https://virgool.io/feed/@alireza.kashani fa 2026-06-18 05:03:39 https://files.virgool.io/upload/users/308468/avatar/vQ2IYh.png?height=120&width=120 https://virgool.io/@alireza.kashani https://virgool.io/@alireza.kashani/%D8%B7%D8%B1%D8%A7%D8%AD%DB%8C-%D9%85%D8%AD%D8%A7%D8%B3%D8%A8%D8%A7%D8%AA%DB%8C-%D9%BE%D8%B1%D9%88%D8%AA%DB%8C%D9%86-%D9%88-%D9%86%D9%88%D8%A8%D9%84-%D8%B4%DB%8C%D9%85%DB%8C-%DB%B2%DB%B0%DB%B2%DB%B4-gr4c6k7uoy1g دوید بکر از دانشگاه واشنگتن نوبل شیمی ۲۰۲۴ رو همراه با دونفر دیگه از گوگل دیپ مایند گرفت.متن جایزه ی از این قراره :دیوید بیکر به موفقیتی تقریبا غیرممکن دست یافته و انواع کاملاً جدیدی از پروتئین‌ها را ساخته است. Demis Hassabis و John M. Jumper یک مدل هوش مصنوعی را برای حل مسئله‌ای ۵۰ ساله توسعه داده‌اند: پیش‌بینی ساختارهای پیچیده پروتئین‌ها. این کشفیات دارای پتانسیل عظیمی هستند.تنوع زندگی گواهی بر ظرفیت شگفت‌انگیز پروتئین‌ها به عنوان ابزارهای شیمیایی است. آن‌ها تمام واکنش‌های شیمیایی که پایه و اساس زندگی هستند را کنترل و هدایت می‌کنند. پروتئین‌ها همچنین به عنوان هورمون‌ها، مواد سیگنال‌دهنده، پادتن‌ها و بلوک‌های سازنده بافت‌های مختلف عمل می‌کنند.«یکی از کشفیاتی که امسال مورد تقدیر قرار گرفته، مربوط به ساخت پروتئین‌های شگفت‌انگیز است. دیگری به تحقق یک رؤیای ۵۰ ساله مرتبط است: پیش‌بینی ساختار پروتئین‌ها از روی توالی آمینواسیدها. هر دو این کشفیات امکانات گسترده‌ای را فراهم می‌کنند.» هاینر لینک، رئیس کمیته نوبل شیمی، می‌گوید.پروتئین‌ها به طور کلی از ۲۰ آمینواسید مختلف تشکیل شده‌اند که می‌توان آن‌ها را بلوک‌های سازنده زندگی توصیف کرد. در سال ۲۰۰۳، دیوید بیکر با استفاده از این بلوک‌ها موفق شد پروتئین جدیدی طراحی کند که با هیچ پروتئین دیگری مشابه نبود. از آن زمان، گروه تحقیقاتی او یک پروتئین تخیلی پس از دیگری تولید کرده‌اند، از جمله پروتئین‌هایی که می‌توانند به عنوان داروها، واکسن‌ها، نانومواد و حسگرهای کوچک استفاده شوند.دومین کشف مربوط به پیش‌بینی ساختار پروتئین‌ها است. در پروتئین‌ها، آمینواسیدها به صورت زنجیره‌های بلند به هم متصل می‌شوند که به شکل سه‌بعدی تا می‌شوند، که این ساختار برای عملکرد پروتئین تعیین‌کننده است. از دهه ۱۹۷۰، محققان تلاش کرده بودند ساختار پروتئین‌ها را از روی توالی آمینواسیدها پیش‌بینی کنند، اما این کار بسیار دشوار بود. با این حال، چهار سال پیش، یک دستاورد خیره‌کننده به وقوع پیوست.در سال ۲۰۲۰، دمیس هاسابیس و جان جامپر مدل هوش مصنوعی به نام AlphaFold2 را معرفی کردند. با کمک آن، آن‌ها توانستند ساختار تقریباً تمام ۲۰۰ میلیون پروتئینی که محققان شناسایی کرده‌اند را پیش‌بینی کنند. از زمان این پیشرفت، AlphaFold2 توسط بیش از دو میلیون نفر از ۱۹۰ کشور استفاده شده است. در میان بی‌شمار کاربردهای علمی، محققان اکنون می‌توانند مقاومت آنتی‌بیوتیکی را بهتر درک کنند و تصاویر آنزیم‌هایی را ایجاد کنند که قادر به تجزیه پلاستیک هستند.