Ha eltöltött egy kis időt a bonyolult rendszerekre gondolva, valószínűleg megérti a hálózatok fontosságát. A hálózatok uralják világunkat. A sejten belüli kémiai reakcióktól az ökoszisztéma kapcsolatrendszerén át a történelem menetét meghatározó kereskedelmi és politikai hálózatokig.

Vagy vegye figyelembe ezt a cikket, amelyet olvas. Valószínűleg megtaláltad közösségi háló, letöltve innen számítógép hálózat és jelenleg megfejtik a jelentését a te használatával neurális hálózat.

De bármennyire is gondolkodtam a hálózatokon az évek során, egészen a közelmúltig nem értettem az egyszerű fontosságát diffúzió.

Ez a mai témánk: hogyan, milyen kaotikusan mozog és terjed minden. Néhány példa étvágytalanításra:

• Egy populáción belül hordozóról hordozóra terjedő fertőző betegségek.
• A mémek terjednek a követői grafikonon a közösségi hálózatokon.
• Erdőtűz.
• Ötletek és gyakorlatok, amelyek áthatolnak egy kultúrát.
• Neutronkaszkád dúsított uránban.

Egy gyors megjegyzés az űrlapról.

Minden korábbi munkámmal ellentétben ez az esszé interaktív [in eredeti cikk interaktív példák a képernyőn lévő objektumokat vezérlő csúszkákkal és gombokkal - kb. sáv].

Tehát kezdjük. Az első feladat egy vizuális szókincs kialakítása a hálózatokon keresztüli terjesztéshez.

Egyszerű modell

Biztos vagyok benne, hogy mindenki ismeri a hálózatok alapját, vagyis a csomópontokat + éleket. A diffúzió tanulmányozásához csak néhány csomópontot kell megjelölnie aktív. Vagy ahogy az epidemiológusok szeretik mondani, fertőzött:

Ez az aktiválás vagy fertőzés a hálózaton keresztül csomópontról csomópontra terjed az alábbiakban kidolgozott szabályok szerint.

A valódi hálózatok általában sokkal nagyobbak, mint ez az egyszerű hét csomópontból álló hálózat. Sokkal zavaróbbak is. De az egyszerűség kedvéért egy játékmodellt fogunk ide építeni egy rács, vagyis egy rácshálózat tanulmányozására.

(Amit a hálóból hiányzik a valósághűség, azt pótolja, hogy könnyen rajzolható 😉

Hacsak másképp nem jelezzük, a hálózati csomópontoknak négy szomszédjuk van, például:

És el kell képzelnie, hogy ezek a rácsok végtelenül kiterjednek minden irányba. Más szóval, nem érdekel minket az a viselkedés, amely csak a hálózat szélein vagy kis populációkban fordul elő.

Tekintettel arra, hogy a rácsok ilyen sorrendben vannak, leegyszerűsíthetjük őket pixelekre. Például ez a két kép ugyanazt a hálózatot ábrázolja:

Az egyik viselkedés szerint az aktív csomópont mindig továbbítja a fertőzést (nem fertőzött) szomszédjainak. De unalmas. Sokkal érdekesebb dolgok történnek az átvitel során valószínűségi.

SIR és SIS

В SIR modellek (Érzékeny-fertőzött-eltávolított) egy csomópont három állapotban lehet:

• Fogékony
• Fertőzött
• Eltávolítva

Így működik az interaktív szimuláció [in eredeti cikk kiválaszthatja a fertőzés átviteli sebességét 0 és 1 között, a folyamatot lépésről lépésre vagy teljes egészében tekintheti meg - kb. fordítás]:

• A csomópontok fogékonyként indulnak, kivéve néhány csomópontot, amelyek fertőzöttként indulnak.
• A fertőzött csomópontoknak minden egyes időlépésben esélyük van arra, hogy a fertőzést az átviteli sebességgel megegyező valószínűséggel továbbítsák minden fogékony szomszédjuknak.
• A fertőzött csomópontok ezután „törölt” állapotba kerülnek, ami azt jelenti, hogy többé nem képesek megfertőzni másokat, vagy maguk sem fertőződnek meg.

A betegséggel összefüggésben az eltávolítás azt jelentheti, hogy a személy meghalt, vagy immunitás alakult ki a kórokozóval szemben. Azt mondjuk, hogy "eltávolítják" a szimulációból, mert semmi más nem történik velük.

Attól függően, hogy mit próbálunk modellezni, a SIR-től eltérő modellre lehet szükség.

