Ha eltöltött némi időt bonyolult rendszerek áttekintésével, biztosan érti a hálózatok fontosságát. A hálózatok irányítják a világunkat. A sejtek belsejében zajló kémiai reakcióktól kezdve, a kapcsolati hálózatokig az ökoszisztémában, a kereskedelmi és politikai hálózatokig, amelyek formálják a történelem menetét.

Vagy vegyük ezt a cikket, amelyet éppen olvas. Valószínűleg egy szociális hálózaton, letöltött egy számítógépes hálózatról és most a saját neuronhálóján.

keresztül értelmezi a mondanivalót. De bármennyit gondolkodtam is a hálózatokról az évek során, a közelmúltig nem értettem meg a egyszerű diffúzió.

fontosságát. Ez a mai téma: hogyan terjed minden, és mennyire kaotikus mindez. Néhány példa az étvágy felkeltésére:

Fertőző betegségek, amelyek hordozóról hordozóra terjednek egy populációban.
Memek, amelyek elérik a követők grafikonját a közösségi médiában.
Egy erdőtűz.
Ötletek és gyakorlatok, amelyek behatolnak a kultúrába.
Neutronok cascádja dúsított uránban.

Egy rövid megjegyzés a formáról.

A korábbi munkáimmal ellentétben ez az esszé interaktív [a eredeti cikkben interaktív példák találhatók csúszkákkal és gombokkal, amelyek vezérlik a képernyőn megjelenő objektumokat - szerk.].

Most pedig kezdjünk neki. Az első feladat – egy vizuális szótár megtervezése a hálózatokban való elterjedéshez.

Egyszerű modell

Biztos vagyok benne, hogy mindannyian ismerik a hálózatok alapját, azaz a csúcsok + élek. A diffúzió kutatásához elegendő néhány csúcsot "aktívnak" jelölni. aktív. Vagy, ahogy a járványügyi szakemberek mondják, fertőzött:

Ez az aktiválás vagy fertőzés a hálózaton csúcsról csúcsra terjed az alábbiakban kidolgozott szabályok szerint.

A valós hálózatok általában sokkal nagyobbak, mint ez az egyszerű, hét csúcsból álló hálózat. Sokkal bonyolultabbak is. De az egyszerűség kedvéért itt építünk egy játékmintát, hogy tanulmányozzuk a rácsot, ezt nevezzük rácshálózatnak (lattice network).

(Bár a rács nem eléggé realisztikus, ezt azzal kompenzáljuk, hogy könnyű lerajzolni 😉

Kivéve, ha másként nincs megadva, a hálózat csomópontjainak négy szomszédja van, például:

És el kell képzelni, hogy ezek a rácsok végtelenül kiterjednek minden irányba. Más szavakkal, nem érdekel minket az a viselkedés, amely csupán a hálózat szélein vagy kis populációkban zajlik.

Tekintettel arra, hogy a rácsok rendkívül rendezettek, egyszerűsíthetjük őket pixelekre. Például ez a két kép ugyanazt a hálózatot ábrázolja:

Az egyik viselkedési variációban az aktív csomópont mindig átadja a fertőzést a (nem fertőzött) szomszédainak. De ez unalmas. Sokkal érdekesebb dolgok történnek, amikor a fertőzés valószínűségi.

SIR és SIS

A SIR modellek (Susceptible-Infected-Removed) a csomópont három állapotban lehet:

Fogékony (Susceptible)
Fertőzött (Infected)
Eltávolított (Removed)

Így működik az interaktív szimuláció [a eredeti cikkben ki lehet választani a fertőzés terjedésének sebességét 0-tól 1-ig, lépésről lépésre megfigyelni a folyamatot, vagy megnézni az egészet — megj. ford.]:

A csomópontok fogékonyként kezdik, kivéve néhány csomópontot, amelyek fertőzöttként kezdik.
Minden időlépésben a fertőzött csomópontoknak esélyük van arra, hogy a fertőzést átadják minden fogékony szomszédjuknak, a terjedési sebességnek megfelelő valószínűséggel.
A fertőzött csomópontok ezután átkerülnek az 'eltávolított' állapotba, ami azt jelenti, hogy nem tudják többé megfertőzni a másokat, vagy maguk is megfertőződni.

A betegség kontextusában az eltávolítás jelentheti azt, hogy az ember elhunyt, vagy hogy immunitást fejlesztett ki a kórokozóval szemben. Azt mondjuk, hogy 'eltávolították' őket a szimulációból, mert velük többé nem történik semmi.

