ਜੇਕਰ ਤੁਸੀਂ ਗੁੰਝਲਦਾਰ ਪ੍ਰਣਾਲੀਆਂ ਬਾਰੇ ਸੋਚਣ ਵਿੱਚ ਕੋਈ ਸਮਾਂ ਬਿਤਾਇਆ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਸ਼ਾਇਦ ਨੈੱਟਵਰਕਾਂ ਦੀ ਮਹੱਤਤਾ ਨੂੰ ਸਮਝਦੇ ਹੋ। ਨੈੱਟਵਰਕ ਸਾਡੀ ਦੁਨੀਆ 'ਤੇ ਰਾਜ ਕਰਦੇ ਹਨ। ਇੱਕ ਸੈੱਲ ਦੇ ਅੰਦਰ ਰਸਾਇਣਕ ਪ੍ਰਤੀਕ੍ਰਿਆਵਾਂ ਤੋਂ, ਇੱਕ ਈਕੋਸਿਸਟਮ ਵਿੱਚ ਸਬੰਧਾਂ ਦੇ ਜਾਲ ਤੱਕ, ਵਪਾਰ ਅਤੇ ਰਾਜਨੀਤਿਕ ਨੈਟਵਰਕ ਤੱਕ ਜੋ ਇਤਿਹਾਸ ਦੇ ਕੋਰਸ ਨੂੰ ਆਕਾਰ ਦਿੰਦੇ ਹਨ।

ਜਾਂ ਇਸ ਲੇਖ 'ਤੇ ਵਿਚਾਰ ਕਰੋ ਜੋ ਤੁਸੀਂ ਪੜ੍ਹ ਰਹੇ ਹੋ. ਤੁਹਾਨੂੰ ਸ਼ਾਇਦ ਇਸ ਵਿੱਚ ਮਿਲਿਆ ਹੈ ਸੋਸ਼ਲ ਨੇਟਵਰਕ, ਤੋਂ ਡਾਊਨਲੋਡ ਕੀਤਾ ਕੰਪਿਊਟਰ ਨੈੱਟਵਰਕ ਅਤੇ ਵਰਤਮਾਨ ਵਿੱਚ ਤੁਹਾਡੀ ਵਰਤੋਂ ਕਰਕੇ ਅਰਥ ਨੂੰ ਸਮਝ ਰਹੇ ਹਨ ਨਿਊਰਲ ਨੈੱਟਵਰਕ.

ਪਰ ਜਿੰਨਾ ਮੈਂ ਸਾਲਾਂ ਦੌਰਾਨ ਨੈਟਵਰਕਾਂ ਬਾਰੇ ਸੋਚਿਆ ਹੈ, ਹਾਲ ਹੀ ਵਿੱਚ ਜਦੋਂ ਤੱਕ ਮੈਂ ਸਧਾਰਨ ਦੀ ਮਹੱਤਤਾ ਨੂੰ ਨਹੀਂ ਸਮਝਿਆ ਸੀ ਫੈਲਾ.

ਇਹ ਅੱਜ ਲਈ ਸਾਡਾ ਵਿਸ਼ਾ ਹੈ: ਹਰ ਚੀਜ਼ ਕਿਵੇਂ, ਕਿੰਨੀ ਅਰਾਜਕਤਾ ਨਾਲ ਚਲਦੀ ਅਤੇ ਫੈਲਦੀ ਹੈ। ਤੁਹਾਡੀ ਭੁੱਖ ਨੂੰ ਵਧਾਉਣ ਲਈ ਕੁਝ ਉਦਾਹਰਣਾਂ:

• ਛੂਤ ਦੀਆਂ ਬਿਮਾਰੀਆਂ ਜੋ ਆਬਾਦੀ ਦੇ ਅੰਦਰ ਕੈਰੀਅਰ ਤੋਂ ਕੈਰੀਅਰ ਤੱਕ ਜਾਂਦੀਆਂ ਹਨ।
• ਮੀਮਜ਼ ਸੋਸ਼ਲ ਨੈਟਵਰਕਸ 'ਤੇ ਫਾਲੋਅਰ ਗ੍ਰਾਫ ਵਿੱਚ ਫੈਲਦੇ ਹਨ।
• ਜੰਗਲ ਦੀ ਅੱਗ.
• ਵਿਚਾਰ ਅਤੇ ਅਭਿਆਸ ਜੋ ਇੱਕ ਸੱਭਿਆਚਾਰ ਵਿੱਚ ਪ੍ਰਵੇਸ਼ ਕਰਦੇ ਹਨ।
• ਸੰਸ਼ੋਧਿਤ ਯੂਰੇਨੀਅਮ ਵਿੱਚ ਨਿਊਟ੍ਰੋਨ ਕੈਸਕੇਡ.

ਫਾਰਮ ਬਾਰੇ ਇੱਕ ਤੇਜ਼ ਨੋਟ।

ਮੇਰੇ ਸਾਰੇ ਪਿਛਲੇ ਕੰਮਾਂ ਦੇ ਉਲਟ, ਇਹ ਲੇਖ ਇੰਟਰਐਕਟਿਵ ਹੈ [ਵਿੱਚ ਅਸਲੀ ਲੇਖ ਪਰਸਪਰ ਉਦਾਹਰਨਾਂ ਸਲਾਈਡਰਾਂ ਅਤੇ ਬਟਨਾਂ ਨਾਲ ਦਿੱਤੀਆਂ ਗਈਆਂ ਹਨ ਜੋ ਸਕ੍ਰੀਨ 'ਤੇ ਵਸਤੂਆਂ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਦੇ ਹਨ - ਲਗਭਗ. ਲੇਨ]।

ਤਾਂ ਆਓ ਸ਼ੁਰੂ ਕਰੀਏ। ਪਹਿਲਾ ਕੰਮ ਨੈੱਟਵਰਕਾਂ ਵਿੱਚ ਪ੍ਰਸਾਰਣ ਲਈ ਇੱਕ ਵਿਜ਼ੂਅਲ ਸ਼ਬਦਾਵਲੀ ਵਿਕਸਿਤ ਕਰਨਾ ਹੈ।

ਸਧਾਰਨ ਮਾਡਲ

ਮੈਨੂੰ ਯਕੀਨ ਹੈ ਕਿ ਤੁਸੀਂ ਸਾਰੇ ਨੈਟਵਰਕਾਂ ਦੇ ਆਧਾਰ ਨੂੰ ਜਾਣਦੇ ਹੋ, ਯਾਨੀ ਨੋਡ + ਕਿਨਾਰੇ. ਫੈਲਾਅ ਦਾ ਅਧਿਐਨ ਕਰਨ ਲਈ, ਤੁਹਾਨੂੰ ਕੁਝ ਨੋਡਾਂ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਮਾਰਕ ਕਰਨ ਦੀ ਲੋੜ ਹੈ ਕਿਰਿਆਸ਼ੀਲ. ਜਾਂ, ਜਿਵੇਂ ਕਿ ਮਹਾਂਮਾਰੀ ਵਿਗਿਆਨੀ ਕਹਿਣਾ ਚਾਹੁੰਦੇ ਹਨ, ਸੰਕਰਮਿਤ:

ਇਹ ਐਕਟੀਵੇਸ਼ਨ ਜਾਂ ਲਾਗ ਉਹਨਾਂ ਨਿਯਮਾਂ ਦੇ ਅਨੁਸਾਰ ਨੋਡ ਤੋਂ ਨੋਡ ਤੱਕ ਨੈਟਵਰਕ ਰਾਹੀਂ ਫੈਲਦੀ ਹੈ ਜੋ ਅਸੀਂ ਹੇਠਾਂ ਵਿਕਸਿਤ ਕਰਾਂਗੇ।

ਅਸਲ ਨੈੱਟਵਰਕ ਆਮ ਤੌਰ 'ਤੇ ਇਸ ਸਧਾਰਨ ਸੱਤ-ਨੋਡ ਨੈੱਟਵਰਕ ਨਾਲੋਂ ਬਹੁਤ ਵੱਡੇ ਹੁੰਦੇ ਹਨ। ਉਹ ਬਹੁਤ ਜ਼ਿਆਦਾ ਉਲਝਣ ਵਾਲੇ ਵੀ ਹਨ. ਪਰ ਸਾਦਗੀ ਦੀ ਖ਼ਾਤਰ, ਅਸੀਂ ਜਾਲੀ ਦਾ ਅਧਿਐਨ ਕਰਨ ਲਈ ਇੱਥੇ ਇੱਕ ਖਿਡੌਣੇ ਦਾ ਮਾਡਲ ਬਣਾਵਾਂਗੇ, ਯਾਨੀ ਇੱਕ ਜਾਲੀ ਵਾਲੇ ਨੈਟਵਰਕ।

(ਯਥਾਰਥਵਾਦ ਵਿੱਚ ਜਾਲ ਦੀ ਘਾਟ ਕੀ ਹੈ, ਇਹ ਖਿੱਚਣ ਵਿੱਚ ਅਸਾਨ ਹੋਣ ਵਿੱਚ ਪੂਰੀ ਕਰਦਾ ਹੈ 😉

ਸਿਵਾਏ ਜਿੱਥੇ ਹੋਰ ਨੋਟ ਕੀਤਾ ਗਿਆ ਹੈ, ਨੈੱਟਵਰਕ ਨੋਡ ਦੇ ਚਾਰ ਗੁਆਂਢੀ ਹਨ, ਉਦਾਹਰਨ ਲਈ:

ਅਤੇ ਤੁਹਾਨੂੰ ਕਲਪਨਾ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਹੈ ਕਿ ਇਹ ਜਾਲੀਆਂ ਸਾਰੀਆਂ ਦਿਸ਼ਾਵਾਂ ਵਿੱਚ ਬੇਅੰਤ ਫੈਲਦੀਆਂ ਹਨ. ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਅਸੀਂ ਉਸ ਵਿਵਹਾਰ ਵਿੱਚ ਦਿਲਚਸਪੀ ਨਹੀਂ ਰੱਖਦੇ ਜੋ ਸਿਰਫ਼ ਨੈੱਟਵਰਕ ਦੇ ਕਿਨਾਰਿਆਂ 'ਤੇ ਜਾਂ ਛੋਟੀ ਆਬਾਦੀ ਵਿੱਚ ਵਾਪਰਦਾ ਹੈ।

ਇਹ ਦੇਖਦੇ ਹੋਏ ਕਿ ਜਾਲੀਆਂ ਇੰਨੇ ਕ੍ਰਮਬੱਧ ਹਨ, ਅਸੀਂ ਉਹਨਾਂ ਨੂੰ ਪਿਕਸਲ ਵਿੱਚ ਸਰਲ ਬਣਾ ਸਕਦੇ ਹਾਂ। ਉਦਾਹਰਨ ਲਈ, ਇਹ ਦੋ ਚਿੱਤਰ ਇੱਕੋ ਨੈੱਟਵਰਕ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ:

ਇੱਕ ਵਿਵਹਾਰ ਵਿੱਚ, ਕਿਰਿਆਸ਼ੀਲ ਨੋਡ ਹਮੇਸ਼ਾਂ ਲਾਗ ਨੂੰ ਇਸਦੇ (ਅਨਫੈਕਸ਼ਨ ਰਹਿਤ) ਗੁਆਂਢੀਆਂ ਵਿੱਚ ਸੰਚਾਰਿਤ ਕਰਦਾ ਹੈ. ਪਰ ਇਹ ਬੋਰਿੰਗ ਹੈ। ਟ੍ਰਾਂਸਫਰ ਕਰਨ ਵੇਲੇ ਹੋਰ ਵੀ ਦਿਲਚਸਪ ਚੀਜ਼ਾਂ ਵਾਪਰਦੀਆਂ ਹਨ ਸੰਭਾਵੀ.

SIR ਅਤੇ SIS

В SIR ਮਾਡਲ (ਸੰਵੇਦਨਸ਼ੀਲ-ਸੰਕਰਮਿਤ-ਹਟਾਏ) ਇੱਕ ਨੋਡ ਤਿੰਨ ਰਾਜਾਂ ਵਿੱਚ ਹੋ ਸਕਦਾ ਹੈ:

• ਸ਼ੱਕੀ
• ਸੰਕਰਮਿਤ
• ਹਟਾਇਆ ਗਿਆ

ਇੱਥੇ ਇੰਟਰਐਕਟਿਵ ਸਿਮੂਲੇਸ਼ਨ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ [ਵਿੱਚ ਅਸਲੀ ਲੇਖ ਤੁਸੀਂ 0 ਤੋਂ 1 ਤੱਕ ਸੰਕਰਮਣ ਪ੍ਰਸਾਰਣ ਦਰ ਦੀ ਚੋਣ ਕਰ ਸਕਦੇ ਹੋ, ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਕਦਮ ਦਰ ਕਦਮ ਜਾਂ ਇਸਦੀ ਪੂਰੀ ਤਰ੍ਹਾਂ ਦੇਖ ਸਕਦੇ ਹੋ - ਲਗਭਗ। ਅਨੁਵਾਦ।]:

• ਕੁਝ ਨੋਡਾਂ ਦੇ ਅਪਵਾਦ ਦੇ ਨਾਲ, ਨੋਡ ਸੰਵੇਦਨਸ਼ੀਲ ਤੌਰ 'ਤੇ ਸ਼ੁਰੂ ਹੁੰਦੇ ਹਨ ਜੋ ਲਾਗ ਦੇ ਰੂਪ ਵਿੱਚ ਸ਼ੁਰੂ ਹੁੰਦੇ ਹਨ।
• ਹਰ ਵਾਰ ਕਦਮ 'ਤੇ, ਸੰਕਰਮਿਤ ਨੋਡਸ ਕੋਲ ਸੰਕਰਮਣ ਦਰ ਦੇ ਬਰਾਬਰ ਸੰਭਾਵਨਾ ਦੇ ਨਾਲ ਉਹਨਾਂ ਦੇ ਹਰੇਕ ਸੰਵੇਦਨਸ਼ੀਲ ਗੁਆਂਢੀ ਨੂੰ ਲਾਗ ਸੰਚਾਰਿਤ ਕਰਨ ਦਾ ਮੌਕਾ ਹੁੰਦਾ ਹੈ।
• ਸੰਕਰਮਿਤ ਨੋਡਸ ਫਿਰ "ਹਟਾਏ" ਸਥਿਤੀ ਵਿੱਚ ਦਾਖਲ ਹੁੰਦੇ ਹਨ, ਮਤਲਬ ਕਿ ਉਹ ਹੁਣ ਦੂਜਿਆਂ ਨੂੰ ਸੰਕਰਮਿਤ ਕਰਨ ਦੇ ਯੋਗ ਨਹੀਂ ਹਨ ਜਾਂ ਆਪਣੇ ਆਪ ਸੰਕਰਮਿਤ ਨਹੀਂ ਹੋ ਸਕਦੇ ਹਨ।

ਬਿਮਾਰੀ ਦੇ ਸੰਦਰਭ ਵਿੱਚ, ਹਟਾਉਣ ਦਾ ਮਤਲਬ ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਵਿਅਕਤੀ ਦੀ ਮੌਤ ਹੋ ਗਈ ਹੈ ਜਾਂ ਉਹਨਾਂ ਨੇ ਜਰਾਸੀਮ ਪ੍ਰਤੀ ਪ੍ਰਤੀਰੋਧਕ ਸ਼ਕਤੀ ਵਿਕਸਿਤ ਕੀਤੀ ਹੈ। ਅਸੀਂ ਕਹਿੰਦੇ ਹਾਂ ਕਿ ਉਹ ਸਿਮੂਲੇਸ਼ਨ ਤੋਂ "ਹਟਾਏ ਗਏ" ਹਨ ਕਿਉਂਕਿ ਉਹਨਾਂ ਨਾਲ ਹੋਰ ਕੁਝ ਨਹੀਂ ਹੁੰਦਾ.

