کالبدشکافی آشوب در سیستم‌های پیچیده

از چکه کردن شیر آب تا تشنج مغز و تبخیر نقدینگی

۱۲ ساعت آموزش متمرکز و عملیاتی | همراه با شبیه‌سازی تعاملی و جعبه‌ابزار متن‌باز گیت‌هاب

درباره این رویداد

بخش عمده آموزش‌های آکادمیک و ابزارهای تحلیلی ما در مهندسی، داده‌کاوی و اقتصاد بر پایه یک فرض ساده‌لوحانه استوار شده‌اند:
«سیستم‌ها خطی و قاعده‌مند رفتار می‌کنند؛ علت‌های کوچک معلول‌های کوچک می‌سازند و با در دست داشتن فرمول‌های محلی، می‌توان آینده را تا بی‌نهایت پیش‌بینی کرد.» اما واقعیت فیزیکی پیرامون ما ساز دیگری می‌زند:

• چکه کردن یک شیر آب: با تغییر یک‌صدم میلی‌متری پیچ فلکه، ریتم قطرات از فواصل زمانی کاملاً منظم ناگهان وارد بی‌نظمی نامتناهی می‌شود. این بی‌نظمی حاصل شانس یا باد نیست؛ نتیجه مستقیم یک معادله ریاضی قطعی است.
• رقص گرانشی ۳ جرم آسمانی: حضور یک جرم سوم کوچک در منظومه می‌تواند مدارهای پایدار را متلاشی کرده و یکی از اجرام را با شتاب به اعماق کیهان پرتاب کند (مسئله سه جسم).
• سقوط‌های زنجیره‌ای بازارها: بازارهای مالی برای فروپاشی نیازی به شوک بیرونی یا اخبار جنگ ندارند؛ بازخوردهای تاخیری عرضه و تقاضا، بحران‌های درون‌زا و حباب‌های آشوبناک خلق می‌کنند.
• ضربان قلب و تشنج مغز: قلبی که مانند یک مترونوم صلب و کاملاً یکنواخت بزند در معرض ایست قلبی است؛ و برعکس، تشنج صرع حاصل «آشوب مغزی» نیست، بلکه قفل شدن ارتعاشات میلیاردها نورون در یک همگام‌سازی مفرط و فلج‌کننده است!

این سیستم‌ها نه ساعت‌های منظم مکانیکی‌اند و نه نوفه‌های تصادفی کاتوره‌ای؛ این جهانِ «آشوب دترمینستیک» (Deterministic Chaos) است. در این کارگاه فشرده ۱۲ ساعته، هندسه و سازوکار ریاضی این پدیده‌ها را کالبدشکافی می‌کنیم و یاد می‌گیریم چگونه آن‌ها را مدل‌سازی، پیش‌بینی و شبیه‌سازی کنیم.

چرا یادگیری ماشین کلاسیک (Classical ML) در برابر آشوب زمین‌گیر می‌شود؟

امروزه گرایش شدیدی وجود دارد که گمان می‌کند برای حل هر مسئله‌ای می‌توان داده‌ها را به یک شبکه عصبی یا الگوریتم یادگیری ماشین تزریق کرد. اما چرا مدل‌های مرسوم در مواجهه با سیستم‌های آشوبناک به خطا می‌افتند؟

1. توسعه برای فازهای دوره‌ای و تکرارشونده: الگوریتم‌های سنتی (از رگرسیون تا شبکه‌های عمیق بازگشتی مانند LSTM) فرض می‌کنند گذشته بر روی یک منیفولد هموار و تکرارشونده سیر می‌کند.
2. سوءتفاهمِ «نویز پنداشتنِ واقعیت»: وقتی یک مدل یادگیری ماشین با نوسانات شدید سیستم آشوبناک مواجه می‌شود، آن را خطای اندازه‌گیری یا «نوفه تصادفی» تلقی کرده و سعی در فیلتر کردن آن دارد؛ در حالی که این نوسانات، اثر انگشت مستقیم ساختار سیستم و جاذب شگفت‌انگیز آن هستند.
3. افق پیش‌بینی و واگرایی نمایی: به دلیل حساسیت شدید به شرایط اولیه ($e^{\lambda t}$)، خطای پیش‌بینی‌های نقطه‌ای در زمان کوتاهی منفجر می‌شود.

