علم به مدلسازی کامپیوتری تکیه می کند

|
۰ دیدگاه
sciencerelie

از زمان کشف پنسیلین تا تئوری نسبیت و مکانیک کوانتوم، علم با رشدی چندین برابر حتی قبل از اینکه کامپیوترها پا به عرصه بگذارند تاخته است.

به گزارش کلیک، قسمت اعظم این پیشرفت به قدرتمندی و استواری شیوه علمی بر می گردد: تکرار آزمایشات و گسترش آنها توسط دیگر دانشمندان به نتایج علمی گذشته اعتبار می بخشد.
اما روش انجام کارهای علمی دست خوش تغییر شده است- در حال حاضر برای درک و فهم طبیعت، بیشترین اتکا بر مدل های کامپیوتری است و جالب است که تکثیر و کپی این مدل ها تقریبا غیرممکن است- بدین معنی که یکی از سنگ محک های مهم علم با چالش مواجه شده است. پس، واکنش دنیای حقیقی این تغییر چه خواهد بود و ما چه کاری در این موقعیت می توانیم انجام دهیم؟
علم پیش مدرن که “فلسفه طبیعی” نیز گفته می شود تجربی بود. علم تجربی از مشاهدات گذشته برای پیش بینی آینده استفاده می کند و سپس این مشاهدات را به بوته آزمایش می گذارد. تیکو براهه منجم دانمارکی قرن شانزدهم موفق شد مشاهدات فلکی خود را به این شیوه جامعیت و صحت بخشید. اما علم مدرن برخلاف علم تجربی، نظری است. در علم نظری یا تئوری نیز به پیش بینی پرداخته می شود اما این پیش بینی ها برگرفته از مدل های ریاضیاتی است و نه مشاهدات گذشته. قوانین حرکت نیوتن را در نظر بگیرید؛ مثلا قانون جذر معکوس جاذبه.
برای مثال، معادله ایی وجود دارد که گردش زمین به دور خورشید را تشریح می کند. از این معادله می توان برای ساخت مدل های کامپیوتری استفاده کرد. فقط متغییرهای خاص را به این مدل بدهید و ببینید که چطور راه حل تغییر می کند. علاوه بر این می توانید از همین برنامه برای مدل سازی سیستم های نجومی استفاده کرد. ریاضیات آن درست همانند مورد فوق الذکر است. تمام کاری که شما باید انجام دهید این است که اجرام مختلف و دیگر خواص متنوع اجرام سماوی مربوطه را وارد کنید.
۱-sciencerelie
ترسیم رصدخانه تیکو براهه در دانمارک

چنین معادلات ریاضیاتی زمانی فوق العاده هستند که در دسترس باشند- اما اغلب این گونه نیست. به عنوان مثال، واقفیم که هیچ معادله ساده ایی وجود ندارد که بتواند “مسئله سه جسم” را حل کند. این مسئله به شرح سه جرم سماوی می پردازد که با نیروی جاذبه اطراف هم می چرخند و بر هم تأثیر می گذارند؛ درست مثل ماه، زمین و خورشید. قسمت اعظم علم امروز به منظومه های پیچیده تر می پردازد و مشابها فاقد راه حل های دقیق و صحیح است. این گونه مدل ها باید محاسباتی باشند، یعنی نحوه تغییر یک منظومه از ماهی به ماه بعد را تشریح کند. اما هیچ روشی برای تعیین حالت دقیق و واقعی در زمانی از آینده غیر از “شبیه سازی” تکامل آن در این شیوه وجود ندارد. بینی وضعیت جوی از نمونه های رایج و آشنا در این خصوص است. تا اینکه با ظهور کامپیوترها در دهه ۱۹۵۰، پیش بینی وضعیت آب و هوا سریع تر از آنچه قبلا بود امکان پذیر شد.
علم مدرن معمولا در برگیرنده ساخت یا برنامه ریزی یک مدل ریاضیاتی است که سیستم های پیچیده را توصیف، سپس آن را به یک شبیه سازی محاسباتی تبدیل می کند و از شبیه سازی در جهت پیش بینی و در راستای اعتبار سنجی مدل بهره می برد.

