و قواعدی است که تعامل میان آنها را سازمان می‌دهد.

از سوی دیگر، بازی زندگی به مسئله پیش‌بینی نیز وجه تازه‌ای داد. این سامانه کاملاً قطعی است؛ اگر وضعیت آغازین و قواعد را بدانیم، وضعیت نسل بعد کاملاً تعیین شده است. اما قطعی بودن به معنای آسان بودن پیش‌بینی نیست. گاهی تغییر تنها یک خانه در وضعیت اولیه می‌تواند سرنوشت یک آرایش را به‌کلی تغییر دهد؛ یک الگو ممکن است پس از چند نسل از بین برود و آرایش بسیار مشابهی هزاران نسل ادامه پیدا کند و ساختارهای تازه تولید کند. در چنین وضعیتی، مشکل از نبود قانون نیست؛ مشکل از پیچیدگی پیامدهای اجرای مکرر قانون است.
به این ترتیب، کانوی شکاف مهمی را میان «قانون ساده» و «رفتار پیچیده» آشکار کرد. ما عادت داریم پیچیدگی را نشانه وجود علت یا دستورالعملی پیچیده بدانیم؛ بازی زندگی این تصور را به چالش می‌کشد. ممکن است قواعد در سطح محلی بسیار ساده باشند، اما تعامل مکرر و انباشته آنها در سطح کل، جهانی بسازد که رفتار آن دیگر به‌آسانی از روی قواعد اولیه قابل حدس نباشد.

ارزشمندترین میراث کانوی برای دانش پیچیدگی همین باشد: پیچیدگی را همیشه نباید در خودِ اجزا جست‌وجو کرد؛ گاهی باید به رابطه میان اجزا و پیامدهای انباشته تعامل آنها نگاه کرد.
👍1
برایان آرتور
برایان آرتور

اقتصاددان و ریاضیدان ایرلندی، از نخستین دانشمندانی بود که نشان داد اقتصاد نیز مانند زیست‌بوم، اقلیم یا مغز، یک سیستم پیچیده سازگارشونده است. او در روزگاری که اقتصاد کلاسیک جهان را به سوی تعادل، کارایی و انتخاب‌های بهینه می‌دید، مسیر دیگری را پیشنهاد کرد: بسیاری از پدیده‌های اقتصادی نه به تعادل، بلکه به تاریخ، تعامل و مسیر طی‌شده وابسته‌اند.

بزرگ‌ترین سهم آرتور در دانش پیچیدگی، مفهوم «وابستگی به مسیر» است. او نشان داد که در بسیاری از سیستم‌ها، نتیجه نهایی فقط به شرایط کنونی وابسته نیست، بلکه به ترتیب رویدادهایی بستگی دارد که سیستم از آنها عبور کرده است. گاهی یک رویداد کوچک، یک انتخاب اولیه یا حتی یک تصادف، می‌تواند مسیری را آغاز کند که بعدها با تقویت بازخوردهای مثبت تثبیت شود و گزینه‌های دیگر را کنار بزند.

آرتور برای توضیح این پدیده، مفهوم «بازده فزاینده» را وارد اقتصاد کرد. برخلاف اقتصاد کلاسیک که کاهش بازده را قاعده عمومی می‌دانست، او نشان داد در فناوری، شبکه‌ها و بسیاری از بازارها، هرچه یک گزینه بیشتر استفاده شود، ارزش و جذابیت آن نیز بیشتر می‌شود. همین بازخورد مثبت می‌تواند یک فناوری، یک استاندارد یا یک شبکه را به موقعیتی مسلط برساند، حتی اگر از ابتدا بهترین گزینه نبوده باشد.

این نگاه، اقتصاد را از یک ماشین متعادل به سیستمی تاریخی و تکاملی تبدیل کرد؛ سیستمی که در آن تعامل عامل‌ها، بازخوردها، تصادف و زمان، آینده را شکل می‌دهند. آرتور از همین مسیر، یکی از بنیان‌گذاران اقتصاد پیچیدگی در مؤسسه سانتافه شد و نشان داد مفاهیمی مانند ظهور، سازگاری، وابستگی به مسیر و خودسازمان‌دهی، فقط به زیست‌شناسی یا فیزیک تعلق ندارند، بلکه زبان مشترک بسیاری از سیستم‌های پیچیده‌اند.