ਅਸੀਂ ਜੋ ਮਾਡਲ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹਾਂ ਉਸ 'ਤੇ ਨਿਰਭਰ ਕਰਦਿਆਂ, SIR ਤੋਂ ਵੱਖਰੇ ਮਾਡਲ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ।

ਜੇਕਰ ਅਸੀਂ ਖਸਰੇ ਦੇ ਫੈਲਣ ਜਾਂ ਜੰਗਲੀ ਅੱਗ ਦੇ ਫੈਲਣ ਦੀ ਨਕਲ ਕਰ ਰਹੇ ਹਾਂ, ਤਾਂ SIR ਆਦਰਸ਼ ਹੈ। ਪਰ ਮੰਨ ਲਓ ਕਿ ਅਸੀਂ ਇੱਕ ਨਵੇਂ ਸੱਭਿਆਚਾਰਕ ਅਭਿਆਸ ਦੇ ਫੈਲਾਅ ਦੀ ਨਕਲ ਕਰਦੇ ਹਾਂ, ਜਿਵੇਂ ਕਿ ਧਿਆਨ। ਪਹਿਲਾਂ ਨੋਡ (ਵਿਅਕਤੀ) ਗ੍ਰਹਿਣਸ਼ੀਲ ਹੁੰਦਾ ਹੈ ਕਿਉਂਕਿ ਇਸ ਨੇ ਪਹਿਲਾਂ ਕਦੇ ਅਜਿਹਾ ਨਹੀਂ ਕੀਤਾ ਹੈ. ਫਿਰ, ਜੇ ਉਹ ਮਨਨ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰ ਦਿੰਦਾ ਹੈ (ਸ਼ਾਇਦ ਕਿਸੇ ਦੋਸਤ ਤੋਂ ਇਸ ਬਾਰੇ ਸੁਣਨ ਤੋਂ ਬਾਅਦ), ਅਸੀਂ ਉਸ ਨੂੰ ਸੰਕਰਮਿਤ ਵਜੋਂ ਮਾਡਲ ਬਣਾਵਾਂਗੇ। ਪਰ ਜੇ ਉਹ ਅਭਿਆਸ ਨੂੰ ਰੋਕਦਾ ਹੈ, ਤਾਂ ਉਹ ਮਰੇਗਾ ਨਹੀਂ ਅਤੇ ਸਿਮੂਲੇਸ਼ਨ ਤੋਂ ਬਾਹਰ ਨਹੀਂ ਜਾਵੇਗਾ, ਕਿਉਂਕਿ ਭਵਿੱਖ ਵਿੱਚ ਉਹ ਆਸਾਨੀ ਨਾਲ ਇਸ ਆਦਤ ਨੂੰ ਦੁਬਾਰਾ ਚੁੱਕ ਸਕਦਾ ਹੈ. ਇਸ ਲਈ ਉਹ ਇੱਕ ਗ੍ਰਹਿਣ ਅਵਸਥਾ ਵਿੱਚ ਵਾਪਸ ਚਲਾ ਜਾਂਦਾ ਹੈ।

ਇਸ SIS ਮਾਡਲ (ਸੰਵੇਦਨਸ਼ੀਲ-ਸੰਕਰਮਿਤ-ਸੰਵੇਦਨਸ਼ੀਲ)। ਕਲਾਸੀਕਲ ਮਾਡਲ ਦੇ ਦੋ ਮਾਪਦੰਡ ਹਨ: ਟ੍ਰਾਂਸਮਿਸ਼ਨ ਸਪੀਡ ਅਤੇ ਰਿਕਵਰੀ ਸਪੀਡ। ਹਾਲਾਂਕਿ, ਇਸ ਲੇਖ ਦੇ ਸਿਮੂਲੇਸ਼ਨ ਵਿੱਚ, ਮੈਂ ਰਿਕਵਰੀ ਰੇਟ ਪੈਰਾਮੀਟਰ ਨੂੰ ਛੱਡ ਕੇ ਸਰਲ ਬਣਾਉਣ ਦਾ ਫੈਸਲਾ ਕੀਤਾ ਹੈ। ਇਸ ਦੀ ਬਜਾਏ, ਸੰਕਰਮਿਤ ਨੋਡ ਅਗਲੇ ਸਮੇਂ ਦੇ ਪੜਾਅ 'ਤੇ ਆਪਣੇ ਆਪ ਹੀ ਸੰਵੇਦਨਸ਼ੀਲ ਸਥਿਤੀ ਵਿੱਚ ਵਾਪਸ ਆ ਜਾਂਦਾ ਹੈ, ਜਦੋਂ ਤੱਕ ਇਹ ਇਸਦੇ ਕਿਸੇ ਗੁਆਂਢੀ ਦੁਆਰਾ ਸੰਕਰਮਿਤ ਨਹੀਂ ਹੁੰਦਾ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਅਸੀਂ ਪੜਾਅ n 'ਤੇ ਸੰਕਰਮਿਤ ਨੋਡ ਨੂੰ ਪ੍ਰਸਾਰਣ ਦਰ ਦੇ ਬਰਾਬਰ ਸੰਭਾਵਨਾ ਦੇ ਨਾਲ ਕਦਮ n+1 'ਤੇ ਆਪਣੇ ਆਪ ਨੂੰ ਸੰਕਰਮਿਤ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਾਂ।

ਵਿਚਾਰ ਵਟਾਂਦਰੇ

ਜਿਵੇਂ ਕਿ ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ, ਇਹ SIR ਮਾਡਲ ਤੋਂ ਬਹੁਤ ਵੱਖਰਾ ਹੈ।

ਕਿਉਂਕਿ ਨੋਡਾਂ ਨੂੰ ਕਦੇ ਵੀ ਹਟਾਇਆ ਨਹੀਂ ਜਾਂਦਾ ਹੈ, ਇੱਥੋਂ ਤੱਕ ਕਿ ਇੱਕ ਬਹੁਤ ਛੋਟੀ ਅਤੇ ਸੀਮਤ ਜਾਲੀ ਵੀ ਲੰਬੇ ਸਮੇਂ ਲਈ SIS ਦੀ ਲਾਗ ਦਾ ਸਮਰਥਨ ਕਰ ਸਕਦੀ ਹੈ। ਲਾਗ ਸਿਰਫ਼ ਨੋਡ ਤੋਂ ਨੋਡ ਤੱਕ ਛਾਲ ਮਾਰਦੀ ਹੈ ਅਤੇ ਵਾਪਸ ਆਉਂਦੀ ਹੈ।

ਆਪਣੇ ਮਤਭੇਦਾਂ ਦੇ ਬਾਵਜੂਦ, SIR ਅਤੇ SIS ਸਾਡੇ ਉਦੇਸ਼ਾਂ ਲਈ ਹੈਰਾਨੀਜਨਕ ਤੌਰ 'ਤੇ ਪਰਿਵਰਤਨਯੋਗ ਬਣਦੇ ਹਨ। ਇਸ ਲਈ ਇਸ ਲੇਖ ਦੇ ਬਾਕੀ ਹਿੱਸੇ ਲਈ ਅਸੀਂ SIS ਨਾਲ ਜੁੜੇ ਰਹਾਂਗੇ - ਮੁੱਖ ਤੌਰ 'ਤੇ ਕਿਉਂਕਿ ਇਹ ਵਧੇਰੇ ਟਿਕਾਊ ਹੈ ਅਤੇ ਇਸ ਲਈ ਇਸ ਨਾਲ ਕੰਮ ਕਰਨਾ ਵਧੇਰੇ ਮਜ਼ੇਦਾਰ ਹੈ।

ਨਾਜ਼ੁਕ ਪੱਧਰ

SIR ਅਤੇ SIS ਮਾਡਲਾਂ ਨਾਲ ਖੇਡਣ ਤੋਂ ਬਾਅਦ, ਤੁਸੀਂ ਲਾਗ ਦੀ ਲੰਬੀ ਉਮਰ ਬਾਰੇ ਕੁਝ ਦੇਖਿਆ ਹੋਵੇਗਾ। ਬਹੁਤ ਘੱਟ ਪ੍ਰਸਾਰਣ ਦਰਾਂ 'ਤੇ, ਜਿਵੇਂ ਕਿ 10%, ਲਾਗ ਖਤਮ ਹੋ ਜਾਂਦੀ ਹੈ। ਜਦੋਂ ਕਿ ਉੱਚੇ ਮੁੱਲਾਂ 'ਤੇ, ਜਿਵੇਂ ਕਿ 50%, ਲਾਗ ਜਿਉਂਦੀ ਰਹਿੰਦੀ ਹੈ ਅਤੇ ਜ਼ਿਆਦਾਤਰ ਨੈੱਟਵਰਕ ਨੂੰ ਆਪਣੇ ਕਬਜ਼ੇ ਵਿੱਚ ਲੈ ਲੈਂਦੀ ਹੈ। ਜੇਕਰ ਨੈੱਟਵਰਕ ਬੇਅੰਤ ਹੁੰਦਾ, ਤਾਂ ਅਸੀਂ ਇਸਨੂੰ ਹਮੇਸ਼ਾ ਲਈ ਜਾਰੀ ਰੱਖਣ ਅਤੇ ਫੈਲਣ ਦੀ ਕਲਪਨਾ ਕਰ ਸਕਦੇ ਹਾਂ।

ਅਜਿਹੇ ਅਸੀਮ ਫੈਲਾਅ ਦੇ ਬਹੁਤ ਸਾਰੇ ਨਾਮ ਹਨ: "ਵਾਇਰਲ", "ਪ੍ਰਮਾਣੂ" ਜਾਂ (ਇਸ ਲੇਖ ਦੇ ਸਿਰਲੇਖ ਵਿੱਚ) ਨਾਜ਼ੁਕ.

ਇਹ ਉੱਥੇ ਹੈ ਬਾਹਰ ਕਾਮੁਕ ਖਾਸ ਬ੍ਰੇਕਿੰਗ ਪੁਆਇੰਟ ਜੋ ਵੱਖ ਕਰਦਾ ਹੈ ਸਬਕ੍ਰਿਟੀਕਲ ਨੈੱਟਵਰਕ (ਲੁਪਤ ਹੋਣ ਲਈ ਬਰਬਾਦ) ਤੋਂ ਸੁਪਰਕ੍ਰਿਟੀਕਲ ਨੈੱਟਵਰਕ (ਅਨੰਤ ਵਿਕਾਸ ਦੇ ਸਮਰੱਥ) ਇਸ ਮੋੜ ਨੂੰ ਕਿਹਾ ਜਾਂਦਾ ਹੈ ਨਾਜ਼ੁਕ ਥ੍ਰੈਸ਼ਹੋਲਡ, ਅਤੇ ਇਹ ਆਮ ਨੈੱਟਵਰਕਾਂ ਵਿੱਚ ਫੈਲਣ ਵਾਲੀਆਂ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦਾ ਇੱਕ ਕਾਫ਼ੀ ਆਮ ਸੰਕੇਤ ਹੈ।

ਨਾਜ਼ੁਕ ਥ੍ਰੈਸ਼ਹੋਲਡ ਦਾ ਸਹੀ ਮੁੱਲ ਨੈੱਟਵਰਕਾਂ ਵਿਚਕਾਰ ਵੱਖ-ਵੱਖ ਹੁੰਦਾ ਹੈ। ਇਹ ਆਮ ਕੀ ਹੈ ਉਪਲਬਧਤਾ ਅਜਿਹੇ ਇੱਕ ਅਰਥ.

[ਤੋਂ ਇੱਕ ਇੰਟਰਐਕਟਿਵ ਡੈਮੋ ਵਿੱਚ ਅਸਲੀ ਲੇਖ ਤੁਸੀਂ ਟ੍ਰਾਂਸਮਿਸ਼ਨ ਸਪੀਡ ਵੈਲਯੂ ਨੂੰ ਬਦਲ ਕੇ ਨਾਜ਼ੁਕ ਨੈੱਟਵਰਕ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ ਹੱਥੀਂ ਲੱਭਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਸਕਦੇ ਹੋ। ਇਹ 22% ਅਤੇ 23% ਦੇ ਵਿਚਕਾਰ ਹੈ - ਲਗਭਗ. ਟ੍ਰਾਂਸ.]

22% (ਅਤੇ ਹੇਠਾਂ) 'ਤੇ, ਲਾਗ ਅੰਤ ਵਿੱਚ ਮਰ ਜਾਂਦੀ ਹੈ। 23% (ਅਤੇ ਇਸ ਤੋਂ ਵੱਧ) 'ਤੇ, ਅਸਲ ਲਾਗ ਕਈ ਵਾਰ ਮਰ ਜਾਂਦੀ ਹੈ, ਪਰ ਜ਼ਿਆਦਾਤਰ ਮਾਮਲਿਆਂ ਵਿੱਚ ਇਹ ਹਮੇਸ਼ਾ ਲਈ ਆਪਣੀ ਹੋਂਦ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਲੰਬੇ ਸਮੇਂ ਤੱਕ ਜੀਉਂਦੇ ਰਹਿਣ ਅਤੇ ਫੈਲਣ ਦਾ ਪ੍ਰਬੰਧ ਕਰਦੀ ਹੈ।

(ਵੈਸੇ, ਵੱਖ-ਵੱਖ ਨੈਟਵਰਕ ਟੋਪੋਲੋਜੀਜ਼ ਲਈ ਇਹਨਾਂ ਨਾਜ਼ੁਕ ਥ੍ਰੈਸ਼ਹੋਲਡਾਂ ਨੂੰ ਲੱਭਣ ਲਈ ਸਮਰਪਿਤ ਇੱਕ ਪੂਰਾ ਵਿਗਿਆਨਕ ਖੇਤਰ ਹੈ। ਇੱਕ ਤੇਜ਼ ਜਾਣ-ਪਛਾਣ ਲਈ, ਮੈਂ ਇਸ ਬਾਰੇ ਵਿਕੀਪੀਡੀਆ ਲੇਖ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਸਕ੍ਰੌਲ ਕਰਨ ਦੀ ਸਿਫਾਰਸ਼ ਕਰਦਾ ਹਾਂ। ਲੀਕੇਜ ਦੀ ਥਰੈਸ਼ਹੋਲਡ).

ਆਮ ਤੌਰ 'ਤੇ, ਇੱਥੇ ਇਹ ਹੈ ਕਿ ਇਹ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ: ਇੱਕ ਨਾਜ਼ੁਕ ਥ੍ਰੈਸ਼ਹੋਲਡ ਦੇ ਹੇਠਾਂ, ਨੈੱਟਵਰਕ ਵਿੱਚ ਕਿਸੇ ਵੀ ਸੀਮਤ ਲਾਗ ਦੇ ਅੰਤ ਵਿੱਚ ਮਰਨ ਦੀ ਗਾਰੰਟੀ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ (ਸੰਭਾਵਨਾ 1 ਦੇ ਨਾਲ)। ਪਰ ਇੱਕ ਨਾਜ਼ੁਕ ਥ੍ਰੈਸ਼ਹੋਲਡ ਤੋਂ ਉੱਪਰ, ਇੱਕ ਸੰਭਾਵਨਾ ਹੈ (p > 0) ਕਿ ਲਾਗ ਹਮੇਸ਼ਾ ਲਈ ਜਾਰੀ ਰਹੇਗੀ, ਅਤੇ ਅਜਿਹਾ ਕਰਨ ਨਾਲ ਮੂਲ ਸਾਈਟ ਤੋਂ ਮਨਮਾਨੇ ਢੰਗ ਨਾਲ ਫੈਲ ਜਾਵੇਗਾ।

ਹਾਲਾਂਕਿ, ਨੋਟ ਕਰੋ ਕਿ ਸੁਪਰਕ੍ਰਿਟੀਕਲ ਨੈੱਟਵਰਕ ਨਹੀਂ ਹੈ ਗਾਰੰਟੀਕਿ ਲਾਗ ਹਮੇਸ਼ਾ ਲਈ ਜਾਰੀ ਰਹੇਗੀ। ਵਾਸਤਵ ਵਿੱਚ, ਇਹ ਅਕਸਰ ਫਿੱਕਾ ਪੈ ਜਾਂਦਾ ਹੈ, ਖਾਸ ਕਰਕੇ ਸਿਮੂਲੇਸ਼ਨ ਦੇ ਬਹੁਤ ਹੀ ਸ਼ੁਰੂਆਤੀ ਪੜਾਵਾਂ ਵਿੱਚ। ਆਓ ਦੇਖੀਏ ਕਿ ਇਹ ਕਿਵੇਂ ਹੁੰਦਾ ਹੈ।

ਚਲੋ ਇਹ ਮੰਨ ਲਓ ਕਿ ਅਸੀਂ ਇੱਕ ਸੰਕਰਮਿਤ ਨੋਡ ਅਤੇ ਚਾਰ ਗੁਆਂਢੀਆਂ ਨਾਲ ਸ਼ੁਰੂ ਕੀਤਾ ਹੈ। ਪਹਿਲੇ ਮਾਡਲਿੰਗ ਪੜਾਅ 'ਤੇ, ਲਾਗ ਦੇ ਫੈਲਣ ਦੀਆਂ 5 ਸੁਤੰਤਰ ਸੰਭਾਵਨਾਵਾਂ ਹਨ (ਅਗਲੇ ਪੜਾਅ 'ਤੇ ਆਪਣੇ ਆਪ ਨੂੰ "ਫੈਲਣ" ਦੇ ਮੌਕੇ ਸਮੇਤ):

