کمی بازی با جولیا با طعم تراوش

اگر روی یک لایهٔ اسفنج آب بریزیم، آب از میان سوراخ‌ها عبور کرده و راه خود را به زیر اسفنج پیدا می‌کند. حال اگر این اسفنج را به تدریج فشرده کنیم و آزمایش را تکرار کنیم، از یک جایی به بعد، دیگر آبی از آن چکه نمی‌کند. همچنین چکه کردن آب از سقف و درست کردن قهوه با دستگاه قهوه‌ساز هم نمونه‌هایی از تراوش1Percolation است.

می‌توان مسئله را ساده‌تر کرد و آن را به دو بعد تقلیل داد. یک سطح کاشی‌کاری شده را در نظر بگیرید که به صورت تصادفی، بعضی از کاشی‌ها از جنس مواد رسانا ساخته شده‌اند. فرض کنید این سطح، یک مربع بزرگ \( N \times N \) کاشی است و هر کاشی آن با احتمال \(p\) رسانا است. حال پرسش این است که مقدار \(p\) باید چقدر باشد تا اگر یک اختلاف ولتاژ به دو ضلع آن بدهیم، جریان الکتریکی برقرار شود؟

این مسأله حل تحلیلی ندارد. پس باید دست به دامان آزمایش شویم. اگر به اندازهٔ کافی مقدار \(p\) را تغییر دهیم و آزمایش را تکرار کنیم، می‌بینیم که برای \(p\)های مختلف چنین نموداری داریم.

نمودار تراوش برای \(۰<p<۱\) در ماتریس‌هایی به ضلع ۵۰ که در هر درصد صد بار آزمایش شده است.

این نمودار تا حدودی نشان می‌دهد که اگر \(p\) از مقدار به خصوصی بیشتر شود، تراوش رخ می‌دهد و اگر \(p\) از آن مقدار کوچک‌تر باشد، شاهد تراوش نیستیم. در رسم نمودار بالا، از ماتریس‌های مربعی با ضلع ۵۰ استفاده شده، حال برای \(N = ۱۰\) و \(N = ۱۰۰\) نیز رسم می‌کنیم.

در سیستم‌هایی با اندازهٔ بی‌نهایت، مقدار این کمیت که از حالا به آن \(p_c\) (یا \(p\) بحرانی2critical) می‌گوییم، دقیق می‌شود. برای این سیستم دو بعدی ساده، مقدار \(p_c\) برابر نیم است3هرچند به دلایلی که بر خودم هم معلوم نیست، من عدد \(p_c \approx ۰٫۵۹\). را به دست آوردم..

اما چطور می‌توان تشخیص داد که آیا یک شبکهٔ دو بعدی تراوش می‌کند یا خیر؟ یک الگوریتم ساده و به درد بخور، الگوریتم هوشن-کاپلمن است که شباهت زیادی به رنگ کردن یک شکل بسته در Paint و فتوشاپ (یا جایگزین‌های آزاد و اخلاقی آن‌ها Krita و GIMP) است. این الگوریتم به این صورت است که به خوشه‌های مجاور رنگ‌های تصادفی نسبت می‌دهد و اگر رنگی در سطر بالا و پایین ماتریس، یکسان بود (البته به جز سیاه) به این معنی است که تراوش رخ داده است. به مثال‌های زیر توجه کنید:

نور به جای مایع

یک محیط شفاف را در نظر بگیرید که در بعضی از مناطق آن، اشیاء کدری قرار دارد. اگر از بالا نور بتابانیم به ازای چه مقداری از \(p\) نوری به کف محیط نمی‌تابد؟

برای این نوع از تراوش، مقدار \(p_c\) بسیار بالاتر است. می‌توان تصور کرد که این نقاط سیاه سنگرهای میدان جنگ است و مناطق سفید نقاطی است که از تیررس دشمن در امان است.