در این کارگاه بررسی می‌کنیم که چرا برای مدلسازی این سیستم‌ها به نظریه سیستم‌های دینامیکی، بازسازی فضای فاز (قضیه تاکنز) و طیف توان‌های لیاپانوف نیاز داریم، نه صرفاً برازش‌های خطی و تقلیل‌گرایانه.

این کارگاه دقیقاً به چه کار شما می‌آید؟

۱. در پژوهش‌های پیشرفته آکادمیک (ارتقای مقالات به ژورنال‌های معتبر):

• بازسازی کل دینامیک از یک سیگنال تک‌بعدی: یادگیری عملیاتی قضیه تعبیه تاکنز (Takens' Delay Embedding) برای تبدیل یک کانال داده آزمایشگاهی (مانند یک کانال نوار مغز یا غلظت یک ماده شیمیایی) به فضای فاز چندبعدی کل سیستم.
• تفکیک قطعی آشوب از تصادف: محاسبه دقیق بیشینه توان لیاپانوف (MLE) و ابعاد فرکتالی برای اثبات ماهیت غیرخطی پدیده‌ها در مقالات علمی.

۲. در پروژه‌های صنعتی، مالی و سلامت:

• بازارهای مالی و فین‌‌تک: درک منشأ بحران‌های خودجوش و حباب‌های نقدینگی ناشی از تأخیر در بازخوردها، و تعیین «سقف واقعی پیش‌بینی‌پذیری» در معاملات الگوریتمی.
• سلامت دیجیتال و نوروساینس: استخراج فیچرهای غیرخطی از سیگنال‌های متغیر ضربان قلب (HRV) و نوار مغزی (EEG) برای پایش سلامت و تشخیص زودهنگام فاز تشنج در صرع.
• مهندسی برق و مکانیک: تحلیل مدارهای الکترونیکی غیرخطی (نظیر مدار چوا) و پایش تشدیدها و ارتعاشات خطرناک در توربین‌ها و سازه‌ها (مدل دافینگ).

شیوه اجرای شبیه‌سازی‌ها: بدون نیاز به کدنویسی دستی!

بزرگ‌ترین مانع یادگیری سیستم‌های غیرخطی، غرق شدن در جزئیات فنی سینتکس پایتون و خطاهای محیط توسعه است.
در این کارگاه هیچ زمانی صرف کدنویسی از صفر یا رفع خطاهای کامپایل نخواهد شد.

• کلیه مدل‌ها و شبیه‌سازی‌ها در قالب نوتبوک‌های آماده Google Colab (با قابلیت اجرا تنها با یک کلیک در مرورگر) و داشبوردهای بصری تعاملی ارائه می‌شوند.
• شرکت‌کنندگان با جابجایی دستگیره‌های تنظیمی (Sliders)، تغییر متغیرها و مشاهده بی‌درنگ تغییرات در نمودارهای فاز و رفتارهای دوشاخه‌شدگی، شهود عمیق ریاضی و فیزیکی را بدون اصطکاک نرم‌افزاری لمس خواهند کرد.

سرفصل‌های تفصیلی کارگاه (۱۲ ساعت در ۲ روز)

پنج‌شنبه ۲۳ مهرماه ۱۴۰۵

• سانس اول (۱۰:۰۰ الی ۱۳:۰۰) | مبانی نظری و مهندسی فضای حالت
  
  • صورت‌بندی معادلات حالت و تقریب‌های عددی (الگوریتم‌های انتگرال‌گیری RK4).
  • نگاشت‌های گسسته و مسیر دوشاخه‌شدگی (Bifurcation Cascade) در رشد جمعیت.
  • مفهوم ترجکتوری و بازسازی فضای فاز (Phase Space).
  • کمّی‌سازی آشوب: توان‌های لیاپانوف (Lyapunov Exponents)، افق زمانی پیش‌بینی و هندسه جاذب‌های شگفت‌انگیز.
• سانس دوم (۱۵:۰۰ الی ۱۸:۰۰) | کالبدشکافی آشوب در مهندسی، مکانیک و مدارها
  
