Από τη μετασχηματισμένη ανακάλυψη της πενικιλίνης στις θεωρίες της σχετικότητας και της κβαντικής μηχανικής, η επιστήμη εξελίχθηκε με ταχύτατη ταχύτητα ακόμα και πριν υπήρχαν υπολογιστές. Πολλά από αυτά εξαρτώνται από την ευρωστία της επιστημονικής μεθόδου: τα επιστημονικά αποτελέσματα επικυρώνονται με την αναπαραγωγή και επέκταση άλλων επιστημόνων.

Αλλά ο τρόπος που κάνουμε την επιστήμη αλλάζει - τώρα βασίζουμε όλο και περισσότερο σε πολύπλοκα μοντέλα υπολογιστών για να κατανοήσουμε τη φύση. Και αποδεικνύεται ότι αυτά τα μοντέλα μπορεί να είναι σχεδόν αδύνατο να αναπαραχθούν - πράγμα που σημαίνει ότι αμφισβητείται ένας σημαντικός λίθος επιστήμης. Ποιες είναι λοιπόν οι πραγματικές επιπτώσεις αυτής της αλλαγής και τι μπορούμε να κάνουμε γι 'αυτήν;

Η προ-σύγχρονη επιστήμη-γνωστή ως «φυσική φιλοσοφία»-ήταν εμπειρική. Η εμπειρική επιστήμη χρησιμοποιεί παρελθοντικές παρατηρήσεις για να κάνει προβλέψεις για το μέλλον, οι οποίες μπορεί στη συνέχεια να δοκιμαστούν. Τίτσο Μπρα, Δανός αστρονόμος του 16ου αιώνα, κατάφερε να κάνει ακριβείς και ολοκληρωμένες παρατηρήσεις των ουρανών με αυτόν τον τρόπο.

Η σύγχρονη επιστήμη, ωστόσο, είναι θεωρητική. Η θεωρητική επιστήμη κάνει επίσης προβλέψεις, αλλά τις προέρχεται από μαθηματικά μοντέλα και όχι από προηγούμενες παρατηρήσεις. Σκεφτείτε τους νόμους κίνησης του Ισαάκ Νεύτωνα, όπως π.χ. ο αντίστροφος τετραγωνικός νόμος της βαρύτητας.

Για παράδειγμα, υπάρχει μια εξίσωση που περιγράφει την τροχιά της Γης γύρω από τον ήλιο. Αυτή η εξίσωση μπορεί να χρησιμοποιηθεί για τη δημιουργία ενός μοντέλου υπολογιστή στο οποίο μπορείτε απλά να συνδέσετε ορισμένες μεταβλητές και να δείτε πώς αλλάζει η λύση. Θα μπορούσατε απλά να συνδέσετε μια μελλοντική ημερομηνία και να διαβάσετε τη θέση της Γης εκείνη την ημερομηνία. Θα μπορούσατε επίσης να χρησιμοποιήσετε το ίδιο πρόγραμμα για να μοντελοποιήσετε άλλα πλανητικά συστήματα - όλα βασίζονται στα ίδια μαθηματικά. Το μόνο που έχετε να κάνετε είναι να συνδέσετε διαφορετικές μάζες και διάφορες άλλες ιδιότητες των εμπλεκομένων σωμάτων.

Τέτοιες μαθηματικές εξισώσεις είναι εξαιρετικές όταν είναι διαθέσιμες - αλλά συχνά δεν είναι. Για παράδειγμα, γνωρίζουμε ότι δεν υπάρχει απλή εξίσωση που να λύνει το λεγόμενο «πρόβλημα τριών σωμάτων», Το οποίο περιγράφει τρία σώματα που περιφέρονται και επηρεάζουν το ένα το άλλο από τις βαρυτικές δυνάμεις - όπως το φεγγάρι, η γη και ο ήλιος.

Μεγάλο μέρος της τρέχουσας επιστήμης ασχολείται με ακόμη πιο περίπλοκα συστήματα και ομοίως δεν διαθέτει ακριβείς λύσεις. Τέτοια μοντέλα πρέπει να είναι "υπολογιστικά" - περιγράφοντας πώς αλλάζει ένα σύστημα από τη μια στιγμή στην άλλη. Αλλά δεν υπάρχει τρόπος να προσδιοριστεί η ακριβής κατάσταση κάποια στιγμή στο μέλλον, εκτός από το να «προσομοιώσουμε» την εξέλιξή του με αυτόν τον τρόπο. Η πρόγνωση του καιρού είναι ένα οικείο παράδειγμα. μέχρι την έλευση των υπολογιστών στη δεκαετία του 1950, ήταν αδύνατο να προβλέψουμε τον μελλοντικό καιρό γρηγορότερα από ό, τι συνέβη στην πραγματικότητα.

Η τρέχουσα επιστήμη τυπικά συνίσταται στο να επινοήσει ένα μαθηματικό μοντέλο που περιγράφει ένα περίπλοκο σύστημα, στη συνέχεια να το μετατρέψει σε υπολογιστική προσομοίωση και να εκτελέσει την προσομοίωση για να κάνει προβλέψεις προκειμένου να επικυρώσει το μοντέλο.

