#سمینارهای_هفتگی گروه سیستم‌های پیچیده و علم شبکه دانشگاه شهید بهشتی

🔹دوشنبه، ۲۰ آذرماه، ساعت ۱۷ - کلاس۱ دانشکده فیزیک دانشگاه شهید بهشتی.

@carimi

⭕️ معيارهای استحکام در شبکه های پيچيده و اجتماعی
Graph Metrics for Complex and Social Networks Robustness

دکتر فرشاد صفایی، دانشکده مهندسی و علوم کامپیوتر دانشگاه شهید بهشتی

🔗 خلاصه
در عصر حاضر که سرعت و حجم ارتباطات و اطلاعات به طرزی باورنکردنی رشد یافته، سیستم­‌های انسانی مانند علوم روانشناسی، اجتماعی و اقتصادی با مسائل عدیده­‌ای دست و پنجه نرم می­‌کنند که روش­‌های کلاسیک در پاسخ به آن­‌ها ناتوان­اند. چنین دلایلی باعث جلب توجه فراوان و حرکت به سوی گرایش­‌های میان رشته­‌ای شده است. شبکه اجتماعی یک ساختار اجتماعی است که از مجموعه­‌ای از عامل­‌ها و مجموعه پیچیده­‌ای از روابط مابین این عامل­‌ها تشکیل شده است. امکانات ارتباطی وسیع و پردامنه­‌ای که شبکه­‌های ارتباطی در دنیای مجازی در اختیار افراد قرار می­‌دهد سبب شده که این قبیل شبکه­‌ها از مرزهای مرسوم جغرافیایی فراتر رفته و تاثیر مستقیم خویش را بر شکل­‌گیری روابط انسانی، تسهیل، تقویت و نیز در مواردی تضعیف برخی شکل­‌های مالوف سنتی برجای بگذارند. در این شبکه­‌ها، افراد و سازمان­‌ها به­‌واسطه علایق، سلایق، عقاید و منافع مشترک با یکدیگر در ارتباط­‌اند و می­توان آن­ها را به مانند گراف بزرگی انگاشت که متشکل از گره­‌هایی هستند که توسط یک یا چند نوع خاص از وابستگی به یکدیگر اتصال یافته­‌اند. شبکه­‌های پیچیده نیز یک زمینه میان­‌رشته­‌ای است که به مطالعه، بررسی و تحلیل شبکه­‌هایی اختصاص دارد که در سیستم­‌های پیچیده­ نمایان می­شوند. این سیستم­‌ها نگاهی نو به پديده­‌هایی دارند که به علت ارتباط بين اجزای آن و نیز ارتباط با سایر پديده­‌ها از پيچيدگی بالايی برخوردارند و رفتار جمعی متفاوتی را از خویش برُوز می­‌دهند. مطالعات كیهان شناسی، فیزیک آماری، ساختارهای بی­‌نظمی در مواد، زیست شناسی، جامعه­‌شناسی، اقتصاد و مهندسی نمونه­‌هایی از کاربردهای شبکه­‌های پیچیده را به نمايش گذاشته­‌اند. این شبکه­‌ها که بخش مهمی از دنیای پیرامون ما را شکل می‌دهند در عملکرد روزانه ما و سایر موجودات دخالتی تام و تمام دارند؛ با این همه، به ندرت قادرند تا در برابر گستره وسیعی از چالش­‌ها از جمله حملات هوشمند، اشکالات نرم­افزاری و سخت­افزاری و اشتباهات انسانی، تاب­‌آوری مورد انتظار را برای سرویس­‌دهی به تمامی نقش­‌هایی که پذیرا شده­‌اند نمایش دهند. در اکولوژی، استحکام صفت مهمی از اکوسیستم است که می­‌تواند به واکنش در قبال آشفتگی­‌هایی همچون انقراض گونه­‌ها و نسل­‌ها مرتبط باشد. در بیولوژی، سودمندی استحکام شبکه در جهت مطالعه بیماری­‌ها و جهش ژن­‌ها است. در علم اقتصاد، اقتصاد مقاومتی میتواند درک ما را از تورم، ریسک­‌های سیستم­‌های بانکداری و امثال آن افزایش دهد. در سیستم­‌های حمل و نقل، خرابی­‌ها ممکن است اثرات جدی و اختلال در امر جابه­‌جایی به دنبال داشته باشند. در مهندسی نیز مطالعه استحکام می­‌تواند برای ارزیابیِ تاب­آوری شبکه­‌های زیرساخت مانند اینترنت، وب و نیروگاه­های برق سودمند باشد. بدین سیاق، انگیزش اصلی بسیاری از مطالعات اختصاص یافته به طراحی شبکه­‌های مستحکم ناشی از کاربردهایی حیاتی آن­ها در شبکه­‌های ارتباطی، نیروگاه­‌ها، سیستم­های حمل و نقل، شبکه ­های سنسور، شبکه­‌های لجستیکی و امثالهم بوده است. استحکام در شبکه­‌های پیچیده و زیرساخت­‌های پیشرفته امروزی یکی از ویژگی­‌های حیاتی و مهم آن به شمار می‌رود و در طی سالیان اخیر به یکی از زمینه­‌های پژوهشی جذاب و رو به رشد تبدیل شده است. این زمینه پژوهشی به دنبال آن است تا راه­کارها و مکانیزم­‌هایی را جهت بهبود اتصال­‌پذیری شبکه­‌های پیچیده در برابر خرابی­‌های تصادفی و حملات سیستماتیک جستجو کند. تاکنون معیارهای مختلف و متنوعی برای سنجش و ارزیابی میزان استحکام و تاب­‌آوری شبکه­‌های پیچیده ارائه شده و بخش مهمی از این معیارها به نظریه گراف و مطالعه و بررسی آن اختصاص یافته است. در این گفتار بنا داریم مرور نسبتاً جامعی درباره این معیارها داشته باشیم و توانایی و محدودیت­‌های آن­ها را در تجزیه و تحلیل استحکام شبکه­‌های پیچیده و اجتماعی نمایش داده و یک مجموعه ابزار مفهومی را به منظور تسهیل در تحلیل استحکام شبکه­‌های پیچیده و اجتماعی و انطباق آن­ها با زمینه­‌های پژوهشی­ و عَملی فراهم سازیم.

