انتشار باکتری در حضور آنتی بیوتیک و جهش آن.

🧑🏻‍🏫 #Renormalization w2.p1 Markov Chains

«مقدمه‌ای بر بازبهنجارش»
هفته دوم: زنجیره‌های مارکوف
قسمت اول: سری‌های زمانی و زنجیره‌های مارکوف

در این قست به سراغ زنجیره‌های مارکوف می‌روم و در مورد درشت‌دانه‌بندی کردن سری‌های زمانی صحبت خواهم کرد. به فضای مدل‌ها و تغییرات پارامترها پس از بازبهنجارش خواهم پرداخت و به نقاط ثابت، کاهش ابعاد فضا و تغییر کلاس‌ها اشاره خواهم کرد.

🎞 ویدیو در صفحه اینستاگرام سیتپور

🔗 اطلاعات بیشتر:
sitpor.org/2019/09/renorm-week2-mc/

~~~~~~
@sitpor
‌instagram.com/sitpor_media
~~~~~~~

آنیون‌ها و آمار کوانتومی در ۲-بعد

در این نوشته در مورد معنی ذره در فیزیک صحبت می‌کنیم و به سراغ خواص آماری ذرات کوانتومی میریم. به این موضوع اشاره می‌کنیم که در ۲-بعد نه تنها ذرات کوانتومی فقط شامل فرمیون‌ها و بوزون‌ها نیستند بلکه آمار خیلی غنی‌تری هم اونجا وجود داره!

بیشتر بخوانید:
🔗 sitpor.org/1399/08/anyons-2d-qstat-phys/

~~~~~~
@sitpor
‌instagram.com/sitpor_media
~~~~~~~

🧑🏻‍🏫 #Renormalization w2.p2 Math of Markov Chains

«مقدمه‌ای بر بازبهنجارش»
هفته دوم: زنجیره‌های مارکوف
قسمت دوم: ریاضیات زنجیره‌های مارکوف

در این قست به سراغ زنجیره‌های مارکوف می‌روم و در مورد درشت‌دانه‌بندی کردن سری‌های زمانی صحبت خواهم کرد. به فضای مدل‌ها و تغییرات پارامترها پس از بازبهنجارش خواهم پرداخت و به نقاط ثابت، کاهش ابعاد فضا و تغییر کلاس‌ها اشاره خواهم کرد.

🎞 ویدیو در صفحه اینستاگرام سیتپور

🔗 اطلاعات بیشتر:
sitpor.org/2019/09/renorm-week2-mc/

~~~~~~
@sitpor
‌instagram.com/sitpor_media
~~~~~~~

💡 Say we develop a safe, effective #COVID19 vaccine. Then what?
https://t.co/shRMIggkdU

💰 Fellowship in data science, machine learning, computational social science awarding KRW150M/year here (1 opening): https://t.co/UGhM5Tw2jJ #IBS #Scientist

🔖 Statistical physics of complex information dynamics

Arsham Ghavasieh, Carlo Nicolini, and Manlio De Domenico
Phys. Rev. E 102, 052304

Abstract
The constituents of a complex system exchange information to function properly. Their signaling dynamics often leads to the appearance of emergent phenomena, such as phase transitions and collective behaviors. While information exchange has been widely modeled by means of distinct spreading processes—such as continuous-time diffusion, random walks, synchronization and consensus—on top of complex networks, a unified and physically grounded framework to study information dynamics and gain insights about the macroscopic effects of microscopic interactions is still eluding us. In this paper, we present this framework in terms of a statistical field theory of information dynamics, unifying a range of dynamical processes governing the evolution of information on top of static or time-varying structures. We show that information operators form a meaningful statistical ensemble and their superposition defines a density matrix that can be used for the analysis of complex dynamics. As a direct application, we show that the von Neumann entropy of the ensemble can be a measure of the functional diversity of complex systems, defined in terms of the functional differentiation of higher-order interactions among their components. Our results suggest that modularity and hierarchy, two key features of empirical complex systems—from the human brain to social and urban networks—play a key role to guarantee functional diversity and, consequently, are favored.

🎞 Dirk Brockmann gave the keynote lecture on "A network perspective on the COVID-19 pandemic".

https://youtu.be/0XBIldY8agA?list=PLX5MLZUBu5RXLhBvhWBRc5ZxjXIYAnWJu

💡💉 چه کسانی‌ را ابتدا باید واکسینه کرد؟
https://www.wired.com/story/covid-19-vaccine-super-spreaders/

⛱ https://www.nytimes.com/2020/11/09/science/what-makes-sand-soft.html

💡 David Wolpert linking non-equilibrium physics and Bayesian networks

“Now we can start to analyze how thermodynamics of systems from cells to digital circuits depend on network structures connecting subsystems of those systems

https://t.co/pF8YbThaY2

Complex Systems Seminar Special Event | Searching for the densest network that does not always synchronize
Steven Strogatz, Applied Mathematics, Cornell University

Tuesday, November 17, 2020
2:30-4:00 PM
Virtual

https://lsa.umich.edu/cscs/news-events/all-events.detail.html/78499-20052321.html

Consistency and identifiability of football teams: a network science perspective

https://www.nature.com/articles/s41598-020-76835-3

💰 Interested in doing population-scale social network analysis? There are now two #PhD positions and one #Postdoc position in computational social sciences available @UvA_Amsterdam! Deadline is December 3.

https://t.co/HkUf8ObZeg

Using agent-based simulations, it shows that two network intervention strategies that divide or balance social groups can substantially reduce SARS-CoV-2 transmission while preserving the economy. https://t.co/3jGVV4OSM4

Introduction to Linear Algebra for Applied Machine Learn

https://t.co/CUEArRBicW

🦠 “Why Switzerland became one of the world's worst coronavirus hotspots”

https://t.co/8Z7wOiWkCC

💻 A machine learning tool called diffusion-maps has been used to identify topological phase transitions in experimental data.

https://physicsworld.com/a/machine-learning-spots-topological-phase-transitions-in-experimental-data/

🦠 مردم بیشتر در چه مکان‌هایی به کرونا مبتلا شدند؟!

مقاله‌ای در نیچر گزارش میده که عمده ابتلاها در مکان‌های کوچیک مثل - به ترتیب - رستوران‌ها، باشگاه‌های ورزشی، کافه‌ها و هتل‌ها بوده. آمار‌ ابتلا در رستوران‌ها و غذاخوری‌های عمومی در صدر‌ جدول و ۴ برابر‌ بیشتر از بقیه بوده.

https://t.co/WO4E0PMcp9

This week's paper is a novel approach to describe an "individual" in Biology without relying on features like cell membrane, but instead on a mathematical formulation that takes into account the information propagated in time.

You can read the annotated paper by David's Krakauer et al here: https://t.co/QuPd7A8m65