آرتور تعریف می‌کند که وقتی به مؤسسه سانتافه رفت و کنار فیزیکدانان، زیست‌شناسان و ریاضی‌دانان نشست، برای نخستین بار احساس کرد اقتصاد را می‌توان مانند یک موجود زنده مطالعه کرد، نه مانند یک ماشین. خودش بارها گفته است که سانتافه نگاه او را از «اقتصاد تعادل» به «اقتصاد پیچیدگی» تغییر داد.

https://t.me/complexitythinking
معرفی بنیان‌ها، رویکرد و اهداف مقاله خودسامان‌دهی: از الگوهای فیزیکی تا سازمان زیستی

بنیان‌های مقاله

این مقاله بر چند بنیان مفهومی استوار است که خواننده را از فهم سطحی به درک عمیق مفهوم «خودسامان‌دهی» رهنمون می‌سازد:

۱. تمایز مفهومی: تفکیک دقیق میان «خودتنظیمی» (حفظ سازمان موجود)، «خودآرایی» (پیدایش الگو از کمینه‌سازی انرژی) و «خودسامان‌دهی» (پیدایش یا تغییر خودِ سازمان).

۲. سیر تاریخی-مفهومی: ردیابی تحول مفهوم از سایبرنتیک اشبی تا سیستم‌های پیچیده سازگار هالند، به‌گونه‌ای که هر متفکر به‌عنوان پاسخ‌دهنده به پرسشی مشخص در دوره‌ی خود معرفی می‌شود.

۳. دو سطح خودسامان‌دهی: تفکیک میان «خودسامان‌دهی فیزیکی» (الگوساز، مانند سلول‌های بنار و لیزر) و «خودسامان‌دهی زیستی» (سازمان‌ساز و خودحفظ‌کننده).

۴. چارچوب اتوپویزیس: بهره‌گیری از نظریه‌ی خودتولیدی ماتورانا و وارلا برای تبیین گذار از فیزیک به حیات، بدون سقوط به دام تلئولوژی.

۵. بسته‌ی ویژگی‌ها: معرفی خودسامان‌دهی زیستی نه به‌عنوان یک ویژگی منفرد، بلکه به‌عنوان هم‌نشینی درهم‌تنیده‌ی خودتنظیمی، خودارجاعی، حافظه، مرزبندی و ظرفیت بازآرایی.

رویکرد نویسنده

رویکرد نویسنده در این مقاله، سنتزی، تاریخی و تحلیلی است. او نه به دنبال ارائه‌ی یک تعریف لغت‌نامه‌ای است و نه می‌کوشد خودسامان‌دهی را به یک ویژگی واحد تقلیل دهد. در عوض، می‌کوشد:

- مفاهیم پراکنده‌ی ادبیات فارسی و انگلیسی را در یک روایت منسجم گرد آورد.
- نشان دهد چرا تعاریف مختلف در تضاد با یکدیگر نیستند، بلکه هر کدام پاسخی به پرسشی متفاوت در یک میدان مفهومی مشترک‌اند.
- با لایه‌گذاری مفهومی، خواننده را از سطح الگوهای فیزیکی ساده به سطح سازمان زیستی پیچیده هدایت کند.
- از تعمیم‌های ساده‌انگارانه (مانند یکی گرفتن سلول بنار با موجود زنده) پرهیز کند.
- خودسامان‌دهی را نه به‌عنوان یک مکانیسم واحد، بلکه به‌عنوان «خانواده‌ای از فرایندها» معرفی کند که در سطوح مختلف، نمودهای متفاوتی دارند.

آنچه خواننده به دست می‌آورد

خواننده در پایان این مقاله:

۱. چرایی تعدد تعاریف را درک می‌کند و می‌فهمد چرا خودسامان‌دهی را نمی‌توان در یک جمله خلاصه کرد.

۲.زمان زیستی

بنیان‌همیان خودتنظیمی، خودآرایی و خودسامان‌دهی را پیدا می‌کند و دیگر ترموستات را با موجود زنده اشتباه نمی‌گیرد.

۳. خط سیر تاریخی مفهوم را از اشبی تا هالند می‌شناسد و می‌فهمد هر متفکر چه لایه‌ای به پازل افزوده است.

۴. مرز میان حیات و غیرحیات را نه در یک ویژگی جادویی، بلکه در درهم‌تنیدگی چند ویژگی سازمانی می‌بیند.

۵.سازمان زیستی

بنیان‌برای خوانش سایر متون دانش پیچیدگی (پدیدارگی، سازگاری، اتوپویزیس) به دست می‌آورد.