وقتی مدلسازی به بن بست می خورد…
از مدلسازی در زمینه های علمی بهره گرفته می شود- از فیزیک نجومی و پیش بینی آب و هوا گرفته تا بیوانفورماتیک و اقتصاد. اما این بحث همچنان وجود دارد که اعتبارسنجی از طریق تکثیر و کپی در این علم کار دشواری است.
۲-sciencerelie

بدون شک تشریح روش های تجربی فقط به حرف کفایت نمی کند. یکی از علت ها شاید این باشد که زبان های طبیعی نظیر انگلیسی برای تشریح دقیق محاسبات بسیار گنگ و مبهم هستند. به همین دلیل است که برنامه نویس ها از زبان های برنامه نویسی استفاده می کنند. یکی از بزرگترین چالش ها در توسعه نرم افزار، تبدیل شرایط مبهم به ویژگی های دقیق رفتاری است.
دانشمندان نیز مانند همه انسان ها جایزالخطا هستند. تبدیل هرگونه اطلاعات به برنامه تقریبا همواره اشکالاتی به همراه دارد. مثلا، بسیاری از دانشمندان به ابزارهای پویش داده ها مثل صفحات گسترده وابسته هستند. استفاده از این ابزار فقط کار را راحت تر می کند و دقت را در پژوهش دخیل نمی کند. محاسبه طیف نادرست خانه ها در یک صفحه گسترده بسیار ساده است، بدون این که حتی یک هشدار دریافت شود. این یکی از معایب روش شناسی در مقاله ایی بود که حزب دموکرات آمریکا برای سیاست های خود ارائه داد.
در مطالعه دیگری که اخیرا روی ۱۵۷۷۰ صفحه گسترده انجام شد نشان داده شد که ۲۴درصد این صفحات گسترده حاوی حداقل یک فرمول دارای اشکال آشکار مثل افزودن خانه های خالی بود.
در علوم طبیعی، مشاهده گر آب و هوای مریخ (Mars Climate Observer) کاوشگر فضایی که در سال ۱۹۹۸ برای مطالعه آب و هوا به مریخ پرتاب شد یک سال بعد گم شد. چرا که یک بخش از نرم افزار کنترل اشتباها به جای دستگاه های متریک از دستگاه های امپراتوری استفاده کرده بود. در مطالعه دیگری روی نه پیاده سازی مستقل همان آزمایش زمین شناسی-با استفاده از همان مجموعه داده ها، الگوریتم ها و زبان برنامه نویسی- مطابقت ضعیف بین نتایج حاصل شده را نشان داد. حتی اگر خواننده یک مقاله بتواند منظور دقیق نویسنده را تفسیر کند و سپس آن را به اشتباه به یک برنامه ترجمه کند باز هم تله هایی در اجرای آن وجود دارد. یکی از تله های بسیار خhص ناشی از نحوه سروکار کامپیوترها با اعداد است: با وجود اینکه کامپیوترها می توانند اعداد صحیح مثل ۴۲ و -۱۷ را با مهارت کامل و به درستی اداره کند اما تیکنیک های استاندارد سروکار با اعداد حقیقی مثل π≈۳٫۱۴ و √۲≈۱٫۴۱۴ فقط دقت نسبی را ممکن می سازد. این تقریب ها به این معنی است که روش های مشابه برای محاسبه مقدار یکسان می تواند منجر به نتایج متفاوت شود. چکار باید کرد؟ در صورتی که حتی توسه دهندگان متخصص نرم افزار نتوانند نرم افزار درست عرضه کنند، چه انتظارتی می توان از برنامه نویسان آماتون مثل دانشمندان می شود داشت؟
یک راه حل این است که ابزارهایی برای طراحی زبان های برنامه نویسی “مختص دامنه” تولید گردد که هر کدام مختص یک مشکل خاص باشد؛ مثل رفتار نماینده ها در بازارهای اقصادی یا نفوذ دارو به درون سلول. این ابزارها توصیف مستقیم محاسبات در شرایط آشنا را برای متخصصان خیلی آسان تر می کند و دیگر نیازی به کدگذاری غیرمستقیم به زبان برنامه نویسی همه منظوره نیست. در رویکرد دوم طراحی گویاتر مد نظر می باشد. در این روش، از ایجاد خطاهای اصطلاحا احمقانه جلوگیری می شود.
منبع:phys

0 پسندیده شده
هدی زارعی.کارشناس ارشد زبان انگلیسی. علاقه مند به فناوری های پزشکی و بیولوژیکی.
از این نویسنده

بدون دیدگاه

جهت ارسال پیام و دیدگاه خود از طریق فرم زیر اقدام و موارد زیر را رعایت نمایید:
  • پر کردن موارد الزامی که با ستاره قرمز مشخص شده است اجباری است.
  • در صورتی که سوالی را در بخش دیدگاه مطرح کرده باشید در اولین فرصت به آن پاسخ داده خواهد شد.