من هم سال ۲۰۱۱ خیلی علاقه مند بودم برم آزمایشگاهشون تو این زمینه اونجا کمکشون کنم. ولی متاسفانه بورس های دوره های دکتری این رشته ها تو دانشگاه های زیر ده مخصوص خود امریکایی هاست.مصاحبه ی خدابیامرز دکتر روستا هم در مورد نیاز کشور به آنزیم های صنعتی خیلی جالبه و شاید علاقه مندی و اهمیت به این موضوعات رو بیشتر کنه.https://www.aparat.com/v/t560b77 علیرضا کاشانی علیرضا کاشانی Wed, 09 Oct 2024 16:29:17 +0330 https://virgool.io/@alireza.kashani/%D8%A8%D8%B1%D8%B1%D8%B3%DB%8C-%D8%AA%D8%BA%DB%8C%DB%8C%D8%B1%D8%A7%D8%AA-%D8%A2%D8%B1%D8%A7%DB%8C-%D8%AF%D9%88-%D8%AF%D9%88%D8%B1%D9%87-%D8%A7%D9%86%D8%AA%D8%AE%D8%A7%D8%A8%DB%8C-%DB%B1%DB%B4%DB%B0%DB%B3-%D8%AF%D8%B1-%D8%AF%D9%88%D8%B6%D8%B1%D8%A8-yhehaoe5uyux در این گزارش به تحلیل و مدل سازی انتخابات ۱۴۰۳ که در دو مرحله برگزار شد، می پردازیم. در مرحله اول، چهار نامزد به رقابت پرداختند و دو نامزد با بیشترین آرا به مرحله دوم راه یافتند. بررسی توزیع مجدد آرا و رفتار رأی‌دهندگان، همراه با ورود رای دهندگان سوالاتی رو به وجود آورد که در زیر میشه خیلی راحت با این مدل ریاضی پاسخ داد ۱) چند درصد از آرای ملتی که دور دوم رفتند رای دادند به پای اقای پزشکیان رفت ۲) چند درصد ملت قالیبافی به آقای جلیلی رای دادند.۳) در نهایت اگه قالیباف در مرحله ی اول حضور نداشت آیا جلیلی میتونست پیروز میدان باشهفرضیات سختاعداد گزارشی صحیح هستند. تو مقاله ی قبلی (https://virgool.io/d/oaa2y6tkzc58/edit) در مورد چالش استخراج اعداد از تصویر صحبت کردم. داده های دور اول از تسنیم و اقتصاد نیوز میاد و دور دوم رو از الف و اعتماد گرفتم. تمام ملتی که به پورمحمدی رای دادند به اقای پزشکیان رای دادناحتمال اینکه ملت دور دوم به پزشکیان رای دادند خیلی بیشتر از اینکه به جلیلی رای دادند.ضرب اولتعداد رای دهنده هایی که در دور دوم اضافه شدند V_{new}تعداد رای های انتقالی از پور محمدی و قالیباف V_{redistribute}مدل ریاضیمقدار اضافه شده (Gain) به رای پزشکیان در مرحله ی دوم برابر است با مجموع تمام رای ها پورمحمدی از دور یک، همراه با درصدی از رایِ رای دهنده های جدیدِ دور دوم. احتمال اینکه رای دهنده ی جدید به پزشکیان رای بده pA و احتمال اینکه به جلیلی رای بده معکوسش. تصویر زیر مدل افزایش رایِ هرکدومشون رو نشون میده.مدل ریاضی برای تخمین افزایش رای پزشکیان و جلیلیاز اونطرف ما مقدار دقیق هر کدوم از این افزایش رای ها رو داریم و هدفون حل این معادله برا پیدا کردن ضریب های pA و pB است. برای یادآوری، pA احتمالِ اینکه، رای دهنده ی اضافه شده، رایِ شو به پزشکیان بده و pB احتمال اینکه یک قالیبافی تو دور دوم به پزشکیان رای بده.حل معادله دو مجهولی با استفاده از روش حداقل مربعات (Least (Squareما این معادله رو برای هر حوزه ی انتخابی به صورت مجزا با استفاده از scipy.optimize حل میکنیم.کد پایتون برای حل معادله ی دو مجهول به روش least squareتهرانتعداد آرای اضافه شده در دور دوم :‌ 746762تعداد آرای قالیباف :‌ 673673تعداد آرای پورمحمدی : 35582افزایش آرای پزشکیان در دور دوم : 847672افزایش آرای جلیلی در دور دوم :‌ 608345جواب :‌ pB: 0.196 pA: 0.911یعنی چی ؟ ۹۱٪ آدم هایی که در دور دوم اضافه شدن رایشون رو به اقای پزشکیان دادند و ۸۰٪ قالیبافیان به اقای جلیلی رای دادند و ۲۰٪ رایشون رو به سمت پزشکیان عوض کردند.تفاوت افزایش رای پیشبینی شده توسط مدل و مقدار واقعی افزایش رای بسیار بسیار ناچیزه (تا حدی دلیل بر کیفیت مدله ولی هیچ مدل ریاضی عالی نیست).ضربِ دوم مقدار pB همون مقادرِ شکست رای که اقایِ قالیباف موجب شده. حالا که ضریب رو داریم میتونیم برگردیم به دورِ اول و بگیم اگه قالیباف نبود، چقدر رای میرفت به سمت جلیلی و چقدر به سمت پزشکیان. طبق مدل تو تهران اگه قالیباف نبود ۸۰٪ رایش میرفت برای جلیلی و جلیلی با ۱.۷ ملیون رای اول تهران می شد و ۲۰٪ برای پزشکیان و پزشکیان ۱.۴۸ ملیون رای دوم میشد.در کل، تو دورِ اول، با حسابِ وجود سه کاندیدای پورمحمدی و پزشکیان و جلیلی، جلیلی با ۱۲ ملیون و ۳۸۸ هزار و پزشکیان ۱۰ ملیون ۸۸۳ هزار کاندیدای دوم میشد و خیلی ناپلیونی امکان ریاست جمهوری رو هم داشت.در زیر هم تمام مقادیر ضرایب برای هر استان.مقادیر pA و pB برای هر استانداده ها و مدل گوگل شیتاینجا می تونید هم به داده های خام دسترسی پیدا کنید هم ضرایبِ بدست امده و بقیه ی موارد.https://docs.google.com/spreadsheets/d/10la7VEc45blwfiuyJ_7DkrlEKtdsqUT-u-bt9qMq-3w/edit?usp=sharing علیرضا کاشانی علیرضا کاشانی Thu, 11 Jul 2024 15:23:34 +0330 https://virgool.io/@alireza.kashani/%D9%87%D8%B4%D8%AF%D8%A7%D8%B1-%D8%A7%D8%B2-%DA%A9%D9%84%D8%A7%D9%86-%D8%A7%D9%84%DA%AF%D9%88%D9%87%D8%A7%DB%8C-%D8%B2%D8%A8%D8%A7%D9%86%DB%8C-llms-%D8%A8%D8%B1%D8%A7%DB%8C-%D8%A7%D8%B3%D8%AA%D8%AE%D8%B1%D8%A7%D8%AC-%D8%AF%D8%A7%D8%AF%D9%87-%D8%A7%D8%B3%D8%AA%D9%81%D8%A7%D8%AF%D9%87-%D9%86%DA%A9%D9%86%DB%8C%D8%AF-oaa2y6tkzc58 هیچ ادم فنی نیست که از کلان الگوهای زبانی چندوجهی استفاده نکرده باشه و احساس خوب استقلال و سریع تر شدن تو کارشو حس نکرده باشه.خیلی کنجکاو بودم که داده های انتخابات اخیر ۱۴۰۳ رو بررسی کنم که تو این فرآید با چند تا چالش روبرو شدم. (مقاله در مورد اینکه چطور ضریب شکست آرای پزشکیان توسط قالیباف رو بدست اوردم از https://vrgl.ir/VjPO7 بخونید).مهم ترین چالش که مرتبط به این نوشته میشه تبدیل تصاویر جدولی به عدد. قدیما به این کار میگفتن OCR ولی الانه ها زیر دسته ی Scene Text Recognition. اولش از چت جی پی تی 4o استفاده کردم و خیلی خوب خروجی داده و تا اخر مساله پیش رفتم ولی تو قسمت تحلیل خیلی جواب ها تعجب برانگیز بود. برگشتم و دیدم خیلی اعداد فضایی به نظر میرسن. اولش فکر کردم به خاطر اینکه از فارس نیوز هستند و باید دیتا رو از چشمه ی پاک تر بگیرم - برا همین رفتم سراغ سایت الف ولی بعد دیدم نه بابا LLM توهم زده.https://www.alef.ir/news/4030417081.html منبعدقت مدل ۴o - و دقت مدل رایگان گوگل جمنای:‌تحلیل: گوگل جمنی داره فراخوانی تابع (function calling) انجام میده و چون تصویر بلنده به احتمال زیاد داره تصویر