در یک نگاه

این مقاله تلاشی است برای پر کردن حلقه‌ی مفقوده در ادبیات فارسی‌زبان: ایجاد پلی میان سنت‌های فکری گوناگونِ دانش پیچیدگی و ارائه‌ی روایتی تا حد مقدور منسجم که خواننده را از پرسشِ «خودسامان‌دهی چیست؟» به پرسشِ عمیق‌ترِ «چه چتری از رویدادها را خودسامان‌دهی می‌نامیم و این سازمان دقیقاً چگونه پدید می‌آید؟» رهنمون سازد.
https://t.me/complexitythinking
❤2
جی فارمر
جی. دوین فارمر

دومین فیزیک دان پیچیدگی که در عرصه «اقتصاد» شایستگی بردن نام او در کنار کسانی چون آرتور است.
او از آن دانشمندانی است که مسیر فکری‌اش را نمی‌توان در مرز یک رشته نگه داشت. او کار خود را در فیزیک و نظریه سیستم‌های دینامیکی آغاز کرد و از پژوهشگران نسل نخست نظریه آشوب بود؛ اما بعدها همین نگاه را به بازارها، فناوری و اقتصاد برد. مسئله اصلی برای او این بود که اگر رفتار یک سیستم از برهم‌کنش تعداد زیادی عامل شکل بگیرد، آیا می‌توان آن را با همان مدل‌های ساده و تعادلی که در اقتصاد متعارف به کار می‌روند فهمید؟
فارمر در دهه ۱۹۷۰، زمانی که هنوز نظریه آشوب در حال شکل‌گیری بود، در گروهی از دانشجویان فیزیک دانشگاه کالیفرنیا در سانتاکروز به مطالعه سیستم‌های دینامیکی پرداخت. این تجربه، نگاه او را به جهانی شکل داد که در آن قوانین می‌توانند کاملاً مشخص باشند، اما نتیجه اجرای مکرر آنها لزوماً ساده و قابل پیش‌بینی نباشد. بعدها همین مسئله در اقتصاد برای او اهمیت پیدا کرد؛ بازار نیز می‌تواند از قواعد و رفتارهای نسبتاً ساده عامل‌های متعدد ساخته شود، اما حاصل جمع این رفتارها الزاماً رفتاری ساده و خطی نیست.
در اقتصاد متعارف، مدل‌ها اغلب با فرض‌هایی درباره رفتار عقلانی عامل‌ها و رسیدن بازار به تعادل ساخته می‌شوند. فارمر و همکارانش مسیر دیگری را دنبال کردند. در اقتصاد پیچیدگی، بنگاه‌ها و افراد را عامل‌هایی ناهمگون در نظر می‌گیرند که اطلاعات محدودی دارند، بر اساس قواعد و راهبردهای خود تصمیم می‌گیرند و رفتارشان بر یکدیگر اثر می‌گذارد. در چنین اقتصادی، بازار چیزی نیست که یک‌بار به تعادل برسد و سپس همان‌جا باقی بماند؛ خودِ تعامل عامل‌ها می‌تواند ساختار بازار را تغییر دهد و رفتار آینده عامل‌ها را نیز تحت تأثیر قرار دهد. فارمر در پژوهش‌های اقتصادی خود به‌ویژه بر مدل‌سازی عامل‌بنیان، ثبات مالی، رشد اقتصادی و تغییرات فناورانه تمرکز کرده است.

فارمر همچنین نشان داد که کامپیوتر می‌تواند در اقتصاد نقشی فراتر از ابزار محاسبه داشته باشد. وقتی سیستم آن‌قدر پیچیده است که حل تحلیلی آن ممکن یا واقع‌بینانه نیست، می‌توان عامل‌ها، قواعد تصمیم‌گیری و شبکه تعامل آنها را در یک مدل قرار داد و اجازه داد سیستم در طول زمان تکامل پیدا کند. آنچه از این شبیه‌سازی پدیدار می‌شود، می‌تواند خودِ موضوع مطالعه باشد. از این منظر، شبیه‌سازی فقط راهی برای محاسبه یک پاسخ از پیش معلوم نیست؛ راهی برای کشف رفتارهایی است که از تعامل اجزای سیستم پدید می‌آیند.