ਹੁਣ ਮੰਨ ਲਓ ਕਿ ਟ੍ਰਾਂਸਫਰ ਰੇਟ 50% ਹੈ। ਇਸ ਸਥਿਤੀ ਵਿੱਚ, ਪਹਿਲੇ ਪੜਾਅ ਵਿੱਚ ਅਸੀਂ ਇੱਕ ਸਿੱਕੇ ਨੂੰ ਪੰਜ ਵਾਰ ਫਲਿਪ ਕਰਦੇ ਹਾਂ। ਅਤੇ ਜੇਕਰ ਪੰਜ ਸਿਰਾਂ ਨੂੰ ਰੋਲਿਆ ਜਾਵੇ, ਤਾਂ ਲਾਗ ਨਸ਼ਟ ਹੋ ਜਾਵੇਗੀ। ਇਹ ਲਗਭਗ 3% ਮਾਮਲਿਆਂ ਵਿੱਚ ਵਾਪਰਦਾ ਹੈ - ਅਤੇ ਇਹ ਸਿਰਫ ਪਹਿਲੇ ਪੜਾਅ ਵਿੱਚ ਹੁੰਦਾ ਹੈ। ਇੱਕ ਲਾਗ ਜੋ ਪਹਿਲੇ ਪੜਾਅ ਤੋਂ ਬਚ ਜਾਂਦੀ ਹੈ, ਦੇ ਦੂਜੇ ਪੜਾਅ ਵਿੱਚ ਮਰਨ ਦੀ ਕੁਝ (ਆਮ ਤੌਰ 'ਤੇ ਛੋਟੀ) ਸੰਭਾਵਨਾ ਹੁੰਦੀ ਹੈ, ਤੀਜੇ ਪੜਾਅ ਵਿੱਚ ਮਰਨ ਦੀ ਕੁਝ (ਇਸ ਤੋਂ ਵੀ ਛੋਟੀ) ਸੰਭਾਵਨਾ ਹੁੰਦੀ ਹੈ, ਆਦਿ।

ਇਸ ਲਈ, ਭਾਵੇਂ ਨੈਟਵਰਕ ਸੁਪਰਕ੍ਰਿਟੀਕਲ ਹੋਵੇ - ਜੇਕਰ ਪ੍ਰਸਾਰਣ ਦਰ 99% ਹੈ - ਤਾਂ ਇੱਕ ਸੰਭਾਵਨਾ ਹੈ ਕਿ ਲਾਗ ਅਲੋਪ ਹੋ ਜਾਵੇਗੀ.

ਪਰ ਮਹੱਤਵਪੂਰਨ ਗੱਲ ਇਹ ਹੈ ਕਿ ਉਹ ਅਜਿਹਾ ਨਹੀਂ ਕਰਦੀ ਹਮੇਸ਼ਾ ਦੂਰ ਹੋ ਜਾਵੇਗਾ. ਜੇਕਰ ਤੁਸੀਂ ਅਨੰਤਤਾ ਵਿੱਚ ਸਾਰੇ ਕਦਮਾਂ ਦੇ ਮਰਨ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਜੋੜਦੇ ਹੋ, ਤਾਂ ਨਤੀਜਾ 1 ਤੋਂ ਘੱਟ ਹੁੰਦਾ ਹੈ। ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਇੱਕ ਗੈਰ-ਜ਼ੀਰੋ ਸੰਭਾਵਨਾ ਹੈ ਕਿ ਲਾਗ ਹਮੇਸ਼ਾ ਲਈ ਜਾਰੀ ਰਹੇਗੀ। ਇਹ ਇੱਕ ਨੈੱਟਵਰਕ ਲਈ ਸੁਪਰਕ੍ਰਿਟੀਕਲ ਹੋਣ ਦਾ ਮਤਲਬ ਹੈ।

SIS: ਸਵੈ-ਚਾਲਤ ਸਰਗਰਮੀ

ਇਸ ਬਿੰਦੂ ਤੱਕ, ਸਾਡੇ ਸਾਰੇ ਸਿਮੂਲੇਸ਼ਨ ਕੇਂਦਰ ਵਿੱਚ ਪਹਿਲਾਂ ਤੋਂ ਸੰਕਰਮਿਤ ਨੋਡਾਂ ਦੇ ਇੱਕ ਛੋਟੇ ਜਿਹੇ ਟੁਕੜੇ ਨਾਲ ਸ਼ੁਰੂ ਹੋਏ।

ਪਰ ਜੇ ਤੁਸੀਂ ਸਕ੍ਰੈਚ ਤੋਂ ਸ਼ੁਰੂ ਕਰਦੇ ਹੋ? ਅਸੀਂ ਫਿਰ ਸਵੈ-ਚਾਲਤ ਐਕਟੀਵੇਸ਼ਨ ਦਾ ਮਾਡਲ ਬਣਾਉਂਦੇ ਹਾਂ - ਉਹ ਪ੍ਰਕਿਰਿਆ ਜਿਸ ਦੁਆਰਾ ਇੱਕ ਸੰਵੇਦਨਸ਼ੀਲ ਨੋਡ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਸੰਕਰਮਿਤ ਹੋ ਜਾਂਦਾ ਹੈ (ਇਸਦੇ ਗੁਆਂਢੀਆਂ ਵਿੱਚੋਂ ਇੱਕ ਤੋਂ ਨਹੀਂ)।

ਇਸ ਕਿਹਾ ਜਾਂਦਾ ਹੈ SIS ਮਾਡਲ. ਅੱਖਰ "a" ਦਾ ਅਰਥ ਹੈ "ਆਟੋਮੈਟਿਕ"।

ਐਸਆਈਐਸਏ ਸਿਮੂਲੇਸ਼ਨ ਵਿੱਚ, ਇੱਕ ਨਵਾਂ ਪੈਰਾਮੀਟਰ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ - ਸਵੈਚਲਿਤ ਸਰਗਰਮੀ ਦੀ ਦਰ, ਜੋ ਕਿ ਸਵੈ-ਚਾਲਤ ਲਾਗ ਦੀ ਬਾਰੰਬਾਰਤਾ ਨੂੰ ਬਦਲਦੀ ਹੈ (ਪ੍ਰਸਾਰਣ ਦਰ ਪੈਰਾਮੀਟਰ ਜੋ ਅਸੀਂ ਪਹਿਲਾਂ ਦੇਖਿਆ ਸੀ ਉਹ ਵੀ ਮੌਜੂਦ ਹੈ)।

ਇੱਕ ਲਾਗ ਨੂੰ ਪੂਰੇ ਨੈੱਟਵਰਕ ਵਿੱਚ ਫੈਲਣ ਲਈ ਕੀ ਲੱਗਦਾ ਹੈ?

ਵਿਚਾਰ ਵਟਾਂਦਰੇ

ਤੁਸੀਂ ਸਿਮੂਲੇਸ਼ਨ ਵਿੱਚ ਦੇਖਿਆ ਹੋਵੇਗਾ ਕਿ ਸਵੈ-ਚਾਲਤ ਸਰਗਰਮੀ ਦੀ ਦਰ ਨੂੰ ਵਧਾਉਣ ਨਾਲ ਇਹ ਨਹੀਂ ਬਦਲਦਾ ਹੈ ਕਿ ਕੀ ਲਾਗ ਪੂਰੇ ਨੈੱਟਵਰਕ ਨੂੰ ਲੈ ਜਾਂਦੀ ਹੈ ਜਾਂ ਨਹੀਂ। ਸਿਰਫ ਪ੍ਰਸਾਰਣ ਦੀ ਗਤੀ ਇਹ ਨਿਰਧਾਰਿਤ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਨੈੱਟਵਰਕ ਸਬ- ਜਾਂ ਸੁਪਰਕ੍ਰਿਟੀਕਲ ਹੈ। ਅਤੇ ਜਦੋਂ ਨੈਟਵਰਕ ਸਬਕ੍ਰਿਟੀਕਲ ਹੁੰਦਾ ਹੈ (ਪ੍ਰਸਾਰਣ ਦਰ 22% ਤੋਂ ਘੱਟ ਜਾਂ ਬਰਾਬਰ), ਕੋਈ ਵੀ ਲਾਗ ਪੂਰੇ ਗਰਿੱਡ ਵਿੱਚ ਨਹੀਂ ਫੈਲ ਸਕਦੀ, ਭਾਵੇਂ ਇਹ ਕਿੰਨੀ ਵਾਰ ਸ਼ੁਰੂ ਹੋਵੇ।

ਇਹ ਗਿੱਲੇ ਖੇਤ ਵਿੱਚ ਅੱਗ ਲਗਾਉਣ ਵਰਗਾ ਹੈ। ਤੁਸੀਂ ਕੁਝ ਸੁੱਕੇ ਪੱਤਿਆਂ ਨੂੰ ਅੱਗ 'ਤੇ ਰੋਸ਼ਨ ਕਰ ਸਕਦੇ ਹੋ, ਪਰ ਲਾਟ ਜਲਦੀ ਬੁਝ ਜਾਵੇਗੀ ਕਿਉਂਕਿ ਬਾਕੀ ਲੈਂਡਸਕੇਪ ਕਾਫ਼ੀ ਜਲਣਸ਼ੀਲ ਨਹੀਂ ਹੈ (ਸਬਕ੍ਰਿਟੀਕਲ)। ਇੱਕ ਬਹੁਤ ਹੀ ਸੁੱਕੇ ਖੇਤ (ਸੁਪਰਕ੍ਰਿਟੀਕਲ) 'ਤੇ, ਇੱਕ ਚੰਗਿਆੜੀ ਅੱਗ ਨੂੰ ਭੜਕਾਉਣ ਲਈ ਕਾਫ਼ੀ ਹੁੰਦੀ ਹੈ।

ਇਹੋ ਜਿਹੀਆਂ ਚੀਜ਼ਾਂ ਵਿਚਾਰਾਂ ਅਤੇ ਕਾਢਾਂ ਦੇ ਖੇਤਰ ਵਿੱਚ ਦੇਖੀਆਂ ਜਾਂਦੀਆਂ ਹਨ। ਅਕਸਰ ਸੰਸਾਰ ਇੱਕ ਵਿਚਾਰ ਲਈ ਤਿਆਰ ਨਹੀਂ ਹੁੰਦਾ, ਜਿਸ ਸਥਿਤੀ ਵਿੱਚ ਇਸਦੀ ਵਾਰ-ਵਾਰ ਕਾਢ ਕੱਢੀ ਜਾ ਸਕਦੀ ਹੈ, ਪਰ ਇਹ ਜਨਤਾ ਨੂੰ ਆਕਰਸ਼ਿਤ ਨਹੀਂ ਕਰਦੀ। ਦੂਜੇ ਪਾਸੇ, ਸੰਸਾਰ ਇੱਕ ਕਾਢ (ਮਹਾਨ ਗੁਪਤ ਮੰਗ) ਲਈ ਪੂਰੀ ਤਰ੍ਹਾਂ ਤਿਆਰ ਹੋ ਸਕਦਾ ਹੈ, ਅਤੇ ਜਿਵੇਂ ਹੀ ਇਹ ਪੈਦਾ ਹੁੰਦਾ ਹੈ, ਇਹ ਹਰ ਕਿਸੇ ਦੁਆਰਾ ਸਵੀਕਾਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ. ਮੱਧ ਵਿੱਚ ਉਹ ਵਿਚਾਰ ਹਨ ਜੋ ਕਈ ਥਾਵਾਂ 'ਤੇ ਖੋਜੇ ਗਏ ਹਨ ਅਤੇ ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਫੈਲੇ ਹੋਏ ਹਨ, ਪਰ ਕਿਸੇ ਇੱਕ ਸੰਸਕਰਣ ਲਈ ਇੱਕ ਵਾਰ ਵਿੱਚ ਪੂਰੇ ਨੈੱਟਵਰਕ ਨੂੰ ਸਵੀਪ ਕਰਨ ਲਈ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ। ਇਸ ਆਖ਼ਰੀ ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਅਸੀਂ, ਉਦਾਹਰਨ ਲਈ, ਖੇਤੀਬਾੜੀ ਅਤੇ ਲਿਖਤ ਨੂੰ ਲੱਭਦੇ ਹਾਂ, ਜੋ ਵੱਖ-ਵੱਖ ਮਨੁੱਖੀ ਸਭਿਅਤਾਵਾਂ ਦੁਆਰਾ ਕ੍ਰਮਵਾਰ ਦਸ ਅਤੇ ਤਿੰਨ ਵਾਰ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਖੋਜੀਆਂ ਗਈਆਂ ਸਨ।

ਇਮਿਊਨਿਟੀ

ਮੰਨ ਲਓ ਕਿ ਅਸੀਂ ਕੁਝ ਨੋਡਾਂ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਅਵਿਨਾਸ਼ੀ ਬਣਾ ਦਿੰਦੇ ਹਾਂ, ਯਾਨੀ ਕਿ ਸਰਗਰਮ ਹੋਣ ਤੋਂ ਪ੍ਰਤੀਰੋਧਕ। ਇਹ ਇਸ ਤਰ੍ਹਾਂ ਹੈ ਜਿਵੇਂ ਉਹ ਸ਼ੁਰੂ ਵਿੱਚ ਇੱਕ ਰਿਮੋਟ ਸਥਿਤੀ ਵਿੱਚ ਹਨ, ਅਤੇ SIS(a) ਮਾਡਲ ਬਾਕੀ ਨੋਡਾਂ 'ਤੇ ਲਾਂਚ ਕੀਤਾ ਗਿਆ ਹੈ।

ਇਮਿਊਨਿਟੀ ਸਲਾਈਡਰ ਹਟਾਏ ਜਾਣ ਵਾਲੇ ਨੋਡਾਂ ਦੀ ਪ੍ਰਤੀਸ਼ਤਤਾ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਦਾ ਹੈ। ਇਸਦਾ ਮੁੱਲ ਬਦਲਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ (ਜਦੋਂ ਮਾਡਲ ਚੱਲ ਰਿਹਾ ਹੈ!) ਅਤੇ ਦੇਖੋ ਕਿ ਇਹ ਨੈਟਵਰਕ ਦੀ ਸਥਿਤੀ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ, ਕੀ ਇਹ ਸੁਪਰਕ੍ਰਿਟੀਕਲ ਹੋਵੇਗਾ ਜਾਂ ਨਹੀਂ।

ਵਿਚਾਰ ਵਟਾਂਦਰੇ

ਗੈਰ-ਜਵਾਬਦੇਹ ਨੋਡਾਂ ਦੀ ਗਿਣਤੀ ਨੂੰ ਬਦਲਣ ਨਾਲ ਇਹ ਤਸਵੀਰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਬਦਲ ਜਾਂਦੀ ਹੈ ਕਿ ਕੀ ਨੈੱਟਵਰਕ ਸਬ- ਜਾਂ ਸੁਪਰਕ੍ਰਿਟੀਕਲ ਹੋਵੇਗਾ। ਅਤੇ ਇਹ ਦੇਖਣਾ ਔਖਾ ਨਹੀਂ ਹੈ ਕਿ ਕਿਉਂ. ਵੱਡੀ ਗਿਣਤੀ ਵਿੱਚ ਗੈਰ-ਸੰਵੇਦਨਸ਼ੀਲ ਮੇਜ਼ਬਾਨਾਂ ਦੇ ਨਾਲ, ਲਾਗ ਦੇ ਨਵੇਂ ਮੇਜ਼ਬਾਨਾਂ ਵਿੱਚ ਫੈਲਣ ਦੇ ਘੱਟ ਮੌਕੇ ਹੁੰਦੇ ਹਨ।