Attól függően, hogy mit próbálunk modellezni, szükség lehet egy másik modellre, amely eltér a SIR-tól.

Ha a kanyaró terjedését vagy egy erdőtűz kitörését szimuláljuk, a SIR tökéletesen megfelelő. De tegyük fel, hogy egy új kulturális gyakorlat, például a meditáció elterjedését modellezzük. Először a csomópont (ember) fogékony, mert még soha nem csinálta ezt. Ezután, ha elkezd meditálni (talán egy barátjától hallott róla), fertőzöttként modellezzük. De ha abbahagyja a gyakorlatot, akkor nem hal meg, és nem esik ki a szimulációból, mert a jövőben könnyen újra átveheti ezt a szokást. Így visszatér a fogékony állapotba.

Ez SIS modell (Fogékony–Fertőzött–Fogékony). A klasszikus modellen két paraméter szerepel: a fertőzés terjedési sebessége és a gyógyulás sebessége. Azonban a cikkhez készült szimulációkban egyszerűsítettem, és kihagytam a gyógyulási sebesség paramétert. Ehelyett a fertőzött csomópont automatikusan visszatér a fogékony állapotba a következő időlépésben, kivéve, ha az egyik szomszédja megfertőzi. Ezen kívül megengedjük, hogy a n. lépésben megfertőzött csomópont a n+1. lépésben megfertőzze önmagát a fertőzés terjedési sebességének megfelelő valószínűséggel.

Megbeszélés

Ahogy láthatja, ez nagyon eltér a SIR modelltől.

Mivel a csomópontok sosem törlődnek, egy nagyon kis és korlátozott rács is képes hosszú időn keresztül fenntartani a SIS fertőzést. A fertőzés egyszerűen ugrál a csomópontok között és visszatér.

Bár a SIR és SIS között különbségek vannak, meglepően hasonlóak a céljaink szempontjából. Ezért a cikk további részében a SIS-re összpontosítunk – főként azért, mert ezt sokkal életképesebbnek találjuk, így érdekesebb vele dolgozni.

Kritikus szint

Ha játszott a SIR és SIS modellekkel, észrevehette, hogy van valami a fertőzés tartósságával kapcsolatban. Nagyon alacsony terjedési sebességek, mint például 10%-nál, a fertőzés hajlamos elhalni. Míg a magasabb értékeken, például 50%-nál a fertőzés életben marad és a hálózat nagyobb részét elfoglalja. Ha a hálózat végtelen lenne, elképzelhetnénk, hogy ez végleg terjedne.

Egy ilyen határtalan diffúziónak sok neve van: 'vírusos', 'magas', vagy (ennek a cikknek a címében) critical.

Kiderül, hogy van konkrét töréspont, amely elválasztja a kritikus hálózatokat (kihalásra ítéltek) a szuperkritikus hálózatoktól (végtelen növekedésre képesek). Ezt a töréspontot úgy hívják, hogy kritikus küszöb, és ez egy meglehetősen általános jelenség a diffúziós folyamatokban a normál hálózatokban.

A kritikus küszöb pontos értéke hálózatonként eltér. Az egyetlen közös, hogy létezik ilyen érték.

[Az interaktív bemutatóban a cikk eredeti változata segítségével manuálisan kísérletet tehet a hálózat kritikus küszöbének megtalálására a terjedési sebesség értékének megváltoztatásával. Ez valahol 22% és 23% között van – szerk. megj.]

22% ( vagy annál kevesebb) esetén a fertőzés végül kihal. 23% (vagy annál több) esetén az eredeti fertőzés néha kihal, de a legtöbb esetben sikerül túlélni és elég hosszú ideig terjedni ahhoz, hogy örök létezést biztosítson magának.

(Mellesleg, van egy teljes tudományos terület, amely ennek a kritikus küszöbnek a különböző hálózati topológiákra való keresésével foglalkozik. Gyors betekintéshez ajánlom, hogy görgessen végig a Wikipédia cikkén a küszöbérték).

Általánosságban így működik: a kritikus küszöb alatt bármilyen végső fertőzés a hálózaton garantáltan (1 valószínűséggel) végül kihal. De a kritikus küszöb felett van egy valószínűség (p > 0), hogy a fertőzés végtelen ideig folytatódik, és közben véletlenszerűen messzire terjed az eredeti helytől.

Fontos megjegyezni, hogy a szuperkritikus hálózat nem garantálja, hogy a fertőzés végtelen ideig folytatódik. Valójában gyakran elhal, különösen a modellezés legkorábbi szakaszaiban. Nézzük meg, hogyan történik ez.