فارمر در این مسیر یک نکته اساسی را از جهان آشوب به اقتصاد منتقل کرد: برای فهم رفتار یک سیستم، دانستن قوانین اجزای آن کافی نیست؛ باید دید این اجزا چگونه در طول زمان بر یکدیگر اثر می‌گذارند. از اینجا اقتصاد دیگر تصویری ایستا از تعادل نیست، بلکه به سامانه‌ای پویا، تاریخی و سازگارشونده تبدیل می‌شود؛ سامانه‌ای که در آن رفتار کلان می‌تواند از دل تعامل عامل‌هایی پدیدار شود که هیچ‌کدام به‌تنهایی صاحب آن رفتار نیستند.
https://t.me/complexitythinking
👍3
🔶از واقع‌گرایی سخت تا عمل‌گرایی انعطاف‌پذیر

✍️مسعود امیرزاده

🔷پذیرش واقع‌گرایی سخت به‌معنای پذیرش انفعال نیست.
🔷برعکس، اگر واقعیت مسئله را همان‌گونه که هست بپذیریم، می‌توانیم به‌جای جست‌وجوی راه‌حل‌های ساده، قطعی و نهایی، به نوع دیگری از عمل‌گرایی برسیم که با ماهیت پیچیده، فرگشتی و چندمقیاسی رژیم رابطه سازگار باشد.

🔷در مسائل بغرنجی مانند بحران اقلیمی و رابطه انسان با سامانه زمین، نمی‌توان انتظار داشت که یک راه‌حل جامع و نهایی وجود داشته باشد.
🔷 مسئله‌ای که خود در حال تغییر است، با مجموعه‌ای از مداخلات ثابت و ازپیش‌تعیین‌شده نیز قابل مواجهه نیست.
🔷حتی مداخلات ما می‌توانند خود بخشی از مسیر تحول مسئله شوند و پیامدهایی ایجاد کنند که از ابتدا قابل پیش‌بینی نبوده‌اند.

ادامه یادداشت 👇
https://payamema.ir/payam/166518

@payamema
❤1👍1
الکساندر لیاپانوف
الکساندر لیاپانوف
ریاضی‌دان و فیزیکدان روس، از بنیان‌گذاران نظریه پایداری سیستم‌های دینامیکی بود؛ دانشمندی که ده‌ها سال پیش از تولد نظریه آشوب، زبان ریاضی فهم رفتارهای پایدار و ناپایدار را بنا نهاد. اهمیت او برای دانش پیچیدگی در این است که نشان داد سرنوشت یک سیستم را تنها قوانین آن تعیین نمی‌کنند؛ نحوه واکنش سیستم به اختلالات کوچک نیز بخشی از ماهیت آن است.

بزرگ‌ترین دستاورد لیاپانوف، نظریه پایداری بود. او پرسید اگر یک سیستم اندکی از وضعیت تعادل خود منحرف شود، چه اتفاقی می‌افتد؟ آیا دوباره به تعادل بازمی‌گردد، در همان نزدیکی باقی می‌ماند یا از آن دورتر و دورتر می‌شود؟ پاسخ به این پرسش، مفهوم پایداری لیاپانوف را به یکی از بنیادی‌ترین ابزارهای مطالعه سیستم‌های پویا تبدیل کرد.

از دل همین اندیشه، مفهومی شکل گرفت که امروز با نام «نمای لیاپانوف» شناخته می‌شود. این نما نشان می‌دهد فاصله دو مسیر بسیار نزدیک در یک سیستم با گذشت زمان چگونه تغییر می‌کند. اگر این فاصله به‌طور نمایی افزایش یابد، سیستم نسبت به شرایط اولیه حساس است؛ همان ویژگی‌ای که بعدها در نظریه آشوب با اثر پروانه‌ای شهرت یافت.
اهمیت لیاپانوف برای دانش پیچیدگی در این است که ناپایداری را از یک نقص یا خطا، به ویژگی ذاتی بسیاری از سیستم‌های پویا تبدیل کرد. از اقلیم و مدار سیارات تا جمعیت‌ها، شبکه‌ها و بازارهای مالی، پرسش اصلی دیگر فقط یافتن تعادل نیست، بلکه فهم مرز میان پایداری و ناپایداری است؛ مرزی که بسیاری از رفتارهای پیچیده دقیقاً در نزدیکی آن شکل می‌گیرند.
میراث لیاپانوف این بود که نشان داد پیچیدگی اغلب از جایی آغاز می‌شود که یک سیستم، با وجود پیروی از قوانین کاملاً معین، نسبت به تغییرات بسیار کوچک آینده‌های کاملاً متفاوتی را تجربه می‌کند. این نگاه، یکی از سنگ‌بناهای ریاضی نظریه آشوب و سپس دانش پیچیدگی شد.
لیاپانوف پس از انقلاب روسیه، در سال ۱۹۱۸ همسرش را که سال‌ها از بیماری سل رنج می‌برد از دست داد. همان روز مراسم خاکسپاری همسرش، او با شلیک گلوله اقدام به خودکشی کرد. چند روز بعد بر اثر همان جراحت درگذشت. او در ۶۱ سالگی از دنیا رفت.
این ماجرا معمولاً در زندگی‌نامه‌های او آمده و یکی از تراژیک‌ترین پایان‌های زندگی در میان ریاضی‌دانان بزرگ است.
https://t.me/complexitythinking
❤3
محیط زیست و اعداد (۴)

