जर तुम्ही जटिल प्रणालींबद्दल विचार करण्यात वेळ घालवला असेल, तर तुम्हाला कदाचित नेटवर्कचे महत्त्व समजले असेल. नेटवर्क आपल्या जगावर राज्य करतात. सेलमधील रासायनिक अभिक्रियांपासून ते इकोसिस्टममधील नातेसंबंधांच्या जाळ्यापर्यंत, व्यापार आणि राजकीय नेटवर्कपर्यंत जे इतिहासाला आकार देतात.

किंवा तुम्ही वाचत असलेल्या या लेखाचा विचार करा. तुम्हाला कदाचित त्यात सापडले असेल सामाजिक नेटवर्क, येथून डाउनलोड केले संगणक नेटवर्क आणि सध्या तुमचा वापर करून अर्थ उलगडत आहेत मज्जासंस्थेसंबंधीचा नेटवर्क.

परंतु मी गेल्या काही वर्षांत नेटवर्कबद्दल जितका विचार केला आहे, अगदी अलीकडेपर्यंत मला साध्याचे महत्त्व समजले नाही प्रसार.

हा आमचा आजचा विषय आहे: सर्वकाही कसे, कसे अव्यवस्थितपणे हलते आणि पसरते. तुमची भूक कमी करण्यासाठी काही उदाहरणे:

• संसर्गजन्य रोग जे लोकसंख्येमध्ये वाहकापासून वाहकाकडे जातात.
• सोशल नेटवर्क्सवर फॉलोअर्स आलेखावर पसरणारे मीम्स.
• जंगलाची आग.
• संस्कृतीत झिरपणाऱ्या कल्पना आणि पद्धती.
• समृद्ध युरेनियममध्ये न्यूट्रॉन कॅस्केड.

फॉर्मबद्दल एक द्रुत टीप.

माझ्या पूर्वीच्या सर्व कामांप्रमाणे, हा निबंध संवादात्मक आहे [मध्ये मूळ लेख स्क्रीनवरील ऑब्जेक्ट्स नियंत्रित करणाऱ्या स्लाइडर आणि बटणांसह परस्परसंवादी उदाहरणे दिली आहेत - अंदाजे. लेन].

चला तर मग सुरुवात करूया. नेटवर्कवर प्रसार करण्यासाठी व्हिज्युअल शब्दसंग्रह विकसित करणे हे पहिले कार्य आहे.

साधे मॉडेल

मला खात्री आहे की तुम्हा सर्वांना नेटवर्कचा आधार, म्हणजे नोड्स + एज माहित आहे. प्रसाराचा अभ्यास करण्यासाठी, तुम्हाला फक्त काही नोड्स म्हणून चिन्हांकित करणे आवश्यक आहे सक्रिय. किंवा, साथीच्या रोग विशेषज्ञांना म्हणायचे आहे, संसर्गित:

हे सक्रियकरण किंवा संक्रमण आम्ही खाली विकसित केलेल्या नियमांनुसार नेटवर्कद्वारे नोडपासून नोडपर्यंत पसरतो.

रिअल नेटवर्क्स सामान्यत: या साध्या सात-नोड नेटवर्कपेक्षा खूप मोठे असतात. ते देखील अधिक गोंधळात टाकणारे आहेत. परंतु साधेपणाच्या फायद्यासाठी, आम्ही जाळीचा अभ्यास करण्यासाठी खेळण्यांचे मॉडेल तयार करू, म्हणजेच जाळीचे जाळे.

(वास्तववादात जाळीची काय कमतरता आहे, ती रेखाटणे सोपे आहे 😉

अन्यथा नमूद केल्याशिवाय, नेटवर्क नोड्सचे चार शेजारी आहेत, उदाहरणार्थ:

आणि आपल्याला कल्पना करणे आवश्यक आहे की या जाळी सर्व दिशांना अविरतपणे विस्तारतात. दुस-या शब्दात सांगायचे तर, फक्त नेटवर्कच्या काठावर किंवा लहान लोकसंख्येमध्ये घडणाऱ्या वर्तनात आम्हाला स्वारस्य नाही.

जाळ्या इतक्या क्रमाने दिल्या आहेत, आम्ही त्यांना पिक्सेलमध्ये सोपे करू शकतो. उदाहरणार्थ, या दोन प्रतिमा समान नेटवर्कचे प्रतिनिधित्व करतात:

एका वर्तनात, सक्रिय नोड नेहमी त्याच्या (असंक्रमित) शेजाऱ्यांना संक्रमण प्रसारित करतो. पण ते कंटाळवाणे आहे. हस्तांतरण करताना अधिक मनोरंजक गोष्टी घडतात संभाव्य.

SIR आणि SIS

В SIR मॉडेल (संवेदनशील-संक्रमित-काढलेले) नोड तीन अवस्थांमध्ये असू शकतो:

• संवेदनाक्षम
• संसर्गित
• काढले

संवादात्मक सिम्युलेशन कसे कार्य करते ते येथे आहे [मध्ये मूळ लेख तुम्ही 0 ते 1 पर्यंत संक्रमणाचा प्रसार दर निवडू शकता, प्रक्रिया चरण-दर-चरण किंवा संपूर्णपणे पाहू शकता - अंदाजे. अनुवाद.]:

• नोड्स संवेदनाक्षम म्हणून सुरू होतात, काही नोड्स वगळता जे संक्रमित म्हणून सुरू होतात.
• प्रत्येक टप्प्यावर, संक्रमित नोड्सना त्यांच्या प्रत्येक अतिसंवेदनशील शेजाऱ्यांना संक्रमण प्रसारित करण्याची संधी असते ज्याची संभाव्यता संप्रेषण दराच्या समान असते.
• संक्रमित नोड्स नंतर "हटवलेल्या" स्थितीत प्रवेश करतात, म्हणजे ते यापुढे इतरांना संक्रमित करू शकत नाहीत किंवा स्वतः संक्रमित होऊ शकत नाहीत.

रोगाच्या संदर्भात, काढून टाकण्याचा अर्थ असा होऊ शकतो की व्यक्ती मरण पावली आहे किंवा त्यांनी रोगजनकांना प्रतिकारशक्ती विकसित केली आहे. आम्ही म्हणतो की ते सिम्युलेशनमधून "काढले" आहेत कारण त्यांच्याशी दुसरे काहीही होत नाही.

आम्ही काय मॉडेल करण्याचा प्रयत्न करीत आहोत यावर अवलंबून, SIR पेक्षा वेगळ्या मॉडेलची आवश्यकता असू शकते.

