ارتقای کیفیت بازیکنان بسکتبال با علم فیزیک
ارتقای کیفیت بازیکنان بسکتبال با علم فیزیک

به نظر می‌رسد یک نظریه فیزیک که برای پیش بینی رفتار انبوه مولکول‌ها و مگس‌های میوه مفید است بتواند حتی در زمین بسکتبال بسیار متفاوت عمل کند.

به گزارش سرویس وبگردی پاتوق من ، یک مدل مبتنی بر تئوری تابعی چگالی می‌تواند بهترین موقعیت را برای هر بازیکن در زمین بسکتبال در یک سناریوی معین پیشنهاد کند. گفتنی است که این مدل می‌تواند احتمال گلزنی یا دفاع موفق را افزایش دهد.

بوریس بارون (Boris Barron) دانشجوی دکترای فیزیک که با توماس آریاس (Tomás Arias) استاد دانشکده فیزیک در کالج هنر و علوم کار می‌کند، می‌گوید: ما ایده پروژه خود را از ناتان سیتارامن (Nathan Sitaraman) گرفتیم که با یک تیم NBA مشورت می‌کند تا به آن‌ها کمک کند تا از طریق تجزیه و تحلیل داده‌ها بازی خود را بهبود بخشند. سیتارامن توانست اطلاعات بسیار دقیقی از موقعیت‌های بازیکن را از بازی‌های NBA این فصل به دست آورد که بعدا بارون از آن‌ها برای توسعه مدل خود استفاده کرد.
با استفاده از نتایج این مدل سازی بارون قادر است پیش بینی کند که یک بازیکن خاص ممکن است به کجا برود و حتی تعیین کند که کدام بازیکنان در موقعیت‌های خوب یا بد قرار دارند. به گفته محققان این مدل با محاسبه احتمال موفقیت و وضعیت تهاجمی یا تدافعی و همچنین بر اساس موقعیت بازیکن می‌تواند شبیه سازی‌هایی از نحوه واکنش تیم حریف مانند دویدن در سراسر زمین، ایجاد کند.
بارون در این باره گفت: ما می‌توانیم دقیقاً ببینیم که یک بازیکن باید کجا باشد تا به تیمش کمک کند و همین چند متر می‌تواند تا ۳ درصد تفاوت در موفقیت ایجاد کند.
مدل‌های ریاضی که بارون استفاده می‌کند بر اساس روش‌های برنده جایزه نوبل است که در ابتدا برای مطالعه مجموعه‌های بزرگی از الکترون‌های برهم‌کنش کننده مکانیکی کوانتومی توسعه یافتند. آریاس گفت: این روش‌ها زمانی کار می‌کنند که شما بازی‌هایی مانند بسکتبال را تجزیه و تحلیل کنید، زیرا اندازه گیری رفتار گروه‌های مردم دشوار است.
او همچنین گفت: تکنیک‌های فیزیک ما به این دلیل وارد عمل می‌شوند که شما بازیکنان را به صورت جداگانه بررسی نمی‌کنید، بلکه به نحوه همکاری آن‌ها در زمین نگاه می‌کنید. به همین دلیل است که به این تحلیل سطح بالاتر نیاز دارید.
 بارون گفت که مربیان می‌توانند داده‌های خاص تیم یا بازیکن را برای حریفان خود در این مدل وارد کنند تا استراتژی‌ای برای خنثی کردن رایج‌ترین بازی‌ها ایجاد کنند. مربیان می‌توانند محاسبات را قبل از بازی انجام داده، سپس آن‌ها را روی دستگاه هوشمندی که می‌توانند روی نیمکت استفاده کنند نمایش دهند و به مسیر‌های دقیقی را که بازیکنان باید بر اساس داده‌ها طی کنند، دست یابند. آن مربیان همچنین می‌توانند داده‌های مختص هر یک از بازیکنان خود را به دست آورند تا دریابند کدام بازیکنان بیشتر به موفقیت تیم می‌افزایند.
مترجم: مهدی فلاحی پناه
منبع: phys.org