🔎 چگونه درباره‌ی یک موضوع جدید جستجو کنیم؟

1⃣ قسمت اول: نکات کلی

📌 ابتدا کلید واژه‌های مربوط به موضوع را پیدا کنیم.

📌 با جستجوی کلیدواژه‌‌های مناسب مقاله‌های مرتبط را پیدا کنیم و از طریق خواندن چکیده‌ی مقالات و/یا مرور کلی نتایج و زیرنویس شکل‌ها و نمودارها، میزان ارتباط مقاله را با موضوع ذهنی خود بسنجیم.

📌 درصورتی‌که مقاله‌ی مرتبطی پیدا کردیم از منابع انتهای آن مقاله برای دسترسی به سایر مقاله‌های مرتبط استفاده کنیم.

📌 برای جستجوی مقاله‌های علمی می‌توان از googlescholar استفاده کرد که امکان جستجو برحسب تاریخ، موضوع و نام نویسنده در آن وجود دارد. بدین ترتیب با شناسایی افراد در حوزه‌ی موردنظر می‌توان با دنبال کردن آن‌ها از آخرین کارهای علمی‌شان با خبر شد.

📌 درصورتی‌که فایل مقاله‌ای به طور رایگان در دسترس نباشند به کمک DOI یا عنوان مقاله می‌توان از طریق برخی سایت‌ها به آن دسترسی پیدا کرد که مهم‌ترین آن‌ها سایت sci-hub است. هم‌چنین سایت‌های libgen و bookz بیشتر برای جستجوی کتاب استفاده می‌شوند.

📌 درمواردی که بخواهیم اطلاعات کلی و عمومی در مورد یک موضوع ویژه کسب کرده و با کلید واژه‌‌های آن حوزه آشنا شویم، ویکی‌پدیا گزینه‌ی مناسبی است که امکان جستجوی مطالب به زبان‌های مختلف در آن وجود دارد. ضمن آن که مفاهیم مرتبط نیز توسط خود سایت به کاربر پیشنهاد می‌گردد.

📌 یکی از مهم‌ترین منابع جستجو، خودِ سایت‌ مجله‌های علمی است. در ادامه فهرستی از مهم‌ترین مجله‌های علمی معتبر در فیزیک آمده است. برای سنجش اعتبار مجله یک ضریب (impact factor) تعریف می‌شود که هرچه عدد بالاتری داشته باشد یعنی اعتبار مجله بیشتر است. گاهی پژوهشگران عامل دیگری را برای اولویت دادن به چاپ مقاله‌ی خود در یک مجله انتخاب می‌کنند و آن میزان ارتباط با موضوع و تخصصی بودن مجله در یک حوزه‌ی خاص است. بدین ترتیب ممکن است مجله‌ای با ضریب پایین‌تر که به‌طور تخصصی مقاله‌های همان حوزه را چاپ می‌کند را برگزینند.

📌 اغلب پژوهشگران قبل از چاپ مقاله در یک مجله،‌ برای انتشار نتایج کار خود در اولین زمان ممکن، آن را در سایت arxiv منتشر می‌کنند. نسخه‌ی arxiv ممکن است با نسخه‌ی نهایی مقاله که در آينده چاپ خواهد شد متفاوت باشد و دست‌خوش اصلاحاتی قرار گیرد.

📌 در سایت github افراد کدها و گاهی مقاله‌های خود را به اشتراک می‌گذارند که می‌توان از این طریق نیز به منابع مرتبط دست یافت.

📌 شرکت در کنفرانس‌ها و سخنرانی‌های علمی، عضویت در گروه‌های مرتبط، گسترش دامنه‌ی ارتباطی خود در شبکه‌های علمی هم‌چون Researchgate و LinkedIn می‌تواند ذهن ما را نسبت به موضوعات کاری جدید به‌روز کرده و با مفاهیمی که در موضوعات مرتبط با کارِمان مورد توجه پژوهشگران بوده است بیشتر آشنا کند.