Tegyük fel, hogy egy fertőzött csomóponttal és négy szomszéddal indítottunk. A modellezés első lépésében a fertőzésnek 5 független lehetősége van a terjedésre (beleértve a következő lépésben a "terjedni magára" lehetőségét):

Most tegyük fel, hogy a terjedési sebesség 50%. Ebben az esetben az első lépésben ötször dobunk érmét. Ha öt fej jön ki, a fertőzés megsemmisül. Ez körülbelül 3%-ban fordul elő – és ez csak az első lépés. Az első lépést túlélt fertőzésnek van egy (általában alacsonyabb) valószínűsége, hogy a második lépésben kihal, egy bizonyos (még alacsonyabb) valószínűsége, hogy a harmadik lépésben kihal, és így tovább.

Tehát még ha a hálózat szuperkritikus is — ha a terjedési sebesség 99% — a fertőzés eltűnése is lehetséges.

De fontos, hogy nem kíméletlenek voltak hal el. Ha összeadjuk minden lépés kihalásának valószínűségét a végtelenségig, az eredmény kevesebb mint 1. Más szavakkal, nulla alatti valószínűséggel a fertőzés végtelen ideig folytatódik. Ez azt jelenti, hogy egy hálózat szuperkritikus legyen.

SISa: spontán aktiválás

Eddig minden szimulációnk egy kis részből indult, ahol előre fertőzött csomópontok helyezkedtek el a középpontban.

De mi lenne, ha nulláról kezdenénk? Akkor modellezzük a spontán aktiválást - azt a folyamatot, amely során a fogékony csomópont véletlenszerűen megfertőződik (nem az egyik szomszédjától).

Ez nevezi SISa modellnek. Az „a” betű az „automatikus” szót jelenti.

A SISa szimulációjában megjelenik egy új paraméter - a spontán aktiválás sebessége, amely megváltoztatja a spontán fertőzés előfordulásának gyakoriságát (az előzőleg látott átviteli sebesség paramétere is jelen van).

Mi szükséges ahhoz, hogy a fertőzés elterjedjen az egész hálózaton?

Megbeszélés

Elképzelhető, hogy a szimulációban észrevetted, hogy a spontán aktiválás sebességének növelése nem változtat azon, hogy a fertőzés eléri-e az egész hálózatot vagy sem. Csak a átviteli sebesség határozza meg, hogy a hálózat alul- vagy túllépéses-e. És amikor a hálózat alulkritikus (az átviteli sebesség 22% vagy ennél kevesebb), akkor egyetlen fertőzés sem tudja elérni az egész rácsot, függetlenül attól, hogy milyen gyakran kezdődik.

Ez olyan, mintha tüzet gyújtanál egy nedves mezőn. Gyújthatsz meg néhány száraz levelet, de a láng gyorsan elalszik, mert a táj más része nem gyullad könnyen (alulkritikus). Míg egy nagyon száraz mezőn (túlkritikus) elegendő egy szikra ahhoz, hogy lángba boruljon.

Hasonló dolgok figyelhetők meg az ötletek és találmányok terén. Gyakran a világ nem készen áll egy ötletre, és ilyenkor azt újra és újra meg lehet találni, de nem ragadja meg a tömegeket. Másrészről a világ lehet, hogy teljesen készen áll a találmányra (nagy rejtett kereslet), és amint megszületik, mindenki elfogadja. Középen olyan ötletek találhatók, amelyeket több helyen találnak fel, és lokálisan terjednek, de nem elegendő ahhoz, hogy egy külön verzió azonnal lefedje az egész hálózatot. Az utolsó kategóriában található például a mezőgazdaság és az írásbeliség, amelyeket különböző emberi civilizációk körülbelül tíz és három alkalommal önállóan találtak fel.

Immunitás

Tegyük fel, hogy bizonyos csomópontokat teljesen sebezhetetlenné teszünk, tehát nem fogékonyak az aktiválásra. Olyan, mintha kezdetben távoli állapotban lennének, míg a SIS(a) modell a megmaradt csomópontokon fut.

Az „immunitás” csúszka a távoli csomópontok százalékát szabályozza. Próbálja meg megváltoztatni az értékét (a modell működése közben!), és figyelje meg, hogyan befolyásolja a hálózat állapotát, kritikus vagy túl kritikus lesz-e.