ਇਹ ਪਤਾ ਚਲਦਾ ਹੈ ਕਿ ਇਸ ਦੇ ਬਹੁਤ ਸਾਰੇ ਮਹੱਤਵਪੂਰਨ ਵਿਹਾਰਕ ਨਤੀਜੇ ਹਨ।

ਉਨ੍ਹਾਂ ਵਿੱਚੋਂ ਇੱਕ ਜੰਗਲ ਦੀ ਅੱਗ ਨੂੰ ਫੈਲਣ ਤੋਂ ਰੋਕ ਰਿਹਾ ਹੈ। ਸਥਾਨਕ ਪੱਧਰ 'ਤੇ, ਹਰੇਕ ਵਿਅਕਤੀ ਨੂੰ ਆਪਣੀ ਖੁਦ ਦੀ ਸਾਵਧਾਨੀ ਵਰਤਣੀ ਚਾਹੀਦੀ ਹੈ (ਉਦਾਹਰਨ ਲਈ, ਕਦੇ ਵੀ ਖੁੱਲ੍ਹੀ ਲਾਟ ਨੂੰ ਬਿਨਾਂ ਧਿਆਨ ਨਾ ਛੱਡੋ)। ਪਰ ਵੱਡੇ ਪੈਮਾਨੇ 'ਤੇ, ਅਲੱਗ-ਥਲੱਗ ਫੈਲਣਾ ਲਾਜ਼ਮੀ ਹੈ। ਇਸ ਲਈ ਸੁਰੱਖਿਆ ਦਾ ਇੱਕ ਹੋਰ ਤਰੀਕਾ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਹੈ ਕਿ ਕਾਫ਼ੀ "ਬ੍ਰੇਕ" (ਜਲਣਸ਼ੀਲ ਸਮੱਗਰੀ ਦੇ ਨੈਟਵਰਕ ਵਿੱਚ) ਹਨ ਤਾਂ ਜੋ ਇੱਕ ਪ੍ਰਕੋਪ ਪੂਰੇ ਨੈਟਵਰਕ ਨੂੰ ਘੇਰ ਨਾ ਲਵੇ। ਕਲੀਅਰਿੰਗ ਇਹ ਫੰਕਸ਼ਨ ਕਰਦੇ ਹਨ:

ਇੱਕ ਹੋਰ ਪ੍ਰਕੋਪ ਜਿਸਨੂੰ ਰੋਕਣਾ ਮਹੱਤਵਪੂਰਨ ਹੈ ਇੱਕ ਛੂਤ ਵਾਲੀ ਬਿਮਾਰੀ ਹੈ। ਇੱਥੇ ਸੰਕਲਪ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਹੈ ਝੁੰਡ ਪ੍ਰਤੀਰੋਧਕਤਾ. ਇਹ ਵਿਚਾਰ ਹੈ ਕਿ ਕੁਝ ਲੋਕਾਂ ਨੂੰ ਟੀਕਾਕਰਨ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ (ਉਦਾਹਰਣ ਵਜੋਂ, ਉਹਨਾਂ ਦੀ ਇਮਿਊਨ ਸਿਸਟਮ ਨਾਲ ਸਮਝੌਤਾ ਕੀਤਾ ਗਿਆ ਹੈ), ਪਰ ਜੇਕਰ ਕਾਫ਼ੀ ਲੋਕ ਲਾਗ ਤੋਂ ਪ੍ਰਤੀਰੋਧਕ ਹਨ, ਤਾਂ ਬਿਮਾਰੀ ਅਣਮਿੱਥੇ ਸਮੇਂ ਲਈ ਨਹੀਂ ਫੈਲ ਸਕਦੀ। ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿਚ, ਤੁਹਾਨੂੰ ਟੀਕਾਕਰਨ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਕਾਫ਼ੀ ਜਨਸੰਖਿਆ ਦਾ ਹਿੱਸਾ ਇੱਕ ਸੁਪਰਕ੍ਰਿਟੀਕਲ ਤੋਂ ਇੱਕ ਸਬ-ਕ੍ਰਿਟੀਕਲ ਸਥਿਤੀ ਵਿੱਚ ਆਬਾਦੀ ਨੂੰ ਤਬਦੀਲ ਕਰਨ ਲਈ। ਜਦੋਂ ਅਜਿਹਾ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਇੱਕ ਮਰੀਜ਼ ਅਜੇ ਵੀ ਸੰਕਰਮਿਤ ਹੋ ਸਕਦਾ ਹੈ (ਉਦਾਹਰਣ ਵਜੋਂ, ਕਿਸੇ ਹੋਰ ਖੇਤਰ ਦੀ ਯਾਤਰਾ ਕਰਨ ਤੋਂ ਬਾਅਦ), ਪਰ ਇੱਕ ਸੁਪਰਕ੍ਰਿਟੀਕਲ ਨੈਟਵਰਕ ਦੇ ਬਿਨਾਂ ਜਿਸ ਵਿੱਚ ਵਧਣਾ ਹੈ, ਬਿਮਾਰੀ ਸਿਰਫ ਮੁੱਠੀ ਭਰ ਲੋਕਾਂ ਨੂੰ ਸੰਕਰਮਿਤ ਕਰੇਗੀ।

ਅੰਤ ਵਿੱਚ, ਇਮਿਊਨ ਨੋਡਸ ਦੀ ਧਾਰਨਾ ਦੱਸਦੀ ਹੈ ਕਿ ਇੱਕ ਪ੍ਰਮਾਣੂ ਰਿਐਕਟਰ ਵਿੱਚ ਕੀ ਹੁੰਦਾ ਹੈ। ਇੱਕ ਲੜੀ ਪ੍ਰਤੀਕ੍ਰਿਆ ਵਿੱਚ, ਇੱਕ ਸੜਨ ਵਾਲਾ ਯੂਰੇਨੀਅਮ-235 ਪਰਮਾਣੂ ਲਗਭਗ ਤਿੰਨ ਨਿਊਟ੍ਰੋਨ ਛੱਡਦਾ ਹੈ, ਜੋ (ਔਸਤਨ) ਇੱਕ ਤੋਂ ਵੱਧ U-235 ਪਰਮਾਣੂ ਦੇ ਵਿਖੰਡਨ ਦਾ ਕਾਰਨ ਬਣਦਾ ਹੈ। ਨਵੇਂ ਨਿਊਟ੍ਰੋਨ ਫਿਰ ਪਰਮਾਣੂਆਂ ਦੇ ਹੋਰ ਵਿਭਾਜਨ ਦਾ ਕਾਰਨ ਬਣਦੇ ਹਨ, ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਤੇਜ਼ੀ ਨਾਲ:

ਬੰਬ ਬਣਾਉਂਦੇ ਸਮੇਂ, ਪੂਰਾ ਨੁਕਤਾ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਹੁੰਦਾ ਹੈ ਕਿ ਘਾਤਕ ਵਾਧਾ ਬਿਨਾਂ ਜਾਂਚ ਕੀਤੇ ਜਾਰੀ ਰਹੇ। ਪਰ ਇੱਕ ਪਾਵਰ ਪਲਾਂਟ ਵਿੱਚ, ਟੀਚਾ ਤੁਹਾਡੇ ਆਲੇ ਦੁਆਲੇ ਹਰ ਕਿਸੇ ਨੂੰ ਮਾਰੇ ਬਿਨਾਂ ਊਰਜਾ ਪੈਦਾ ਕਰਨਾ ਹੈ। ਇਸ ਮਕਸਦ ਲਈ ਉਹ ਵਰਤੇ ਜਾਂਦੇ ਹਨ ਕੰਟਰੋਲ ਡੰਡੇ, ਅਜਿਹੀ ਸਮੱਗਰੀ ਤੋਂ ਬਣਾਇਆ ਗਿਆ ਹੈ ਜੋ ਨਿਊਟ੍ਰੋਨ ਨੂੰ ਜਜ਼ਬ ਕਰ ਸਕਦੀ ਹੈ (ਉਦਾਹਰਨ ਲਈ, ਚਾਂਦੀ ਜਾਂ ਬੋਰਾਨ)। ਕਿਉਂਕਿ ਉਹ ਨਿਊਟ੍ਰੋਨ ਨੂੰ ਛੱਡਣ ਦੀ ਬਜਾਏ ਜਜ਼ਬ ਕਰਦੇ ਹਨ, ਉਹ ਸਾਡੇ ਸਿਮੂਲੇਸ਼ਨ ਵਿੱਚ ਇਮਿਊਨ ਨੋਡਜ਼ ਵਜੋਂ ਕੰਮ ਕਰਦੇ ਹਨ, ਇਸ ਤਰ੍ਹਾਂ ਰੇਡੀਓਐਕਟਿਵ ਨਿਊਕਲੀਅਸ ਨੂੰ ਸੁਪਰਕ੍ਰਿਟੀਕਲ ਜਾਣ ਤੋਂ ਰੋਕਦੇ ਹਨ।

ਇਸ ਲਈ ਇੱਕ ਪ੍ਰਮਾਣੂ ਰਿਐਕਟਰ ਦੀ ਚਾਲ ਇਹ ਹੈ ਕਿ ਪ੍ਰਤੀਕ੍ਰਿਆ ਨੂੰ ਇੱਕ ਨਾਜ਼ੁਕ ਥ੍ਰੈਸ਼ਹੋਲਡ ਦੇ ਨੇੜੇ ਕੰਟਰੋਲ ਰਾਡਾਂ ਨੂੰ ਅੱਗੇ-ਪਿੱਛੇ ਹਿਲਾ ਕੇ, ਅਤੇ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਕਿ ਜਦੋਂ ਵੀ ਕੁਝ ਗਲਤ ਹੁੰਦਾ ਹੈ, ਰਾਡਾਂ ਕੋਰ ਵਿੱਚ ਡਿੱਗਦੀਆਂ ਹਨ ਅਤੇ ਇਸਨੂੰ ਰੋਕਦੀਆਂ ਹਨ।

ਡਿਗਰੀ

ਡਿਗਰੀ ਇੱਕ ਨੋਡ ਦਾ ਇਸਦੇ ਗੁਆਂਢੀਆਂ ਦੀ ਸੰਖਿਆ ਹੈ। ਇਸ ਬਿੰਦੂ ਤੱਕ, ਅਸੀਂ ਡਿਗਰੀ 4 ਦੇ ਨੈੱਟਵਰਕਾਂ 'ਤੇ ਵਿਚਾਰ ਕੀਤਾ ਹੈ। ਪਰ ਜੇ ਤੁਸੀਂ ਇਸ ਪੈਰਾਮੀਟਰ ਨੂੰ ਬਦਲਦੇ ਹੋ ਤਾਂ ਕੀ ਹੁੰਦਾ ਹੈ?

ਉਦਾਹਰਨ ਲਈ, ਤੁਸੀਂ ਹਰੇਕ ਨੋਡ ਨੂੰ ਨਾ ਸਿਰਫ਼ ਚਾਰ ਨਜ਼ਦੀਕੀ ਗੁਆਂਢੀਆਂ ਨਾਲ ਜੋੜ ਸਕਦੇ ਹੋ, ਸਗੋਂ ਚਾਰ ਹੋਰ ਤਿਰਛੇ ਨਾਲ ਵੀ ਜੋੜ ਸਕਦੇ ਹੋ। ਅਜਿਹੇ ਨੈੱਟਵਰਕ ਵਿੱਚ ਡਿਗਰੀ 8 ਹੋਵੇਗੀ।

ਡਿਗਰੀ 4 ਅਤੇ 8 ਵਾਲੀਆਂ ਜਾਲੀਆਂ ਚੰਗੀ ਤਰ੍ਹਾਂ ਸਮਮਿਤੀ ਹਨ। ਪਰ ਡਿਗਰੀ 5 (ਉਦਾਹਰਨ ਲਈ), ਇੱਕ ਸਮੱਸਿਆ ਪੈਦਾ ਹੁੰਦੀ ਹੈ: ਸਾਨੂੰ ਕਿਹੜੇ ਪੰਜ ਗੁਆਂਢੀ ਚੁਣਨੇ ਚਾਹੀਦੇ ਹਨ? ਇਸ ਸਥਿਤੀ ਵਿੱਚ, ਅਸੀਂ ਚਾਰ ਨਜ਼ਦੀਕੀ ਗੁਆਂਢੀ (N, E, S, W) ਚੁਣਦੇ ਹਾਂ, ਅਤੇ ਫਿਰ ਸੈੱਟ {NE, SE, SW, NW} ਤੋਂ ਬੇਤਰਤੀਬੇ ਇੱਕ ਗੁਆਂਢੀ ਚੁਣਦੇ ਹਾਂ। ਚੋਣ ਹਰ ਵਾਰ ਪੜਾਅ 'ਤੇ ਹਰੇਕ ਨੋਡ ਲਈ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

ਵਿਚਾਰ ਵਟਾਂਦਰੇ

ਦੁਬਾਰਾ ਫਿਰ, ਇਹ ਦੇਖਣਾ ਔਖਾ ਨਹੀਂ ਹੈ ਕਿ ਇੱਥੇ ਕੀ ਹੋ ਰਿਹਾ ਹੈ. ਜਦੋਂ ਹਰੇਕ ਨੋਡ ਵਿੱਚ ਵਧੇਰੇ ਗੁਆਂਢੀ ਹੁੰਦੇ ਹਨ, ਤਾਂ ਲਾਗ ਫੈਲਣ ਦੀ ਸੰਭਾਵਨਾ ਵੱਧ ਜਾਂਦੀ ਹੈ — ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਨੈੱਟਵਰਕ ਦੇ ਨਾਜ਼ੁਕ ਬਣਨ ਦੀ ਸੰਭਾਵਨਾ ਵੱਧ ਜਾਂਦੀ ਹੈ।

ਹਾਲਾਂਕਿ, ਨਤੀਜੇ ਅਚਾਨਕ ਹੋ ਸਕਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਹੇਠਾਂ ਦੇਖਾਂਗੇ.

ਸ਼ਹਿਰ ਅਤੇ ਨੈੱਟਵਰਕ ਘਣਤਾ

ਹੁਣ ਤੱਕ, ਸਾਡੇ ਨੈੱਟਵਰਕ ਪੂਰੀ ਤਰ੍ਹਾਂ ਇਕਸਾਰ ਰਹੇ ਹਨ। ਹਰ ਨੋਡ ਕਿਸੇ ਹੋਰ ਵਰਗਾ ਦਿਸਦਾ ਹੈ। ਪਰ ਉਦੋਂ ਕੀ ਜੇ ਅਸੀਂ ਸ਼ਰਤਾਂ ਨੂੰ ਬਦਲਦੇ ਹਾਂ ਅਤੇ ਪੂਰੇ ਨੈਟਵਰਕ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਨੋਡ ਰਾਜਾਂ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਾਂ?