🆔 @IsvaChannel

Applications are now open for the Translational Global Infectious Diseases Fellowship at #uvmcomplexity

We offer early-career scientists a unique opportunity to address pressing modeling challenges in infectious diseases epidemiology!

Apply here:
https://t.co/FkX2ZCmSQw

Physics - Thermodynamic Limits to Anomalous Diffusion
https://physics.aps.org/articles/v14/116

CSHL is recruiting NeuroAI Scholars.

PhD-level independent researchers trained in AI who spend 2 years at CSHL working with neuroscientists, applying insights from neuro to AI (not AI to neuro)

Conversion to tenure track possible

Spread the word!

https://t.co/DWORFIbhJp

Study: As cities grow in size, the poor 'get nothing at all' | Santa Fe Institute
https://www.santafe.edu/news-center/news/new-study-prosperity-cities-benefits-few

Online course on "Stochastic Modelling of Biological Processes" is available here:

https://t.co/exkbtidQNp

by Radek Erban and S. Jonathan Chapman

Psychologists in particular wanted a statistical skeleton key to unlock true experimental insights. The longing for a mathematical seal of approval burned hot. So psychology textbook writers and publishers created one. https://t.co/RXCDvzmQXN

Plasticity, self-organization and criticality in network models of brain dynamics

https://youtu.be/NzoTBAtjjqY
افشین منتخب
یازدهمین کنفرانس فیزیک آماری، ماده چگال نرم و سیستم‌های پیچیده

🔷 فرآیندهای دینامیکی در شبکه‌های پیچیده

به همت انجمن علمی فیزیک دانشگاه صنعتی اصفهان در روزهای ۱۲، ۱۳ و ۱۴ مرداد ۱۴۰۰ یک کارگاه سه‌جلسه‌ای با عنوان «فرآیندهای دینامیکی در شبکه‌های پیچیده» برگزار شد:

جلسه‌ی اول: مروری بر مدل‌سازی فرآیندهای دینامیکی
جلسه‌ی دوم: همگام‌سازی
جلسه‌ی سوم: دینامیک تکاملی

ویدئوها و اسلایدهای این کارگاه در نشانی زیر در دسترس است.

https://iutbox.iut.ac.ir/index.php/s/XSTyo48aowRaYiq

متأسفانه چند دقیقه از ابتدای جلسه‌ی دوم ضبط نشد. این چند دقیقه به پخش سه ویدئوی کوتاه به‌عنوان مثال‌هایی از رفتارهای جمعی و پدیده‌ی همگام‌سازی اختصاص داشت. فایل این ویدئوها را نیز می‌توانید از پوشه‌ی بالا بردارید.

از انجمن علمی فیزیک دانشگاه صنعتی اصفهان برای برگزاری این کارگاه سپاسگزارم.

@physicsiut
@k1samani_channel

Network analysis lets you study complex patterns and relationships and their connections to each other. Our newest Primer outlines how to use network analysis in psychological research.

Check it out here:
https://t.co/TOjyk5dmSE

Interested in temporal networks and community detection. We have a #postdoc opening in Oxford: https://t.co/oqjwhwomuI

This PrimeView highlights best practices for psychometric network analysis. Network topology types are discussed in relation to the type of data being collected.

Free to access this week!

https://t.co/bITBmeP4zK

We have an opening here at #UM_IDS for a #postdoc researcher in the area of computational social science and network science under the supervision of Prof. Adriana Iamnitchi.
Deadline Sept 19, 2021 (Int. Talk Like A Pirate Day)

https://t.co/KGZPzoDGho

On the importance of being critical
Matteo Marsili

Being critical, i.e. able to process and distill relevant information, is crucial for living systems. Learning distinguishes living from inanimate matter. Quantifying this distinction may provide a “life meter” [1] that, for example, can allow us to detect alien life forms in astrobiology. Living systems also respond in an anomalous manner to perturbations, as compared to inanimate matter, unless the latter is poised at a critical state (in the statistical physics sense). I argue below that these two notions of criticality are only apparently different, because a system that learns is inherently critical, also in the statistical physics sense.