داده‌سازی جعلی یا نمادین
مسعود امیرزاده

در قسمت‌های پیشین از این سلسله یادداشت‌ها، از «اعداد بی‌مقیاس» گفتیم که چون چک‌های بی‌محل در تریبون‌های رسمی دست‌به‌دست می‌شوند. سپس به سراغ منابع و متفکرانی رفتیم که دهه‌هاست درباره‌ی سیاستِ اعداد و آمار هشدار می‌دهند. و در یادداشت سوم، از «داده‌های پنهان» سخن گفتیم؛ آن‌هایی که عمداً سانسور می‌شوند، در کشوها خاک می‌خورند، یا زیر آوار بوروکراسی گم می‌شوند.

اما حالا می‌خواهم درباره‌ی چیز خطرناک‌تری صحبت کنم:«داده‌سازی جعلی یا نمادین»

تفاوت این دو چیست؟ داده‌ی پنهان، واقعیتی است که وجود دارد اما پنهان می‌شود. اما داده‌ی جعلی یا نمادین، واقعیتی است که وجود ندارد،اما به شکل عدد تولید می‌شود، در گزارش‌ها می‌نشیند، در رسانه‌ها منتشر می‌شود، و حتی مبنای تصمیم‌گیری قرار می‌گیرد.

اینجا دیگر با «سانسور» سروکار نداریم؛ با «تولید واقعیت مجازی»سروکار داریم.با سرکوب آگاهی سروکار نداریم با گمراهی آگاهی مواجه هستیم.
مکانیسم‌های داده‌سازی جعلی

داده‌سازی جعلی همیشه به شکل دروغ مستقیم نیست. گاهی بسیار ظریف‌تر و پیچیده‌تر عمل می‌کند. بیایید چند مکانیسم رایج را بررسی کنیم:
گاهی اعدادی تولید می‌شوند که هیچ پایه‌ی تجربی و میدانی ندارند. مثلاً وقتی گفته می‌شود «ایران ظرفیت سکونت یک میلیارد نفر را دارد»، این عدد از کجا آمده است؟ آیا واقعاً مطالعاتی انجام شده که نشان دهد با منابع آب، خاک، انرژی و زیرساخت‌های موجود، می‌توان یک میلیارد نفر را کرد؟ یا این عدد فقط یک «عدد نمادین» است که برای ایجاد حس «امکان‌پذیری» و «عظمت» تولید شده است؟
این نوع داده‌سازی، «ریاضیات تئاتر»است. عددی که روی صحنه می‌آید، فقط برای تأثیرگذاری بر تماشاچی است، نه برای توصیف واقعیت.
دستکاری روش‌شناسی برای رسیدن به نتیجه‌ی مطلوب
گاهی داده‌ها واقعی هستند، اما روش‌شناسی طوری دستکاری می‌شود که به نتیجه‌ی مطلوب برسد. مثلاً فرض کنید می‌خواهید نشان دهید یک پروژه‌ی سدسازی «موفق» بوده است. می‌توانید تعریف «موفقیت» را طوری تنظیم کنید که فقط شامل افزایش تولید برق باشد، و اثرات زیست‌محیطی، جابه‌جایی جمعیت، یا تخریب اکوسیستم را از تعریف خارج کنید.
این نوع داده‌سازی، «ریاضیات انتخابی»است. شما واقعیت را حذف نمی‌کنید؛ فقط آن بخشی از واقعیت را انتخاب می‌کنید که به نفع شماست.