Ha a kanyaró terjedését vagy a futótűz kitörését szimuláljuk, a SIR az ideális. De tegyük fel, hogy egy új kulturális gyakorlat, például a meditáció terjedését szimuláljuk. Eleinte a csomópont (a személy) fogékony, mert még soha nem csinált ilyet. Aztán, ha elkezd meditálni (talán miután hallott róla egy barátjától), fertőzöttnek fogjuk modellezni. De ha abbahagyja a gyakorlatot, nem hal meg, és nem esik ki a szimulációból, mert a jövőben könnyen újra felveheti ezt a szokását. Tehát visszamegy befogadó állapotba.

Ezt SIS modell (Fogékony – Fertőzött – Fogékony). A klasszikus modellnek két paramétere van: az átviteli sebesség és a helyreállítási sebesség. A cikk szimulációiban azonban úgy döntöttem, hogy egyszerűsítem a helyreállítási sebesség paramétert. Ehelyett a fertőzött csomópont automatikusan visszatér a fogékony állapotba a következő lépésben, hacsak nem fertőzte meg valamelyik szomszédja. Ezenkívül megengedjük, hogy az n lépésben fertőzött csomópont az n+1 lépésben önmagát fertőzze meg az átviteli sebességgel megegyező valószínűséggel.

Megbeszélés

Mint látható, ez nagyon különbözik a SIR modelltől.

Mivel a csomópontokat soha nem távolítják el, még egy nagyon kicsi és szűk rács is hosszú ideig képes támogatni a SIS-fertőzést. A fertőzés egyszerűen csomópontról csomópontra ugrik, és visszatér.

Különbségeik ellenére a SIR és a SIS meglepően felcserélhetőnek bizonyul a mi céljaink szempontjából. Így a cikk további részében maradunk a SIS-nél – főleg azért, mert tartósabb, és így szórakoztatóbb vele dolgozni.

Kritikus szint

Miután a SIR és SIS modellekkel játszott, észrevett valamit a fertőzés hosszú élettartamával kapcsolatban. Nagyon alacsony átviteli aránynál, például 10%-nál, a fertőzés hajlamos kihalni. Míg magasabb értékeknél, például 50%-nál, a fertőzés életben marad, és átveszi a hálózat nagy részét. Ha a hálózat végtelen lenne, el tudnánk képzelni, hogy örökké folytatódik és terjed.

Az ilyen korlátlan terjedésnek sok neve van: „vírus”, „nukleáris” vagy (a cikk címében) kritikai.

Kiderült, hogy van Konkrét a töréspont, amely elválaszt szubkritikus hálózatok (kihalásra ítélve) től szuperkritikus hálózatok (végtelen növekedésre képes). Ezt a fordulópontot az ún kritikus küszöb, és ez meglehetősen általános jele a közönséges hálózatok diffúziós folyamatainak.

A kritikus küszöb pontos értéke hálózatonként változik. Ami közös, az az elérhetőség olyan jelentést.

[Interaktív demóban a eredeti cikk Megpróbálhatja manuálisan megtalálni a kritikus hálózati küszöböt az átviteli sebesség értékének módosításával. Valahol 22% és 23% között van – kb. ford.]

22%-nál (és az alatt) a fertőzés végül elhal. 23%-nál (és afölött) az eredeti fertőzés néha elpusztul, de a legtöbb esetben sikerül túlélnie és elég hosszú ideig terjednie ahhoz, hogy örökre fennmaradjon.

(Mellesleg, egy egész tudományos terület foglalkozik ezen kritikus küszöbértékek megtalálásával a különböző hálózati topológiákhoz. A gyors bevezetés érdekében azt javaslom, hogy gyorsan lapozzon át a Wikipédia cikkében szivárgási küszöb).

Általánosságban elmondható, hogy ez a következőképpen működik: Egy kritikus küszöb alatt garantáltan (1-es valószínűséggel) minden véges fertőzés a hálózatban végül kihal. De egy kritikus küszöb felett fennáll annak a valószínűsége (p > 0), hogy a fertőzés örökké folytatódik, és ezáltal tetszőlegesen távol terjed az eredeti helytől.

Azonban vegye figyelembe, hogy a szuperkritikus hálózat nem garanciákathogy a fertőzés örökké folytatódik. Valójában gyakran elhalványul, különösen a szimuláció nagyon korai szakaszában. Lássuk, hogyan történik ez.