जर आपण गोवरचा प्रसार किंवा वणव्याच्या उद्रेकाचे अनुकरण करत असाल, तर SIR आदर्श आहे. पण समजा आपण ध्यानासारख्या नवीन सांस्कृतिक प्रथेच्या प्रसाराचे अनुकरण करतो. सुरुवातीला नोड (व्यक्ती) ग्रहणक्षम आहे कारण त्याने यापूर्वी कधीही असे केले नाही. मग, जर तो ध्यान करू लागला (कदाचित एखाद्या मित्राकडून याबद्दल ऐकल्यानंतर), आम्ही त्याला संक्रमित म्हणून मॉडेल करू. परंतु जर त्याने सराव थांबवला तर तो मरणार नाही आणि सिम्युलेशनमधून बाहेर पडणार नाही, कारण भविष्यात तो सहजपणे ही सवय पुन्हा घेऊ शकतो. त्यामुळे तो ग्रहणक्षम अवस्थेत परत जातो.

या SIS मॉडेल (संवेदनशील-संसर्गित-संवेदनशील). शास्त्रीय मॉडेलमध्ये दोन पॅरामीटर्स आहेत: ट्रान्समिशन गती आणि पुनर्प्राप्ती गती. तथापि, या लेखाच्या सिम्युलेशनमध्ये, मी पुनर्प्राप्ती दर पॅरामीटर वगळून सोपे करण्याचा निर्णय घेतला. त्याऐवजी, संक्रमित नोड त्याच्या शेजाऱ्यांपैकी एकाद्वारे संक्रमित झाल्याशिवाय, पुढील टप्प्यावर आपोआप संवेदनाक्षम स्थितीत परत येतो. याव्यतिरिक्त, आम्ही चरण n वर संक्रमित नोडला संक्रमण दराच्या बरोबरीच्या संभाव्यतेसह चरण n+1 वर स्वतःला संक्रमित होऊ देतो.

चर्चा

तुम्ही बघू शकता, हे SIR मॉडेलपेक्षा खूप वेगळे आहे.

नोड्स कधीही काढले जात नसल्यामुळे, अगदी लहान आणि बंदिस्त जाळी देखील दीर्घ काळासाठी SIS संसर्गास समर्थन देऊ शकते. संसर्ग फक्त नोडपासून नोडपर्यंत जातो आणि परत येतो.

त्यांच्यातील फरक असूनही, SIR आणि SIS आमच्या उद्देशांसाठी आश्चर्यकारकपणे बदलण्यायोग्य आहेत. म्हणून या लेखाच्या उर्वरित भागासाठी आम्ही SIS ला चिकटून राहू - मुख्यत्वे कारण ते अधिक टिकाऊ आहे आणि त्यामुळे काम करणे अधिक मनोरंजक आहे.

गंभीर पातळी

SIR आणि SIS मॉडेल्ससह खेळल्यानंतर, तुम्हाला संसर्गाच्या दीर्घायुष्याबद्दल काहीतरी लक्षात आले असेल. 10% सारख्या अत्यंत कमी प्रसार दरात, संसर्ग मरतो. उच्च मूल्यांवर, जसे की 50%, संसर्ग जिवंत राहतो आणि बहुतेक नेटवर्क व्यापतो. जर नेटवर्क अनंत असते, तर ते कायमचे चालू राहण्याची आणि पसरत राहण्याची आम्ही कल्पना करू शकतो.

अशा अमर्याद प्रसाराला अनेक नावे आहेत: “व्हायरल”, “न्यूक्लियर” किंवा (या लेखाच्या शीर्षकात) गंभीर.

तो आहे बाहेर वळते विशिष्ट ब्रेकिंग पॉइंट जो वेगळे करतो सबक्रिटिकल नेटवर्क (विलुप्त होण्यास नशिबात) पासून सुपरक्रिटिकल नेटवर्क (अनंत वाढ करण्यास सक्षम). या टर्निंग पॉइंटला म्हणतात गंभीर थ्रेशोल्ड, आणि हे सामान्य नेटवर्कमधील प्रसार प्रक्रियेचे एक सामान्य चिन्ह आहे.

गंभीर थ्रेशोल्डचे अचूक मूल्य नेटवर्क्समध्ये बदलते. हे काय सामान्य आहे उपलब्धता असा अर्थ.

[पासून परस्परसंवादी डेमोमध्ये मूळ लेख ट्रान्समिशन स्पीड व्हॅल्यू बदलून तुम्ही क्रिटिकल नेटवर्क थ्रेशोल्ड मॅन्युअली शोधण्याचा प्रयत्न करू शकता. ते कुठेतरी 22% आणि 23% - अंदाजे आहे. ट्रान्स.]

22% (आणि त्यापेक्षा कमी) वर, संसर्ग शेवटी मरतो. 23% (आणि त्याहून अधिक) वर, मूळ संसर्ग काहीवेळा मरतो, परंतु बहुतेक प्रकरणांमध्ये ते टिकून राहते आणि त्याचे अस्तित्व कायमचे सुनिश्चित करण्यासाठी पुरेसा पसरतो.

(तसे, विविध नेटवर्क टोपोलॉजीजसाठी हे गंभीर थ्रेशोल्ड शोधण्यासाठी एक संपूर्ण वैज्ञानिक क्षेत्र समर्पित आहे. त्वरित परिचयासाठी, मी विकिपीडियावरील लेख त्वरीत स्क्रोल करण्याची शिफारस करतो. गळतीचा उंबरठा).

सर्वसाधारणपणे, ते कसे कार्य करते ते येथे आहे: गंभीर थ्रेशोल्डच्या खाली, नेटवर्कमधील कोणत्याही मर्यादित संसर्गाची हमी दिली जाते (संभाव्यता 1 सह) शेवटी मरण्याची. परंतु गंभीर थ्रेशोल्डच्या वर, एक संभाव्यता (p > 0) आहे की संसर्ग कायमचा चालू राहील आणि असे केल्याने मूळ जागेपासून अनियंत्रितपणे पसरेल.

तथापि, लक्षात घ्या की सुपरक्रिटिकल नेटवर्क नाही हमीकी संसर्ग कायम राहील. खरं तर, ते बर्याचदा फिकट होते, विशेषत: सिम्युलेशनच्या अगदी सुरुवातीच्या टप्प्यात. हे कसे होते ते पाहूया.

चला असे गृहीत धरू की आम्ही एक संक्रमित नोड आणि चार शेजाऱ्यांपासून सुरुवात केली. मॉडेलिंगच्या पहिल्या टप्प्यावर, संसर्गाचा प्रसार होण्याच्या 5 स्वतंत्र शक्यता असतात (पुढील टप्प्यावर स्वतःला "पसरण्याची" संधी यासह):

आता हस्तांतरण दर 50% आहे असे गृहीत धरू. या प्रकरणात, पहिल्या चरणात आम्ही एक नाणे पाच वेळा फ्लिप करतो. आणि जर पाच डोकी गुंडाळली गेली तर संक्रमण नष्ट होईल. हे सुमारे 3% प्रकरणांमध्ये घडते - आणि हे केवळ पहिल्या चरणात आहे. पहिल्या टप्प्यावर टिकून राहिलेल्या संसर्गामध्ये दुसऱ्या टप्प्यात मरण्याची काही (सामान्यत: लहान) शक्यता असते, काही (अगदी लहान) तिसऱ्या टप्प्यात मरण्याची शक्यता असते, इ.