استفاده از مدل‌های ریاضی
برای «توجیه» تصمیمات از پیش گرفته‌شده
گاهی تصمیم از قبل گرفته شده، اما برای «علمی» جلوه دادن آن، یک مدل ریاضی ساخته می‌شود. مثلاً وقتی تصمیم گرفته شده که یک جنگل قطع شود و به زمین کشاورزی تبدیل شود، یک مدل اقتصادی ساخته می‌شود که «ارزش افزوده‌ی» این تبدیل را نشان می‌دهد. اما در این مدل، ارزش اکوسیستمی جنگل، ارزش تنظیم آب‌وهوا، ارزش تنوع زیستی، و ارزش فرهنگی آن یا نادیده گرفته می‌شوند، یا با اعدادی بسیار کوچک و نمادین وارد مدل می‌شوند.
این نوع داده‌سازی، «ریاضیات توجیهی» است. مدل ریاضی دیگر ابزار کشف واقعیت نیست؛ ابزار توجیه تصمیم از پیش گرفته‌شده است.
اعداد نمادین برای نمایش «پیشرفت»
گاهی اعدادی تولید می‌شوند که فقط برای نمایش «پیشرفت» و «توسعه» هستند، بدون آنکه واقعاً تغییری در وضعیت واقعی ایجاد کرده باشند. مثلاً وقتی گفته می‌شود «تعداد مقالات علمی کشور ۱۰ برابر شده است»، این عدد ممکن است واقعی باشد، اما آیا کیفیت این مقالات، تأثیر آن‌ها بر حل مسائل واقعی کشور، یا ارتباط آن‌ها با نیازهای صنعت و جامعه هم ۱۰ برابر شده است؟ یا فقط «تعداد» مقالات افزایش یافته، بدون آنکه «کیفیت» یا «تأثیر» تغییری کرده باشد؟
این نوع داده‌سازی، «ریاضیات نمایشی»است. عددی که فقط برای پر کردن فرم‌ها و گزارش‌ها تولید می‌شود، نه برای توصیف واقعیت.

موضوع داده سازی ادامه خواهد داشت....
https://t.me/didehbaanzistboom
👍1
توماس اندروز
توماس اندروز
شیمی‌دان و فیزیکدان ایرلندی بود که بیشتر زندگی علمی‌اش را در بلفاست گذراند و استاد شیمی Queen’s College Belfast بود. پژوهش‌های اولیه‌اش در زمینه گرمای واکنش‌های شیمیایی و ازن بود، اما مهم‌ترین بخش کارش به مطالعه رفتار گازها و مایعات مربوط شد.
اهمیت اندروز برای داستان ما از آزمایش‌های او روی دی اکسید کرین در دهه ۱۸۶۰ شروع می‌شود. او فشار، حجم و دمای CO₂ را با دقت اندازه گرفت و متوجه شد که در یک دمای معین، دیگر نمی‌توان گاز را صرفاً با افزایش فشار به مایع تبدیل کرد. این دما بعدها «دمای بحرانی» نام گرفت. موزه علوم نیز مهم‌ترین کشف او را دقیقاً وجود همین دمای بحرانی می‌داند.
اما کشف مهم‌تر از خود عدد دما بود.
اندروز مشاهده کرد که با نزدیک شدن به شرایط خاصی، مرز میان مایع و گاز محو می‌شود. در حالت معمول، مایع و گاز دو وضعیت کاملاً متمایزند و سطح جدایی آنها دیده می‌شود؛ اما در نزدیکی نقطه‌ای خاص، این سطح به‌تدریج محو می‌شود و در نهایت دیگر نمی‌توان گفت ماده در کدام یک از این دو فاز قرار دارد. اندروز در مقاله ۱۸۶۹ خود این وضعیت را با عنوان «استمرار حالت‌های گازی و مایع ماده» بررسی کرد و اصطلاح نقطه بحرانی را برای آن به کار برد.

اهمیت توماس اندروز برای روایت ما در این است که کار او را می‌توان آغاز یکی از مهم‌ترین زنجیره‌های مفهومی در معماری دانش پیچیدگی دانست؛ زنجیره‌ای که از مطالعه نقطه بحرانی و گذار فاز در فیزیک آغاز شد و به مفاهیمی چون نوسانات بحرانی، همبستگی‌های دوربرد، شکست تقارن، مقیاس‌پذیری، گروه بازبهنجارش و سرانجام بحرانیت خودسازمان‌یافته رسید. پس از اندروز، این مسیر با کسانی چون فان‌در‌والس، کوری، اسمولوخوفسکی، اینشتین، اورنشتاین و زرنیكه، آیزینگ، اونساگر، یانگ و دیگران ادامه یافت و در صورت‌بندی‌های نظری کادانوف و ویلسون به مرحله تازه‌ای رسید. بعدها با کار باک، تانگ و ویزنفلد، مفهوم بحرانیت از پدیده‌ای که در شرایط ویژه‌ای در سامانه‌های فیزیکی رخ می‌دهد، به ایده‌ای درباره توانایی برخی سامانه‌ها برای رسیدن و ماندن در وضعیت بحرانی از طریق پویایی درونی خود تبدیل شد.