Megbeszélés

A rezisztens csomópontok számának megváltoztatása teljesen megváltoztatja a képet, a hálózat kritikus vagy túl kritikus lesz. És nem nehéz megérteni, miért. Nagy számú rezisztens csomópont esetén a fertőzésnek kevesebb lehetősége van új gazdákhoz jutni.

Kiderül, hogy ennek számos nagyon fontos gyakorlati következménye van.

Az egyik az erdőtüzek terjedésének megakadályozása. Helyi szinten mindenkinek saját óvintézkedéseket kell tennie (például soha ne hagyja felügyelet nélkül az élő lángot). De nagyobb léptékben az egyes kitörések elkerülhetetlenek. Így egy másik védekezési módszer az elegendő „szakadék” (gyúlékony anyagok hálózatában) biztosítása, hogy a kitörés ne terjedjen az egész hálózatra. Ezt a funkciót a tisztások látják el:

Egy másik kitörés, amelyet fontos megállítani - a fertőző betegség. Itt bevezetjük a fogalmat népességi immunitás. Ez az az elképzelés, hogy egyes emberek nem immunizálhatók (például legyengült immunrendszerük miatt), de ha elegendő ember rezisztens a fertőzéssel szemben, a betegség nem tud végtelenül terjedni. Más szóval, be kell oltani elegendő a népesség azon részét, hogy a lakosság a túl kritikus állapotból a kritikus állapotba kerüljön. Amikor ez megtörténik, egy beteg továbbra is fertőzött lehet (például egy másik régióba tett utazás után), de anélkül, hogy túl kritikus hálózat lenne, ahol terjedhet, a betegség csak egy kis csapat embert fertőz.

Végül a rezisztens csomópontok fogalma elmagyarázza, mi történik egy atomreaktorban. A láncreakció során az urán-235 bomló atomja körülbelül három neutronot szabadít fel, amelyek (átlagosan) több mint egy U-235 atom hasadását okozzák. Az új neutronok további atomhasítást okoznak és így tovább exponenciálisan:

A bomb's purpose is to ensure unobstructed exponential growth. However, in a power plant, the goal is to produce energy without harming everyone around. For this, control rods, made from materials that can absorb neutrons (such as silver or boron), are used. Since they absorb rather than release neutrons, they act as inert nodes in our simulation, thus preventing the radioactive core from reaching a supercritical state.

Thus, the trick of a nuclear reactor is to keep the reaction near the critical threshold by moving the control rods back and forth and ensuring that whenever something goes wrong, the rods descend into the core and halt it.

The degree

The degree of a node is the number of its neighbors. Until now, we have been looking at networks of degree 4. But what happens if we change this parameter?

For example, we can connect each node not only to four direct neighbors but also to four diagonal ones. In such a network, the degree will be 8.

Grids with degrees of 4 and 8 are well symmetric. However, with degree 5 (for instance), a problem arises: which five neighbors should be chosen? In this case, we select the four closest neighbors (N, E, S, W), and then randomly pick one neighbor from the set {NE, SE, SW, NW}. The selection is made independently for each node at each time step.

Megbeszélés

Again, it is not hard to understand what is happening here. When each node has more neighbors, the chances of infection spreading increase—and thus, the network is more likely to become critical.

However, the consequences may be unexpected, as we will see below.

Cities and Network Density

So far, our networks have been completely homogeneous. Each node looks like any other. But what if we change the conditions and allow different states of nodes throughout the network?

For example, let’s try to model cities. To do this, we will increase the density in certain areas of the network (higher degree of nodes). We do this based on data indicating that city dwellers have a broader social circle and more social interactions, than people outside of cities.

A modellünkben az érzékeny csomópontokat a fokuk alapján színezik. A "vidéki" csomópontok 4-es fokozatúak (világosszürkére festve), míg a "városi" csomópontok magasabb fokozatúak (sötétebbre festve), a peremén 5-től kezdve és a város középpontjában 8-ig terjedően.

Próbálj meg olyan terjedési sebességet választani, hogy az aktiváció lefedje a városokat, de ne lépje át a határoikat.

Ez a szimuláció számomra egyszerre nyilvánvaló és lenyűgöző. Természetesen, a városok jobban támogatják a kulturális szintet, mint a vidéki területek – ezt mindenki tudja. Amit meglepőnek találok, az az, hogy a kulturális sokféleség egy része egyszerűen a társadalmi hálózat topológiájából fakad.

Ez egy érdekes pont, próbálom részletesebben magyarázni.

Itt olyan kulturális formákkal foglalkozunk, amelyek közvetlenül és egyszerűen terjednek egyik emberről a másikra. Például modorok, szalonjátékok, divatirányzatok, kis csoportok rituáléi és az információs csomagok, amelyeket ötleteknek nevezünk, terjedése, amely szájról szájra történik.