  • مسئله پاندول مضاعف (Double Pendulum) و حساسیت شدید به انرژی در مکانیک کلاسیک.
  • ارتعاشات غیرخطی و نوسان‌گر دافینگ (Duffing Oscillator) در سیستم‌های سازه‌ای.
  • الکترونیک غیرخطی: کالبدشکافی مدار چوا (Chua’s Circuit) و مقاومت منفی دیود چوا.
  • کارگاه عملی: شبیه‌سازی زنده سه‌بعدی مدارهای الکتریکی و تغییرات رزونانس با اسلایدرهای ابری.

جمعه ۲۴ مهرماه ۱۴۰۵

• سانس اول (۱۰:۰۰ الی ۱۳:۰۰) | دینامیک‌های غیرخطی در پزشکی، فیزیولوژی و مغز
  
  • پویایی سیگنال‌های قلبی (HRV): چرا سلامت در گرو تنوع فرکتالی است و قلب‌های بیش از حد منظم در معرض خطرند؟
  • مکانیک تشنج در صرع: تحلیل امواج نوار مغزی (EEG) و گذار از آشوب پردازشی به قفل‌شدگی فرکانس (Hypersynchrony).
  • قضیه تعبیه تاکنز (Takens' Embedding): بازسازی هندسه پنهان بیماری از روی داده‌های تک‌کاناله.
  • کارگاه عملی: پردازش سیگنال‌های واقعی سلامت و رسم نمودارهای بازگشتی (Recurrence Plots).
• سانس دوم (۱۵:۰۰ الی ۱۸:۰۰) | چرخه‌های اقتصادی، بازارهای مالی و جعبه‌ابزار محاسباتی
  
  • اقتصاد غیرخطی: مدل تار عنکبوتی تاخیری و خلق درون‌زای حباب‌ها و سقوط‌های مالی.
  • شکست فرض‌های تعادلی و رفتار گله‌ای در نوسانات قیمت دارایی‌ها.
  • رونمایی و آموزش جامع مخزن متن‌باز دوره (The Chaos Toolkit روی GitHub).
  • شیوه بارگذاری داده‌های شخصی (صنعتی، پزشکی یا بورسی) در داشبورد آماده تحلیلی.

دارایی‌های ملموس شرکت‌کنندگان پس از دوره

1. دسترسی به ریپوزیتوری اختصاصی GitHub: کدهای ساختاریافته، تمیز و مستندسازی‌شده تمامی شبیه‌سازی‌ها.
2. نوتبوک‌های اجرایی ابری (Colab): بدون نیاز به نصب هرگونه نرم‌افزار، قابل اجرا روی لپ‌تاپ یا تلفن همراه.
3. داشبورد تحلیلی آماده (Streamlit): جهت ورودی دادن سری‌های زمانی دلخواه و استخراج شاخص‌های آشوب.
4. دسترسی نامحدود و دائمی به ویدیوهای ضبط‌شده: بازپخش کامل ۱۲ ساعت آموزش با بالاترین کیفیت صوت و تصویر.

درباره مدرس

پوریا آزادی

• دانشجوی دکتری بیوانفورماتیک دانشگاه تهران
• پژوهشگر زیست‌شناسی نظری و سیستم‌های دینامیکی
• متخصص مدل‌سازی سامانه‌های پیچیده، پدیده‌های خودسازمان‌دهنده و خاستگاه حیات

زمان‌بندی و بستر برگزاری

• تاریخ: پنج‌شنبه و جمعه، ۲۳ و ۲۴ مهرماه ۱۴۰۵
• ساعت برگزاری:
  
  • سانس صبح: ۱۰:۰۰ الی ۱۳:۰۰ (همراه با تنفس کوتاه)
  • سانس عصر: ۱۵:۰۰ الی ۱۸:۰۰ (همراه با تنفس کوتاه)
• مدت کل آموزش: ۱۲ ساعت آموزش متمرکز
• بستر برگزاری: آنلاین در محیط گوگل میت