ਉਦਾਹਰਨ ਲਈ, ਆਓ ਸ਼ਹਿਰਾਂ ਨੂੰ ਮਾਡਲ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੀਏ। ਅਜਿਹਾ ਕਰਨ ਲਈ, ਅਸੀਂ ਨੈਟਵਰਕ ਦੇ ਕੁਝ ਹਿੱਸਿਆਂ (ਨੋਡਾਂ ਦੀ ਉੱਚ ਡਿਗਰੀ) ਵਿੱਚ ਘਣਤਾ ਵਧਾਵਾਂਗੇ. ਅਸੀਂ ਅਜਿਹਾ ਨਾਗਰਿਕਾਂ ਦੇ ਅੰਕੜਿਆਂ ਦੇ ਆਧਾਰ 'ਤੇ ਕਰਦੇ ਹਾਂ ਵਿਆਪਕ ਸਮਾਜਿਕ ਦਾਇਰੇ ਅਤੇ ਹੋਰ ਸਮਾਜਿਕ ਪਰਸਪਰ ਪ੍ਰਭਾਵਸ਼ਹਿਰਾਂ ਤੋਂ ਬਾਹਰ ਦੇ ਲੋਕਾਂ ਨਾਲੋਂ।

ਸਾਡੇ ਮਾਡਲ ਵਿੱਚ, ਸੰਵੇਦਨਸ਼ੀਲ ਨੋਡ ਉਹਨਾਂ ਦੀ ਡਿਗਰੀ ਦੇ ਅਧਾਰ ਤੇ ਰੰਗੀਨ ਹੁੰਦੇ ਹਨ। "ਪੇਂਡੂ ਖੇਤਰਾਂ" ਵਿੱਚ ਨੋਡਾਂ ਵਿੱਚ ਡਿਗਰੀ 4 ਹੁੰਦੀ ਹੈ (ਅਤੇ ਰੰਗ ਹਲਕੇ ਸਲੇਟੀ ਹੁੰਦੇ ਹਨ), ਜਦੋਂ ਕਿ "ਸ਼ਹਿਰੀ ਖੇਤਰਾਂ" ਵਿੱਚ ਨੋਡਾਂ ਦੀ ਡਿਗਰੀ ਵੱਧ ਹੁੰਦੀ ਹੈ (ਅਤੇ ਰੰਗ ਗੂੜ੍ਹੇ ਹੁੰਦੇ ਹਨ), ਬਾਹਰੀ ਖੇਤਰਾਂ ਵਿੱਚ ਡਿਗਰੀ 5 ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦੇ ਹਨ ਅਤੇ ਸ਼ਹਿਰ ਦੇ ਕੇਂਦਰ ਵਿੱਚ 8 ਦੇ ਨਾਲ ਖਤਮ ਹੁੰਦੇ ਹਨ।

ਇੱਕ ਪ੍ਰਸਾਰ ਗਤੀ ਚੁਣਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ ਜਿਵੇਂ ਕਿ ਸਰਗਰਮੀ ਸ਼ਹਿਰਾਂ ਨੂੰ ਕਵਰ ਕਰਦੀ ਹੈ ਅਤੇ ਫਿਰ ਉਹਨਾਂ ਦੀਆਂ ਸਰਹੱਦਾਂ ਤੋਂ ਬਾਹਰ ਨਹੀਂ ਜਾਂਦੀ।

ਮੈਨੂੰ ਇਹ ਸਿਮੂਲੇਸ਼ਨ ਸਪੱਸ਼ਟ ਅਤੇ ਹੈਰਾਨੀਜਨਕ ਦੋਵੇਂ ਲੱਗਦੇ ਹਨ. ਬੇਸ਼ਕ, ਸ਼ਹਿਰਾਂ ਵਿੱਚ ਸੱਭਿਆਚਾਰਕ ਪੱਧਰ ਨੂੰ ਪੇਂਡੂ ਖੇਤਰਾਂ ਨਾਲੋਂ ਬਿਹਤਰ ਬਣਾਈ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ - ਇਹ ਹਰ ਕੋਈ ਜਾਣਦਾ ਹੈ। ਮੈਨੂੰ ਹੈਰਾਨ ਕਰਨ ਵਾਲੀ ਗੱਲ ਇਹ ਹੈ ਕਿ ਇਸ ਸੱਭਿਆਚਾਰਕ ਵਿਭਿੰਨਤਾ ਵਿੱਚੋਂ ਕੁਝ ਸਿਰਫ਼ ਸੋਸ਼ਲ ਨੈੱਟਵਰਕ ਦੇ ਟੌਪੌਲੋਜੀ ਦੇ ਆਧਾਰ 'ਤੇ ਪੈਦਾ ਹੁੰਦੀ ਹੈ।

ਇਹ ਇੱਕ ਦਿਲਚਸਪ ਬਿੰਦੂ ਹੈ, ਮੈਂ ਇਸਨੂੰ ਹੋਰ ਵਿਸਥਾਰ ਵਿੱਚ ਦੱਸਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਾਂਗਾ।

ਇੱਥੇ ਅਸੀਂ ਸੱਭਿਆਚਾਰ ਦੇ ਉਨ੍ਹਾਂ ਰੂਪਾਂ ਨਾਲ ਨਜਿੱਠ ਰਹੇ ਹਾਂ ਜੋ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਅਤੇ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਇੱਕ ਵਿਅਕਤੀ ਤੋਂ ਦੂਜੇ ਵਿਅਕਤੀ ਤੱਕ ਸੰਚਾਰਿਤ ਹੁੰਦੇ ਹਨ। ਉਦਾਹਰਣ ਲਈ, ਸ਼ਿਸ਼ਟਾਚਾਰ, ਪਾਰਲਰ ਗੇਮਾਂ, ਫੈਸ਼ਨ ਰੁਝਾਨ, ਭਾਸ਼ਾਈ ਰੁਝਾਨ, ਛੋਟੇ ਸਮੂਹ ਰੀਤੀ ਰਿਵਾਜ, ਅਤੇ ਉਤਪਾਦ ਜੋ ਮੂੰਹ ਦੀ ਗੱਲ ਨਾਲ ਫੈਲਦੇ ਹਨ, ਨਾਲ ਹੀ ਜਾਣਕਾਰੀ ਦੇ ਪੂਰੇ ਪੈਕੇਜ ਜਿਨ੍ਹਾਂ ਨੂੰ ਅਸੀਂ ਵਿਚਾਰ ਕਹਿੰਦੇ ਹਾਂ।

(ਨੋਟ: ਮੀਡੀਆ ਦੁਆਰਾ ਲੋਕਾਂ ਵਿਚਕਾਰ ਜਾਣਕਾਰੀ ਦੇ ਪ੍ਰਸਾਰ ਨੂੰ ਬਹੁਤ ਮੁਸ਼ਕਲ ਬਣਾਇਆ ਗਿਆ ਹੈ। ਕੁਝ ਤਕਨੀਕੀ ਤੌਰ 'ਤੇ ਮੁੱਢਲੇ ਵਾਤਾਵਰਣ ਦੀ ਕਲਪਨਾ ਕਰਨਾ ਆਸਾਨ ਹੈ, ਜਿਵੇਂ ਕਿ ਪ੍ਰਾਚੀਨ ਗ੍ਰੀਸ, ਜਿੱਥੇ ਸੱਭਿਆਚਾਰ ਦੀ ਲਗਭਗ ਹਰ ਚੰਗਿਆੜੀ ਭੌਤਿਕ ਸਪੇਸ ਵਿੱਚ ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਦੁਆਰਾ ਪ੍ਰਸਾਰਿਤ ਕੀਤੀ ਗਈ ਸੀ।)

ਉਪਰੋਕਤ ਸਿਮੂਲੇਸ਼ਨ ਤੋਂ, ਮੈਂ ਸਿੱਖਿਆ ਹੈ ਕਿ ਅਜਿਹੇ ਵਿਚਾਰ ਅਤੇ ਸੱਭਿਆਚਾਰਕ ਅਭਿਆਸ ਹਨ ਜੋ ਸ਼ਹਿਰ ਵਿੱਚ ਜੜ੍ਹ ਫੜ ਸਕਦੇ ਹਨ ਅਤੇ ਫੈਲ ਸਕਦੇ ਹਨ, ਪਰ ਉਹ ਪੇਂਡੂ ਖੇਤਰਾਂ ਵਿੱਚ (ਗਣਿਤਿਕ ਤੌਰ 'ਤੇ ਨਹੀਂ) ਫੈਲ ਸਕਦੇ ਹਨ। ਇਹ ਉਹੀ ਵਿਚਾਰ ਅਤੇ ਉਹੀ ਲੋਕ ਹਨ। ਬਿੰਦੂ ਇਹ ਨਹੀਂ ਹੈ ਕਿ ਪੇਂਡੂ ਵਸਨੀਕ ਕਿਸੇ ਤਰ੍ਹਾਂ "ਨੇੜਲੇ ਵਿਚਾਰਾਂ ਵਾਲੇ" ਹਨ: ਜਦੋਂ ਉਸੇ ਵਿਚਾਰ ਨਾਲ ਗੱਲਬਾਤ ਕਰਦੇ ਹੋਏ, ਉਹ ਇਸ ਨੂੰ ਫੜਨ ਦੇ ਬਿਲਕੁਲ ਇੱਕੋ ਜਿਹੇ ਮੌਕੇਸ਼ਹਿਰ ਦੇ ਲੋਕਾਂ ਵਾਂਗ। ਇਹ ਸਿਰਫ ਇਹ ਹੈ ਕਿ ਇਹ ਵਿਚਾਰ ਆਪਣੇ ਆਪ ਵਿੱਚ ਪੇਂਡੂ ਖੇਤਰਾਂ ਵਿੱਚ ਵਾਇਰਲ ਨਹੀਂ ਹੋ ਸਕਦਾ, ਕਿਉਂਕਿ ਇੱਥੇ ਬਹੁਤ ਸਾਰੇ ਕੁਨੈਕਸ਼ਨ ਨਹੀਂ ਹਨ ਜਿਨ੍ਹਾਂ ਰਾਹੀਂ ਇਹ ਫੈਲ ਸਕਦਾ ਹੈ।

ਫੈਸ਼ਨ ਦੇ ਖੇਤਰ ਵਿੱਚ ਇਹ ਦੇਖਣਾ ਸ਼ਾਇਦ ਸਭ ਤੋਂ ਆਸਾਨ ਹੈ - ਕੱਪੜੇ, ਹੇਅਰ ਸਟਾਈਲ, ਆਦਿ। ਫੈਸ਼ਨ ਨੈਟਵਰਕ ਵਿੱਚ, ਅਸੀਂ ਜਾਲੀ ਦੇ ਕਿਨਾਰੇ ਨੂੰ ਹਾਸਲ ਕਰ ਸਕਦੇ ਹਾਂ ਜਦੋਂ ਦੋ ਲੋਕ ਇੱਕ ਦੂਜੇ ਦੇ ਪਹਿਰਾਵੇ ਵੱਲ ਧਿਆਨ ਦਿੰਦੇ ਹਨ। ਇੱਕ ਸ਼ਹਿਰੀ ਕੇਂਦਰ ਵਿੱਚ, ਹਰੇਕ ਵਿਅਕਤੀ ਹਰ ਰੋਜ਼ 1000 ਤੋਂ ਵੱਧ ਹੋਰ ਲੋਕਾਂ ਨੂੰ ਦੇਖ ਸਕਦਾ ਹੈ - ਸੜਕ 'ਤੇ, ਸਬਵੇਅ ਵਿੱਚ, ਇੱਕ ਭੀੜ-ਭੜੱਕੇ ਵਾਲੇ ਰੈਸਟੋਰੈਂਟ ਵਿੱਚ, ਆਦਿ, ਇੱਕ ਪੇਂਡੂ ਖੇਤਰ ਵਿੱਚ, ਇਸ ਦੇ ਉਲਟ, ਹਰੇਕ ਵਿਅਕਤੀ ਸਿਰਫ ਦੋ ਦਰਜਨ ਲੋਕਾਂ ਨੂੰ ਦੇਖ ਸਕਦਾ ਹੈ। ਹੋਰ। ਦੇ ਅਧਾਰ ਤੇ ਸਿਰਫ ਇਹ ਫਰਕ, ਸ਼ਹਿਰ ਹੋਰ ਫੈਸ਼ਨ ਰੁਝਾਨ ਦਾ ਸਮਰਥਨ ਕਰਨ ਦੇ ਯੋਗ ਹੈ. ਅਤੇ ਸਿਰਫ ਸਭ ਤੋਂ ਵੱਧ ਮਜਬੂਰ ਕਰਨ ਵਾਲੇ ਰੁਝਾਨ - ਜੋ ਸਭ ਤੋਂ ਵੱਧ ਪ੍ਰਸਾਰਣ ਦਰਾਂ ਵਾਲੇ ਹਨ - ਸ਼ਹਿਰ ਦੇ ਬਾਹਰ ਪੈਰ ਜਮਾਉਣ ਦੇ ਯੋਗ ਹੋਣਗੇ.

ਅਸੀਂ ਸੋਚਦੇ ਹਾਂ ਕਿ ਜੇ ਕੋਈ ਵਿਚਾਰ ਚੰਗਾ ਹੈ, ਤਾਂ ਇਹ ਆਖਰਕਾਰ ਸਾਰਿਆਂ ਤੱਕ ਪਹੁੰਚ ਜਾਵੇਗਾ, ਅਤੇ ਜੇ ਕੋਈ ਵਿਚਾਰ ਮਾੜਾ ਹੈ, ਤਾਂ ਇਹ ਅਲੋਪ ਹੋ ਜਾਵੇਗਾ। ਬੇਸ਼ੱਕ, ਇਹ ਅਤਿਅੰਤ ਮਾਮਲਿਆਂ ਵਿੱਚ ਸੱਚ ਹੈ, ਪਰ ਇਸਦੇ ਵਿਚਕਾਰ ਬਹੁਤ ਸਾਰੇ ਵਿਚਾਰ ਅਤੇ ਅਭਿਆਸ ਹਨ ਜੋ ਸਿਰਫ ਕੁਝ ਖਾਸ ਨੈੱਟਵਰਕਾਂ 'ਤੇ ਵਾਇਰਲ ਹੋ ਸਕਦੇ ਹਨ। ਇਹ ਸੱਚਮੁੱਚ ਹੈਰਾਨੀਜਨਕ ਹੈ.

ਸਿਰਫ਼ ਸ਼ਹਿਰ ਹੀ ਨਹੀਂ

ਅਸੀਂ ਇੱਥੇ ਪ੍ਰਭਾਵ ਨੂੰ ਦੇਖ ਰਹੇ ਹਾਂ ਨੈੱਟਵਰਕ ਘਣਤਾ. ਇਹ ਨੋਡਸ ਦੇ ਦਿੱਤੇ ਗਏ ਸੈੱਟ ਲਈ ਇੱਕ ਨੰਬਰ ਦੇ ਤੌਰ 'ਤੇ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਹੈ ਅਸਲ ਪੱਸਲੀਆਂ, ਸੰਖਿਆ ਦੁਆਰਾ ਵੰਡਿਆ ਗਿਆ ਸੰਭਾਵੀ ਕਿਨਾਰੇ. ਭਾਵ, ਅਸਲ ਵਿੱਚ ਮੌਜੂਦ ਸੰਭਾਵਿਤ ਕੁਨੈਕਸ਼ਨਾਂ ਦੀ ਪ੍ਰਤੀਸ਼ਤਤਾ।

ਇਸ ਲਈ, ਅਸੀਂ ਦੇਖਿਆ ਹੈ ਕਿ ਸ਼ਹਿਰੀ ਕੇਂਦਰਾਂ ਵਿੱਚ ਨੈੱਟਵਰਕ ਦੀ ਘਣਤਾ ਪੇਂਡੂ ਖੇਤਰਾਂ ਨਾਲੋਂ ਵੱਧ ਹੈ। ਪਰ ਸਿਰਫ਼ ਸ਼ਹਿਰ ਹੀ ਉਹ ਥਾਂ ਨਹੀਂ ਹਨ ਜਿੱਥੇ ਸਾਨੂੰ ਸੰਘਣੇ ਨੈੱਟਵਰਕ ਮਿਲਦੇ ਹਨ।

ਇੱਕ ਦਿਲਚਸਪ ਉਦਾਹਰਣ ਸੈਕੰਡਰੀ ਸਕੂਲ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਖਾਸ ਖੇਤਰ ਲਈ, ਅਸੀਂ ਸਕੂਲੀ ਬੱਚਿਆਂ ਵਿੱਚ ਮੌਜੂਦ ਨੈੱਟਵਰਕ ਦੀ ਤੁਲਨਾ ਉਹਨਾਂ ਦੇ ਮਾਪਿਆਂ ਵਿੱਚ ਮੌਜੂਦ ਨੈੱਟਵਰਕ ਨਾਲ ਕਰਦੇ ਹਾਂ। ਇੱਕੋ ਜਿਹਾ ਭੂਗੋਲਿਕ ਖੇਤਰ ਅਤੇ ਇੱਕੋ ਜਿਹੀ ਆਬਾਦੀ, ਪਰ ਇੱਕ ਨੈੱਟਵਰਕ ਦੂਜੇ ਨਾਲੋਂ ਕਈ ਗੁਣਾ ਸੰਘਣਾ ਹੈ। ਇਸ ਲਈ ਇਹ ਕੋਈ ਹੈਰਾਨੀ ਦੀ ਗੱਲ ਨਹੀਂ ਹੈ ਕਿ ਫੈਸ਼ਨ ਅਤੇ ਭਾਸ਼ਾਈ ਰੁਝਾਨ ਕਿਸ਼ੋਰਾਂ ਵਿੱਚ ਬਹੁਤ ਤੇਜ਼ੀ ਨਾਲ ਫੈਲਦੇ ਹਨ।

ਇਸੇ ਤਰ੍ਹਾਂ, ਕੁਲੀਨ ਨੈਟਵਰਕ ਗੈਰ-ਏਲੀਟ ਨੈਟਵਰਕਾਂ ਨਾਲੋਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸੰਘਣੇ ਹੁੰਦੇ ਹਨ - ਇੱਕ ਤੱਥ ਜੋ ਮੈਂ ਸੋਚਦਾ ਹਾਂ ਕਿ ਘੱਟ ਪ੍ਰਸ਼ੰਸਾਯੋਗ ਹੈ (ਜੋ ਲੋਕ ਪ੍ਰਸਿੱਧ ਜਾਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹਨ ਉਹ ਨੈਟਵਰਕਿੰਗ ਵਿੱਚ ਵਧੇਰੇ ਸਮਾਂ ਬਿਤਾਉਂਦੇ ਹਨ ਅਤੇ ਇਸਲਈ ਲੋਕਾਂ ਦੇ ਆਮ ਲੋਕਾਂ ਨਾਲੋਂ ਵਧੇਰੇ "ਗੁਆਂਢੀ" ਹੁੰਦੇ ਹਨ)। ਉਪਰੋਕਤ ਸਿਮੂਲੇਸ਼ਨਾਂ ਦੇ ਆਧਾਰ 'ਤੇ, ਅਸੀਂ ਉਮੀਦ ਕਰਦੇ ਹਾਂ ਕਿ ਕੁਲੀਨ ਨੈੱਟਵਰਕ ਕੁਝ ਸੱਭਿਆਚਾਰਕ ਰੂਪਾਂ ਦਾ ਸਮਰਥਨ ਕਰਨਗੇ ਜੋ ਮੁੱਖ ਧਾਰਾ ਦੁਆਰਾ ਸਮਰਥਤ ਨਹੀਂ ਹੋ ਸਕਦੇ ਹਨ, ਸਿਰਫ਼ ਨੈੱਟਵਰਕ ਦੀ ਔਸਤ ਡਿਗਰੀ ਦੇ ਗਣਿਤਿਕ ਨਿਯਮਾਂ ਦੇ ਆਧਾਰ 'ਤੇ। ਮੈਂ ਤੁਹਾਨੂੰ ਇਹ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਛੱਡਦਾ ਹਾਂ ਕਿ ਇਹ ਸੱਭਿਆਚਾਰਕ ਰੂਪ ਕੀ ਹੋ ਸਕਦੇ ਹਨ.