رو عمودی بُرِش میده و نصف زیرین تصویر به موتور تشخیص نمیرسه برا همین خروجی نداره. و از اون طرف کل چهارچوب جدول رو درست در نمیاره (اینکه شش تا ستونه ولی خروجی پنج ستونه است). این یکی از خطاهای رایج OCR/STRاز اون طرف OpenAI40 تشخیص اولیه اش خوبه - دست کم برا چند ردیف اول برا همینطور که میره پایین خطا میره بالا. این هم یکی از خطاهای رایج مدل های دنبالیه (Markov chain) و next token prediction - چون هر خروجی وابسه به ورودی های قبله این خطا بیشتر میشه.پیام اصلیاگه سرو کارتون با تحلیل داده است واقعا خیلی احتیاط کنید - چون خطا بالاتر از چیزی که فکرشو میکنید. خطایی هم هست که به چشم نمیادپیام فرعیاگه نوشته براتون جالب بود طوری که فک میکنید میخواید روش وقت بیشتری بگزارید من رو هم مطلع کنید. * به روزرسانی : مقاله https://github.com/Yuliang-Liu/MultimodalOCR با عنوان "On the hidden mystery of OCR in large multimodal models, 2024 Janبه کیفیت MLLM ها رو همین موضوع می پردازه. علیرضا کاشانی علیرضا کاشانی Mon, 08 Jul 2024 14:29:13 +0330 https://virgool.io/@alireza.kashani/%D8%AF%D8%A7%D9%86%D8%B4-%D8%AF%D8%B1-%DA%AF%D8%B1%D9%88-%D8%B3%DB%8C%D8%A7%D8%B3%D8%AA-smnogaepopxp اواخر اوت ۱۶۰۹، گالیله، ستاره شناس ایتالیایی با شور و هیجان به برادر زن خود در رابطه با ماجرای پیش فروش قرارداد اختراع خود در آن تابستان نامه ای نوشت. چند هفته قبل تر، گالیله شایعاتی را مبنی بر اختراع دوربین توسط لیبرشی در هلند شنیده بود. او به سرعت یک کپی بهتر را تولید و در حالی که لیبرشی درگیر مسایل ثبت اختراع در هلند بود، گالیله موجب موج جدیدی از شایعات شد. به زودی سنای ونیز از وی خواست تا دستگاه خود را به نمایش بگذارد. گالیله در مورد برخورد و حرف هایی که مهمان ها و سناتورهای بیشماری که برای رصد بادبان ها و کشتی ها در سواحل جنوبی از پله های بلندترین اردوگاه های ونیز بالا رفته بودند نوشت. تا آن موقع برای جویا شدن از حرکت کشتی ها تقریبا دو ساعت یا بیشتر لازم بود ولی دوربین اختراعی گالیله امکان دیدن کشتی ها را در لحظه میداد. مجلس سنا بلافاصله برای پاداش به گالیله رأی داد و به این صورت قرارداد مادام العمری شامل کرسی در دانشگاه پادوا در ایتالیا همراه با حقوق سالانه ی۱۰۰۰ فاورین که مبلغ چشمگیری بود به او بخشید. گالیله تازه کارش شروع شد. او با چرخش تلسکوپ جدید خود به سمت آسمانها، چیزهای بسیاری کشف کرد. و از پیروزی های کوچک خود به عنوان سکوی پیشرانی برای پیروزی های بزرگتر استفاده کرد. مثلا برای گرفتن حمایت بیشتر و سفت کردن جای پای خود چهار قمر مشتری را به نام برادران دوک بزرگ تاسکنی نام نهاد. به زودی دانشجویان بیشتری به آزمایشگاه او پیوستند و او حقوق و مزایای بسیار بزرگتری برای خود دست و پا کرد و درنهایت به مقام فیلسوفی دربار رسید.