ในฐานะนักฟิสิกส์ ฉันได้รับการฝึกฝนให้ค้นหารูปแบบในข้อมูล ตัวอย่างเช่น การเคลื่อนที่ของอนุภาคที่เล็กที่สุดอาจดูเหมือนสุ่ม แต่มีรูปแบบและความสมมาตร

อาจกล่าวได้เช่นเดียวกันกับการเคลื่อนไหวและปฏิสัมพันธ์ของมนุษย์ มนุษย์ส่วนใหญ่ย้ายไปและระหว่างสถานที่ที่คุ้นเคย (เช่น บ้านและที่ทำงาน) และอาจพบบุคคลเดียวกัน เช่น เพื่อนร่วมงาน เกือบทุกวัน แต่โดยธรรมชาติแล้ว ยังมีปฏิสัมพันธ์แบบสุ่มในโลกสมัยใหม่ที่ซับซ้อนของเราอีกด้วย มีโอกาสดีที่เราจะเจอคนแปลกหน้าแบบสุ่มเมื่อเราเดินทางจากที่หนึ่งไปยังอีกที่หนึ่ง การเคลื่อนไหวของมนุษย์ประกอบด้วยทั้ง "รูปแบบปกติและรูปแบบสุ่ม" บาคาร่า

ความสามารถในการติดตามและทำนายการเคลื่อนไหวของมนุษย์และปฏิสัมพันธ์นั้นมีค่ามากในการศึกษาการแพร่กระจายของโรคติดเชื้อ แต่วิธีการหนึ่งบัญชีสำหรับการสุ่มโดยธรรมชาติ? นักวิทยาศาสตร์บางคนใช้ข้อมูลมือถือในเยอรมนีเพื่อติดตามผลกระทบของการเคลื่อนไหวของมนุษย์ต่อการแพร่กระจายของ COVID-19

แต่มีวิธีการที่ง่ายกว่านี้หรือไม่?

บทความ ฉบับเดือนมีนาคม 2020ใน Washington Post ให้แนวคิดกับเพื่อนร่วมงานและตัวฉัน บทความนี้พยายามอธิบายให้ผู้อ่านทราบว่าการเว้นระยะห่างทางสังคมสามารถชะลอการแพร่กระจายของ coronavirus ใหม่ได้อย่างไร ผู้เขียนสร้างการจำลองโดยใช้จุดสีต่างๆ ซึ่งเคลื่อนที่ไปในทิศทางแบบสุ่มและชนกันอย่างต่อเนื่อง จุด "ติดเชื้อ" (เป็นตัวแทนของคน) ชนเข้ากับจุดที่ "ไม่ติดเชื้อ" และแพร่เชื้อต่อไป

การจำลองของ Washington Post ศึกษาการแพร่กระจายของโรคเป็นกระบวนการติดต่อ ซึ่งเป็นแนวคิดที่ได้รับการศึกษาอย่างละเอียด ถี่ถ้วนใน เชิงคณิตศาสตร์ จุดยังเตือนเราถึงการเคลื่อนที่แบบสุ่ม ( แบบบราวเนียน ) ของอะตอมของก๊าซและการแพร่ระบาด ซึ่งเป็นปัญหาที่ศึกษามาอย่างดีในด้านฟิสิกส์ เคมี และวิศวกรรม บาคาร่า

ด้วยแรงบันดาลใจจากบทความดังกล่าว เราจึงมองหาวิธีค้นหารูปแบบที่เป็นประโยชน์ในการสุ่มเคลื่อนไหวของมนุษย์อย่างชัดเจน เพื่อใช้ในการศึกษาการแพร่กระจายของโรคติดเชื้อร้ายแรง เช่น โควิด-19 การฝึกเริ่มต้นจากการเบี่ยงเบนทางปัญญาในช่วงล็อกดาวน์ นับตั้งแต่นั้นมา ก็ได้ส่งผลให้มีการตีพิมพ์ บทความที่ ผ่านการตรวจสอบโดยเพื่อน จำนวนสามบทความ โมเดลของเราได้รับการพิสูจน์แล้วว่าแม่นยำมากเมื่อเทียบกับการสังเกต

สำหรับบทความที่ 3ศาสตราจารย์ DP Mahapatra และฉันศึกษาด้านที่ซับซ้อนมากขึ้นของการทำนายคลื่นการติดเชื้อหลายครั้งโดยใช้แบบจำลอง Monte Carlo ของเรา ผลลัพธ์ถูกเปรียบเทียบกับข้อมูลที่รายงานจากสี่ประเทศที่มีขนาดตัวแทน: อินเดีย (ประมาณ 1.4 พันล้านคน) สหรัฐอเมริกา (330 ล้านคน) แอฟริกาใต้ (60 ล้านคน) และเซอร์เบีย (7 ล้านคน) สิ่งเหล่านี้แสดงให้เห็นถึงข้อตกลงที่สมเหตุสมผลกับช่วงเวลาของคลื่น COVID-19 ที่พบในประเทศต่างๆ เหล่านี้