(Megjegyzés: az információ terjedését az emberek között rendkívül megnehezítik a tömegtájékoztatási eszközök. Könnyebb elképzelni egy technológiailag primitív környezetet, például az ókori Görögországot, ahol majdnem minden kulturális szikra a fizikai térben történő interakció révén terjedt el.)

A fenti szimulációból megtudtam, hogy vannak ötletek és kulturális gyakorlatok, amelyek gyökeret verhetnek és elterjedhetnek a városban, de matematikailag nem képesek elterjedni a vidéken. Ezek ugyanazok az ötletek és ugyanazok az emberek. Nem arról van szó, hogy a vidéki emberek valami "kevésbé intelligensek": amikor ugyanazzal az ötlettel találkoznak, pontosan ugyanannyi esélyük van azt átvenni, mint a városiaknak. Csak az ötlet maga nem tud elterjedni a vidéken, mert ott nem áll rendelkezésre elég kapcsolat, amelyen keresztül terjedhet.

Ez talán a legkönnyebben a divat területén látható – öltözködés, frizurák stb. A divathálózatban rögzíthetjük a rácsvonalat, amikor két ember észreveszi egymás ruháit. A városi központban naponta több mint 1000 másik embert láthat mindenki – az utcán, a metróban, egy zsúfolt étteremben stb. Ezzel szemben vidéken mindenki csak néhány tucat másikat láthat. Ezen alapulva csak ezen a különbségen, a város képes több divatirányzatot fenntartani. És csak a legmeggyőzőbb irányzatok – a legmagasabb átvitel sebességével – tudnak eljutni a város határain túlig.

Skbben arra hajlunk, hogy azt gondoljuk, ha egy ötlet jó, akkor végül mindenkihez eljut, ha pedig rossz, akkor eltűnik. Ez kétségtelenül igaz a szélsőséges esetekre, de közöttük számos ötlet és gyakorlat létezik, amelyek csak bizonyos hálózatokban tudnak vírussá válni. Ez valóban lenyűgöző.

Nem csak városok

Itt a hálózati sűrűséghatását vizsgáljuk. Ez egy adott csomópontkészletre nézve úgy határozható meg, mint a valódi élekszáma osztva a potenciális élekszámával. Vagyis a lehetséges kapcsolatok százaléka, amelyek valóban léteznek.

Tehát láttuk, hogy a városi központokban a hálózati sűrűség magasabb, mint a vidéki területeken. De a városok nem az egyetlen hely, ahol sűrű hálózatokat találunk.

Érdekes példa a középiskolák. Például egy adott területen hasonlítsuk össze a diákok között létező hálózatot a szüleik között létező hálózattal. Ugyanaz a földrajzi terület és ugyanannyi népesség, de az egyik hálózat sokkal sűrűbb, mint a másik. Így nem meglepő, hogy a divat és a nyelvi trendek sokkal gyorsabban terjednek a fiatalok körében.

Hasonló módon, az elit hálózatok általában sokkal sűrűbbek, mint a nem elit hálózatok — véleményem szerint ezt a tényt alábecsülik (azok az emberek, akik népszerűek vagy befolyásosak, több időt töltenek a kapcsolatok kialakításával, így több "szomszédjuk" van, mint az átlagembereknek). A fent említett szimulációk alapján azt várjuk, hogy az elit hálózatok olyan kulturális formákat fognak fenntartani, amelyek nem támogathatók a mainstream által, egyszerűen a hálózat átlagos sűrűsége alapján. Hagyom, hogy elgondolkodjatok, mik lehetnek ezek a kulturális formák.

Végül alkalmazhatjuk ezt az ötletet az internetre, modellezve azt, mint egy óriási és nagyon sűrű várost. Nem meglepő, hogy az interneten sok új kulturális forma virágzik, amelyek egyszerűen nem tarthatók fenn tisztán térbeli hálózatokban: niche hobbi, jobb tervezési szabványok, nagyobb tudatosság a méltánytalanságról stb. És ezek nem csak kellemes dolgok. Ahogyan az első városok tenyészhellyé váltak azoknak a betegségeknek, amelyek nem terjedhettek alacsony népsűrűség mellett, úgy az internet is tápláló közeget nyújt a rosszindulatú kulturális formáknak, mint a kattintásvadászat, álhírek és a mesterséges felháborítás gerjesztése.