तर, नेटवर्क सुपरक्रिटिकल असतानाही - जर प्रसारण दर 99% असेल तर - संसर्ग अदृश्य होण्याची शक्यता आहे.

पण महत्त्वाची गोष्ट म्हणजे ती तसे करत नाही नेहमी नाहीसे होईल. जर तुम्ही सर्व पायऱ्या संपण्याची शक्यता अनंतापर्यंत जोडली, तर परिणाम 1 पेक्षा कमी असेल. दुसऱ्या शब्दांत, संसर्ग कायमचा सुरू राहण्याची शुन्य नसलेली संभाव्यता आहे. नेटवर्कसाठी सुपरक्रिटिकल असणे याचा अर्थ असा आहे.

SSA: उत्स्फूर्त सक्रियता

या टप्प्यापर्यंत, आमची सर्व सिम्युलेशन मध्यभागी पूर्व-संक्रमित नोड्सच्या लहान तुकड्याने सुरू झाली.

पण जर तुम्ही सुरवातीपासून सुरुवात केली तर? त्यानंतर आम्ही उत्स्फूर्त सक्रियतेचे मॉडेल करतो—ज्या प्रक्रियेद्वारे संवेदनाक्षम नोड संयोगाने संक्रमित होतो (त्याच्या शेजाऱ्यांपैकी नाही).

या म्हणतात SIS मॉडेल. "a" अक्षराचा अर्थ "स्वयंचलित" आहे.

एसआयएसए सिम्युलेशनमध्ये, एक नवीन पॅरामीटर दिसून येतो - उत्स्फूर्त सक्रियतेचा दर, जो उत्स्फूर्त संसर्गाची वारंवारता बदलतो (आम्ही आधी पाहिलेला ट्रान्समिशन रेट पॅरामीटर देखील उपस्थित आहे).

संपूर्ण नेटवर्कमध्ये संसर्ग पसरण्यासाठी काय करावे लागेल?

चर्चा

तुम्ही कदाचित सिम्युलेशनमध्ये हे लक्षात घेतले असेल की उत्स्फूर्त सक्रियतेचा दर वाढल्याने संसर्ग संपूर्ण नेटवर्कवर होतो किंवा नाही हे बदलत नाही. फक्त प्रेषण गती नेटवर्क सब- किंवा सुपरक्रिटिकल आहे हे निर्धारित करते. आणि जेव्हा नेटवर्क सबक्रिटिकल असते (ट्रान्समिशन रेट 22% पेक्षा कमी किंवा समान), कोणताही संसर्ग संपूर्ण ग्रिडमध्ये पसरू शकत नाही, ते कितीही वेळा सुरू झाले तरीही.

हे ओल्या शेतात आग लावण्यासारखे आहे. आपण काही कोरड्या पानांना आग लावू शकता, परंतु ज्वाला लवकर नष्ट होईल कारण उर्वरित लँडस्केप पुरेसे ज्वलनशील नाही (सबक्रिटिकल). अतिशय कोरड्या शेतात (सुपरक्रिटिकल) असताना, आग भडकण्यासाठी एक ठिणगी पुरेशी असते.

कल्पना आणि आविष्कारांच्या क्षेत्रातही तत्सम गोष्टी दिसून येतात. बहुतेकदा जग एखाद्या कल्पनेसाठी तयार नसते, अशा परिस्थितीत ते पुन्हा पुन्हा शोधले जाऊ शकते, परंतु ते जनतेला आकर्षित करत नाही. दुसरीकडे, जग एखाद्या शोधासाठी पूर्णपणे तयार असू शकते (महान सुप्त मागणी), आणि जन्माला येताच, ते सर्वांनी स्वीकारले आहे. मध्यभागी अनेक ठिकाणी शोधलेल्या आणि स्थानिक पातळीवर पसरलेल्या कल्पना आहेत, परंतु एकाच वेळी संपूर्ण नेटवर्क स्वीप करण्यासाठी कोणत्याही एका आवृत्तीसाठी पुरेसे नाही. या शेवटच्या वर्गात आपल्याला आढळते, उदाहरणार्थ, शेती आणि लेखन, ज्यांचा स्वतंत्रपणे वेगवेगळ्या मानवी संस्कृतींनी अनुक्रमे दहा आणि तीन वेळा शोध लावला होता.

प्रतिकारशक्ती

समजा आपण काही नोड्स पूर्णपणे अभेद्य बनवतो, म्हणजेच सक्रियतेसाठी रोगप्रतिकारक. असे दिसते की ते सुरुवातीला दूरस्थ स्थितीत आहेत आणि SIS(a) मॉडेल उर्वरित नोड्सवर लॉन्च केले आहे.

प्रतिकारशक्ती स्लाइडर काढलेल्या नोड्सची टक्केवारी नियंत्रित करते. त्याचे मूल्य बदलण्याचा प्रयत्न करा (मॉडेल चालू असताना!) आणि त्याचा नेटवर्कच्या स्थितीवर कसा परिणाम होतो ते पहा, ते सुपरक्रिटिकल असेल की नाही.

चर्चा

प्रतिसाद न देणाऱ्या नोड्सची संख्या बदलल्याने नेटवर्क सब- किंवा सुपरक्रिटिकल असेल की नाही हे चित्र पूर्णपणे बदलते. आणि का ते पाहणे कठीण नाही. मोठ्या संख्येने संवेदनाक्षम यजमानांसह, संसर्गास नवीन यजमानांमध्ये पसरण्याची कमी संधी असते.

असे दिसून आले की याचे अनेक महत्त्वपूर्ण व्यावहारिक परिणाम आहेत.