ਅੰਤ ਵਿੱਚ, ਅਸੀਂ ਇਸ ਵਿਚਾਰ ਨੂੰ ਇੰਟਰਨੈਟ ਤੇ ਇਸ ਨੂੰ ਵਿਸ਼ਾਲ ਅਤੇ ਮਾਡਲ ਬਣਾ ਕੇ ਲਾਗੂ ਕਰ ਸਕਦੇ ਹਾਂ ਬਹੁਤ ਸੰਘਣਾ ਸ਼ਹਿਰ ਇਹ ਕੋਈ ਹੈਰਾਨੀ ਦੀ ਗੱਲ ਨਹੀਂ ਹੈ ਕਿ ਬਹੁਤ ਸਾਰੀਆਂ ਨਵੀਆਂ ਕਿਸਮਾਂ ਦੇ ਸੱਭਿਆਚਾਰ ਆਨਲਾਈਨ ਵਧ ਰਹੇ ਹਨ ਜੋ ਸਿਰਫ਼ ਸਥਾਨਿਕ ਨੈੱਟਵਰਕਾਂ 'ਤੇ ਸਮਰਥਿਤ ਨਹੀਂ ਹੋ ਸਕਦੇ ਹਨ: ਵਿਸ਼ੇਸ਼ ਸ਼ੌਕ, ਬਿਹਤਰ ਡਿਜ਼ਾਈਨ ਮਿਆਰ, ਬੇਇਨਸਾਫ਼ੀ ਪ੍ਰਤੀ ਵਧੇਰੇ ਜਾਗਰੂਕਤਾ, ਆਦਿ। ਅਤੇ ਇਹ ਸਿਰਫ਼ ਵਧੀਆ ਚੀਜ਼ਾਂ ਨਹੀਂ ਹਨ। ਜਿਵੇਂ ਕਿ ਸ਼ੁਰੂਆਤੀ ਸ਼ਹਿਰ ਬਿਮਾਰੀਆਂ ਦੇ ਪ੍ਰਜਨਨ ਦੇ ਆਧਾਰ ਸਨ ਜੋ ਘੱਟ ਆਬਾਦੀ ਦੀ ਘਣਤਾ ਵਿੱਚ ਨਹੀਂ ਫੈਲ ਸਕਦੇ ਸਨ, ਉਸੇ ਤਰ੍ਹਾਂ ਇੰਟਰਨੈਟ ਘਾਤਕ ਸੱਭਿਆਚਾਰਕ ਰੂਪਾਂ ਜਿਵੇਂ ਕਿ ਕਲਿੱਕਬਾਟ, ਜਾਅਲੀ ਖ਼ਬਰਾਂ, ਅਤੇ ਨਕਲੀ ਗੁੱਸੇ ਨੂੰ ਫੈਲਾਉਣ ਲਈ ਇੱਕ ਪ੍ਰਜਨਨ ਸਥਾਨ ਹੈ।

ਗਿਆਨ

"ਸਹੀ ਸਮੇਂ 'ਤੇ ਸਹੀ ਮਾਹਰ ਹੋਣਾ ਅਕਸਰ ਰਚਨਾਤਮਕ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਸਭ ਤੋਂ ਕੀਮਤੀ ਸਰੋਤ ਹੁੰਦਾ ਹੈ." - ਮਾਈਕਲ ਨੀਲਸਨ, ਖੋਜ ਖੋਜ

ਅਸੀਂ ਅਕਸਰ ਖੋਜ ਜਾਂ ਕਾਢ ਨੂੰ ਇੱਕ ਪ੍ਰਕਿਰਿਆ ਦੇ ਰੂਪ ਵਿੱਚ ਸੋਚਦੇ ਹਾਂ ਜੋ ਇੱਕ ਇੱਕਲੇ ਪ੍ਰਤਿਭਾ ਦੇ ਦਿਮਾਗ ਵਿੱਚ ਵਾਪਰਦੀ ਹੈ। ਉਹ ਪ੍ਰੇਰਨਾ ਦੇ ਇੱਕ ਫਲੈਸ਼ ਦੁਆਰਾ ਮਾਰਿਆ ਗਿਆ ਹੈ ਅਤੇ - ਯੂਰੇਕਾ! - ਅਚਾਨਕ ਸਾਡੇ ਕੋਲ ਵਾਲੀਅਮ ਮਾਪਣ ਦਾ ਇੱਕ ਨਵਾਂ ਤਰੀਕਾ ਹੈ। ਜਾਂ ਗੁਰੂਤਾ ਸਮੀਕਰਨ। ਜਾਂ ਲਾਈਟ ਬਲਬ।

ਪਰ ਜੇਕਰ ਅਸੀਂ ਖੋਜ ਦੇ ਸਮੇਂ ਇੱਕ ਇਕੱਲੇ ਖੋਜਕਰਤਾ ਦੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਨੂੰ ਲੈਂਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਵਰਤਾਰੇ ਨੂੰ ਦੇਖ ਰਹੇ ਹਾਂ ਨੋਡ ਦੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ. ਜਦੋਂ ਕਿ ਕਾਢ ਦੀ ਵਿਆਖਿਆ ਕਰਨਾ ਵਧੇਰੇ ਸਹੀ ਹੋਵੇਗਾ ਨੈੱਟਵਰਕ ਵਰਤਾਰੇ.

ਨੈੱਟਵਰਕ ਘੱਟੋ-ਘੱਟ ਦੋ ਤਰੀਕਿਆਂ ਨਾਲ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਪਹਿਲਾਂ, ਮੌਜੂਦਾ ਵਿਚਾਰਾਂ ਨੂੰ ਪ੍ਰਵੇਸ਼ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਚੇਤਨਾ ਵਿੱਚ ਖੋਜੀ. ਇਹ ਇੱਕ ਨਵੇਂ ਲੇਖ ਦੇ ਹਵਾਲੇ ਹਨ, ਇੱਕ ਨਵੀਂ ਕਿਤਾਬ ਦੇ ਬਿਬਲਿਓਗ੍ਰਾਫਿਕ ਸੈਕਸ਼ਨ - ਉਹ ਦੈਂਤ ਜਿਨ੍ਹਾਂ ਦੇ ਮੋਢਿਆਂ 'ਤੇ ਨਿਊਟਨ ਖੜ੍ਹਾ ਸੀ। ਦੂਜਾ, ਇੱਕ ਨਵੇਂ ਵਿਚਾਰ ਦੀ ਵਾਪਸੀ ਲਈ ਨੈਟਵਰਕ ਮਹੱਤਵਪੂਰਨ ਹੈ ਵਾਪਸ ਸੰਸਾਰ ਵਿੱਚ; ਇੱਕ ਕਾਢ ਜੋ ਫੈਲੀ ਨਹੀਂ ਹੈ, ਉਸ ਨੂੰ "ਕਾਢ" ਕਹਿਣਾ ਮੁਸ਼ਕਿਲ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ, ਇਹਨਾਂ ਦੋਨਾਂ ਕਾਰਨਾਂ ਕਰਕੇ, ਖੋਜ ਨੂੰ ਮਾਡਲ ਬਣਾਉਣਾ-ਜਾਂ, ਵਧੇਰੇ ਵਿਆਪਕ ਤੌਰ 'ਤੇ, ਗਿਆਨ ਦੇ ਵਿਕਾਸ ਨੂੰ-ਪ੍ਰਸਾਰ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਜੋਂ ਸਮਝਦਾ ਹੈ।

ਇੱਕ ਪਲ ਵਿੱਚ, ਮੈਂ ਇੱਕ ਮੋਟਾ ਸਿਮੂਲੇਸ਼ਨ ਪੇਸ਼ ਕਰਾਂਗਾ ਕਿ ਕਿਵੇਂ ਗਿਆਨ ਇੱਕ ਨੈਟਵਰਕ ਵਿੱਚ ਫੈਲ ਸਕਦਾ ਹੈ ਅਤੇ ਵਧ ਸਕਦਾ ਹੈ। ਪਰ ਪਹਿਲਾਂ ਮੈਨੂੰ ਸਮਝਾਉਣਾ ਪਵੇਗਾ।

ਸਿਮੂਲੇਸ਼ਨ ਦੀ ਸ਼ੁਰੂਆਤ ਵਿੱਚ, ਗਰਿੱਡ ਦੇ ਹਰੇਕ ਚਤੁਰਭੁਜ ਵਿੱਚ ਚਾਰ ਮਾਹਰ ਹੁੰਦੇ ਹਨ, ਜੋ ਹੇਠਾਂ ਦਿੱਤੇ ਅਨੁਸਾਰ ਵਿਵਸਥਿਤ ਕੀਤੇ ਗਏ ਹਨ:

ਮਾਹਰ 1 ਕੋਲ ਵਿਚਾਰ ਦਾ ਪਹਿਲਾ ਸੰਸਕਰਣ ਹੈ - ਆਓ ਇਸਨੂੰ ਆਈਡੀਆ 1.0 ਕਹੀਏ। ਮਾਹਿਰ 2 ਉਹ ਵਿਅਕਤੀ ਹੈ ਜੋ ਜਾਣਦਾ ਹੈ ਕਿ ਆਈਡੀਆ 1.0 ਨੂੰ ਆਈਡੀਆ 2.0 ਵਿੱਚ ਕਿਵੇਂ ਬਦਲਣਾ ਹੈ। ਮਾਹਰ 3 ਜਾਣਦਾ ਹੈ ਕਿ ਆਈਡੀਆ 2.0 ਨੂੰ ਆਈਡੀਆ 3.0 ਵਿੱਚ ਕਿਵੇਂ ਬਦਲਣਾ ਹੈ। ਅਤੇ ਅੰਤ ਵਿੱਚ, ਚੌਥਾ ਮਾਹਰ ਜਾਣਦਾ ਹੈ ਕਿ ਆਈਡੀਆ 4.0 'ਤੇ ਅੰਤਮ ਛੋਹਾਂ ਕਿਵੇਂ ਪਾਉਣੀਆਂ ਹਨ।

ਇਹ ਓਰੀਗਾਮੀ ਵਰਗੀ ਤਕਨੀਕ ਦੇ ਸਮਾਨ ਹੈ, ਜਿੱਥੇ ਤਕਨੀਕਾਂ ਨੂੰ ਵਿਕਸਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਹੋਰ ਦਿਲਚਸਪ ਡਿਜ਼ਾਈਨ ਬਣਾਉਣ ਲਈ ਹੋਰ ਤਕਨੀਕਾਂ ਨਾਲ ਜੋੜਿਆ ਜਾਂਦਾ ਹੈ। ਜਾਂ ਇਹ ਭੌਤਿਕ ਵਿਗਿਆਨ ਵਾਂਗ ਗਿਆਨ ਦਾ ਇੱਕ ਖੇਤਰ ਹੋ ਸਕਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਹੋਰ ਹਾਲੀਆ ਕੰਮ ਪੂਰਵਜਾਂ ਦੇ ਬੁਨਿਆਦੀ ਕੰਮ 'ਤੇ ਬਣਦੇ ਹਨ।

ਇਸ ਸਿਮੂਲੇਸ਼ਨ ਦਾ ਬਿੰਦੂ ਇਹ ਹੈ ਕਿ ਵਿਚਾਰ ਦੇ ਅੰਤਮ ਸੰਸਕਰਣ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਉਣ ਲਈ ਸਾਨੂੰ ਸਾਰੇ ਚਾਰ ਮਾਹਰਾਂ ਦੀ ਲੋੜ ਹੈ। ਅਤੇ ਹਰ ਪੜਾਅ 'ਤੇ ਵਿਚਾਰ ਨੂੰ ਉਚਿਤ ਮਾਹਰ ਦੇ ਧਿਆਨ ਵਿਚ ਲਿਆਇਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ.

ਕੁਝ ਚੇਤਾਵਨੀਆਂ। ਸਿਮੂਲੇਸ਼ਨ ਵਿੱਚ ਏਨਕੋਡ ਕੀਤੀਆਂ ਬਹੁਤ ਸਾਰੀਆਂ ਗੈਰ-ਯਥਾਰਥਵਾਦੀ ਧਾਰਨਾਵਾਂ ਹਨ। ਇੱਥੇ ਉਹਨਾਂ ਵਿੱਚੋਂ ਕੁਝ ਕੁ ਹਨ:

1. ਇਹ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ ਕਿ ਵਿਚਾਰਾਂ ਨੂੰ ਇੱਕ ਵਿਅਕਤੀ ਤੋਂ ਦੂਜੇ ਵਿਅਕਤੀ ਨੂੰ ਛੱਡ ਕੇ ਸਟੋਰ ਅਤੇ ਪ੍ਰਸਾਰਿਤ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ (ਅਰਥਾਤ, ਕੋਈ ਕਿਤਾਬਾਂ ਜਾਂ ਮੀਡੀਆ ਨਹੀਂ)।
2. ਇਹ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ ਕਿ ਆਬਾਦੀ ਵਿੱਚ ਸਥਾਈ ਮਾਹਰ ਹਨ ਜੋ ਵਿਚਾਰ ਪੈਦਾ ਕਰ ਸਕਦੇ ਹਨ, ਹਾਲਾਂਕਿ ਅਸਲ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ ਬੇਤਰਤੀਬ ਕਾਰਕ ਖੋਜ ਜਾਂ ਕਾਢ ਦੀ ਮੌਜੂਦਗੀ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ।
3. ਵਿਚਾਰ ਦੇ ਸਾਰੇ ਚਾਰ ਸੰਸਕਰਣ ਐਸਆਈਐਸ ਪੈਰਾਮੀਟਰਾਂ (ਬੌਡ ਰੇਟ, ਪ੍ਰਤੀਰੋਧਤਾ ਦੀ ਪ੍ਰਤੀਸ਼ਤਤਾ, ਆਦਿ) ਦੇ ਇੱਕੋ ਸੈੱਟ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ, ਹਾਲਾਂਕਿ ਹਰੇਕ ਸੰਸਕਰਣ (1.0, 2.0, ਆਦਿ) ਲਈ ਵੱਖਰੇ ਪੈਰਾਮੀਟਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਸੰਭਵ ਤੌਰ 'ਤੇ ਵਧੇਰੇ ਯਥਾਰਥਵਾਦੀ ਹੈ।
4. ਇਹ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ ਕਿ ਵਿਚਾਰ N+1 ਹਮੇਸ਼ਾ ਵਿਚਾਰ N ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਵਿਸਥਾਪਿਤ ਕਰਦਾ ਹੈ, ਹਾਲਾਂਕਿ ਅਭਿਆਸ ਵਿੱਚ ਅਕਸਰ ਪੁਰਾਣੇ ਅਤੇ ਨਵੇਂ ਦੋਨੋਂ ਸੰਸਕਰਣ ਇੱਕੋ ਸਮੇਂ ਪ੍ਰਸਾਰਿਤ ਹੁੰਦੇ ਹਨ, ਬਿਨਾਂ ਕੋਈ ਸਪਸ਼ਟ ਵਿਜੇਤਾ।