Tudás

„A megfelelő szakértő megszólítása a megfelelő időpontban gyakran a legértékesebb erőforrás a kreatív problémamegoldás során.” — Michael Nielsen, "Felfedezések feltalálása"

Gyakran úgy gondolunk a felfedezésre vagy találmányra, mint egy olyan folyamatra, ami egyetlen zseni agyában zajlik. Aztán rátör az ihlet és — eureka! — hirtelen új módot találunk a térfogat mérésére. Vagy a gravitációs egyenletet. Vagy a villanykörtét.

De ha az egyedüli feltaláló nézőpontjából tekintünk a felfedezés pillanatára, akkor a jelenséget a csomópont perspektívájából. Miközben helyesebb lenne a találmányt „hálózati” jelenségként értelmezni. A hálózat legalább két szempontból fontos. Először is, a már létező ötleteknek át kell jutniuk a feltaláló tudatába. Ezek új cikkek idézetei, egy új könyv bibliográfiai része — olyan óriások, akiknek a vállain Newton állt. Másodszor, a hálózat döntő fontosságú ahhoz, hogy az új ötlet

visszatérjen a feltalálóhoz. Ez egy összegző potenciál, amely a kreatív folyamat középpontjában áll. Ez egy fontos lépés. A világban; egy találmányt, amely nem terjedt el, valószínűleg nem is érdemes »találmánynak« nevezni. Így mindkét okból van értelme modellezni a találmányt – vagy tágabb értelemben a tudás növekedését – mint diffúziós folyamatot.

Egy pillanat múlva bemutatok egy durva szimulációt arról, hogyan terjedhetnek és nőhetnek a tudások a hálózaton belül. De először el kell magyaráznom.

A modellezés kezdetén minden négyszögletű hálózatban négy szakértő található, az alábbi elrendezésben:

Az 1. számú szakértőnek megjelenik az ötlet első verziója – nevezzük ezt 1.0-ás ötletnek. A 2. szakértő az, aki tudja, hogyan lehet az 1.0-ás ötletet 2.0-ás ötletté alakítani. A 3. szakértő tudja, hogyan alakítható a 2.0-ás ötlet 3.0-ás ötletté. És végül a negyedik szakértő tudja, hogyan lehet az utolsó simításokat elvégezni a 4.0-ás ötlet létrehozásához.

Ez hasonlít egy origami technikához, ahol a módszereket fejlesztik és más módszerekkel ötvözik, hogy érdekesebb konstrukciókat hozzanak létre. Vagy lehet ez egy tudományterület, mint a fizika, ahol a későbbi munka az elődök alapmunkáján alapul.

A szimuláció lényege, hogy mind a négy szakértőre szükség van, hogy hozzájáruljanak az ötlet végleges verziójához. És minden lépésnél az ötletet megfelelő szakértőhöz kell eljuttatni.

Néhány megjegyzés. A szimulációban számos irreális feltételezés van kódolva. Íme néhány közülük:

Feltételezzük, hogy az ötletek nem tárolhatók és adható át másként, mint emberről emberre (azaz nincsenek könyvek és médiák).
Feltételezzük, hogy a populációban állandó szakértők vannak, akik képesek ötleteket generálni, bár a valóságban számos véletlenszerű tényező befolyásolja a felfedezés vagy találmány megjelenését.
Mind a négy ötlet verzió azonos SIS paramétert (átviteli sebesség, rezisztencia százalék, stb.) használ, bár valószínűleg reálisabb különböző paraméterek használata minden verzióra (1.0, 2.0, stb.).
Feltételezzük, hogy az N+1-es ötlet mindig teljesen kiszorítja az N-es ötletet, bár a gyakorlatban gyakran a régi és az új verziók egyszerre keringenek, anélkül, hogy egyértelmű győztes lenne.

… és sok más.

Megbeszélés

Ez egy nevetségesen leegyszerűsített modell arról, hogy valójában hogyan növekednek a tudások. A modell keretein kívül nagyon sok fontos részlet maradt (lásd fent). Mégis, visszatükrözi a folyamat lényegét. Ezért figyelembevéve tudjuk, hogy a tudás növekedéséről beszélhetünk a diffúziót illetően.

Különösen a diffúziós modell megértést ad arról, hogyan felgyorsíthatjuk a folyamatot: könnyíteni kell az ötletek cseréjét a szakértői csomópontok között. Ez jelentheti a hálózat megtisztítását a halott csomópontoktól, amelyek akadályozzák a diffúziót. Vagy jelentheti, hogy az összes szakértőt egy városba vagy egy sűrű hálózattal rendelkező klaszterbe helyezünk, ahol az ötletek gyorsan terjednek. Vagy csak annyira, hogy egy szobába gyűjtjük őket:

Nos… ez minden, amit el tudok mondani a diffúzióról.