त्यापैकी एक म्हणजे जंगलातील आगीचा प्रसार रोखणे. स्थानिक स्तरावर, प्रत्येक व्यक्तीने स्वतःची खबरदारी घेणे आवश्यक आहे (उदाहरणार्थ, उघड्या ज्वाला कधीही लक्ष न देता). परंतु मोठ्या प्रमाणावर, वेगळ्या उद्रेक अपरिहार्य आहेत. त्यामुळे संरक्षणाची दुसरी पद्धत म्हणजे पुरेशी "ब्रेक" (ज्वलनशील पदार्थांच्या नेटवर्कमध्ये) आहेत याची खात्री करणे जेणेकरून उद्रेक संपूर्ण नेटवर्कला वेढून टाकू नये. क्लिअरिंग हे कार्य करतात:

आणखी एक उद्रेक जो थांबवणे महत्वाचे आहे तो एक संसर्गजन्य रोग आहे. इथे संकल्पना मांडली आहे कळप प्रतिकारशक्ती. ही कल्पना आहे की काही लोकांना लसीकरण केले जाऊ शकत नाही (उदाहरणार्थ, त्यांच्यात तडजोड केलेली रोगप्रतिकारक शक्ती आहे), परंतु जर पुरेसे लोक संसर्गापासून रोगप्रतिकारक आहेत, तर रोग अनिश्चित काळासाठी पसरू शकत नाही. दुसऱ्या शब्दांत, आपण लसीकरण केले पाहिजे पुरेसे लोकसंख्या सुपरक्रिटिकल मधून सबक्रिटिकल स्थितीत हस्तांतरित करण्यासाठी लोकसंख्येचा भाग. जेव्हा हे घडते तेव्हा, एक रुग्ण अजूनही संक्रमित होऊ शकतो (उदाहरणार्थ, दुसर्या प्रदेशात प्रवास केल्यानंतर), परंतु एखाद्या सुपरक्रिटिकल नेटवर्कशिवाय ज्यामध्ये वाढ होते, हा रोग फक्त काही मूठभर लोकांना संक्रमित करेल.

शेवटी, इम्यून नोड्सची संकल्पना अणुभट्टीमध्ये काय होते हे स्पष्ट करते. साखळी अभिक्रियामध्ये, एक कुजलेला युरेनियम-२३५ अणू सुमारे तीन न्यूट्रॉन सोडतो, ज्यामुळे (सरासरी) एकापेक्षा जास्त U-235 अणूचे विखंडन होते. नवीन न्यूट्रॉन नंतर अणूंचे आणखी विभाजन करतात, आणि असेच वेगाने:

बॉम्ब तयार करताना, संपूर्ण मुद्दा म्हणजे घातांकीय वाढ अनियंत्रित चालू राहते याची खात्री करणे. परंतु पॉवर प्लांटमध्ये, तुमच्या सभोवतालच्या प्रत्येकाला न मारता ऊर्जा निर्मिती करणे हे ध्येय आहे. या उद्देशासाठी ते वापरले जातात कंट्रोल रॉड्स, न्यूट्रॉन (उदाहरणार्थ, चांदी किंवा बोरॉन) शोषून घेऊ शकतील अशा सामग्रीपासून बनविलेले. कारण ते न्यूट्रॉन सोडण्याऐवजी शोषून घेतात, ते आमच्या सिम्युलेशनमध्ये रोगप्रतिकारक नोड्स म्हणून कार्य करतात, ज्यामुळे रेडिओएक्टिव्ह न्यूक्लियस सुपरक्रिटिकल होण्यापासून प्रतिबंधित करतात.

त्यामुळे अणुभट्टीची युक्ती म्हणजे नियंत्रण रॉड्स पुढे-मागे हलवून प्रतिक्रिया एका गंभीर उंबरठ्याजवळ ठेवणे आणि जेव्हा जेव्हा काहीतरी चूक होते तेव्हा रॉड कोरमध्ये पडतात आणि थांबतात याची खात्री करणे.

पदवी

पदवी नोड म्हणजे त्याच्या शेजाऱ्यांची संख्या. या बिंदूपर्यंत, आम्ही पदवी 4 च्या नेटवर्कचा विचार केला आहे. परंतु आपण हे पॅरामीटर बदलल्यास काय होईल?

उदाहरणार्थ, तुम्ही प्रत्येक नोड केवळ चार जवळच्या शेजाऱ्यांशीच जोडू शकत नाही, तर आणखी चार तिरपे जोडू शकता. अशा नेटवर्कमध्ये पदवी 8 असेल.

4 आणि 8 अंश असलेल्या जाळ्या चांगल्या सममितीय आहेत. परंतु पदवी 5 सह (उदाहरणार्थ), एक समस्या उद्भवते: आपण कोणते पाच शेजारी निवडावे? या प्रकरणात, आम्ही चार जवळचे शेजारी (N, E, S, W) निवडतो आणि नंतर यादृच्छिकपणे सेट {NE, SE, SW, NW} मधून एक शेजारी निवडतो. निवड प्रत्येक वेळी प्रत्येक नोडसाठी स्वतंत्रपणे केली जाते.

चर्चा

पुन्हा, येथे काय चालले आहे हे पाहणे कठीण नाही. जेव्हा प्रत्येक नोडमध्ये जास्त शेजारी असतात, तेव्हा संसर्ग पसरण्याची शक्यता वाढते — आणि त्यामुळे नेटवर्क गंभीर होण्याची शक्यता जास्त असते.

तथापि, परिणाम अनपेक्षित असू शकतात, जसे आपण खाली पाहू.

शहरे आणि नेटवर्क घनता

आत्तापर्यंत, आमचे नेटवर्क पूर्णपणे एकसंध होते. प्रत्येक नोड इतर सारखा दिसतो. परंतु जर आपण परिस्थिती बदलली आणि संपूर्ण नेटवर्कमध्ये वेगवेगळ्या नोड स्थितींना परवानगी दिली तर?

उदाहरणार्थ, शहरे मॉडेल करण्याचा प्रयत्न करूया. हे करण्यासाठी, आम्ही नेटवर्कच्या काही भागांमध्ये (नोड्सची उच्च पदवी) घनता वाढवू. नागरिकांकडे असलेल्या डेटाच्या आधारे आम्ही हे करतो व्यापक सामाजिक वर्तुळ आणि अधिक सामाजिक संवादशहराबाहेरील लोकांपेक्षा.

आमच्या मॉडेलमध्ये, संवेदनाक्षम नोड्स त्यांच्या पदवीच्या आधारावर रंगीत असतात. "ग्रामीण भागातील" नोड्समध्ये डिग्री 4 असते (आणि रंगीत हलका राखाडी असतो), तर "शहरी भागातील" नोड्समध्ये उच्च अंश असतात (आणि रंग गडद असतात), बाहेरील भागात 5 अंशाने सुरू होऊन शहराच्या मध्यभागी 8 ने समाप्त होतात.

एक प्रसार गती निवडण्याचा प्रयत्न करा की सक्रियता शहरांना कव्हर करेल आणि नंतर त्यांच्या सीमांच्या पलीकडे जाणार नाही.

मला हे सिम्युलेशन स्पष्ट आणि आश्चर्यकारक वाटते. नक्कीच, ग्रामीण भागापेक्षा शहरे सांस्कृतिक पातळी उत्तम राखतात - हे सर्वांना माहीत आहे. मला आश्चर्य वाटते की यापैकी काही सांस्कृतिक विविधता फक्त सोशल नेटवर्कच्या टोपोलॉजीवर आधारित आहे.