Tegyük fel, hogy egy fertőzött csomóponttal és négy szomszéddal kezdtük. Az első modellezési lépésben a fertőzésnek 5 független terjedési esélye van (beleértve az esélyét is, hogy a következő lépésben önmagára is „terjedjen”):

Most tegyük fel, hogy az átviteli sebesség 50%. Ebben az esetben első lépésben ötször feldobunk egy érmét. És ha öt fejet forgatnak, a fertőzés elpusztul. Ez az esetek körülbelül 3%-ában fordul elő – és ez csak az első lépés. Egy fertőzés, amely túléli az első lépést, bizonyos (általában kisebb) valószínűséggel hal ki a második lépésben, bizonyos (még kisebb) valószínűséggel a harmadik lépésben stb.

Tehát még akkor is, ha a hálózat szuperkritikus – ha az átviteli sebesség 99%-os –, van esély a fertőzés eltűnésére.

De az a fontos, hogy nem mindig elhalványul. Ha a végtelenségig összeadja annak valószínűségét, hogy az összes lépés kihal, az eredmény kisebb, mint 1. Más szóval, nullától eltérő valószínűséggel a fertőzés örökké folytatódni fog. Ezt jelenti az, hogy egy hálózat szuperkritikus.

SISa: spontán aktiválás

Eddig a pontig minden szimulációnk egy kis darab előre fertőzött csomóponttal kezdődött a központban.

De mi van, ha a nulláról kezdi? Ezután modellezzük a spontán aktiválást – azt a folyamatot, amelynek során egy fogékony csomópont véletlenül megfertőződik (nem valamelyik szomszédjától).

Ezt hívott SISa modell. Az "a" betű az "automatikus" kifejezést jelenti.

A SISa szimulációban egy új paraméter jelenik meg - a spontán aktiváció sebessége, amely megváltoztatja a spontán fertőzés gyakoriságát (a korábban látott átviteli sebesség paraméter is jelen van).

Mi kell ahhoz, hogy a fertőzés átterjedjen a hálózaton?

Megbeszélés

A szimuláció során észrevehette, hogy a spontán aktiválás mértékének növelése nem változtat azon, hogy a fertőzés átveszi-e az egész hálózatot vagy sem. Csak átviteli sebesség meghatározza, hogy a hálózat szub- vagy szuperkritikus-e. És amikor a hálózat szubkritikus (az átviteli sebesség kisebb vagy egyenlő, mint 22%), semmilyen fertőzés nem terjedhet át a teljes hálózatra, függetlenül attól, hogy milyen gyakran kezdődik.

Mintha tüzet raknánk egy nedves mezőn. Néhány száraz levelet meggyújthatsz, de a láng gyorsan kialszik, mert a táj többi része nem elég gyúlékony (szubkritikus). Míg egy nagyon száraz területen (szuperkritikus), egy szikra is elég ahhoz, hogy a tűz dühöngjön.

Hasonló dolgok figyelhetők meg az ötletek és találmányok terén. Sokszor a világ nem áll készen egy ötletre, ilyenkor újra és újra fel lehet találni, de nem vonzza a tömegeket. Másrészt a világ teljesen készen állhat egy találmányra (nagy lappangó kereslet), és amint megszületik, mindenki elfogadja. Középen vannak több helyen kitalált, helyben elterjedt ötletek, de nem elég ahhoz, hogy egyetlen verzió sem söpörje le egyszerre az egész hálózatot. Ez utóbbi kategóriában találjuk például a mezőgazdaságot és az írást, amelyeket a különböző emberi civilizációk egymástól függetlenül mintegy tízszer, illetve háromszor találtak ki.

immunitás

Tegyük fel, hogy néhány csomópontot teljesen sebezhetetlenné teszünk, azaz immunissá teszünk az aktiválással szemben. Mintha kezdetben távoli állapotban lennének, és a SIS(a) modell elindulna a többi csomóponton.

Az immunitás csúszkája szabályozza az eltávolított csomópontok százalékos arányát. Próbáld meg megváltoztatni az értékét (amíg a modell fut!), és nézd meg, hogyan befolyásolja a hálózat állapotát, szuperkritikus lesz-e vagy sem.

Megbeszélés

A nem reagáló csomópontok számának megváltoztatása teljesen megváltoztatja azt a képet, hogy a hálózat szub- vagy szuperkritikus lesz-e. És nem nehéz megérteni, hogy miért. Nagyszámú nem fogékony gazda esetén a fertőzésnek kevesebb lehetősége van új gazdákra terjedni.

Kiderült, hogy ennek számos nagyon fontos gyakorlati következménye van.