بالاخره تراوش کاربردهای زیادی دارد. گاهی به عمد تعدادی از درختان جنگل‌ها را قطع می‌کنند تا از تراوش آتش به تمام جنگل جلوگیری شود. همچنین در رنگ‌آمیزی مخازن بزرگ سوخت هم برای تخلیهٔ الکتریکی از نظریهٔ تراوش استفاده می‌شود. برای شبیه‌سازی همه‌گیری‌هایی مثل کووید-۱۹ هم چنین است. مثال‌های زیادی برای کاربردهای تراوش در زندگی هست.


مسألهٔ تراوش زمانی برای من جذاب شد که دورهٔ کاربرد کامپیوتر در فیزیک را برداشتم. جلسهٔ پنجم و ششم این دوره در مورد تراوش است و آدم را به وجد می‌آورد. در عنوان این نوشته از «جولیا» نام بردم. جولیا واقعاً عزیز است و تمام کد‌هایی که به خاطر این دوره می‌نویسم (از جمله کدهای مربوط به همین جلسه) را در فراگماگیت همرسانی می‌کنم. برای استفاده از این کدها باید روی سیستم خود جولیا را نصب کرده باشید و روی جولیا هم Pluto Notebook را نصب کنید که آن هم عزیز است.

توجه کنید که به علت کم‌سوادی بنده یقیناً این مطالب و نوت‌بوک‌ها ایرادات و اشتباهات فاحشی دارد که یک نمونهٔ آن \(p_c\) است. اگر علاقمند شدید به جستوجو بپردازید و اگر ایرادی در کار من دیدید حتماً گوشزد کنید که من و دیگرانی که احتمالاً این نوشته را می‌خوانند را از گمراهی و ضلالت نجات دهید.

پایان

عرض کردم پایان

باز هم ادامه می‌دهید؟ پس کامنت بذارید 🙂

حس و حال نوشتن نیست. حتی همین نوشته هم بازخوانی و ویرایش نشده (مثل تقریباً همهٔ نوشته‌های من).

پاورقی

  • 1
    Percolation
  • 2
    critical
  • 3
    هرچند به دلایلی که بر خودم هم معلوم نیست، من عدد \(p_c \approx ۰٫۵۹\). را به دست آوردم.

دروغ، توطئه و احتمال درز کردن اطلاعات محرمانه

اکثر تئوری‌های توطئه بدون هزاران کارمند نمی‌توانند موفق شوند. با داشتن هزاران کارمند هم احتمالاً پس از مدت کوتاهی لو می‌روند. در این نوشته در مورد احتمال لو رفتن این توطئه‌های حرف می‌زنیم.

دروغ مستلزم تخریب است و بازسازی این تخریب، تقریباً ناممکن به نظر می‌رسد. این به این معنی است که حتی حرفه‌ای‌ترین دروغ‌ها هم، عاقبت با احتمال بالای لو رفتن روبه‌رو خواهد شد. پس یک جای کار جملاتی از قبیل «سفر به ماه دروغ بوده.»، «موجودات فضایی در منطقهٔ ۵۱ آمریکا حضور دارند!»، «علت زلزلهٔ بم آزمایش اتمی بوده» یا «ویروس کرونا در آزمایشگاه‌های چین (یا آمریکا) ساخته شده!» و بقیهٔ تئوری‌های توطئه‌ای که اذعان دارند گروهی سری، رازی بسیار بزرگ را از مردم دنیا پنهان می‌کنند، می‌لنگد.

در واقع پروژه‌ای به بزرگی برنامهٔ آپولو با چهار صد هزار کارکن اصلاً توانایی محرمانگی بیش از شصت سال را ندارد. این موضوع را دیوید گریمز، فیزیکدان دانشگاه آکسفورد در مقاله‌ای1On the Viability of Conspiratorial Beliefs نشان داد که خلاصه‌ای از آن را در بخش کمی فنی‌تر همین نوشته مرور خواهیم کرد. مقالهٔ گریمز چهار تئوری توطئهٔ رایج را بررسی می‌کند:

  • اگر سفر به ماه دروغ بوده باشد، با ۴۰۰٫۰۰۰ کارمند ناسا، این دروغ طی مدت چهار سال می‌بایستی رسوا شود.
  • رابطهٔ بین واکسن و اوتیسم، باید بین سه تا سی و پنج سال افشا می‌شد.
  • تغییرات اقلیمی هم اگر کلاه‌برداری می‌بود، ظرف مدت چهار تا بیست و هفت سال لو می‌رفت.
  • و پنهان کردن درمان سرطان هم در نهایت ظرف سه سال توسط کسی از کارکنان شرکت‌های داروسازی لو می‌رفت.