کلید واژه­‌ها: شبکه­‌های پیچیده (Complex networks)، شبکه­‌های اجتماعی (Social Networks)، استحکام (Robustness)، تاب­‌آوری (Resilience)، نظریه گراف (Graph theory)، خرابی­‌های تصادفی (Failures)، حملات هدفمند (Targeted attacks)

💠 https://www.nature.com/articles/d41586-017-07690-y

پیشنهادهایی برای یادگیری بازبهنجارش بدون درگیرشدن بیش از حد با نظریه میدان!

https://en.wikipedia.org/wiki/Renormalization#General_introduction

در مورد گذارفاز تپولوژیک و جایزه نوبل سال گذشته بیشتر بدونید:

https://johncarlosbaez.wordpress.com/2016/10/07/kosterlitz-thouless-transition/

🍏 https://medium.com/@abbascarimi/advice-for-the-young-scientist-c39ce2f7809e

🙊 https://mobile.nytimes.com/2017/12/07/science/brain-information-monkeys.html?_r=0&referer=https://t.co/iLbJ22uTXa?amp=1

First AlphaZero learned go, just by playing itself, becoming the world's best player in 40 days. Now it has taught itself to be the world's best chess player - crushing all others.

🚶‍♀Great review on random walks and diffusion on networks:

https://www.sciencedirect.com/science/article/pii/S0370157317302946

⌨ https://www.johndcook.com/blog/2017/12/12/efficiency-is-not-associative-for-matrix-multiplication/

💲 https://www.newyorker.com/magazine/2017/12/18/jim-simons-the-numbers-king/

#سخنرانی

#عنوان: ملاحضات فلسفی علوم‌داده

سخنران: دکتر توسرکانی

تاریخ برگزاری: چهارشنبه 22 آذر 1396

#ساعت: 13:30

محل برگزاری: تالار اجتماعات گروه فلسفه و علم دانشگاه صنعتی شریف

🖍کانال دانشکده علوم ریاضی
@mathshariff 🇮🇷

The bridges of Königsberg
Watch a short video introducing the Könisberg problem and Euler’s solution - BARABASI

Zooming into the World Wide Web Watch an online video that zooms into the WWW sample that has lead to the discovery of the scale-free property - BARABASI

🔖 Cascading Failures as Continuous Phase-Space Transitions

Yang Yang, Adilson E. Motter

🔗 https://arxiv.org/pdf/1712.04053

📌 ABSTRACT
In network systems, a local perturbation can amplify as it propagates, potentially leading to a large-scale cascading failure. Here we derive a continuous model to advance our understanding of cascading failures in power-grid networks. The model accounts for both the failure of transmission lines and the desynchronization of power generators, and incorporates the transient dynamics between successive steps of the cascade. In this framework, we show that a cascade event is a phase-space transition from an equilibrium state with high energy to an equilibrium state with lower energy, which can be suitably described in closed form using a global Hamiltonian-like function. From this function we show that a perturbed system cannot always reach the equilibrium state predicted by quasi-steady-state cascade models, which would correspond to a reduced number of failures, and may instead undergo a larger cascade. We also show that in the presence of two or more perturbations, the outcome depends strongly on the order and timing of the individual perturbations. These results offer new insights into the current understanding of cascading dynamics, with potential implications for control interventions.