हा एक मनोरंजक मुद्दा आहे, मी ते अधिक तपशीलवार सांगण्याचा प्रयत्न करेन.

येथे आपण संस्कृतीच्या प्रकारांशी व्यवहार करत आहोत जे सहजपणे आणि थेट व्यक्तीकडून दुसऱ्या व्यक्तीकडे प्रसारित केले जातात. उदाहरणार्थ, शिष्टाचार, पार्लर गेम्स, फॅशन ट्रेंड, भाषिक ट्रेंड, लहान समूह विधी आणि उत्पादने जी तोंडी सांगून पसरतात, तसेच संपूर्ण माहितीचे पॅकेज ज्यांना आम्ही कल्पना म्हणतो.

(टीप: माध्यमांद्वारे लोकांमध्ये माहितीचा प्रसार करणे अत्यंत कठीण केले आहे. प्राचीन ग्रीससारख्या काही तांत्रिकदृष्ट्या आदिम वातावरणाची कल्पना करणे सोपे आहे, जिथे संस्कृतीची जवळजवळ प्रत्येक ठिणगी भौतिक अवकाशातील परस्परसंवादाद्वारे प्रसारित केली जात होती.)

वरील सिम्युलेशनवरून, मी शिकलो की अशा कल्पना आणि सांस्कृतिक पद्धती आहेत ज्या शहरात रुजू शकतात आणि पसरू शकतात, परंतु ते फक्त ग्रामीण भागात पसरू शकत नाहीत (गणितीयदृष्ट्या). हे समान विचार आणि तेच लोक आहेत. मुद्दा असा नाही की ग्रामीण भागातील रहिवासी कसे तरी "जवळचे" असतात: त्याच कल्पनेशी संवाद साधताना, ते ते पकडण्याची शक्यता अगदी समान आहेशहरवासियांप्रमाणे. ही कल्पना ग्रामीण भागात व्हायरल होऊ शकत नाही इतकेच आहे, कारण ती पसरू शकेल असे बरेच कनेक्शन नाहीत.

फॅशनच्या क्षेत्रात हे पाहणे कदाचित सर्वात सोपे आहे - कपडे, केशरचना इ. फॅशन नेटवर्कमध्ये, जेव्हा दोन लोक एकमेकांचे पोशाख लक्षात घेतात तेव्हा आम्ही जाळीचा किनारा कॅप्चर करू शकतो. शहरी केंद्रात, प्रत्येक व्यक्तीला दररोज 1000 पेक्षा जास्त लोक दिसतात - रस्त्यावर, भुयारी मार्गात, गर्दीच्या रेस्टॉरंटमध्ये इ. ग्रामीण भागात, त्याउलट, प्रत्येक व्यक्ती फक्त दोन डझन पाहू शकते. इतर. आधारीत फक्त हा फरक, शहर अधिक फॅशन ट्रेंड समर्थन करण्यास सक्षम आहे. आणि फक्त सर्वात आकर्षक ट्रेंड - ज्यांचे प्रसारण दर सर्वाधिक आहेत - शहराबाहेर पाऊल ठेवण्यास सक्षम असतील.

एखादी कल्पना चांगली असेल तर ती शेवटी सर्वांपर्यंत पोहोचते आणि एखादी कल्पना वाईट असेल तर ती नाहीशी होते, असा आपला कल असतो. अर्थात, हे अत्यंत प्रकरणांमध्ये खरे आहे, परंतु त्या दरम्यान अनेक कल्पना आणि पद्धती आहेत ज्या केवळ विशिष्ट नेटवर्कवर व्हायरल होऊ शकतात. हे खरोखर आश्चर्यकारक आहे.

केवळ शहरेच नाहीत

आम्ही येथे प्रभाव पाहत आहोत नेटवर्क घनता. हे नोड्सच्या दिलेल्या संचासाठी संख्या म्हणून परिभाषित केले आहे वास्तविक बरगड्या, संख्येने भागले संभाव्य कडा. म्हणजेच, प्रत्यक्षात अस्तित्वात असलेल्या संभाव्य कनेक्शनची टक्केवारी.

तर, आम्ही पाहिले आहे की शहरी केंद्रांमध्ये नेटवर्कची घनता ग्रामीण भागांपेक्षा जास्त आहे. परंतु शहरे ही एकमेव जागा नाही जिथे आपल्याला दाट नेटवर्क आढळते.

एक मनोरंजक उदाहरण म्हणजे माध्यमिक शाळा. उदाहरणार्थ, एखाद्या विशिष्ट क्षेत्रासाठी, आम्ही शाळकरी मुलांमध्ये असलेल्या नेटवर्कची त्यांच्या पालकांमध्ये अस्तित्वात असलेल्या नेटवर्कशी तुलना करतो. समान भौगोलिक क्षेत्र आणि समान लोकसंख्या, परंतु एक नेटवर्क दुसऱ्यापेक्षा अनेक पटींनी घन आहे. म्हणूनच फॅशन आणि भाषिक ट्रेंड किशोरवयीन मुलांमध्ये खूप वेगाने पसरतात हे आश्चर्यकारक नाही.

त्याचप्रमाणे, उच्चभ्रू नेटवर्क नॉन-एलिट नेटवर्क्सपेक्षा जास्त घन असतात - ही वस्तुस्थिती माझ्या मते कमी आहे (जे लोक लोकप्रिय किंवा प्रभावशाली आहेत ते नेटवर्किंगमध्ये अधिक वेळ घालवतात आणि त्यामुळे लोकांच्या सामान्य लोकांपेक्षा जास्त "शेजारी" असतात). वरील सिम्युलेशनच्या आधारे, आम्ही अपेक्षा करतो की अभिजात नेटवर्क काही सांस्कृतिक स्वरूपांना समर्थन देतील ज्यांना मुख्य प्रवाहाद्वारे समर्थित केले जाऊ शकत नाही, फक्त नेटवर्कच्या सरासरी पदवीच्या गणितीय नियमांवर आधारित. ही सांस्कृतिक रूपे काय असू शकतात याचा अंदाज लावण्यासाठी मी तुम्हाला सोडतो.