من تقریباً پای حرف‌های باورمندان به این چهار تئوری توطئه نشسته‌ام. در مورد دروغ سفر به ماه، پوریا ناظمی نوشتهٔ بسیار ارزشمندی دارد که شک و شبه‌های باورمندان را پاسخ می‌دهد. در مورد گروه‌های ضدواکسن هم، شاید معروف‌ترین ضدواکسن‌ها دونالد ترامپ، رئیس‌جمهور عجیب و غریب آمریکا و کایری اروینگ ستارهٔ تیم بسکتبال بروکلین نتس باشند. مانند اکثر باورمندان به داستان‌های عجیب و غریب، این افراد هم چندان علاقه‌ای به مدرک و استدلال ندارند.

در مورد تغییرات اقلیمی، باز هم نام ترامپ ورد زبان‌هاست. در سال ۲۰۱۲ ادعا کرده بود که تغییرات اقلیمی شایعه است و توسط دولت چین برای خارج کردن صنایع آمریکا از عرصهٔ رقابت ساخته شده است 2Donald J. Trump (@realDonaldTrump) November 6, 2012.

و مورد آخر را به طرز جالبی از یک معلم شنیدم! به نظرم شنیده شدن این موارد از زبان معلمان، زنگ خطری است برای نظام آموزش و پرورش که گذشته و حال خوبی هم نداشته است. به هر حال این نوشته شاید کمی برای آن‌ها که اهل بکارگیری مستندات و استدلال هستند مفید باشد؛ در غیر این صورت، متوهمان تئوری توطئه را به حال خودشان بگذارید. البته زیاده‌روی نکنید و به همه چیز هم برچسب تئوری توطئه نزنید.

همه چیز تئوری توطئه نیست.

کمی فنی‌تر

با تعداد زیادی از مفروضات و ساده‌سازی (که زمان محرمانگی را افزایش می‌دهد) شروع می‌کنیم. فرض می‌کنیم که عامل نفوذی وجود ندارد و راز از داخل مجموعه لو می رود. با این فرض که با یک بار درز اطلاعات، منجر به خنثی شدن توطئه می شود، از آمار پواسون استفاده می کنیم:

$$L=۱-e^{-t \phi}$$

در این‌جا، \(\phi\) مقدار چشمداشتی تعداد لو رفتن بر واحد زمان است که خود تابعی از \(N(t)\) تعداد توطئه‌گران (دست‌اندرکاران توطئه) و \(p\) احتمال لو رفتن راز از سمت هر شخص در سال است:

$$\phi = ۱ – (۱-p)^{N(t)}$$

در این جا به منظور مختصرنویسی، \(\psi = ۱ – p\) قرار می‌دهیم. پس می توانیم احتمال شکست توطئه را به این صورت بازنویسی کنیم:

$$L(t,N(t)) = ۱ – e^{-t (۱ – \psi^{N(t)})}$$

حال برای تابع \(N(t)\) چند امکان متصور است. اگر توطئه نیازمند تعداد ثابتی از توطئه‌گران باشد، پس \(N(t)\) باید ثابت باشد:

$$N(t)=N_{۰}$$

که \(N_۰\) تعداد اولیهٔ توطئه‌گران است. در عوض اگر توطئه از نوع تک‌رویداد باشد و پس از انجام آن دیگر به توطئه‌گران نیازی نباشد، بر اثر گذر زمان، تعداد توطئه‌گران بر اثر مرگ و میر کم می‌شود و این هم احتمال لو رفتن را کاهش می‌دهد. در این صورت باید تابع بقای گمپرتز را وارد \(N(t)\) کرد. اگر میانگین سن توطئه‌گران در زمان انجام توطئه \(t_{e}\) باشد، آنگاه:

$$N(t) = N_{۰} e^{\frac{\alpha}{\beta}(۱-e^{\beta (t+t_{e})})}$$

که \(N_۰\) تعداد اولیهٔ توطئه‌گران است و \(\alpha\) و \(\beta\) ثابت‌هایی برای تابع گمپرتز هستند. برای تقریب مرگ و میر آدم‌ها از مقادیر \(\alpha = ۱۰^{-۴}\) و \(\beta = ۰/۰۸۵\) استفاده می‌کنیم. و دست آخر، اگر توطئه‌گران بنا به دلایلی (که خود تا حدی شبیه به یک فراتوطئه است) یکدیگر را حذف کنند، آنگاه می‌توانیم \(N_۰\) را به صورت نمایی مدل کنیم. اگر توطئه‌گران با سرعتی حذف شوند که بعد از زمان \(t_۲\) نیمی از آن‌ها حذف شوند، آنگاه ثابت واپاشی می‌شود \(\lambda = \frac{\ln{۲}}{t_{۲}}\) و تعداد توطئه‌گران نیز برابر است با:

$$N(t)= N_{۰}e^{- \lambda t}$$

واضح است که افزایش \(N_۰\) منجر به افزایش \(L(t)\) می‌شود. اما نرخ شکست نسبت به زمان کمی پیچیده‌تر است. برای موردی که تعداد توطئه‌گران ثابت است (\(N(t) = N_{۰}\))، \(L\) به صورت یکنوا افزایش می‌یابد. در عوض اگر مثل دو حالت بعدی، تعداد توطئه‌گران در زمان کاهش پیدا کند، \(L\) نسبت به زمان از خود رفتار غیرخطی نشان خواهد داد (شکل ۱). در این موارد، برای محاسبهٔ \(t_{m}\) زمانی که در آن \(L\) بیشینه می‌شود، باید \(\frac{\partial L}{\partial t} = 0 \) را حل کرد:

$$ ۱ – \psi^{N}(t_{m}) \left( ۱ + t_{m} \log{(\psi)} \frac{\partial N}{\partial t} |_{t_{m}} \right) = ۰$$

حل این معادله به صورت تحیلی ناممکن است؛ اما می‌توان به صورت عددی یا از روی نمودار، مقدار \(t_{m}\) را تخمین زد.

شکل ۱ – نمودار احتمال شکست توطئه‌ای با ۵۰۰۰ کارمند و \(p = ۵ \times ۱۰^{-۶}\). خط آبی تعداد توطئه‌گران را ثابت فرض کرده. نقطه‌چین قرمز تعداد آن‌ها را با تابع گمپرتز کم کرده و خط‌چین نارنجی هم آن‌ها را به صورت نمایی نسبت به زمان از میان برداشته.

تخمین پارامترها

برای داشتن یک پیش‌بینی خوب، پیش از هر چیز باید مؤلفه‌های معادلهٔ فوق را تخمین بزنیم. هر چه تخمین ما بهتر باشد، دقت پیش‌بینی هم بالاتر است. مهم‌ترین مؤلفه‌ای که باید تخمین زده شود، \(p\) یا همان احتمال لو رفتن یا شکست توطئه است. اگر \(p\) صفر باشد، توطئه تا ابد لو نمی‌رود. در عمل چنین مقداری برای \(p\) متصور نیستیم. توطئه‌های زیادی در طول تاریخ لو رفته‌اند. ما با نگاه کردن به داده‌های این توطئه‌های لو رفته، می‌توانیم مقدار مناسب \(p\) را حدس بزنیم. مقالهٔ گریمز از سه نمونه استفاده کرده است:

