چرا حل مسئله به فرمول نیست، به الگوریتم است
PCT TECH @ 4 Nov. 2026: pct academy course-10 book by 17027 - pro pct Algorithm
بسیاری تصور می‌کنند مسائل سخت با فرمول‌های دقیق‌تر حل می‌شوند. اما بخش بزرگی از مسائل واقعی اصلاً فرمول بسته ندارند. نه در کامپیوتر، نه در ریاضیات، نه در فیزیک، نه در شیمی و زیست‌شناسی.
این مقاله درباره همین تفاوت است و درباره کاری که روی آن تمرکز کرده‌ام: کشف الگوریتم از داده، به‌جای برازش فرمول به داده.
چهار سطح که نباید با هم اشتباه شوند:
فرمول یک بیان نمادین است. می‌گوید چه چیزی درست است، بدون محاسبه و بدون زمان.
تابع به هر ورودی یک خروجی می‌دهد، ولی نمی‌گوید با چه فرآیندی.
الگوریتم یک رویه است: حالت اولیه، گام‌های تغییر حالت، شرط توقف، خروجی. الگوریتم جواب می‌دهد به این پرسش که چگونه به جواب برسیم.
نرم‌افزار الگوریتم اجراشده است. الگوریتم را از دنیای نظری به واقعیت می‌آورد.
چرا ریاضیات هم فرمول بسته ندارد:
معادله درجه پنجم: آبل و گالوا در قرن نوزدهم نشان دادند فرمول بسته‌ای برای آن وجود ندارد. تنها راه، الگوریتم عددی است.
معادلات دیفرانسیل جزئی: ناویه-استوکس هیچ فرمول بسته‌ای ندارد. تنها راه، شبیه‌سازی عددی است.
توابع خاص: برای مقادیر غیرصحیح فرمول بسته ندارند. تنها راه، الگوریتم تقریب است.
چرا فیزیک پیش از کامپیوتر به الگوریتم نیاز پیدا کرد:
مسئله سه جسم از قرن هجدهم تا کنون فرمول بسته ندارد. تنها راه، روش‌های عددی است.
مکانیک آماری، نظریه میدان کوانتومی، دینامیک مولکولی، همه در قلمرو الگوریتم‌اند، نه فرمول.
چرا شیمی و زیست‌شناسی ?
محاسبه ساختار الکترونی مولکول‌ها فرمول بسته ندارد. تاخوردگی پروتئین فرمول بسته ندارد. تکامل و شبکه‌های تنظیم ژن فرمول بسته ندارند. تنها راه در همه اینها الگوریتم است.
نکته مهم: برخی از این موارد را من خودم اخیرا فرمول بسته و دقیق و نهایی برایشان کشف کرده ام... اینها قدیمی است و معروف به اینکه فرمول بسته ندارند... باز هم شاید حتی خود من بتوانم با کشف الگوریتم های جدید راه حل های بهتری پیدا کنم... الکترون ها دارای الگوریتم هستند این را کشف کرده بودم خودم...
تفاوت برازش فرمول و کشف الگوریتم:
برازش فرمول: یک تابع انتخاب می‌شود که در داده آموزش خوب کار می‌کند، ولی ساختار را نمی‌فهمد. در داده جدید شکست می‌خورد.
کشف الگوریتم: ساختار درونی، ترتیب گام‌ها، شرط‌های تصمیم از داده استخراج می‌شوند. در داده جدید هم کار می‌کند، چون ساختار واقعی را فهمیده.
کتاب من که حاصل این ها است:
از دل اینها، یک کتاب دوازده‌فصلی بیرون آمد: دوره ده مهندسی خلقت، الگوریتم خلقت. هر فصل یک الگوریتم کشف را با صورت‌بندی دقیق، منطق ریاضی، پیاده‌سازی، نتایج تجربی، و محدودیت‌های صریح معرفی می‌کند. (کد های هر فصل در انتهای هر فصل هستند دقیق و آماده!)
دوازده فصل:
یک. کشف توالی طلایی و تعمیم نتایج متناهی به فرمول بسته
دو. طبقه‌بندی قطعی رژیم‌های رشد مجانبی
سه. تشخیص گروه از یک عملیات جعبه‌سیاه
چهار. جداسازی دقیق ساختارهای جبری
پنج. تشخیص جابجایی در ساختارهای جبری
شش. محاسبه مرتبه عناصر از جدول کِیلی
هفت. تشخیص گراف منتظم بدون دانش پیشین
هشت. طبقه‌بندی ساختار گراف بر اساس چگالی
نه. سنتز الگوریتم از جفت‌های ورودی-خروجی
ده. ترکیب خودکار primitiveها برای کشف توالی
یازده. معماری یکپارچه موتور کشف
دوازده. سوگیری هندسی ترتیب تست در کشف ساختار
کتاب برای چه کسانی مناسب است؟
استادان و پژوهشگران که به دنبال یک چارچوب مشخص برای کشف الگوریتم از داده هستند.
دانشجویان تحصیلات تکمیلی که می‌خواهند تفاوت برازش تابع و کشف ساختار را در عمل ببینند.
مهندسان صنعت که با مسئله کشف ساختار از داده روبه‌رو هستند و می‌خواهند به‌جای مدل‌های جعبه‌سیاه از ابزارهای قابل تفسیر و سبک استفاده کنند.
کاربردهای مشخص در صنعت ایران:
نفت و گاز: تشخیص زودهنگام خرابی، بهینه‌سازی مصرف انرژی.
فولاد و معدن: کاهش ضایعات، بهبود کیفیت.
داروسازی: بهینه‌سازی تولید، تشخیص انحراف کیفیت.
بانکداری و بیمه: تشخیص تقلب، ارزیابی ریسک.
مخابرات و مراکز داده: تشخیص ناهنجاری، تخصیص منابع.
سلامت: تشخیص زودهنگام، پیش‌بینی پاسخ به درمان.
کشاورزی: بهینه‌سازی آبیاری، پیش‌بینی خشکسالی.
لجستیک: بهینه‌سازی مسیر، پیش‌بینی تقاضا.
ارزش رویکرد:
صداقت: هر الگوریتم صریحاً اعلام می‌کند در چه محدوده‌ای معتبر است. ابزاری که می‌داند کجا جواب ندهد، قابل‌اعتمادتر از ابزاری است که همیشه جواب می‌دهد.
قابلیت تفسیر: مهندس صنعتی می‌تواند بفهمد چرا الگوریتم به یک نتیجه رسیده، برخلاف مدل‌های جعبه‌سیاه.
کارایی: بدون نیاز به GPU یا داده عظیم، روی یک لپ‌تاپ قابل اجرا.
این کتاب برای همه نیست. برای کسی نوشته شده که حاضر است درباره مسئله‌اش دقیق فکر کند، نه اینکه فقط به دنبال یک جواب آماده باشد.
اگر استاد یا پژوهشگر هستید و می‌خواهید درباره محتوای علمی بیشتر بدانید، اگر دانشجوی تحصیلات تکمیلی هستید و به دنبال موضوع پژوهشی جدی هستید، یا اگر در صنعت با مسئله کشف ساختار از داده روبه‌رو هستید، به من پیام بدهید. با تشکر