शेवटी, आम्ही ही कल्पना इंटरनेटवर विशाल आणि मॉडेलिंग करून लागू करू शकतो खूप दाट शहर यात आश्चर्य नाही की अनेक नवीन प्रकारची संस्कृती ऑनलाइन भरभराटीला येत आहे ज्याला पूर्णपणे अवकाशीय नेटवर्कवर समर्थन दिले जाऊ शकत नाही: विशिष्ट छंद, उत्कृष्ट डिझाइन मानके, अन्यायाबद्दल अधिक जागरूकता इ. आणि ही केवळ छान गोष्टी नाही. ज्याप्रमाणे सुरुवातीची शहरे ही कमी लोकसंख्येच्या घनतेमध्ये पसरू न शकणाऱ्या रोगांचे प्रजनन केंद्र होते, त्याचप्रमाणे इंटरनेट हे क्लिकबेट, बनावट बातम्या आणि कृत्रिम आक्रोश यांसारख्या घातक सांस्कृतिक प्रकारांसाठी एक प्रजनन ग्राउंड आहे.

ज्ञान

"योग्य वेळी योग्य तज्ञ असणे हे सर्जनशील समस्या सोडवण्याचे सर्वात मौल्यवान स्त्रोत आहे." - मायकेल निल्सन, शोध शोध

आपण अनेकदा शोध किंवा आविष्कार ही एकच अलौकिक बुद्धिमत्तेच्या मनात घडणारी प्रक्रिया मानतो. त्याला प्रेरणेचा झटका बसला आहे आणि - युरेका! — अचानक आमच्याकडे व्हॉल्यूम मोजण्याचा एक नवीन मार्ग आहे. किंवा गुरुत्वाकर्षण समीकरण. किंवा लाइट बल्ब.

परंतु जर आपण शोधाच्या क्षणी एकट्या शोधकाचा दृष्टिकोन घेतला तर आपण या घटनेकडे पाहत आहोत. नोडच्या दृष्टिकोनातून. असे असताना आविष्काराचा अर्थ लावणे अधिक योग्य ठरेल नेटवर्क घटना

नेटवर्क किमान दोन प्रकारे महत्त्वाचे आहे. प्रथम, विद्यमान कल्पना आत प्रवेश करणे आवश्यक आहे जाणीवेत शोधक हे एका नवीन लेखातील कोट्स आहेत, नवीन पुस्तकाच्या ग्रंथसूची विभाग - ज्या दिग्गजांच्या खांद्यावर न्यूटन उभा होता. दुसरे म्हणजे, नवीन कल्पना परत येण्यासाठी नेटवर्क महत्त्वपूर्ण आहे परत जगात; ज्या शोधाचा प्रसार झाला नाही त्याला "आविष्कार" म्हणणे अजिबात योग्य नाही. अशाप्रकारे, या दोन्ही कारणांमुळे, प्रसरणाची प्रक्रिया म्हणून आविष्कार-किंवा, अधिक व्यापकपणे, ज्ञानाची वाढ-प्रसाराच्या मॉडेलला अर्थ प्राप्त होतो.

एका क्षणात, मी नेटवर्कमध्ये ज्ञान कसे पसरू आणि वाढू शकते याचे एक ढोबळ सिम्युलेशन सादर करेन. पण प्रथम मी स्पष्ट केले पाहिजे.

सिम्युलेशनच्या सुरुवातीला, ग्रीडच्या प्रत्येक चतुर्थांशात चार तज्ञ असतात, त्यांची खालीलप्रमाणे व्यवस्था केली जाते:

तज्ञ 1 कडे कल्पनेची पहिली आवृत्ती आहे - चला त्याला आयडिया 1.0 म्हणू या. तज्ञ 2 ही अशी व्यक्ती आहे जी आयडिया 1.0 ला आयडिया 2.0 मध्ये कसे बदलायचे हे जाणते. Idea 3 चे Idea 2.0 मध्ये कसे रूपांतर करायचे हे तज्ञ 3.0 ला माहीत आहे. आणि शेवटी, चौथ्या तज्ज्ञाला Idea 4.0 ला फिनिशिंग टच कसे द्यावे हे माहित आहे.

हे ओरिगामी सारख्या तंत्रासारखे आहे, जेथे तंत्र विकसित केले जाते आणि इतर तंत्रांसह एकत्रित केले जाते जेणेकरून अधिक मनोरंजक डिझाइन तयार केले जातील. किंवा हे भौतिकशास्त्रासारखे ज्ञानाचे क्षेत्र असू शकते, ज्यामध्ये अधिक अलीकडील कार्य पूर्ववर्तींच्या मूलभूत कार्यावर आधारित आहे.

या सिम्युलेशनचा मुद्दा असा आहे की कल्पनेच्या अंतिम आवृत्तीमध्ये योगदान देण्यासाठी आम्हाला चारही तज्ञांची आवश्यकता आहे. आणि प्रत्येक टप्प्यावर ही कल्पना योग्य तज्ञाच्या लक्षात आणून दिली पाहिजे.

काही चेतावणी. सिम्युलेशनमध्ये एन्कोड केलेल्या अनेक अवास्तव गृहीतके आहेत. त्यापैकी काही येथे आहेत:

1. असे गृहीत धरले जाते की कल्पना संग्रहित आणि प्रसारित केली जाऊ शकत नाही व्यक्तीपासून दुसऱ्या व्यक्तीकडे (म्हणजे कोणतीही पुस्तके किंवा माध्यम नाही).
2. असे गृहीत धरले जाते की लोकसंख्येमध्ये कायमचे तज्ञ आहेत जे कल्पना निर्माण करू शकतात, जरी प्रत्यक्षात अनेक यादृच्छिक घटक शोध किंवा शोधाच्या घटनेवर प्रभाव टाकतात.
3. कल्पनेच्या चारही आवृत्त्या SIS पॅरामीटर्सचा समान संच वापरतात (बॉड रेट, प्रतिकारशक्तीची टक्केवारी, इ.), जरी प्रत्येक आवृत्तीसाठी (1.0, 2.0, इ.) भिन्न पॅरामीटर्स वापरणे कदाचित अधिक वास्तववादी आहे.
4. असे गृहीत धरले जाते की कल्पना N+1 नेहमी पूर्णपणे N कल्पनेला विस्थापित करते, जरी व्यवहारात अनेकदा जुन्या आणि नवीन दोन्ही आवृत्त्या एकाच वेळी प्रसारित होतात, स्पष्ट विजेते नसतात.

… आणि इतर अनेक.

चर्चा

ज्ञान प्रत्यक्षात कसे वाढते याचे हे एक हास्यास्पद सोपे मॉडेल आहे. मॉडेलच्या बाहेर बरेच महत्त्वाचे तपशील शिल्लक आहेत (वर पहा). तथापि, ते प्रक्रियेचे महत्त्वपूर्ण सार कॅप्चर करते. आणि म्हणून आपण, आरक्षणासह, आपल्या प्रसाराच्या ज्ञानाचा वापर करून ज्ञानाच्या वाढीबद्दल बोलू शकतो.