تصویری از مشتری و سه قمر از چهار قمرش از یک دوربین ساده. احتمالا گالیله هم چنین تصویری را از مشتری رصد کرد. گالیله برای متقاعد کردن مقامات دولتی و حامیان درباری در جهت سرمایه گذاری روی تحقیقات خود استعداد خاصی داشت. با یافتن یکی، به سمت سرمایه گزار دیگری می دوید که تا حد بسیاری عملکردی مشابه ای با دانشمندان پر هیاهوی امروزی برای جذب سرمایه روی پروزه های خود است. با این وجود ۲۵۰ سال پس از زمان گالیله، رابطه ی متفاوتی بین دولت و پزوهش برقرار شد. درست هنگامی که نورمن لاکایر ، ستاره شناس در سال ۱۸۶۹ در حال تاسیس مجله نیچر بود ، تغییرات اساسی در روابط بین دولتها وعلوم در بسیاری از نقاط جهان در حال آشکار شدن بود.امپراتور سازیدر طی دهه های میانی قرن نوزدهم، امپراتوری بریتانیا به سرعت نزدیک به یک چهارم سرزمین های کره ی زمین را تسخیر و بر ۲۵٪ جمعیت جهان سلطه انداخت. در این زمان، چندین سیاستمدار برجسته انگلیس — از جمله نخست وزیران گذشته و آینده ی آن زمان به دنبال تقویت و تثبیت ثروت خود و امپراطوری با تکیه بر علم و فناوری بودند. در دهه ۱۸۴۰ ، رابرت پیل ، بنجامین دیزرائلی ، ویلیام گلدنستون و دیگران از جیب خود برای کمک به تاسیس کالج سلطنتی شیمی سرمایه گذاری کردند.‌ آنان معتقد بوبند که پژوهش های متمرکز در این زمینه به نفع جاه طلبی های امپراتوری خواهد بود. تا دهه ۱۸۶۰ ، بسیاری از پژوهشگران برای عملیاتی کردن چنین برنامه هایی تلاش های بسیاری کردند و ساخت و سازها در آزمایشگاههای دانشگاههای سراسر انگلیس در جهت کشف و توسعه ی ابزارات اندازه گیری دقیق صورت گرفت. دلیل اولویت و تمرکز بر این موضوعات بر آن بود که اینان بر این باور بودند که اندازه گیری دقیق تر مقادیر فیزیکی سبب فهم بیشتر ومنجر به توسعه در صنایع مختلف خواهد شد بود.بنجامین دیزرایلی ۱۸۰۴-۱۸۸۱ سیاستمدار بریتانیایی و یکی از بنیانگذاران حزب نوین محافظه کار. او دوبار به سمت نخست وزیری رسید.او به خاطر نفوذ جهانی جنگ ها و پیروزی های مستمر بریتانیا شناخته شده است.صنایع برقی، تلگراف، گسترش راه آهن و تولید فولاد در مقیاس بزرگ از تاثیرات این دوره در سال های ۱۸۷۰ که به انقلاب صنعتی دوم شهرت یافت بودند. هرکدام از این رشته ها نیازمند واحدها و استاندارد سازی بودند. هم افزایی های جدیدی بین پژوهشگران برجسته ای چون جیمز کلرک ماکسول و ویلیام تامسون (بعدها لرد کلوین) در مقام مشاوران ارشد حکومت شکل گرفت. این همکاری ها در موضوعاتی چون الکترومغناطیس و ترمودینامیک زمینه ساز گره گشایی از موضوعاتی همپیوند با ارتباطات فرا آتلانتیک ، استانداردهای الکتریکی ، پیمایش اقیانوس ها و موتور بخار بود.در آن زمان ، تزار الكساندر دوم در روسیه مشغول دنبال كردن پروژه نوسازی خود بود. الکساندر دوم همانند اتو فون بیسمارک و دیگر کشورسازانی در آلمان شیفته ی توانمند سازی صنایع در سراسر کشور خود بود. هسته ی اصلی این تلاشها سرمایه گذاری شدید در اندازه گیری دقیق بود. در سال ۱۸۶۱، او شروع به صدور یک سری اعلامیه ها که بعدا به عنوان اصلاحات بزرگ شناخته شدند کرد. رهایی از سرپوش ها به سرعت با بازسازی اساسی دانشگاه های دولتی و همچنین تغییر در دولت های محلی و دستگاه قضایی صورت گرفت. برپایی بوروکراسی گسترده ی جدید به معنای فرصت های جدیدی برای روشنفکران بلندپرواز، از جمله شیمیدان به نام دیمیتری مندلیف بود. پس از دو سال تحصیل در هایدلبرگ ، آلمان ، مندلیف در سال ۱۸۶۱ برای آموزش شیمی به دانشگاه شهر خود سنت مورخ پترزبورگ بازگشت. وی نخستین ویرایش جدول عناصر خود را در سال ۱۸۶۹ چاپ کرد.