De van egy utolsó gondolatom, és ez nagyon fontos. A tudás növekedéséről (és stagnálásáról) van szó a tudományos közösségekben. Ez az ötlet eltér a fent megfogalmazottaktól mind hangvételben, mind tartalomban, de remélem, hogy megbocsátanak nekem.

A tudományos hálózatokról

Az ábrán az egyik legfontosabb pozitív visszacsatolási ciklus látható a világon (és ez elég régóta így van):

A ciklus emelkedő fázisa (K ⟶ T) eléggé egyszerű: új tudásokat használunk új eszközök kifejlesztésére. Például a félvezetők fizikájának megértése lehetővé teszi számunkra számítógépek létrehozását.

Azonban a csökkenő fázis némi magyarázatot igényel. Hogyan vezet a technológia fejlődése a tudás növekedéséhez?

Az egyik módja — talán a legközvetlenebb — az az, hogy az új technológiák új módokat adnak a világ percepciójára. Például a fejlettebb mikroszkópok lehetővé teszik, hogy mélyebben belenézzünk a sejtekbe, új ötleteket adva a molekuláris biológia számára. A GPS nyomkövetők bemutatják, hogyan mozognak az állatok. A hidroakusztika lehetővé teszi az óceánok felfedezését. És így tovább.

Egyértelműen, ez létfontosságú mechanizmus, de legalább két másik út is van a technológia és a tudás között. Lehet, hogy nem annyira egyszerűek, de szerintem ugyanolyan fontosak:

Az első. A technológia gazdasági bőséghez (azaz gazdagsághoz) vezet, ami lehetővé teszi, hogy több ember foglalkozzon a tudás előállításával.

Ha a lakosság 90%-a mezőgazdasággal foglalkozik az országodban, míg a fennmaradó 10% különféle kereskedelmi tevékenységet (vagy háborút) űz, akkor az embereknek szinte nincs szabad idejük a természeti törvények átgondolására. Talán ezért a tudományt régebben főként a gazdag családok gyerekei támogatták.

Az Egyesült Államok évente több mint 50 000 doktori fokozatot ad ki. Ahelyett, hogy egy fiatal 18 évesen (vagy korábban) gyárba menne dolgozni, a doktori hallgatót akár 30, vagy esetleg 40 éves koráig kell finanszírozni — és még akkor sem biztos, hogy a munkája valamilyen valós gazdasági hatást gyakorol. De ez szükséges ahhoz, hogy a személy az adott tudományterületen előrehaladjon, különösen olyan nehéz területeken, mint a fizika vagy a biológia.

A helyzet az, hogy a rendszerspecialisták szerint drágák. Az a végső forrása a közjava, amely finanszírozza ezeket a szakértőket, az új technológia: a borona támogatja a tollat.

Második. Az új technológiák, különösen az utazás és a kommunikáció terén, megváltoztatják a társadalmi hálózatok szerkezetét, amelyekben a tudás növekszik. Különösen lehetővé teszi, hogy a szakértők és a szakemberek szorosabb kapcsolatba kerüljenek egymással.

A figyelemre méltó találmányok közé tartozik a nyomdai sajtó, a gőzhajók és a vasutak (amelyek megkönnyítik az utazást és/vagy a posta távoli küldését), telefonok, repülőgépek és az internet. Mindezek a technológiák hozzájárulnak a hálózat sűrűségének növeléséhez, különösen a specializált közösségek keretein belül (ahol szinte minden tudásbeli növekedés történik). Például a levelező hálózatok, amelyek a középkor végén alakultak ki az európai tudósok között, vagy hogy a modern fizikusok hogyan használják az arXiv-ot.

Végső soron mindkét út hasonló. Mindkettő növeli a szakértők közötti hálózat sűrűségét, ami viszont a tudás növekedéséhez vezet:

Éveken át meglehetősen lenézően viszonyultam a felsőoktatáshoz. A rövid ösztöndíjprogram rossz ízt hagyott a számban. De most, amikor visszatekintve és átgondolva (elvonatkoztatva minden személyes problémától), arra a következtetésre jutottam, hogy a felsőoktatás továbbra is rendkívül fontos.