เกมแห่งโอกาส

ในการสร้างแบบจำลองของเรา เราใช้สิ่งที่เรียกว่าการจำลองมอนติคาร์โลซึ่งใช้กันทั่วไปในวิชาฟิสิกส์ตลอดจนในสาขาที่หลากหลาย เช่น วิศวกรรมและการเงิน วิธีมอนติคาร์โลได้รับการตั้งชื่อตามจุดหมายปลายทางการพนันที่หรูหราในโมนาโก ซึ่งเหมือนกับเกมคาสิโนอื่น ๆ – เกมแห่งโอกาสเป็นเรื่องปกติ

สิ่งที่ทำให้การจำลองแบบมอนติคาร์โลน่าดึงดูดใจมากคือความสามารถในการทำนายผลลัพธ์ที่เป็นไปได้ที่แตกต่างกัน เพราะพวกเขาเตรียมการสำหรับการมีอยู่ของตัวแปรสุ่มหรือองค์ประกอบ ตัวอย่างเช่นในการพนัน ตัวแปรอาจรวมถึงผู้เล่น เจ้ามือ การสับไพ่ และจำนวนผู้เล่นรอบโต๊ะ

ในกรณีของการแพร่กระจายของโรคโดยการสัมผัสกัน (หรือตามระยะใกล้) ตัวแปรสุ่มหนึ่งตัวคือการเคลื่อนไหวของมนุษย์ เพื่ออธิบายสิ่งนี้ในการจำลอง เราใช้สิ่งที่เป็นที่รู้จักในทฤษฎีความน่าจะเป็นและฟิสิกส์สถิติว่าเป็น "การเดินสุ่ม" กระบวนการนี้มีจุดมุ่งหมายเพื่อกำหนดตำแหน่งที่น่าจะเป็นของวัตถุที่อยู่ในการเคลื่อนไหวแบบสุ่ม ผลลัพธ์ที่แตกต่างกันแต่ละรายการคือสแนปชอต จากนั้นจึงรวมหลายๆ ผลลัพธ์เป็นภาพรวม

บทความแรกของเราซึ่งตีพิมพ์ในปี 2564 ได้ศึกษาผลกระทบของข้อจำกัดด้านการเคลื่อนไหวและกลยุทธ์การแทรกแซงในการควบคุมการแพร่กระจายของ COVID-19 การจำลองแสดงให้เห็นว่าจำนวนการติดเชื้อที่เพิ่มขึ้นภายในประชากรที่ถูกควบคุมและถูกจำกัดนั้นเป็นไปตามกฎแห่งอำนาจ แทนที่จะเป็นการ เติบโตแบบทวีคูณที่สันนิษฐานซึ่งใช้ในการสร้างแบบจำลองทางระบาดวิทยา ส่วนใหญ่

มาตราส่วนของกฎหมายพลังงานแสดงให้เห็นว่าจำนวนการติดเชื้อ (หรือผู้เสียชีวิต) ภายในประชากรที่ถูกจำกัดเพิ่มขึ้นในลักษณะที่เป็นสัดส่วนกับพลังงาน (เศษส่วน) ของเวลา ประเด็นที่น่าสนใจอย่างหนึ่งจากบทความนี้คือพฤติกรรมของกฎหมายอำนาจสำหรับการเติบโตของโรคระบาดนั้นเกิดขึ้นตามธรรมชาติจากการจำลองของเรา การเติบโตของกฎหมายอำนาจดังกล่าวพบเห็นได้ในข้อมูลช่วงแรกๆ ของจีนและอธิบายโดยใช้แบบจำลองทางระบาดวิทยาที่แก้ไขแล้ว ซึ่งรวมการล็อกดาวน์และสถานการณ์เว้นระยะห่างทางสังคมอื่นๆ

เอกสารนี้ตามมาด้วยการ ตีพิมพ์ ครั้งที่สองในเดือนธันวาคม พ.ศ. 2564 ซึ่งเป็นแบบจำลองเชิงประจักษ์เพื่อวิเคราะห์และคาดการณ์ที่แม่นยำสำหรับเส้นกราฟการเติบโตของโรคระบาดที่ไม่สมบูรณ์ซึ่งเป็นไปตามมาตราส่วนกฎหมายพลังงาน