الکساندر دوم ۱۸۱۸-۱۸۸۱ مبنی حکم رانی خود را سیاست خارجی نهاد. او آلاسکا را از ترس اینکه این مستعمره ی دور به چنگ انگلیس نیافتد به امریکا فروخت از جنگ با فرانسه دوری و با آلمان‌ اتریش-مجارستان به عنوان اتحادیه ی سه امپراطوری تلاش در تثبت وضعیت اروپا کرد. کارهای شگفت انگیز آتی مندلیف در شناسایی تشکیل دهنده ی نفت، پژوهشگری پرثمر او در زمینه‌های هیدرودینامیک، هواشناسی، زمین‌شناسی، برخی زمینه‌های فناوری شیمی نظیر مواد منفجره، نفت و سوخت و همکاری در اولین پالایشگاه نفت در روسیه نشانگر گسترش نقش علم و فناوری آن زمان روسیه است. برای مدتها او مشاور وزارت دارایی و همچنین نیروی دریایی روسیه بود و در نهایت به عنوان رئیس دفتر وزارت اندازه گیری کشور به منظور کمک به معرفی سیستم متریک در روسیه مشغول به کار شد.در همان دهه ، ژاپن نیز در حال تحولات بزرگی بود. بازسازی میجی در سال ۱۸۶۸ سرآغاز دوره ی جدیدی برای کشوری منزوی تا آن زمان بود. منشور سوگند امپراتور بر محور نیرومند سازی زیر ساخت های حکومتی از راه جذب و پذیرش دانش از سرتاسر جهان بود. دولت آغاز به سرمایه گذاری در بخش تولید و اصلاحات صنعتی کرد. دولت مدارس جدیدی تاسیس و کمک هزینه های آموزشی برای فرستادن دانش آموزان به خارج از کشور در علوم مختلف را تامیین کرد. دولت مرکزی دانشمندان ارشد سایر کشورها — از جمله انگلیس و ایالات متحده — را به ژاپن آورد تا در بخش دولتی آموزش دهند. رهبران در جهت به روزسازی دولت شروع به اولویت بندی در راستای سرمایه گذاری و حمایت در نهادهای پژوهشی کردندورود ایالات متحدهتازه در سال ۱۸۶۵ خونین ترین درگیری ها در تاریخ ایالات متحده همراه با ترور ابراهیم لینکن خاتمه یافته بود. این در گیری ها خونین ترین دوران تاریخ ایالات متحده به شمار میرود طوری که کشته های این دوره از جنگ های داخلی بین سال های ۱۸۶۱ تا ۱۸۶۵ از مجموع کشته های امریکا در جنگ جهانی اول و دوم و جنگ های کره و ویتنام و افغانستان و عراق بیشتر است. به هر روی ایالات متحده ی بسیار عقب از این گونه رشته سرمایه گذاری های بود و یک دنده و متفاوت از بقیه باقی ماند. حتی بعد از جنگ جهانی اول هم بسیاری از سیاستگذاران برجسته به دلیل عدم قابل قیاس بودن علمی کشور در زمینه آمادگی علمی و فنی در طول جنگ مورد تعرض قرار گرفته بودند.تلاش اصلاح طلبان در ایالات متحده در راستای پشتیبانی دولت از تحقیقات در مواجه با سنت دیرینه ایالات متحده که آموزش و پرورش نباید از دولت مرکزی بلکه توسط دولت های ایالتی و محلی کنترل و سیاست گذاری شود گیر کرده بود. در سرتاسر ایالات متحده، دانشکده ها و دانشگاه ها به رفته رفته شروع به توجه بیشتر به پژوهش پایه ای کردند و زیرساخت هایی را برای آزمایشگاه ها به وجود آوردند. اما نتیجه در خوشبینانه ترین حالت هنوز قابل قیاس با بقیه ی کشورها ی پیشرو نبود. در اواخر سال ۱۹۲۷، هنگامی که فیزیکدان جوان ایزیدور ربی برای مطالعه نظریه کوانتومی به آلمان سفر کرد، دریافت که کتابخانه ها سالیانه یک بار مجله ی امریکایی فیزیکال رویو را سفارش میدهند و دلیلی برای دریافت نسخه هایی با تناوب بیشتر ندارند. در سال های قبل از جنگ جهانی دوم در اوج رکود بزرگ دهه ۱۹۳۰ علم و پژوهش بی اهمیت هم شده بودند.