Az egyik az erdőtüzek terjedésének megakadályozása. Helyi szinten mindenkinek meg kell tennie a saját óvintézkedéseit (például soha ne hagyjon felügyelet nélkül nyílt lángot). De nagy léptékben az elszigetelt járványok elkerülhetetlenek. Tehát egy másik védekezési módszer az, hogy elegendő "törés" legyen (a gyúlékony anyagok hálózatában), hogy a járvány ne nyelje el az egész hálózatot. A törlések ezt a funkciót látják el:

Egy másik kitörés, amelyet fontos megállítani, egy fertőző betegség. Itt kerül bemutatásra a koncepció csorda immunitás. Ez az az elképzelés, hogy egyes embereket nem lehet beoltani (például legyengült az immunrendszerük), de ha elég ember immunis a fertőzésre, a betegség nem terjedhet a végtelenségig. Más szóval, be kell oltani elegendő a populáció egy részét, hogy a populációt szuperkritikusból szubkritikus állapotba helyezzék át. Ha ez megtörténik, az egyik beteg továbbra is megfertőződhet (például egy másik régióba való utazás után), de ha nincs szuperkritikus hálózat, amelyben növekedhet, a betegség csak egy maroknyi embert fertőz meg.

Végül az immuncsomópontok fogalma megmagyarázza, mi történik egy atomreaktorban. Egy láncreakció során egy bomló urán-235 atom körülbelül három neutront szabadít fel, amelyek (átlagosan) egynél több U-235 atom hasadását okozzák. Az új neutronok ezután az atomok további hasadását okozzák, és így tovább exponenciálisan:

A bomba építésénél az a lényeg, hogy az exponenciális növekedés akadálytalanul folytatódjon. De egy erőműben az a cél, hogy energiát állítsanak elő anélkül, hogy mindenkit megölnének körülötted. Erre a célra használják őket vezérlő rudakneutronokat elnyelő anyagból készült (például ezüst vagy bór). Mivel inkább elnyelik, mint felszabadítani a neutronokat, szimulációnkban immuncsomópontként működnek, ezáltal megakadályozzák, hogy a radioaktív mag szuperkritikussá váljon.

Tehát az atomreaktor trükkje az, hogy a reakciót egy kritikus küszöb közelében kell tartani a vezérlőrudak oda-vissza mozgatásával, és gondoskodni kell arról, hogy amikor valami elromlik, a rudak a zónába esnek és leállítják azt.

fokú

fokú egy csomópont a szomszédjainak száma. Eddig a pontig a 4. fokozatú hálózatokat vettük figyelembe. De mi történik, ha megváltoztatja ezt a paramétert?

Például az egyes csomópontokat nemcsak négy közvetlen szomszédhoz kötheti, hanem átlósan további négyhez is. Egy ilyen hálózatban a fokozat 8 lesz.

A 4-es és 8-as fokozatú rácsok jól szimmetrikusak. De az 5-ös fokozattal (például) felmerül a probléma: melyik öt szomszédot válasszuk? Ebben az esetben kiválasztunk négy legközelebbi szomszédot (É, K, D, Ny), majd véletlenszerűen kiválasztunk egy szomszédot a {ÉK, DK, DNy, ÉNy} halmazból. A választás minden egyes csomóponthoz függetlenül történik minden egyes időlépésben.

Megbeszélés

Ismétlem, nem nehéz belátni, mi folyik itt. Ha minden csomópontnak több szomszédja van, megnő a fertőzés terjedésének esélye – és így a hálózat nagyobb valószínűséggel válik kritikussá.

A következmények azonban váratlanok lehetnek, amint azt alább látni fogjuk.

Városok és hálózatsűrűség

Hálózataink eddig teljesen homogének voltak. Mindegyik csomópont úgy néz ki, mint a többi. De mi van, ha megváltoztatjuk a feltételeket, és különböző csomóponti állapotokat engedélyezünk a hálózaton belül?

Például próbáljunk városokat modellezni. Ennek érdekében növeljük a sűrűséget a hálózat egyes részein (nagyobb csomópontok). Ezt a polgárok rendelkezésére álló adatok alapján tesszük szélesebb társadalmi kör és több társadalmi interakciómint a városon kívüli emberek.

Modellünkben az érzékeny csomópontokat a mértékük alapján színezzük. A "vidéki területeken" lévő csomópontok 4-es fokozatúak (és világosszürke színűek), míg a "városi területeken" lévő csomópontok magasabb fokozatúak (és sötétebbek), kezdve az 5-ös foktól a külterületen és a 8-assal a városközpontban.

Próbáljon meg olyan terjedési sebességet választani, hogy az aktiválás lefedje a városokat, és ne lépje túl azok határait.