https://t.me/complexitythinking
ارنست ایزینگ
ارنست آیزینگ
فیزیکدان آلمانی، در سال ۱۹۲۵ راه‌حلی برای نسخهٔ یک‌بعدی مدلی ارائه کرد که پیش‌تر توسط استادش ویلهلم لنتس پیشنهاد شده بود. در مدل آیزینگ، هر ذره یا گره می‌تواند یکی از دو حالت را داشته باشد، مثلاً «بالا» یا «پایین»، و همسایگی میان آنها باعث می‌شود حالت‌های مشابه تمایل به هم‌راستایی پیدا کنند. نکته مهم این است که از همین قواعد بسیار سادهٔ محلی، می‌توان رفتار جمعی بسیار پیچیده‌ای را مطالعه کرد.
اما نتیجهٔ مهم مدل یک‌بعدی آیزینگ این بود که در دمای متناهی، گذار فاز مغناطیسی واقعی رخ نمی‌دهد.
ارنست آیزینگ برای دانش پیچیدگی از این جهت اهمیت دارد که مدل ساده‌ای که در دهه ۱۹۲۰ بررسی کرد، بعدها به یکی از مدل‌های پایه برای فهم رفتار جمعی در سامانه‌ها تبدیل شد. مدل آیزینگ در اصل برای توضیح رفتار مغناطیسی مواد طراحی شده بود: مجموعه‌ای از اجزای ساده که هرکدام می‌توانند در یکی از دو حالت قرار گیرند و با اجزای مجاور خود برهم‌کنش داشته باشند. اما همین ساختار ساده، بعدها به آزمایشگاهی نظری برای مطالعه پدیده‌هایی بسیار فراتر از مغناطیس تبدیل شد.
اهمیت مدل در این است که نشان می‌دهد چگونه برهم‌کنش‌های ساده و محلی میان اجزا می‌توانند به رفتار جمعی در مقیاس کل سامانه منجر شوند. در نزدیکی گذار فاز، رفتار سامانه تغییر کیفی پیدا می‌کند، تقارن می‌تواند به‌صورت خودبه‌خودی شکسته شود و همبستگی میان اجزا در مقیاس‌های بزرگ گسترش یابد. به همین دلیل، مدل آیزینگ بعدها به یکی از مدل‌های بنیادی در مطالعه پدیده‌های بحرانی تبدیل شد و مفاهیمی مانند طول همبستگی، شکست تقارن، مقیاس‌پذیری و جهان‌شمولی را در یک چارچوب مشخص قابل مطالعه کرد.