विशेषतः, प्रसार मॉडेल कसे याबद्दल अंतर्दृष्टी प्रदान करते प्रक्रिया गतिमान करा: तज्ञ नोड्स दरम्यान विचारांची देवाणघेवाण सुलभ करणे आवश्यक आहे. याचा अर्थ डेड नोड्सचे नेटवर्क साफ करणे जे प्रसारास अडथळा आणत आहेत. किंवा याचा अर्थ असा असू शकतो की सर्व तज्ञांना एखाद्या शहरात किंवा उच्च नेटवर्क घनतेच्या क्लस्टरमध्ये ठेवणे जेथे कल्पनांचा प्रसार होतो. किंवा त्यांना एका खोलीत गोळा करा:

तर... प्रसाराबद्दल मी एवढेच म्हणू शकतो.

पण माझ्या मनात एक शेवटचा विचार आहे आणि तो खूप महत्वाचा आहे. हे वाढीबद्दल आहेआणि स्थिरता) वैज्ञानिक समुदायांमध्ये ज्ञान. ही कल्पना वरील कोणत्याही गोष्टीपेक्षा टोन आणि सामग्रीमध्ये भिन्न आहे, परंतु मला आशा आहे की तुम्ही मला क्षमा कराल.

वैज्ञानिक नेटवर्क बद्दल

हे चित्र जगातील सर्वात महत्त्वाचे सकारात्मक अभिप्राय लूप दर्शविते (आणि हे बर्याच काळापासून असेच आहे):

सायकलची ऊर्ध्वगामी प्रगती (K ⟶ T) अगदी सोपी आहे: आम्ही नवीन साधने विकसित करण्यासाठी नवीन ज्ञान वापरतो. उदाहरणार्थ, सेमीकंडक्टरचे भौतिकशास्त्र समजून घेणे आपल्याला संगणक तयार करण्यास अनुमती देते.

तथापि, खाली जाण्यासाठी काही स्पष्टीकरण आवश्यक आहे. तंत्रज्ञानाच्या विकासामुळे ज्ञानात वाढ कशी होते?

एक मार्ग-कदाचित सर्वात थेट-जेव्हा नवीन तंत्रज्ञान आपल्याला जगाचे आकलन करण्याचे नवीन मार्ग देतात. उदाहरणार्थ, सर्वोत्कृष्ट सूक्ष्मदर्शक आपल्याला सेलच्या आत खोलवर पाहण्याची परवानगी देतात, आण्विक जीवशास्त्रासाठी अंतर्दृष्टी प्रदान करतात. जीपीएस ट्रॅकर प्राणी कसे फिरतात हे दाखवतात. सोनार तुम्हाला महासागर एक्सप्लोर करण्याची परवानगी देतो. वगैरे.

निःसंशयपणे ही एक महत्वाची यंत्रणा आहे, परंतु तंत्रज्ञानापासून ज्ञानापर्यंत किमान दोन इतर मार्ग आहेत. ते कदाचित इतके सोपे नसतील, परंतु मला वाटते की ते तितकेच महत्त्वाचे आहेत:

पहिला. तंत्रज्ञानामुळे आर्थिक विपुलता (म्हणजेच संपत्ती) येते, ज्यामुळे अधिक लोकांना ज्ञान निर्मितीमध्ये व्यस्त राहता येते.

जर तुमच्या देशाच्या लोकसंख्येपैकी 90% लोक शेतीमध्ये गुंतलेले असतील आणि उर्वरित 10% लोक कोणत्या ना कोणत्या व्यापारात (किंवा युद्ध) गुंतलेले असतील, तर लोकांना निसर्गाच्या नियमांबद्दल विचार करण्यासाठी फारच कमी वेळ मिळेल. कदाचित म्हणूनच पूर्वीच्या काळी विज्ञानाचा प्रचार प्रामुख्याने श्रीमंत घराण्यातील मुलांनी केला होता.

युनायटेड स्टेट्स दरवर्षी 50 पेक्षा जास्त पीएच.डी. वयाच्या 000 व्या वर्षी (किंवा त्याआधी) एखाद्या व्यक्तीने कारखान्यात काम करण्याऐवजी, पदवीधर विद्यार्थ्याला वयाच्या 18 किंवा कदाचित 30 पर्यंत निधी द्यावा लागतो — आणि तरीही त्यांच्या कामाचा वास्तविक आर्थिक परिणाम होईल की नाही हे स्पष्ट नाही. परंतु एखाद्या व्यक्तीने त्याच्या किंवा तिच्या विषयात, विशेषत: भौतिकशास्त्र किंवा जीवशास्त्र यांसारख्या जटिल क्षेत्रात आघाडीवर पोहोचणे आवश्यक आहे.

वस्तुस्थिती अशी आहे की सिस्टमच्या दृष्टिकोनातून, विशेषज्ञ महाग आहेत. आणि या तज्ञांना निधी देणारा सार्वजनिक संपत्तीचा अंतिम स्त्रोत नवीन तंत्रज्ञान आहे: नांगर पेनला सबसिडी देते.

सेकंद. नवीन तंत्रज्ञान, विशेषत: प्रवास आणि संप्रेषण क्षेत्रात, सामाजिक नेटवर्कची रचना बदलत आहेत ज्यामध्ये ज्ञान वाढते. विशेषतः, हे तज्ञ आणि तज्ञांना एकमेकांशी अधिक जवळून संवाद साधण्यास अनुमती देते.

येथील उल्लेखनीय आविष्कारांमध्ये प्रिंटिंग प्रेस, स्टीमशिप आणि रेल्वेमार्ग (प्रवासाची सुविधा आणि/किंवा लांब अंतरावर मेल पाठवणे), टेलिफोन, विमाने आणि इंटरनेट यांचा समावेश आहे. या सर्व तंत्रज्ञानामुळे नेटवर्क घनता वाढण्यास हातभार लागतो, विशेषत: विशिष्ट समुदायांमध्ये (जेथे जवळजवळ सर्व ज्ञान वाढ होते). उदाहरणार्थ, मध्ययुगाच्या शेवटी युरोपियन शास्त्रज्ञांमध्ये उद्भवलेले पत्रव्यवहार नेटवर्क किंवा आधुनिक भौतिकशास्त्रज्ञ ज्या प्रकारे arXiv वापरतात.