https://www.instagram.com/tv/CSw-co0FmqR/

خوشحالیم اعلام کنیم که یه گفتگوی فانوسی عجیب در راهه! ای علاقمندان به علم، مخصوصا فیزیک، علوم #اعصاب و #هوش_مصنوعی ! کمربند ها رُ ببندید که قراره سفری به یکی از مرموز ترین، جذاب ترین و شاید ناشناخته ترین جنبه های این #علوم داشته باشیم.
اون هم از زبان کسی که حضورش برای ما خیلی خیلی ارزشمنده. چرا؟ فعلا فقط همین معرفی رُ ببینید! ❤️

#علم #پادکست #تکنولوژی
#science #podcast #technology #artificial_intelligence #neuroscience

@fanoospodcast

🎬 ویدیوهای ۲۵امین گردهمایی انجمن علمی ژرفا با موضوع سیستم‌های پیچیده:


💰 اقتصاد و فیزیک سیستم‌های پیچیده - دکتر سامان مقیمی
🎞 http://aparat.com/v/pUJSv

🧠 مغز از پیچیده تا بغرنج - دکتر عبدلحسین عباسیان
🎞 http://aparat.com/v/DO7jK

🧬 پیچیدگی زیستی: در جستجوی تصویری واقع‌بینانه از ژنوتیپ و شایستگی - دکتر عطا کالیراد
🎞 http://aparat.com/v/efX9P

میز گفت‌وگو درباره‌ی سیستم‌های پیچیده
🎞 http://aparat.com/v/8lCm9


🔺 ۲۵امین گردهمایی انجمن علمی ژرفا با موضوع سیستم‌های پیچیده با همکاری انجمن‌های علمی فیزیک، همبند، شناسا از دانشگاه صنعتی شریف و مرکز شبکه‌های پیچیده و علم دادهٔ اجتماعی دانشگاه شهید بهشتی در تاریخ ۲۴ام اردیبهشت ماه سال ۱۳۹۸ برگزار شد.

Very excited to announce next year's #CSHVienna #WinterSchool on the Evolution of Social Complexity!

Apply now and spread the news!

Find out more here: https://t.co/5uYv2ibs4R

#Peter_Turchin #SocialComplexity #DigitalHumanities
#ComputationalScience

If you want to work on an exciting new project about the modelling of shock spreading dynamics in supply chain and financial networks, apply for our new #PhD position #CSHVienna

https://t.co/Ce216BT7Tw?amp=1

📌 مجموعه جلسات «گذر»

🌀 آیا این سیستم، پیچیده است؟
👤 یاسمن عسگری
⏰ چهارشنبه، ۳ شهریورماه؛ ساعت ۱۹ تا ۲۰
🖥 vc.sharif.edu/ch/math-stu

🔍 توضیحات این برنامه را می‌توانید از این‌جا بخوانید.
© @hamband_math_cs
🆔 @Zharfa90

How is mean-field theory used in the study of complex networks?
Mason Porter, Professor, Department of Mathematics, UCLA.

In terms of using mean-field theories (and related types of approximations) in networks, the most common scenario is when studying a dynamical system on a network. My coauthor James Gleeson and I discuss this at length in our tutorial article on dynamical systems on networks. (See also the preprint version.) You may also want to look at one of our research papers (written along with other coauthors) on mean-field theory.

A dynamical system on a network is a very high-dimensional system, and it is desirable (when possible) to approximate it with a lower-dimensional system (ideally a much lower-dimensional system), which should be much easier to understand and which may even be tractable to analysis (e.g., through approximate closed-form expressions for quantities of interest). Mean-field theories are one approach to trying to do this.