آیزینگ در سال ۱۹۲۵ مدل یک‌بعدی را حل کرد و نشان داد که در این حالت، در دمای متناهی گذار فاز مغناطیسی رخ نمی‌دهد. چند دهه بعد، راه‌حل دقیق مدل دوبعدی توسط لارس اونساگر نشان داد که با تغییر ساختار سامانه، گذار فاز و نقطه بحرانی می‌تواند پدیدار شود. از همین‌جا مدل آیزینگ به یکی از مهم‌ترین مدل‌های پایه در نظریه گذار فاز و پدیده‌های بحرانی تبدیل شد.
برای دانش پیچیدگی، اهمیت واقعی مدل آیزینگ در همین فاصله میان سادگی اجزا و پیچیدگی رفتار جمعی است. لازم نیست هر جزء به‌تنهایی رفتار پیچیده‌ای داشته باشد؛ گاهی کافی است اجزای ساده با یکدیگر برهم‌کنش کنند تا در مقیاس کلان، ویژگی‌هایی پدیدار شوند که در هیچ جزء منفردی وجود ندارند. از این منظر، مدل آیزینگ یکی از نمونه‌های کلاسیک برای اندیشیدن به ظهور، رفتار جمعی و بحرانیت است و به همین دلیل در روایت شکل‌گیری دانش پیچیدگی جایگاهی فراتر از یک مدل در فیزیک مغناطیس پیدا کرده است.
https://t.me/complexitythinking
مدل ایزینگ
محیط زیست و اعداد ( ۵)
مسعود امیرزاده
در فلسفه ریاضی، قرن‌هاست که دعوا بر سر این است که آیا اعداد «واقعیت» دارند یا نه؛ آیا کشف می‌شوند یا ساخته می‌شوند؛ آیا افلاطونی هستند یا قراردادی. اما این دعوا در عمل بی‌معنا شده است. چون اعداد، فارغ از اینکه در عالم انتزاع چه جایگاهی دارند، در عالم واقع به چیزی تبدیل شده‌اند که دیگر نمی‌توان از آن‌ها عبور کرد. اعداد دیگر «توصیف‌گر» واقعیت نیستند؛ خودشان «واقعیت‌ساز» شده‌اند.
این یک گزاره هستی‌شناختی است، نه معرفت‌شناختی. یعنی مسئله این نیست که «ما اعداد را چگونه می‌شناسیم»، بلکه این است که «اعداد چگونه در جهان عمل می‌کنند».
آنچه که در قسمت پیشین در مورد اعداد جعلی و نمادین گفتیم صورت هولناک چنین واقعیتی است. آنجا که اعداد با ظاهر نسبتا سالم و بیطرف و حتی علمی و اندازه گیری شده معرفی میشوند اما عملا پشت این اعداد حقایقی دیگر به سکوت وادار شده اند.
بیایید چند مثال عینی از ایران و جهان بزنیم
آمارهای محیط‌زیستی ساختگی
در بسیاری از کشورها، آمارهای مربوط به آلودگی هوا، کیفیت آب، یا تخریب جنگل‌ها نه بر اساس اندازه‌گیری‌های واقعی، بلکه بر اساس «برآوردها» و «مدل‌ها» تولید می‌شوند. و این مدل‌ها اغلب طوری تنظیم می‌شوند که اعداد «قابل قبول» و «غیربحرانی» باشند. نتیجه این است که وقتی فاجعه واقعاً رخ می‌دهد (مثلاً یک رودخانه کاملاً آلوده می‌شود، یا یک جنگل کاملاً تخریب می‌شود)، همه تعجب می‌کنند: «مگر آمارها نمی‌گفتند وضعیت خوب است؟».
یا آنگاه که واقعیت مخفی شده توسط اعداد از سرطان و بیماریهای قلبی یا شکافتن سینه دشتها سر بر می آورد.
گزارش‌های توسعه‌ای نمادین
در بسیاری از کشورها، گزارش‌های «توسعه‌ی پایدار» یا «رشد اقتصادی» تولید می‌شوند که اعداد بسیار جذابی دارند. اما وقتی به واقعیت میدانی نگاه می‌کنید، می‌بینید که این اعداد هیچ ارتباطی با تجربه‌ی واقعی مردم ندارند. مثلاً وقتی گفته می‌شود «رشد اقتصادی ۵ درصد بوده است»، اما مردم کاملا فلاکت را حس میکنند،این عدد یا بر اساس روش‌شناسی اشتباه تولید شده، یا فقط یک «عدد نمادین» است که برای نمایش «موفقیت» تولید شده است.

شاخص‌های ساختگی برای توجیه پروژه‌ها

وقتی تصمیم گرفته می‌شود یک پروژه‌ی بزرگ (مثل سد، جاده، یا نیروگاه) ساخته شود، معمولاً یک «مطالعه‌ی امکان‌سنجی» انجام می‌شود. اما در بسیاری از موارد، این مطالعات طوری طراحی می‌شوند که «نتیجه‌ی مطلوب» را نشان دهند. یعنی نسبت منافع به هزینه‌ها (B/C ratio) طوری محاسبه می‌شود که بزرگ‌تر از ۱ باشد، حتی اگر واقعیت چیز دیگری باشد. این کار با دستکاری فرضیات، نادیده گرفتن هزینه‌های زیست‌محیطی و اجتماعی، یا بیش‌برآورد منافع انجام می‌شود.برای آبی که وجود ندارد سد ساخته میشود و برای جاده ای که متقاضی ندارد اما پیمانکاران که مشغول کار میشوند!

ادامه دارد این دردنامه اعداد....
https://t.me/didehbaanzistboom
پیرکوری در کنار همسرش ماری کوری