शेवटी, हे दोन्ही मार्ग समान आहेत. दोन्ही तज्ञांच्या नेटवर्कची घनता वाढवतात, ज्यामुळे ज्ञानात वाढ होते:

बरीच वर्षे मी उच्च शिक्षणापासून वंचित होतो. ग्रॅज्युएट स्कूलमधील माझ्या लहानशा कार्यकाळामुळे माझ्या तोंडात एक वाईट चव आली. पण आता मी मागे वळून पाहतो आणि विचार करतो (सर्व वैयक्तिक समस्या सोडून), मला असा निष्कर्ष काढावा लागेल की उच्च शिक्षण अद्याप बाकी आहे. अत्यंत महत्वाचे

शैक्षणिक सामाजिक नेटवर्क (उदा., संशोधन समुदाय) ही आपल्या सभ्यतेने तयार केलेली सर्वात प्रगत आणि मौल्यवान रचना आहे. ज्ञान निर्मितीवर लक्ष केंद्रित करणाऱ्या तज्ञांची जास्त एकाग्रता आम्ही कुठेही जमा केलेली नाही. एकमेकांच्या कल्पना समजून घेण्याची आणि त्यावर टीका करण्याची क्षमता लोकांमध्ये कुठेही विकसित झालेली नाही. हे प्रगतीचे धडधडणारे हृदय आहे. या नेटवर्कमध्येच ज्ञानाची आग सर्वात प्रखरतेने पेटते.

पण आपण प्रगती गृहीत धरू शकत नाही. तर पुनरुत्पादकतेचे संकट प्रयोग आणि जर त्याने आपल्याला काही शिकवले तर ते असे की विज्ञान प्रणालीगत समस्या असू शकतात. हे एक प्रकारचे नेटवर्क डिग्रेडेशन आहे.

समजा आपण विज्ञान करण्याच्या दोन पद्धतींमध्ये फरक करतो: वास्तविक विज्ञान и करिअरवाद. वास्तविक विज्ञान म्हणजे विश्वासार्हपणे ज्ञान निर्माण करणाऱ्या पद्धती. हे कुतूहलाने प्रेरित आहे आणि प्रामाणिकपणाने वैशिष्ट्यीकृत आहे (फेनमन: "तुम्ही पहा, मला फक्त जग समजून घेणे आवश्यक आहे"). याउलट, करिअरवाद हा व्यावसायिक महत्त्वाकांक्षेने प्रेरित असतो आणि राजकारण आणि वैज्ञानिक शॉर्टकट खेळण्याद्वारे त्याचे वैशिष्ट्य आहे. हे विज्ञानासारखे दिसू शकते आणि कार्य करू शकते, परंतु नाही विश्वसनीय ज्ञान निर्माण करते.

(होय, ही अतिशयोक्तीपूर्ण द्वंद्व आहे. फक्त एक विचार प्रयोग आहे. मला दोष देऊ नका).

वस्तुस्थिती अशी आहे की जेव्हा करिअरिस्ट वास्तविक संशोधन समुदायात जागा घेतात तेव्हा ते काम खराब करतात. ते स्वतःला प्रोत्साहन देण्याचा प्रयत्न करतात तर बाकीचे समुदाय नवीन ज्ञान मिळवण्याचा आणि सामायिक करण्याचा प्रयत्न करतात. स्पष्टतेसाठी प्रयत्न करण्याऐवजी, अधिक प्रभावी वाटण्यासाठी करिअरिस्ट सर्वकाही गुंतागुंत करतात आणि गोंधळात टाकतात. ते (हॅरी फ्रँकफर्ट म्हणतात तसे) वैज्ञानिक मूर्खपणात गुंतलेले आहेत. आणि म्हणूनच आम्ही त्यांना मृत नोड्स म्हणून मॉडेल करू शकतो, ज्ञान वाढीसाठी आवश्यक माहितीच्या योग्य देवाणघेवाणीसाठी अभेद्य:

कदाचित सर्वोत्कृष्ट मॉडेल असे आहे ज्यामध्ये करिअरिस्ट नोड्स केवळ ज्ञानासाठी अभेद्य नसतात, परंतु सक्रियपणे प्रसारित करतात खोटे ज्ञान. बनावट ज्ञानामध्ये क्षुल्लक परिणामांचा समावेश असू शकतो ज्यांचे महत्त्व कृत्रिमरित्या फुगवले गेले आहे, किंवा फेरफार किंवा बनावट डेटामधून उद्भवणारे खरे खोटे परिणाम.

आम्ही त्यांना कसे मॉडेल केले हे महत्त्वाचे नाही, करिअरिस्ट नक्कीच आमच्या वैज्ञानिक समुदायांचा गळा दाबू शकतात.

हे अणु साखळी प्रतिक्रियेसारखे आहे ज्याची आम्हाला नितांत गरज आहे - आम्हाला ज्ञानाचा स्फोट हवा आहे - फक्त आमच्या समृद्ध U-235 मध्ये खूप जास्त नॉन-रिॲक्टिव्ह समस्थानिक U-238 आहे, जे साखळी प्रतिक्रिया दाबते.

अर्थात, करिअरिस्ट आणि वास्तविक शास्त्रज्ञ यांच्यात स्पष्ट फरक नाही. आपल्यापैकी प्रत्येकाच्या मनात थोडाफार करिअरवाद दडलेला असतो. ज्ञानाचा प्रसार कमी होण्यापूर्वी नेटवर्क किती काळ टिकेल हा प्रश्न आहे.

अगं, तुम्ही शेवटपर्यंत वाचा. वाचल्याबद्दल धन्यवाद.

परवाना

CC0 सर्व हक्क राखीव नाहीत. तुम्हाला योग्य वाटेल तसे तुम्ही हे काम वापरू शकता :).

पोचपावती

• केविन क्वोक и निकी केस मसुद्याच्या विविध आवृत्त्यांवर विचारशील टिप्पण्या आणि सूचनांसाठी.
• निक बार — संपूर्ण प्रक्रियेदरम्यान नैतिक समर्थनासाठी आणि माझ्या कामावरील सर्वात उपयुक्त अभिप्रायासाठी.
• मला झिरपण्याची घटना आणि झिरपण्याच्या उंबरठ्याकडे लक्ष वेधण्यासाठी कीथ ए.
• ज्योफ लॉन्सडेल च्या लिंकसाठी हा एक निबंध आहे, जे (त्याच्या अनेक कमतरता असूनही) या पोस्टवर काम करण्यासाठी मुख्य प्रेरणा होती.

परस्परसंवादी निबंध नमुने

• निकी केसचे सर्व कार्य, उदा. "बहुभुजांची बोधकथा" (Vi Hart सह) आणि "चांगले मतदान मतपत्रिका विकसित करणे". संवादात्मक निबंध काय असू शकतो यासाठी हा एक उच्च बार आहे.
• distill.pub: मशीन शिक्षणाचे अपवादात्मक उच्च-गुणवत्तेचे परस्परसंवादी वर्णन.
• ब्रेट व्हिक्टरचे क्लासिक काम "अमूर्ततेची शिडी वर आणि खाली". मी पायऱ्या चढण्यात फारसा चांगला नव्हतो, पण आणखी एक प्रयत्न नेहमीच असतो.

स्त्रोत: www.habr.com