Egyszerre nyilvánvalónak és meglepőnek találom ezt a szimulációt. Természetesen, a városok jobban tartják a kulturális szintet, mint a vidéki területek – ezt mindenki tudja. Engem az lep meg, hogy ennek a kulturális sokféleségnek egy része egyszerűen a közösségi hálózat topológiája alapján jön létre.

Ez egy érdekes pont, megpróbálom részletesebben elmagyarázni.

Itt a kultúra olyan formáiról van szó, amelyek egyszerűen és közvetlenül személyről emberre közvetítődnek. Például, modor, társasjátékok, divatirányzatok, nyelvi trendek, kiscsoportos rituálék és szájról szájra terjedő termékek, plusz egész információcsomagok, amelyeket ötleteknek nevezünk.

(Megjegyzés: az emberek közötti információterjesztést a média rendkívül megnehezíti. Könnyebb elképzelni valamilyen technológiailag primitív környezetet, például az ókori Görögországot, ahol a kultúra szinte minden szikráját a fizikai térben való interakció közvetítette.)

A fenti szimulációból megtudtam, hogy vannak olyan ötletek, kulturális gyakorlatok, amelyek gyökeret verhetnek és elterjedhetnek a városban, de egyszerűen nem (matematikailag nem) terjedhetnek el vidéken. Ugyanazok az ötletek és ugyanazok az emberek. A lényeg nem az, hogy a vidéki lakosok valahogy „bezárt gondolkodásúak” legyenek: amikor ugyanazzal a gondolattal érintkeznek, pontosan ugyanannyi az esély az elkapásramint a városlakók. Csak maga az ötlet nem terjedhet el vidéken, mert nincs sok kapcsolat, amelyen keresztül terjedhet.

Ezt talán a divat területén lehet a legkönnyebben átlátni - ruhák, frizurák stb.. A divathálózatban akkor tudjuk megragadni a rács szélét, amikor ketten észreveszik egymás ruháit. Egy városi központban minden ember több mint 1000 másik embert láthat naponta - az utcán, a metróban, egy zsúfolt étteremben stb. Egy vidéki területen éppen ellenkezőleg, mindenki csak pár tucat embert lát. mások. Alapján csak ez a különbség, a város több divatirányzatot tud támogatni. És csak a leglenyűgözőbb trendek – a legmagasabb átviteli sebességgel rendelkezők – tudják megvetni a lábukat a városon kívül.

Hajlamosak vagyunk azt gondolni, hogy ha egy ötlet jó, akkor előbb-utóbb mindenkihez eljut, ha pedig rossz, akkor eltűnik. Ez persze extrém esetekben igaz, de közben rengeteg ötlet és gyakorlat van, ami csak bizonyos hálózatokon terjedhet el. Ez valóban csodálatos.

Nem csak a városok

Itt a hatást vizsgáljuk hálózati sűrűség. Egy adott csomópontkészlethez számként van definiálva tényleges bordák, osztva számmal potenciális élek. Vagyis a ténylegesen létező lehetséges kapcsolatok százalékos aránya.

Láttuk tehát, hogy a városi központokban a hálózatsűrűség magasabb, mint a vidéki területeken. De a városok nem az egyetlen hely, ahol sűrű hálózatokat találunk.

Érdekes példa erre a középiskolák. Például egy adott terület esetében összehasonlítjuk az iskolások körében meglévő hálózatot a szüleik hálózatával. Ugyanaz a földrajzi terület és ugyanaz a lakosság, de az egyik hálózat sokszor sűrűbb, mint a másik. Ezért nem meglepő, hogy a divat és a nyelvi irányzatok sokkal gyorsabban terjednek a tinédzserek körében.

Hasonlóképpen, az elit hálózatok általában sokkal sűrűbbek, mint a nem elit hálózatok – ezt szerintem alulértékelték (a népszerű vagy befolyásos emberek több időt töltenek a hálózatépítéssel, és ezért több "szomszédjuk" van, mint a hétköznapi emberek). A fenti szimulációk alapján arra számítunk, hogy az elit hálózatok támogatni fognak néhány olyan kulturális formát, amelyet a mainstream nem támogat, pusztán a hálózat átlagos fokának matematikai törvényszerűségei alapján. Hagyom, hogy találgass, mik lehetnek ezek a kulturális formák.