تنها در اوایل دهه ۱۹۴۰ بود که دربحبوحه ی بسیج اضطراری در زمان جنگ جهانی دوم، دولت فدرال ایالات متحده در راستای تولید و گسترش رادار، سلاح های هسته ای، فیوزهای مجاورتی و پروژه های نظامی دیگر به حمایت گسترده از تحقیق و توسعه پرداخت.کارآیی تمهیدات زمان جنگ، سیاستمداران، برنامه ریزان ارتش و مدیران دانشگاه ها را تحت تأثیر قرار داد. با فرا رسیدن صلح، آنها تلاش كردند تا زیرساختهای جدیدی را به منظور حفظ روابط متاثر از جنگ گسترش دهند. بودجه های علوم فیزیکی و مهندسی در ایالات متحده ادامه و پس از آن افزایش یافت و تقریباً به طور کامل از دولت فدرال تامین می شد. در سال ۱۹۴۹ ، ۹۶٪ از کل بودجه در ایالات متحده برای پژوهش های بنیادی فیزیکی مربوط به آژانس های فدرال مرتبط به دفاع بود. تا سال ۱۹۵۴ — چهار سال پس از تاسیس بنیاد ملی علوم غیر نظامی ایالات متحده — این نسبت به 98٪ افزایش یافت.پس از آن ، سیاستگذاران در ایالات متحده دلایل جدیدی برای حمایت از تحقیقات پیدا کردند: این امر به تحقق اهداف داخلی برای توسعه صنعتی و دفاع نظامی کمک میکرد و یک عنصر اصلی در روابط بین الملل بود. سرمایه گذاری فدرال در پژهشکده های علمی در سراسر اروپای ویران شده واجب بود، به این دلیل که کمبود بودجه پژوهشی در دانشگاه های آن کشور ها ممکن بود باعث تقویت معاشقه دانشمندان با کمونیسم در کشورهایی مانند فرانسه ، ایتالیا و یونان شود. اصلاحات اساسی در سیستم دانشگاهی ژاپن تحت اشغال ایالات متحده پس از جنگ جهانی دوم نیز به گسترش مدل ایالات متحده کمک کرد. سرمایه گزاری بر علم تبدیل به سرمایه گذاری در قلب ها و ذهن ها شده بود .در ایالات متحده ، ثبات سرمایه گذاری دولت فدرال موجب رشد بی سابقه ای در تحقیقات علمی و زیرساخت ها شد. در طی ۲۵ سال پس از پایان جنگ جهانی دوم ، شمار جوانان آموزش دیده در علوم طبیعی از کل تعداد دانش آموختگان تاریخ بشر بیشتر شد. دولت آمریكا یك سیستم آزمایشگاهی ملی را توسعه داد و از طیف گسترده ای از تحقیقات در دانشگاه ها پشتیبانی كرد كه بیشتر آن ها ارتباط مستقیمی با پروژه های نظامی نداشتند. در حالی که بیشتر هزینه ها با رویکرد توسعه ی آماده سازی توجیه می شد. ایجاد یک استخر بزرگ از کارمندان آموزش دیده که در صورت داغ شدن جنگ سرد می توانستند در پروژه های نظامی متمرکز کار کنند.در این میان ، دانشمندان سرمایه گذار از فرصت هایی که ناشی از ارتباط نزدیک با حامیان نظامی بود، استفاده کردند. نگرانی های نیروی دریایی ایالات متحده در مورد جنگ زیردریایی باعث یافته های بسیاری در کف اقیانوس ها شد. دانشمندان علوم زمین ، با بهره گیری از داده ها و ابزارهای جدید، شواهد قانع کننده ای برای حرکات لایه های زمین پیدا کردند. به همین ترتیب ، فیزیکدانان وارد پروژه های دفاع موشکی طبقه بندی شده و موجب گسترش توسعه ی بیشتر در زمینه های جدید علمی چون نور(آپتیک) غیر خطی شدند.