… ਅਤੇ ਕਈ ਹੋਰ।

ਵਿਚਾਰ ਵਟਾਂਦਰੇ

ਇਹ ਇੱਕ ਹਾਸੋਹੀਣੀ ਢੰਗ ਨਾਲ ਸਰਲ ਮਾਡਲ ਹੈ ਕਿ ਗਿਆਨ ਅਸਲ ਵਿੱਚ ਕਿਵੇਂ ਵਧਦਾ ਹੈ। ਮਾਡਲ ਦੇ ਬਾਹਰ ਬਹੁਤ ਸਾਰੇ ਮਹੱਤਵਪੂਰਨ ਵੇਰਵੇ ਬਾਕੀ ਹਨ (ਉੱਪਰ ਦੇਖੋ)। ਹਾਲਾਂਕਿ, ਇਹ ਪ੍ਰਕਿਰਿਆ ਦੇ ਮਹੱਤਵਪੂਰਨ ਤੱਤ ਨੂੰ ਹਾਸਲ ਕਰਦਾ ਹੈ. ਅਤੇ ਇਸ ਲਈ ਅਸੀਂ, ਰਿਜ਼ਰਵੇਸ਼ਨਾਂ ਦੇ ਨਾਲ, ਸਾਡੇ ਪ੍ਰਸਾਰ ਦੇ ਗਿਆਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਗਿਆਨ ਦੇ ਵਾਧੇ ਬਾਰੇ ਗੱਲ ਕਰ ਸਕਦੇ ਹਾਂ।

ਖਾਸ ਤੌਰ 'ਤੇ, ਪ੍ਰਸਾਰ ਮਾਡਲ ਇਸ ਬਾਰੇ ਸਮਝ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਕਿ ਕਿਵੇਂ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਤੇਜ਼ ਕਰੋ: ਮਾਹਿਰ ਨੋਡਾਂ ਵਿਚਕਾਰ ਵਿਚਾਰਾਂ ਦੇ ਆਦਾਨ-ਪ੍ਰਦਾਨ ਦੀ ਸਹੂਲਤ ਦੇਣ ਦੀ ਲੋੜ ਹੈ। ਇਸਦਾ ਮਤਲਬ ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਮਰੇ ਹੋਏ ਨੋਡਾਂ ਦੇ ਨੈਟਵਰਕ ਨੂੰ ਸਾਫ਼ ਕਰਨਾ ਜੋ ਫੈਲਣ ਵਿੱਚ ਰੁਕਾਵਟ ਪਾ ਰਹੇ ਹਨ। ਜਾਂ ਇਸਦਾ ਮਤਲਬ ਇਹ ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਸਾਰੇ ਮਾਹਰਾਂ ਨੂੰ ਉੱਚ ਨੈਟਵਰਕ ਘਣਤਾ ਵਾਲੇ ਸ਼ਹਿਰ ਜਾਂ ਕਲੱਸਟਰ ਵਿੱਚ ਰੱਖਣਾ ਜਿੱਥੇ ਵਿਚਾਰ ਤੇਜ਼ੀ ਨਾਲ ਫੈਲਦੇ ਹਨ। ਜਾਂ ਉਹਨਾਂ ਨੂੰ ਇੱਕ ਕਮਰੇ ਵਿੱਚ ਇਕੱਠਾ ਕਰੋ:

ਇਸ ਲਈ... ਮੈਂ ਪ੍ਰਸਾਰ ਬਾਰੇ ਇਹੀ ਕਹਿ ਸਕਦਾ ਹਾਂ।

ਪਰ ਮੇਰੇ ਕੋਲ ਇੱਕ ਆਖਰੀ ਵਿਚਾਰ ਹੈ, ਅਤੇ ਇਹ ਬਹੁਤ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਇਹ ਵਿਕਾਸ ਦੇ ਬਾਰੇ ਹੈਅਤੇ ਖੜੋਤ) ਵਿਗਿਆਨਕ ਭਾਈਚਾਰਿਆਂ ਵਿੱਚ ਗਿਆਨ। ਇਹ ਵਿਚਾਰ ਉਪਰੋਕਤ ਕਿਸੇ ਵੀ ਚੀਜ਼ ਤੋਂ ਟੋਨ ਅਤੇ ਸਮੱਗਰੀ ਵਿੱਚ ਵੱਖਰਾ ਹੈ, ਪਰ ਮੈਨੂੰ ਉਮੀਦ ਹੈ ਕਿ ਤੁਸੀਂ ਮੈਨੂੰ ਮਾਫ਼ ਕਰੋਗੇ।

ਵਿਗਿਆਨਕ ਨੈੱਟਵਰਕਾਂ ਬਾਰੇ

ਦ੍ਰਿਸ਼ਟਾਂਤ ਦੁਨੀਆ ਦੇ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਸਕਾਰਾਤਮਕ ਫੀਡਬੈਕ ਲੂਪਾਂ ਵਿੱਚੋਂ ਇੱਕ ਦਿਖਾਉਂਦਾ ਹੈ (ਅਤੇ ਇਹ ਕਾਫ਼ੀ ਸਮੇਂ ਤੋਂ ਇਸ ਤਰ੍ਹਾਂ ਰਿਹਾ ਹੈ):

ਚੱਕਰ (K ⟶ T) ਦੀ ਉੱਪਰ ਵੱਲ ਵਧਣਾ ਕਾਫ਼ੀ ਸਰਲ ਹੈ: ਅਸੀਂ ਨਵੇਂ ਸਾਧਨ ਵਿਕਸਿਤ ਕਰਨ ਲਈ ਨਵੇਂ ਗਿਆਨ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ। ਉਦਾਹਰਨ ਲਈ, ਸੈਮੀਕੰਡਕਟਰਾਂ ਦੇ ਭੌਤਿਕ ਵਿਗਿਆਨ ਨੂੰ ਸਮਝਣਾ ਸਾਨੂੰ ਕੰਪਿਊਟਰ ਬਣਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ।

ਹਾਲਾਂਕਿ, ਹੇਠਾਂ ਵੱਲ ਜਾਣ ਲਈ ਕੁਝ ਸਪੱਸ਼ਟੀਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਤਕਨਾਲੋਜੀ ਦੇ ਵਿਕਾਸ ਨਾਲ ਗਿਆਨ ਵਿੱਚ ਵਾਧਾ ਕਿਵੇਂ ਹੁੰਦਾ ਹੈ?

ਇੱਕ ਤਰੀਕਾ—ਸ਼ਾਇਦ ਸਭ ਤੋਂ ਸਿੱਧਾ—ਉਹ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਨਵੀਆਂ ਤਕਨੀਕਾਂ ਸਾਨੂੰ ਸੰਸਾਰ ਨੂੰ ਸਮਝਣ ਦੇ ਨਵੇਂ ਤਰੀਕੇ ਦਿੰਦੀਆਂ ਹਨ। ਉਦਾਹਰਨ ਲਈ, ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਈਕ੍ਰੋਸਕੋਪ ਤੁਹਾਨੂੰ ਇੱਕ ਸੈੱਲ ਦੇ ਅੰਦਰ ਡੂੰਘਾਈ ਨਾਲ ਦੇਖਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ, ਅਣੂ ਜੀਵ ਵਿਗਿਆਨ ਲਈ ਸਮਝ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। GPS ਟਰੈਕਰ ਦਿਖਾਉਂਦੇ ਹਨ ਕਿ ਜਾਨਵਰ ਕਿਵੇਂ ਚਲਦੇ ਹਨ। ਸੋਨਾਰ ਤੁਹਾਨੂੰ ਸਮੁੰਦਰਾਂ ਦੀ ਪੜਚੋਲ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। ਇਤਆਦਿ.

ਇਹ ਬਿਨਾਂ ਸ਼ੱਕ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਵਿਧੀ ਹੈ, ਪਰ ਤਕਨਾਲੋਜੀ ਤੋਂ ਗਿਆਨ ਤੱਕ ਘੱਟੋ-ਘੱਟ ਦੋ ਹੋਰ ਮਾਰਗ ਹਨ। ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਉਹ ਸਧਾਰਨ ਨਾ ਹੋਣ, ਪਰ ਮੈਨੂੰ ਲਗਦਾ ਹੈ ਕਿ ਉਹ ਉਨੇ ਹੀ ਮਹੱਤਵਪੂਰਨ ਹਨ:

ਪਹਿਲਾ. ਤਕਨਾਲੋਜੀ ਆਰਥਿਕ ਬਹੁਤਾਤ (ਅਰਥਾਤ ਦੌਲਤ) ਵੱਲ ਅਗਵਾਈ ਕਰਦੀ ਹੈ, ਜੋ ਵਧੇਰੇ ਲੋਕਾਂ ਨੂੰ ਗਿਆਨ ਦੇ ਉਤਪਾਦਨ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਣ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ।

ਜੇਕਰ ਤੁਹਾਡੇ ਦੇਸ਼ ਦੀ 90% ਆਬਾਦੀ ਖੇਤੀਬਾੜੀ ਵਿੱਚ ਰੁੱਝੀ ਹੋਈ ਹੈ, ਅਤੇ ਬਾਕੀ 10% ਕਿਸੇ ਨਾ ਕਿਸੇ ਰੂਪ ਵਿੱਚ ਵਪਾਰ (ਜਾਂ ਯੁੱਧ) ਵਿੱਚ ਰੁੱਝੀ ਹੋਈ ਹੈ, ਤਾਂ ਲੋਕਾਂ ਕੋਲ ਕੁਦਰਤ ਦੇ ਨਿਯਮਾਂ ਬਾਰੇ ਸੋਚਣ ਲਈ ਬਹੁਤ ਘੱਟ ਸਮਾਂ ਹੈ। ਸ਼ਾਇਦ ਇਸੇ ਕਰਕੇ ਪਹਿਲੇ ਸਮਿਆਂ ਵਿਚ ਵਿਗਿਆਨ ਨੂੰ ਮੁੱਖ ਤੌਰ 'ਤੇ ਅਮੀਰ ਪਰਿਵਾਰਾਂ ਦੇ ਬੱਚਿਆਂ ਦੁਆਰਾ ਉਤਸ਼ਾਹਿਤ ਕੀਤਾ ਜਾਂਦਾ ਸੀ।

ਸੰਯੁਕਤ ਰਾਜ ਅਮਰੀਕਾ ਹਰ ਸਾਲ 50 ਤੋਂ ਵੱਧ ਪੀਐਚ.ਡੀ. 000 (ਜਾਂ ਇਸ ਤੋਂ ਪਹਿਲਾਂ) ਦੀ ਉਮਰ ਵਿੱਚ ਇੱਕ ਫੈਕਟਰੀ ਵਿੱਚ ਕੰਮ ਕਰਨ ਵਾਲੇ ਵਿਅਕਤੀ ਦੀ ਬਜਾਏ, ਇੱਕ ਗ੍ਰੈਜੂਏਟ ਵਿਦਿਆਰਥੀ ਨੂੰ 18 ਜਾਂ ਸ਼ਾਇਦ 30 ਸਾਲ ਦੀ ਉਮਰ ਤੱਕ ਫੰਡ ਦਿੱਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ — ਅਤੇ ਫਿਰ ਵੀ ਇਹ ਅਸਪਸ਼ਟ ਹੈ ਕਿ ਕੀ ਉਹਨਾਂ ਦੇ ਕੰਮ ਦਾ ਕੋਈ ਅਸਲ ਆਰਥਿਕ ਪ੍ਰਭਾਵ ਹੋਵੇਗਾ ਜਾਂ ਨਹੀਂ। ਪਰ ਇੱਕ ਵਿਅਕਤੀ ਲਈ ਆਪਣੇ ਅਨੁਸ਼ਾਸਨ ਵਿੱਚ ਸਭ ਤੋਂ ਅੱਗੇ ਪਹੁੰਚਣਾ ਜ਼ਰੂਰੀ ਹੈ, ਖਾਸ ਕਰਕੇ ਗੁੰਝਲਦਾਰ ਖੇਤਰਾਂ ਜਿਵੇਂ ਕਿ ਭੌਤਿਕ ਵਿਗਿਆਨ ਜਾਂ ਜੀਵ ਵਿਗਿਆਨ ਵਿੱਚ।

ਤੱਥ ਇਹ ਹੈ ਕਿ ਸਿਸਟਮ ਦੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ, ਮਾਹਰ ਮਹਿੰਗੇ ਹਨ. ਅਤੇ ਜਨਤਕ ਦੌਲਤ ਦਾ ਅੰਤਮ ਸਰੋਤ ਜੋ ਇਹਨਾਂ ਮਾਹਰਾਂ ਨੂੰ ਫੰਡ ਦਿੰਦਾ ਹੈ ਨਵੀਂ ਤਕਨੀਕ ਹੈ: ਹਲ ਕਲਮ ਨੂੰ ਸਬਸਿਡੀ ਦਿੰਦਾ ਹੈ।

ਦੂਜਾ. ਨਵੀਂਆਂ ਤਕਨਾਲੋਜੀਆਂ, ਖਾਸ ਤੌਰ 'ਤੇ ਯਾਤਰਾ ਅਤੇ ਸੰਚਾਰ ਦੇ ਖੇਤਰ ਵਿੱਚ, ਸਮਾਜਿਕ ਨੈਟਵਰਕਾਂ ਦੀ ਬਣਤਰ ਨੂੰ ਬਦਲ ਰਹੀਆਂ ਹਨ ਜਿਸ ਵਿੱਚ ਗਿਆਨ ਵਧਦਾ ਹੈ। ਖਾਸ ਤੌਰ 'ਤੇ, ਇਹ ਮਾਹਰਾਂ ਅਤੇ ਮਾਹਰਾਂ ਨੂੰ ਇੱਕ ਦੂਜੇ ਨਾਲ ਵਧੇਰੇ ਨੇੜਿਓਂ ਗੱਲਬਾਤ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ।

ਇੱਥੇ ਪ੍ਰਸਿੱਧ ਕਾਢਾਂ ਵਿੱਚ ਪ੍ਰਿੰਟਿੰਗ ਪ੍ਰੈਸ, ਸਟੀਮਸ਼ਿਪ ਅਤੇ ਰੇਲਮਾਰਗ (ਲੰਮੀ ਦੂਰੀ 'ਤੇ ਯਾਤਰਾ ਅਤੇ/ਜਾਂ ਮੇਲ ਭੇਜਣ ਦੀ ਸਹੂਲਤ), ਟੈਲੀਫੋਨ, ਹਵਾਈ ਜਹਾਜ਼ ਅਤੇ ਇੰਟਰਨੈਟ ਸ਼ਾਮਲ ਹਨ। ਇਹ ਸਾਰੀਆਂ ਤਕਨੀਕਾਂ ਨੈੱਟਵਰਕ ਦੀ ਘਣਤਾ ਵਿੱਚ ਵਾਧਾ ਕਰਨ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਉਂਦੀਆਂ ਹਨ, ਖਾਸ ਕਰਕੇ ਵਿਸ਼ੇਸ਼ ਭਾਈਚਾਰਿਆਂ ਵਿੱਚ (ਜਿੱਥੇ ਲਗਭਗ ਸਾਰੇ ਗਿਆਨ ਵਿੱਚ ਵਾਧਾ ਹੁੰਦਾ ਹੈ)। ਉਦਾਹਰਨ ਲਈ, ਮੱਧ ਯੁੱਗ ਦੇ ਅੰਤ ਵਿੱਚ ਯੂਰਪੀਅਨ ਵਿਗਿਆਨੀਆਂ ਵਿੱਚ ਉਭਰਨ ਵਾਲੇ ਪੱਤਰ-ਵਿਹਾਰ ਨੈਟਵਰਕ, ਜਾਂ ਆਧੁਨਿਕ ਭੌਤਿਕ ਵਿਗਿਆਨੀ arXiv ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੇ ਤਰੀਕੇ।

ਆਖਰਕਾਰ, ਇਹ ਦੋਵੇਂ ਮਾਰਗ ਇੱਕੋ ਜਿਹੇ ਹਨ. ਦੋਵੇਂ ਮਾਹਰਾਂ ਦੇ ਨੈਟਵਰਕ ਦੀ ਘਣਤਾ ਨੂੰ ਵਧਾਉਂਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਗਿਆਨ ਵਿੱਚ ਵਾਧਾ ਹੁੰਦਾ ਹੈ:

ਕਈ ਸਾਲਾਂ ਤੋਂ ਮੈਂ ਉੱਚ ਸਿੱਖਿਆ ਤੋਂ ਕਾਫ਼ੀ ਖਾਰਜ ਹੋ ਗਿਆ ਸੀ। ਗ੍ਰੈਜੂਏਟ ਸਕੂਲ ਵਿੱਚ ਮੇਰੇ ਛੋਟੇ ਕਾਰਜਕਾਲ ਨੇ ਮੇਰੇ ਮੂੰਹ ਵਿੱਚ ਇੱਕ ਬੁਰਾ ਸੁਆਦ ਛੱਡ ਦਿੱਤਾ। ਪਰ ਹੁਣ ਜਦੋਂ ਮੈਂ ਪਿੱਛੇ ਮੁੜ ਕੇ ਦੇਖਦਾ ਹਾਂ ਅਤੇ ਸੋਚਦਾ ਹਾਂ (ਸਾਰੀਆਂ ਨਿੱਜੀ ਸਮੱਸਿਆਵਾਂ ਤੋਂ ਇਲਾਵਾ), ਮੈਨੂੰ ਇਹ ਸਿੱਟਾ ਕੱਢਣਾ ਪੈਂਦਾ ਹੈ ਕਿ ਉੱਚ ਸਿੱਖਿਆ ਅਜੇ ਵੀ ਹੈ ਬਹੁਤ ਮਹੱਤਵਪੂਰਨ.