Végül ezt az ötletet az internetre is alkalmazhatjuk úgy, hogy hatalmas és nagyon sűrű város. Nem meglepő, hogy sok újfajta kultúra virágzik az interneten, amelyeket egyszerűen nem lehet pusztán térbeli hálózatokon támogatni: niche-hobbik, jobb tervezési szabványok, nagyobb tudatosság az igazságtalanságra stb. És ez nem csak szép dolgok. Ahogy a korai városok táptalajok voltak az alacsony népsűrűségben nem terjedő betegségeknek, úgy az internet táptalajt jelent az olyan rosszindulatú kulturális formáknak, mint a kattintáscsali, az álhírek és a mesterséges felháborodás.

tudás

„A kreatív problémamegoldás legértékesebb erőforrása gyakran a megfelelő szakértő megléte a megfelelő időben.” – Michael Nielsen, A felfedezés feltalálása

Gyakran úgy gondoljuk a felfedezést vagy feltalálást, mint egy olyan folyamatot, amely egyetlen zseni fejében játszódik le. Megcsapja az ihlet villanása, és - Eureka! — hirtelen új módszerünk van a hangerő mérésére. Vagy a gravitációs egyenlet. Vagy egy villanykörte.

De ha egy magányos feltaláló szemszögét vesszük a felfedezés pillanatában, akkor a jelenséget nézzük. csomópont szempontjából. Holott helyesebb lenne a találmányt úgy értelmezni hálózat jelenség.

A hálózat legalább két szempontból fontos. Először is, a meglévő elképzeléseknek be kell hatolniuk a tudatba feltaláló. Ezek idézetek egy új cikkből, egy új könyv bibliográfiai részéből – az óriásoktól, akiknek a vállán Newton állt. Másodszor, a hálózat kritikus fontosságú egy új ötlet visszatéréséhez vissza a világba; egy el nem terjedő találmányt aligha érdemes "találmánynak" nevezni. Így mindkét ok miatt van értelme a találmányt – vagy tágabb értelemben a tudás gyarapodását – diffúziós folyamatként modellezni.

Egy pillanat alatt bemutatok egy durva szimulációt arról, hogyan terjedhet és növekedhet a tudás egy hálózaton belül. De először meg kell magyaráznom.

A szimuláció elején a rács minden egyes negyedében négy szakértő van, a következő elrendezésben:

Az Expert 1 rendelkezik az ötlet első verziójával – nevezzük Idea 1.0-nak. A 2. szakértő az a személy, aki tudja, hogyan lehet az 1.0-t Ötlet 2.0-sá varázsolni. A 3. szakértő tudja, hogyan alakíthatja át az Idea 2.0-t Ötlet 3.0-sá. És végül a negyedik szakértő tudja, hogyan kell az Idea 4.0 utolsó simításait elvégezni.

Ez hasonlít egy olyan technikához, mint az origami, ahol a technikákat kifejlesztik és más technikákkal kombinálják, hogy érdekesebb terveket hozzanak létre. Vagy lehet olyan tudásterület, mint a fizika, amelyben az újabb munkák az elődök alapvető munkáira építenek.

Ennek a szimulációnak az a lényege, hogy mind a négy szakértőre szükségünk van az ötlet végső változatához. És minden szakaszban az ötletre fel kell hívni a megfelelő szakértő figyelmét.

Néhány figyelmeztetés. A szimulációban sok irreális feltételezés van kódolva. Íme csak néhány közülük:

1. Feltételezhető, hogy az ötleteket nem lehet tárolni és továbbadni, csak személytől emberig (azaz nincs könyv vagy média).
2. Feltételezhető, hogy a populációban vannak állandó szakértők, akik ötleteket tudnak generálni, bár a valóságban sok véletlenszerű tényező befolyásolja egy felfedezés vagy találmány létrejöttét.
3. Az ötlet mind a négy verziója ugyanazt a SIS-paraméterkészletet használja (baud sebesség, immunitás százaléka stb.), bár valószínűleg reálisabb, ha minden verzióhoz különböző paramétereket használnak (1.0, 2.0 stb.).
4. Feltételezzük, hogy az N+1 ötlet mindig teljesen kiszorítja az N ötletet, bár a gyakorlatban gyakran a régi és az új változat is egyszerre kering, egyértelmű győztes nélkül.

… és sokan mások.

Megbeszélés

Ez egy nevetségesen leegyszerűsített modellje annak, hogyan növekszik a tudás valójában. A modellen kívül sok fontos részlet maradt (lásd fent). Azonban megragadja a folyamat fontos lényegét. Tehát fenntartásokkal beszélhetünk a tudás gyarapodásáról a diffúzióról szerzett tudásunk felhasználásával.