این “هنجار جدید” در حدود یک ربع قرن شکل گرفت. درست همان زمان که مجله ی نیچر در سال ۱۹۶۹ میلادی صدمین سالگرد خود را جشن میگرفت ، حسابرسان نظامی در ایالات متحده یک گزارش بلند با نام پروژه هیندسایت منتشر کردند. این گزارش حاکی از آن بود که سرمایه گذاری های دولت لذوما سود مستقیم قابل توجیهی برای آژانس های دفاعی نداشته. در آن سال ، سناتور دموکرات ، مایکل مانسفیلد (مونتانا) — که به زودی سابقه دارترین رهبر اکثریت سنا در تاریخ ایالات متحده شد — اصلاحاتی را در قانون اختیارات نظامی فدرال در سال ۱۹۷۰ وارد کرد. از آن پس وزارت دفاع نمی تواند از بودجه ی خود “برای انجام هرگونه پروژه تحقیقاتی یا مطالعه” که “رابطه ی مستقیم و آشکاری با یک نهاد نظامی” ندارد استفاده کند.در حیاط های های دانشگاهی سراسر کشور ، بحث در مورد نقش دولت در حمایت از تحقیقات علمی جدی تر شد. در میان تشدید جنگ ویتنام ، پژوهش های دانشمندان و دانشجویان با بودجه های نظامی در آموزش عالی حمایت می شدند. در دانشگاه کلمبیا در شهر نیویورک و دانشگاه ویسکانسین — مدیسون ، تندرو ها آزمایشگاه های تحقیقاتی با بودجه نظامی را با مواد منفجره هدف قرار دادند. در بسیاری از دانشگاه های دیگر ، پلیس برای پراکنده کردن معترضان عصبانی ، به گاز اشک آور و کلوپ های بیلی متوسل شد. Joyce Dopkeen/ Boston Globe / Getty اهرات دانشجویان امریکا ۱۹۶۹ بر علیه رابطه ی دانشمندان دانشگاهی و ارتش - تصویر از الگوهای پشتیبانی ترکیبی کنونی همچنان به میزان زیادی به بودجه دولت مرکزی بستگی دارد و هر ساله توجه بسیاری به مسائل مربوط به تخصیص بودجه در کنگره ایالات متحده میشود. اما حمایت از تحقیقات امروزه به پایداری حمایت های دولتی در اوایل عصر هسته ای نیست. براساس اطلاعات سازمان همکاری و توسعه اقتصادی و بانک جهانی ، در حال حاضر بیش از ۲۰ کشور بیش از ۲ درصد از تولید ناخالص داخلی خود را در تحقیق و توسعه سرمایه گذاری می کنند. با این حال، ماهیت حمایت دولتی در بسیاری از این کشورها تغییر کرده است و اغلب، اولویت با پروژه هایست که جوابگوی اهداف کوتاه مدت با کاربرد های عملی در مقایس بزرگ است.هنگامی که لاکایر نخستین شماره نیچر را به چاپ می برد، مفهوم شرکت های دانش بنیان در سراسر انگلیس ، قاره اروپا و بخش هایی از آسیا در حال شکل گیری بود. اما برای درک کامل بزرگی دامنه ی جستجوی دانشمندان کنونی برای دریافت سرمایه — دستاویز شدن به همسنگان امروزی سنای ونیز، در حین استقبال از سرمایه گذاران خصوصی چون موسسه کاولی یا برود و بنیاد سیمسون که زرق و برقی کمتر از قصر دوک برادران تاسکنی ندارند — باید گالیله را در خاطر سپرد.ترجمه ای مقاله ای با همین عنوان از نیچر نوشته ی David Kaiser مقاله ی اصلی را از اینجا بخوانید.طراحی از Senor Salme https://www.dropbox.com/scl/fi/pia8cr696p8ixh7108ntz/Kaiser.DiscoveryPolitical-Sept2019.pdf?rlkey=0ob3p0o4na84ys2cnjz20xbsy&st=m2cm2ivn&dl=0 علیرضا کاشانی علیرضا کاشانی Sun, 11 Oct 2020 00:32:47 +0330