  • برنامهٔ جاسوسی پریزم که توسط آژانس امنیت ملی ایالات متحده (NSA) پیش برده می‌شود؛ برنامهٔ دولتی است که با کمک شرکت‌های خدمات دهنده (از جمله گوگل، مایکروسافت، فیسبوک و اپل) از کاربران اینترنت جاسوسی می‌کند. مقدار انبوهی داده از مشترکان تلفن و اینترنت توسط این پریزم شنود می‌شد. ادوارد اسنودن در سال ۲۰۱۳ (۱۳۹۲ ه.خ) دست به افشای این توطئه زد.
  • آزمایش سیفلیس تاسکیگی در سال ۱۹۳۲ (۱۳۱۱ ه.خ) در شهرک تاسکیگی ایالت آلابامای آمریکا انجام شد. هدف این تحقیق بررسی سیر بیماری در مردان آمریکایی آفریقایی‌تبار بود. در سال ۱۹۴۷ (۱۳۲۶ ه.خ) کشف شد که پنیسلین درمان مؤثری برای سیفلیس است؛ اما آزمایش تاسکیگی شرورانه ادامه پیدا کرد و به کسانی که درگیر بیماری بودند، پنیسلین داده نشد.
  • رسوایی علوم قانونی FBI زمانی افشا شد که دکتر فردریک وایتهورست، اسنادی از آزمایشگاه اف‌بی‌آی افشا کرد که نشان می‌داد، آزمایشات علوم قانونی این سازمان شبه‌علمی و نادرست است. در نتیجهٔ این آزمایشات بی‌گناهان زیادی به اشتباه محکوم به اعدام یا زندان‌های طولانی‌مدتی شدند که جان بسیاری از آن‌ها را گرفت.

با داده‌های این سه رسوایی می‌توان مقدار پارامتر \(p\) را تخمین زد. فرض کنیم پس از گذشت زمان \(t\) که توطئه برملا شد، احتمال شکست \(L \geq ۰/۵\) خواهد بود. کران پایین \(p\) نیز برابر خواهد بود با:

$$p > ۱ – \sqrt[N(t)]{۱ – \frac{\ln ۲}{t}}$$

اما باز هم ابهاماتی در این تخمین‌ها، به خصوص در مورد تعداد کارکنان وجود دارد. مثلاً در مورد پریزم، تعداد کل کارکنان NSA حدود ۳۰٫۰۰۰ نفر است؛ اما مشخصاً تعداد آن‌هایی که از پروژهٔ پریزم خبر داشتند بسیار کمتر از این مقدار است (توقع نداریم که دربان‌ها را هم از شاهکارشان باخبر کرده باشند!)، به خاطر همین هم برای مقدار \(p\) دستمان را بالا گرفتیم. به دلیل کوتاه‌مدت بودن پروژه، تعداد کارکنان هم تقریباً ثابت بود. در مورد تاسکیگی، اوضاع پیچیده‌تر هم هست. سازمان مربوط به آزمایش در اوایل دههٔ ۱۹۳۰ تأسیس شد. تعداد دقیقی از کارکنان این سازمان در آن زمان موجود نیست و این یعنی باید برای این موضوع هم با استفاده از داده‌های دیگر، تعداد کارکنان را حدس بزنیم. برای آزمایشگاه اف‌بی‌آی هم مشکلات مشابه هست. 3در مقاله به تفضیل شرح داده شده است.

روش تجربی

مدل ما بسته به دقت پارامترها می‌تواند پیروزی یا شکست هر توطئه‌ای را پیش‌بینی کند. با استفادده از داده‌های جدول ۱، بهترین احتمال برای دهن‌لقی هر فرد (\(p = ۴/۰۹ \times ۱۰^{-۶}\)) را نشان می‌دهد.