Különösen a diffúziós modell nyújt betekintést abba, hogyan felgyorsítja a folyamatot: Elő kell segíteni a szakértői csomópontok közötti eszmecserét. Ez azt jelentheti, hogy meg kell tisztítani a hálózatot az elhalt csomópontoktól, amelyek akadályozzák a diffúziót. Vagy ez azt jelentheti, hogy az összes szakértőt egy olyan városba vagy klaszterbe helyezik, ahol nagy a hálózatsűrűség, ahol az ötletek gyorsan terjednek. Vagy egyszerűen gyűjtse össze őket egy szobában:

Szóval... ennyit tudok mondani a diffúzióról.

De van egy utolsó gondolatom, és ez nagyon fontos. Ez a növekedésről szólés a stagnálás) tudás a tudományos közösségekben. Ez az ötlet hangjában és tartalmában különbözik a fentiektől, de remélem, megbocsát.

A tudományos hálózatokról

Az illusztráció a világ egyik legfontosabb pozitív visszacsatolási hurkát mutatja (és ez már jó ideje így van):

A ciklus felfelé haladása (K ⟶ T) meglehetősen egyszerű: az új ismereteket felhasználjuk új eszközök fejlesztésére. Például a félvezetők fizikájának megértése lehetővé teszi számunkra, hogy számítógépeket építsünk.

A lefelé irányuló mozgás azonban némi magyarázatot igényel. Hogyan vezet a technológia fejlődése a tudás növekedéséhez?

Az egyik mód – talán a legközvetlenebb – az, amikor az új technológiák új módokat adnak a világ észlelésére. Például a legjobb mikroszkópok lehetővé teszik, hogy mélyebbre nézzen egy sejt belsejében, betekintést nyújtva a molekuláris biológiába. A GPS nyomkövetők megmutatják, hogyan mozognak az állatok. A Sonar lehetővé teszi az óceánok felfedezését. Stb.

Ez kétségtelenül létfontosságú mechanizmus, de legalább két másik út vezet a technológiától a tudásig. Lehet, hogy nem olyan egyszerűek, de szerintem ugyanolyan fontosak:

Első. A technológia gazdasági bőséghez (vagyis gazdagsághoz) vezet, ami lehetővé teszi, hogy több ember vegyen részt tudástermelésben.

Ha országa lakosságának 90%-a mezőgazdasággal foglalkozik, a maradék 10%-a pedig valamilyen kereskedelemmel (vagy háborúval) foglalkozik, akkor az embereknek nagyon kevés szabadidejük van a természet törvényein való gondolkodásra. Talán ez az oka annak, hogy régebben a tudományt főleg a gazdag családokból származó gyerekek támogatták.

Az Egyesült Államok évente több mint 50 000 Ph.D.-t készít. Ahelyett, hogy valaki 18 évesen (vagy korábban) egy gyárba menne dolgozni, egy végzős hallgatót 30, esetleg 40 éves koráig kell finanszírozni – és még ekkor sem világos, hogy a munkája lesz-e valódi gazdasági hatása. De szükséges, hogy az ember tudományágának élére kerüljön, különösen olyan összetett területeken, mint a fizika vagy a biológia.

A helyzet az, hogy rendszerszempontból a szakemberek drágák. A közvagyon végső forrása pedig, amely ezeket a szakembereket finanszírozza, az új technológia: az eke támogatja a tollat.

Második. Az új technológiák, különösen az utazás és a kommunikáció területén, megváltoztatják a közösségi hálózatok szerkezetét, amelyekben a tudás gyarapszik. Különösen lehetővé teszi a szakértők és a szakemberek számára, hogy szorosabb interakcióba lépjenek egymással.

A figyelemre méltó találmányok közé tartozik a nyomda, a gőzhajók és a vasutak (melyek megkönnyítik az utazást és/vagy a levélküldést nagy távolságra), a telefonok, a repülőgépek és az internet. Mindezek a technológiák hozzájárulnak a hálózatok sűrűségének növekedéséhez, különösen a szakosodott közösségeken belül (ahol szinte minden tudásnövekedés megtörténik). Például az európai tudósok körében a középkor végén kialakult levelezési hálózatok, vagy az, ahogy a modern fizikusok használják az arXiv-et.

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

Sok éven át meglehetősen elutasító voltam a felsőoktatással szemben. Az érettségiben eltöltött rövid időszakom rossz ízt hagyott a számban. De most, hogy visszatekintek és elgondolkozom (minden személyes problémától eltekintve), azt a következtetést kell levonnom, hogy a felsőoktatás még mindig rendkívüli módon fontos.