ਅਕਾਦਮਿਕ ਸਮਾਜਿਕ ਨੈੱਟਵਰਕ (ਉਦਾਹਰਨ ਲਈ, ਖੋਜ ਭਾਈਚਾਰੇ) ਸਾਡੀ ਸਭਿਅਤਾ ਦੁਆਰਾ ਬਣਾਏ ਗਏ ਸਭ ਤੋਂ ਉੱਨਤ ਅਤੇ ਕੀਮਤੀ ਢਾਂਚੇ ਵਿੱਚੋਂ ਇੱਕ ਹਨ। ਕਿਤੇ ਵੀ ਅਸੀਂ ਗਿਆਨ ਦੇ ਉਤਪਾਦਨ 'ਤੇ ਕੇਂਦ੍ਰਿਤ ਮਾਹਰਾਂ ਦੀ ਜ਼ਿਆਦਾ ਇਕਾਗਰਤਾ ਇਕੱਠੀ ਨਹੀਂ ਕੀਤੀ ਹੈ। ਕਿਤੇ ਵੀ ਲੋਕਾਂ ਵਿੱਚ ਇੱਕ ਦੂਜੇ ਦੇ ਵਿਚਾਰਾਂ ਨੂੰ ਸਮਝਣ ਅਤੇ ਆਲੋਚਨਾ ਕਰਨ ਦੀ ਜ਼ਿਆਦਾ ਸਮਰੱਥਾ ਵਿਕਸਿਤ ਨਹੀਂ ਹੋਈ ਹੈ। ਇਹ ਤਰੱਕੀ ਦਾ ਧੜਕਦਾ ਦਿਲ ਹੈ। ਇਹ ਇਹਨਾਂ ਨੈਟਵਰਕਾਂ ਵਿੱਚ ਹੈ ਕਿ ਗਿਆਨ ਦੀ ਅੱਗ ਸਭ ਤੋਂ ਵੱਧ ਬਲਦੀ ਹੈ.

ਪਰ ਅਸੀਂ ਤਰੱਕੀ ਨੂੰ ਮਾਮੂਲੀ ਨਹੀਂ ਲੈ ਸਕਦੇ। ਜੇ ਪ੍ਰਯੋਗ irreproducibility ਸੰਕਟ ਅਤੇ ਜੇ ਇਹ ਸਾਨੂੰ ਕੁਝ ਸਿਖਾਉਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਸੀ ਕਿ ਵਿਗਿਆਨ ਨੂੰ ਪ੍ਰਣਾਲੀਗਤ ਸਮੱਸਿਆਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਹ ਇੱਕ ਤਰ੍ਹਾਂ ਦਾ ਨੈੱਟਵਰਕ ਡਿਗਰੇਡੇਸ਼ਨ ਹੈ।

ਮੰਨ ਲਓ ਕਿ ਅਸੀਂ ਵਿਗਿਆਨ ਕਰਨ ਦੇ ਦੋ ਤਰੀਕਿਆਂ ਵਿੱਚ ਫਰਕ ਕਰਦੇ ਹਾਂ: ਅਸਲ ਵਿਗਿਆਨ и ਕੈਰੀਅਰਵਾਦ. ਅਸਲ ਵਿਗਿਆਨ ਉਹ ਅਭਿਆਸ ਹਨ ਜੋ ਭਰੋਸੇਯੋਗਤਾ ਨਾਲ ਗਿਆਨ ਪੈਦਾ ਕਰਦੇ ਹਨ। ਇਹ ਉਤਸੁਕਤਾ ਦੁਆਰਾ ਪ੍ਰੇਰਿਤ ਹੈ ਅਤੇ ਇਮਾਨਦਾਰੀ ਦੁਆਰਾ ਦਰਸਾਇਆ ਗਿਆ ਹੈ (ਫੇਨਮੈਨ: "ਤੁਸੀਂ ਦੇਖੋ, ਮੈਨੂੰ ਸਿਰਫ ਸੰਸਾਰ ਨੂੰ ਸਮਝਣ ਦੀ ਲੋੜ ਹੈ")। ਕੈਰੀਅਰਵਾਦ, ਇਸਦੇ ਉਲਟ, ਪੇਸ਼ੇਵਰ ਅਭਿਲਾਸ਼ਾਵਾਂ ਦੁਆਰਾ ਪ੍ਰੇਰਿਤ ਹੁੰਦਾ ਹੈ ਅਤੇ ਰਾਜਨੀਤੀ ਅਤੇ ਵਿਗਿਆਨਕ ਸ਼ਾਰਟਕੱਟ ਖੇਡਣ ਦੁਆਰਾ ਦਰਸਾਇਆ ਜਾਂਦਾ ਹੈ। ਇਹ ਵਿਗਿਆਨ ਵਾਂਗ ਦਿਖਾਈ ਅਤੇ ਕੰਮ ਕਰ ਸਕਦਾ ਹੈ, ਪਰ ਨਾ ਭਰੋਸੇਯੋਗ ਗਿਆਨ ਪੈਦਾ ਕਰਦਾ ਹੈ।

(ਹਾਂ, ਇਹ ਇੱਕ ਅਤਿਕਥਨੀ ਵਾਲਾ ਦੁਚਿੱਤੀ ਹੈ। ਸਿਰਫ਼ ਇੱਕ ਵਿਚਾਰ ਪ੍ਰਯੋਗ। ਮੈਨੂੰ ਦੋਸ਼ ਨਾ ਦਿਓ)।

ਤੱਥ ਇਹ ਹੈ ਕਿ ਜਦੋਂ ਕਰੀਅਰਿਸਟ ਅਸਲ ਖੋਜ ਭਾਈਚਾਰੇ ਵਿੱਚ ਜਗ੍ਹਾ ਲੈਂਦੇ ਹਨ, ਤਾਂ ਉਹ ਕੰਮ ਨੂੰ ਬਰਬਾਦ ਕਰ ਦਿੰਦੇ ਹਨ. ਉਹ ਆਪਣੇ ਆਪ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਨ ਜਦੋਂ ਕਿ ਬਾਕੀ ਭਾਈਚਾਰਾ ਨਵਾਂ ਗਿਆਨ ਪ੍ਰਾਪਤ ਕਰਨ ਅਤੇ ਸਾਂਝਾ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ। ਸਪੱਸ਼ਟਤਾ ਲਈ ਕੋਸ਼ਿਸ਼ ਕਰਨ ਦੀ ਬਜਾਏ, ਕਰੀਅਰਿਸਟ ਵਧੇਰੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਆਵਾਜ਼ ਦੇਣ ਲਈ ਹਰ ਚੀਜ਼ ਨੂੰ ਗੁੰਝਲਦਾਰ ਅਤੇ ਉਲਝਾਉਂਦੇ ਹਨ. ਉਹ ਵਿਗਿਆਨਕ ਬਕਵਾਸ ਵਿੱਚ ਲੱਗੇ ਹੋਏ ਹਨ (ਜਿਵੇਂ ਕਿ ਹੈਰੀ ਫਰੈਂਕਫਰਟ ਕਹੇਗਾ)। ਅਤੇ ਇਸਲਈ ਅਸੀਂ ਉਹਨਾਂ ਨੂੰ ਡੈੱਡ ਨੋਡਸ ਦੇ ਰੂਪ ਵਿੱਚ ਮਾਡਲ ਬਣਾ ਸਕਦੇ ਹਾਂ, ਗਿਆਨ ਦੇ ਵਾਧੇ ਲਈ ਲੋੜੀਂਦੀ ਜਾਣਕਾਰੀ ਦੇ ਨਿਰਪੱਖ ਆਦਾਨ-ਪ੍ਰਦਾਨ ਲਈ ਅਯੋਗ:

ਸ਼ਾਇਦ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਉਹ ਹੈ ਜਿਸ ਵਿੱਚ ਕੈਰੀਅਰਿਸਟ ਨੋਡ ਕੇਵਲ ਗਿਆਨ ਲਈ ਅਭੇਦ ਨਹੀਂ ਹੁੰਦੇ, ਪਰ ਸਰਗਰਮੀ ਨਾਲ ਫੈਲਾਉਂਦੇ ਹਨ ਜਾਅਲੀ ਗਿਆਨ. ਜਾਅਲੀ ਗਿਆਨ ਵਿੱਚ ਮਾਮੂਲੀ ਨਤੀਜੇ ਸ਼ਾਮਲ ਹੋ ਸਕਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਦੀ ਮਹੱਤਤਾ ਨਕਲੀ ਤੌਰ 'ਤੇ ਵਧੀ ਹੋਈ ਹੈ, ਜਾਂ ਅਸਲ ਵਿੱਚ ਗਲਤ ਨਤੀਜੇ ਜੋ ਹੇਰਾਫੇਰੀ ਜਾਂ ਮਨਘੜਤ ਡੇਟਾ ਤੋਂ ਪੈਦਾ ਹੁੰਦੇ ਹਨ।

ਭਾਵੇਂ ਅਸੀਂ ਉਹਨਾਂ ਨੂੰ ਕਿਵੇਂ ਮਾਡਲ ਕਰੀਏ, ਕਰੀਅਰਿਸਟ ਸਾਡੇ ਵਿਗਿਆਨਕ ਭਾਈਚਾਰਿਆਂ ਦਾ ਗਲਾ ਘੁੱਟ ਸਕਦੇ ਹਨ।

ਇਹ ਪ੍ਰਮਾਣੂ ਚੇਨ ਪ੍ਰਤੀਕ੍ਰਿਆ ਵਰਗੀ ਹੈ ਜਿਸਦੀ ਸਾਨੂੰ ਸਖ਼ਤ ਲੋੜ ਹੈ - ਸਾਨੂੰ ਗਿਆਨ ਦੇ ਵਿਸਫੋਟ ਦੀ ਜ਼ਰੂਰਤ ਹੈ - ਸਿਰਫ਼ ਸਾਡੇ ਸੰਪੂਰਨ U-235 ਵਿੱਚ ਬਹੁਤ ਜ਼ਿਆਦਾ ਗੈਰ-ਪ੍ਰਤਿਕਿਰਿਆਸ਼ੀਲ ਆਈਸੋਟੋਪ U-238 ਹੈ, ਜੋ ਚੇਨ ਪ੍ਰਤੀਕ੍ਰਿਆ ਨੂੰ ਦਬਾਉਂਦੀ ਹੈ।

ਬੇਸ਼ੱਕ, ਕਰੀਅਰਿਸਟਾਂ ਅਤੇ ਅਸਲ ਵਿਗਿਆਨੀਆਂ ਵਿੱਚ ਕੋਈ ਸਪੱਸ਼ਟ ਅੰਤਰ ਨਹੀਂ ਹੈ. ਸਾਡੇ ਵਿੱਚੋਂ ਹਰ ਇੱਕ ਦੇ ਅੰਦਰ ਥੋੜਾ ਜਿਹਾ ਕਰੀਅਰਵਾਦ ਛੁਪਿਆ ਹੋਇਆ ਹੈ। ਸਵਾਲ ਇਹ ਹੈ ਕਿ ਗਿਆਨ ਪ੍ਰਸਾਰ ਦੇ ਫਿੱਕੇ ਪੈਣ ਤੋਂ ਪਹਿਲਾਂ ਨੈੱਟਵਰਕ ਕਿੰਨਾ ਚਿਰ ਚੱਲ ਸਕਦਾ ਹੈ।

ਓਹ, ਤੁਸੀਂ ਅੰਤ ਤੱਕ ਪੜ੍ਹਦੇ ਹੋ. ਪੜ੍ਹਨ ਲਈ ਤੁਹਾਡਾ ਧੰਨਵਾਦ।

ਲਾਇਸੈਂਸ

CC0 ਸਾਰੇ ਅਧਿਕਾਰ ਰਾਖਵੇਂ ਨਹੀਂ ਹਨ। ਤੁਸੀਂ ਇਸ ਕੰਮ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹੋ ਜਿਵੇਂ ਤੁਸੀਂ ਫਿੱਟ ਦੇਖਦੇ ਹੋ :).

ਪ੍ਰਵਾਨਗੀ

• ਕੇਵਿਨ ਕਵੋਕ и ਨਿੱਕੀ ਕੇਸ ਡਰਾਫਟ ਦੇ ਵੱਖ-ਵੱਖ ਸੰਸਕਰਣਾਂ 'ਤੇ ਵਿਚਾਰਸ਼ੀਲ ਟਿੱਪਣੀਆਂ ਅਤੇ ਸੁਝਾਵਾਂ ਲਈ।
• ਨਿਕ ਬਾਰ — ਸਾਰੀ ਪ੍ਰਕਿਰਿਆ ਦੌਰਾਨ ਨੈਤਿਕ ਸਹਾਇਤਾ ਲਈ ਅਤੇ ਮੇਰੇ ਕੰਮ 'ਤੇ ਸਭ ਤੋਂ ਮਦਦਗਾਰ ਫੀਡਬੈਕ ਲਈ।
• ਕੀਥ ਏ.
• ਜਿਓਫ ਲੋਂਸਡੇਲ ਦੇ ਲਿੰਕ ਲਈ ਇਹ ਇੱਕ ਲੇਖ ਹੈ, ਜੋ ਕਿ (ਇਸਦੀਆਂ ਬਹੁਤ ਸਾਰੀਆਂ ਕਮੀਆਂ ਦੇ ਬਾਵਜੂਦ) ਇਸ ਅਹੁਦੇ 'ਤੇ ਕੰਮ ਕਰਨ ਲਈ ਮੁੱਖ ਪ੍ਰੇਰਣਾ ਸੀ।

ਇੰਟਰਐਕਟਿਵ ਲੇਖ ਨਮੂਨੇ

• ਨਿੱਕੀ ਕੇਸ ਦਾ ਸਾਰਾ ਕੰਮ, ਵਿਸ਼ੇਸ਼. "ਬਹੁਭੁਜ ਦਾ ਦ੍ਰਿਸ਼ਟਾਂਤ" (Vi Hart ਦੇ ਨਾਲ) ਅਤੇ "ਇੱਕ ਬਿਹਤਰ ਵੋਟਿੰਗ ਬੈਲਟ ਦਾ ਵਿਕਾਸ ਕਰਨਾ". ਇਹ ਇੱਕ ਇੰਟਰਐਕਟਿਵ ਲੇਖ ਕੀ ਹੋ ਸਕਦਾ ਹੈ ਲਈ ਇੱਕ ਉੱਚ ਪੱਟੀ ਹੈ.
• distill.pub: ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੇ ਅਸਧਾਰਨ ਤੌਰ 'ਤੇ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੇ ਇੰਟਰਐਕਟਿਵ ਵਰਣਨ।
• ਬ੍ਰੇਟ ਵਿਕਟਰ ਦੁਆਰਾ ਕਲਾਸਿਕ ਕੰਮ "ਐਬਸਟਰੈਕਸ਼ਨ ਦੀ ਪੌੜੀ ਉੱਪਰ ਅਤੇ ਹੇਠਾਂ". ਮੈਂ ਪੌੜੀਆਂ ਚੜ੍ਹਨ ਵਿੱਚ ਬਹੁਤ ਵਧੀਆ ਨਹੀਂ ਸੀ, ਪਰ ਹਮੇਸ਼ਾ ਇੱਕ ਹੋਰ ਕੋਸ਼ਿਸ਼ ਹੁੰਦੀ ਹੈ।

ਸਰੋਤ: www.habr.com