پروژهٔ پریزم NSA
حداکثر دست‌اندرکاران۳۰٫۰۰۰
زمان افشاء۶ سال
\(p\) تقریبی\(۴/۰۹ \times ۱۰^{-۶}\)
\(\psi\) تقریبی۰/۹۹۹۹۹۵۹۱
آزمایش سیفلیس تاسکیگی
حداکثر دست‌اندرکاران۶٫۷۰۰
زمان افشاء۲۵ سال
\(p\) تقریبی\(۴/۲۰ \times ۱۰^{-۶}\)
\(\psi\) تقریبی۰/۹۹۹۹۹۵۸۰
رسوایی FBI
حداکثر دست‌اندرکاران۵۰۰
زمان افشاء۶ سال
\(p\) تقریبی\(۲/۴۵ \times ۱۰^{-۴}\)
\(\psi\) تقریبی۰/۹۹۹۷۵۵۰۰
جدول ۱

نتایج

داده‌های جدول ۲ مربوط به تعداد کارکنان توطئه‌های مختلف است. این داده‌ها مستقیماً با پارامتر \(N(t)\) در ارتباط است. به جز توطئهٔ دروغین بودن سفر به ماه، برای بقیه می‌توان تعداد کارکنان را در طول زمان، ثابت در نظر گرفت؛ یعنی \(N(t) = N_{۰}\). در مورد قضیهٔ ناسا، چون توطئه، یک بار رخ داده، پس تعداد دست‌اندرکاران به مرور زمان (بر اثر مرگ و میر) طبق معادلهٔ ۵ کاهش می‌یابد. دوباره تأکید می‌کنم که این اطلاعات خیلی واقع‌گرایانه نیست.

توطئهتعداد کارکنانجمع کل
دروغ سفر به ماه
حداکثر تعداد کارکنان ناسا (۱۹۶۵)۴۱۱٫۰۰۰۴۱۱٫۰۰۰
فریب تغییرات اقلیمی
مجمع ژئوفیزیک آمریکا۶۲٫۰۰۰
ناسا (حال حاضر)۵۸٫۰۰۰
آکادمی توسعهٔ علم آمریکا۱۲۰٫۰۰۰
اعضای انجمن سلطنتی۱۶٫۰۰۰
انجمن فیزیک اروپا۱۲۰٫۰۰۰
اقلیم‌شناسانی که مقاله منتشر کردند ۲۹٫۰۸۳ \(\approx\)
جمع کل۴۰۵٫۰۰۰\(\approx\)
توطئهٔ واکسن
مرکز کنترل بیماری (CDC)۱۵٫۰۰۰
سازمان بهداشت جهانی (WHO)۷٫۰۰۰
جمع کل۲۲٫۰۰۰
پنهان کردن درمان سرطان
نوارتیس۶۵٫۲۶۲
فایزر۱۱۶٫۵۰۰
روشه۷۸٫۶۰۴
سانوفی۱۰۵٫۰۰۰
مرک اند کو۷۰٫۰۰۰
جانسون اند جانسون۱۲۲٫۲۰۰
گلاکسواسمیت‌کلاین۹۹٫۰۰۰
آسترازنکا۵۷٫۵۰۰
جمع کل۷۱۴٫۰۰۰\(\approx\)

نتیجه‌گیری

جدول ۳ حاوی نتایج این تحقیق است. البته با توجه به دقت مورد استفاده در این تحقیق، خطای بسیار زیادی (شاید تا ۱۰۰٪ خطا) متوجه اعداد است. حتی با این فرض، باز هم اکثر توطئه‌های مذکور بعد نهایتاً ده سال محکوم به افشا و شکست‌اند.

توطئهزمان شکست (سال)
دروغ سفر به ماه (تعداد ثابت / پایدار)۳/۶۸
دروغ سفر به ماه (گمپرتز / تک‌رویداد)۳/۶۸
تقلبی بودن تغییرات اقلیمی (فقط دانشمندان)۲۶/۷۷
تقلبی بودن تغییرات اقلیمی (تمام بدنهٔ علمی)۳/۷۰
توطئهٔ واکسن (فقط CDC و WHO)۳۴/۷۸
توطئهٔ واکسن (به همراه کارخانه‌های داروسازی)۳/۱۵
پنهان کردن درمان سرطان۳/۱۷
جدول ۳: هر تئوری توطئهٔ رایج چقدر زمان نیاز دارد؟

پاورقی