Az akadémiai közösségi hálózatok (például tudományos kutató közösségek) a civilizációnk által létrehozott egyik legfejlettebb és legértékesebb struktúra. Sehol máshol nem halmoztunk fel ekkora koncentrációt azokra a szakemberekre, akik a tudás előállítására összpontosítanak. Sehol nem fejlesztettek az emberek magukban nagyobb képességet, hogy megértsék és kritikusan szemléljék egymás ötleteit. Ez a haladás lüktető szíve. Éppen ezekben a hálózatokban lobog a megvilágosodás tüze a legintenzívebben.

De nem fogadhatjuk el a haladást természetesnek. Ha a kísérletek reprodukálhatóságának válsága tanított nekünk valamit, az az, hogy a tudománynak lehetnek rendszerszintű problémái. Ez egyfajta leépülést jelent a hálózatban.

Tegyük fel, hogy kétféle módon foglalkozunk a tudománnyal: a valódi tudomány és a karrierizmus. A valódi tudomány olyan gyakorlatok összessége, amelyek megbízható tudást termelnek. A kíváncsiság motiválja, és őszinteséggel jellemezhető (Feynman: "Látja, nekem csak meg kell értenem a világot"). A karrierizmus ezzel szemben szakmai ambíciókból fakad, és a politikai játszmákban és tudományos címkézésben jelenik meg. Úgy tűnhet és működhet, mint a tudomány, de nem nem termel megbízható tudást.

(Igen, ez egy túlzás, megkülönböztetés. Csak egy gondolati kísérlet. Ne haragudjon.)

A lényeg az, hogy amikor a karrieristák helyet foglalnak el a valódi tudományos közösségben, elrontják a munkát. Magukat próbálják előtérbe helyezni, míg a közösség többi része új ismereteket próbál szerezni és megosztani. Ahelyett, hogy világosságra törekednének, a karrieristák mindent bonyolítanak és összezavarnak, hogy lenyűgözőbben hangozzanak. Úgy foglalkoznak (ahogy Harry Frankfurt mondaná) tudományos ostobasággal. Tehát modellezhetjük őket mint holt csomópontokat, amelyek nem érzékenyek a jóhiszemű információcserére, ami elengedhetetlen a tudás növekedéséhez:

Talán a legjobb modell az, amelyben a karrierista csomópontok nem csupán érzéketlenek a tudás iránt, hanem aktívan terjesztik a hamis tudást. A hamis tudás magában foglalhat lényegtelen eredményeket, amelyek fontosságát mesterségesen felnagyítják, vagy valóban hamis eredményeket, amelyek manipulációból vagy hamisított adatokból adódnak.

Függetlenül attól, hogyan modellezzük őket, a karrieristák kétségtelenül elnyomhatják tudományos közösségeinket.

Ez hasonlít egy láncreakcióra, amelyre sürgősen szükségünk van - szükségünk van egy tudásrobbanásra - csak a gazdagított U-235-ünkben túl nagy a nem reakcióképes U-238 izotóp szennyezés, amely gátolja a láncreakciót.

Természetesen a karrieristák és a valódi tudósok között nincs éles határvonal. Mindenkiben van egy kis karrierizmus. A kérdés az, hogy a hálózat mennyit bír el, mielőtt a tudás terjedése elhalványul.

Ó, sikerült a végére érni. Köszönöm a figyelmet.

Licenc

CC0 minden jog védtelen. Használhatod ezt a munkát, ahogy csak szeretnéd :).

Köszönetnyilvánítások

Kevin Kwoknak és Nicky Case-nek a gondos megjegyzéseikért és javaslataikért a különböző vázlatváltozatokhoz.
Nick Barrow-nak — a morális támogatásért a folyamat során és a legértékesebb visszajelzésekért a munkámmal kapcsolatban.
Kit A.-nak, hogy felhívta a figyelmemet a perkoláció jelenségére és a küszöbértékekre.
Jeff Lonsdale-nek azért a hivatkozásért erre az esszére, amely (számos hibája ellenére) a legfontosabb ösztönzést jelentette ennek a bejegyzésnek a megírásához.

Interaktív esszék példái

Nicky Case összes munkájának, különösen az "Elmesélés a poligonokról" (Vi Hart-tal) és a "Jobb szavazási értesítő kidolgozása". Ez a mérce, hogy milyen lehet egy interaktív esszé.
Distill.pub: kivételesen magas színvonalú interaktív leírások a gépi tanulásról.
Bret Victor klasszikus munkája "Felfelé és lefelé az absztrakció lépcsőin". Nem túl jól boldogultam a lépcsőn való haladással, de mindig van még egy lehetőség.

Forrás: habr.com