Az akadémiai közösségi hálózatok (például kutatói közösségek) civilizációnk által létrehozott egyik legfejlettebb és legértékesebb struktúra. Sehol nem halmoztunk fel nagyobb koncentrációban a tudástermelésre összpontosító szakembereket. Az emberek sehol nem fejlődtek ki jobban arra, hogy megértsék és kritizálják egymás gondolatait. Ez a haladás dobogó szíve. Ezekben a hálózatokban ég a legerősebben a megvilágosodás tüze.

De nem vehetjük magától értetődőnek a fejlődést. Ha kísérlet reprodukálhatatlansági válság és ha ez megtanított valamit, az az volt, hogy a tudománynak lehetnek rendszerszintű problémái. Ez egyfajta hálózatromlás.

Tegyük fel, hogy a tudomány két módját különböztetjük meg: igazi tudomány и karrierizmus. Az igazi tudomány olyan gyakorlat, amely megbízhatóan termeli a tudást. A kíváncsiság motiválja, és az őszinteség jellemzi (Feynman: „Látod, csak meg kell értenem a világot”). A karriert éppen ellenkezőleg, szakmai ambíciók motiválják, és a politika és a tudományos rövidítések jellemzik. Lehet, hogy úgy néz ki és úgy viselkedik, mint a tudomány, de nincs megbízható tudást produkál.

(Igen, ez egy eltúlzott kettősség. Csak egy gondolatkísérlet. Ne engem hibáztass).

A helyzet az, hogy amikor a karrieristák helyet foglalnak el a valódi kutatói közösségben, tönkreteszik a munkát. Arra törekednek, hogy népszerűsítsék magukat, míg a közösség többi tagja új ismereteket szerez és megoszt. Ahelyett, hogy az egyértelműségre törekednének, a karrieristák mindent megbonyolítanak és összekevernek, hogy lenyűgözőbbnek tűnjenek. Tudományos ostobaságokkal foglalkoznak (ahogy Harry Frankfurt mondaná). Így modellezhetnénk őket holt csomópontokként, amelyek áthatolhatatlanok a tudás növekedéséhez szükséges tisztességes információcserére:

Talán a legjobb modell az, amelyben a karrierista csomópontok nemcsak áthatolhatatlanok a tudásra, hanem aktívan terjesztik hamis tudás. A hamis ismeretek magukban foglalhatnak jelentéktelen eredményeket, amelyek fontosságát mesterségesen felfújják, vagy valóban hamis eredményeket, amelyek manipulációból vagy koholt adatokból származnak.

Bárhogyan is modellezzük őket, a karrieristák minden bizonnyal megfojthatják tudományos közösségeinket.

Olyan ez, mint a nukleáris láncreakció, amire égetően szükségünk van – szükségünk van a tudás robbanására – csak a mi dúsított U-235-ünkben túl sok a nem reaktív U-238 izotóp, ami elnyomja a láncreakciót.

Természetesen nincs egyértelmű különbség a karrieristák és a valódi tudósok között. Mindannyiunkban rejtőzik egy kis karrierizmus. A kérdés az, hogy meddig tarthat fenn a hálózat, mielőtt az ismeretterjesztés elhalványul.

Ó, elolvastad a végéig. Köszönöm hogy elolvastad.

Engedély

CC0 Minden jog nem fenntartva. Ezt a munkát tetszése szerint használhatja :).

Köszönetnyilvánítás

• Kevin Kwok и Nicky Case a tervezet különböző változataival kapcsolatos átgondolt megjegyzésekért és javaslatokért.
• Nick Barr – az egész folyamat során nyújtott erkölcsi támogatásért és a munkámmal kapcsolatos leghasznosabb visszajelzésekért.
• Keith A.-t, amiért rámutatott a perkoláció jelenségére és a perkolációs küszöbre.
• Geoff Lonsdale a linkhez ez egy esszé, amely (sok hiányossága ellenére) volt a fő lendület a poszton való munkához.

Interaktív esszéminták

• Nicky Case összes munkája, pl. "A sokszögek példázata" (Vi Harttal) és "Jobb szavazólap kidolgozása". Ez egy magas léc arra nézve, hogy milyen lehet egy interaktív esszé.
• desztillál.kocsma: Kivételesen jó minőségű interaktív leírások a gépi tanulásról.
• Bret Victor klasszikus munkája "Fel és le az absztrakció létráján". Nem nagyon tudtam felmenni a lépcsőn, de mindig van még egy próbálkozás.

Forrás: will.com