Όταν το μοντέλο αποτυγχάνει

Η μοντελοποίηση χρησιμοποιείται σε επιστημονικά πεδία - από αστροφυσική και πρόβλεψη του κλίματος στη βιοπληροφορική και την οικονομία. Αλλά υπάρχει αυξανόμενη συζήτηση σχετικά με το γεγονός ότι αυτή η επιστήμη είναι δύσκολο να επικυρωθεί μέσω της αναπαραγωγής.

Αποδεικνύεται ότι η απλή περιγραφή των πειραματικών μεθόδων με λέξεις δεν είναι αρκετή. Αυτό οφείλεται εν μέρει επειδή φυσικές γλώσσες όπως τα αγγλικά είναι απλά πολύ αόριστες για να περιγράψουν με ακρίβεια τους υπολογισμούς. Υπάρχει, άλλωστε, ένας λόγος για τον οποίο οι προγραμματιστές χρησιμοποιούν γλώσσες προγραμματισμού. Μία από τις μεγαλύτερες προκλήσεις στην ανάπτυξη λογισμικού είναι η μετατροπή ασαφών απαιτήσεων σε ακριβείς προδιαγραφές συμπεριφοράς.

Οι άνθρωποι - ακόμη και οι επιστήμονες - είναι άλλωστε λάθος. Η μετατροπή οποιασδήποτε πληροφορίας σε πρόγραμμα εισάγει σχεδόν πάντα σφάλματα στην πορεία. Για παράδειγμα, πολλοί επιστήμονες εξαρτώνται από εργαλεία εξερεύνησης δεδομένων, όπως υπολογιστικά φύλλα, τα οποία έχουν σχεδιαστεί για ευκολία στη χρήση και όχι για ευρωστία. Είναι πολύ εύκολο να συνοψίσετε το λάθος εύρος κελιών σε ένα υπολογιστικό φύλλο, χωρίς να λάβετε προειδοποιήσεις. Αυτό ήταν ένα από τα μεθοδολογικά ελαττώματα σε ένα έγγραφο που χρησιμοποίησε το Ρεπουμπλικανικό Κόμμα των ΗΠΑ για να στηρίξει τις πολιτικές υπέρ της λιτότητας.

Ομοίως α πρόσφατη μελέτη στα 15,770 υπολογιστικά φύλλα που δημοσιοποιήθηκαν κατά τη διάρκεια της έρευνας στην αμερικανική εταιρεία Enron έδειξε ότι το 24% των υπολογιστικών φύλλων που περιέχουν τουλάχιστον έναν τύπο είχαν προφανή σφάλματα, όπως η προσθήκη κενών κελιών.

Στις φυσικές επιστήμες, το Παρατηρητής Κλίματος του Άρη, ένας διαστημικός ανιχνευτής που ξεκίνησε το 1998 για τη μελέτη του κλίματος στον Άρη, χάθηκε ένα χρόνο αργότερα επειδή ένα μέρος του λογισμικού ελέγχου χρησιμοποίησε κατά λάθος αυτοκρατορικό αντί μετρικών μονάδων. Μια άλλη μελέτη από εννέα ανεξάρτητες εφαρμογές του ίδιου πειράματος γεωεπιστήμης - χρησιμοποιώντας το ίδιο σύνολο δεδομένων, αλγόριθμους και γλώσσα προγραμματισμού - έδειξαν πολύ μικρή συμφωνία στα αποτελέσματα που ελήφθησαν.

Επιπλέον, ακόμα κι αν ο αναγνώστης μιας ερευνητικής εργασίας μπορεί να ερμηνεύσει με επιτυχία το ακριβές νόημα του συγγραφέα και στη συνέχεια να το μεταφράσει άψογα σε πρόγραμμα, εξακολουθούν να υπάρχουν παγίδες στην εκτέλεσή του. Μια ιδιαίτερα δύσκολη κατηγορία προβλημάτων προκύπτει από τον τρόπο με τον οποίο οι υπολογιστές χειρίζονται τους αριθμούς: αν και μπορούν να χειριστούν ακέραιους αριθμούς όπως 42 και -17 με τέλεια ακρίβεια, τυπικές τεχνικές χειρισμού πραγματικών αριθμών όπως ??3.14 και ?2?1.414 επιτρέπουν μόνο κατά προσέγγιση ακρίβεια. Αυτές οι προσεγγίσεις σημαίνουν ότι φαινομενικά ισοδύναμοι τρόποι υπολογισμού της ίδιας τιμής μπορούν αποφέρει διαφορετικά αποτελέσματα.

Λοιπόν, τι μπορεί να γίνει; Εάν ακόμη και ειδικοί προγραμματιστές λογισμικού δεν μπορούν να παράγουν αξιόπιστα σωστό λογισμικό, τι ελπίδα υπάρχει για ερασιτέχνες προγραμματιστές όπως οι επιστήμονες;

Μια γραμμή εργασίας είναι η παραγωγή εργαλείων για το σχεδιασμό «ειδικών για τον τομέα» γλωσσών προγραμματισμού, η κάθε μία προσαρμοσμένη σε μια συγκεκριμένη κατηγορία προβλημάτων, όπως η συμπεριφορά των παραγόντων στις οικονομικές αγορές ή η διάχυση φαρμάκων σε κύτταρα. Αυτά αποσκοπούν να διευκολύνουν πολύ τους ειδικούς να περιγράψουν τους υπολογισμούς απευθείας με οικείους όρους, αντί να χρειαστεί να τους κωδικοποιήσουν έμμεσα σε μια γλώσσα προγραμματισμού γενικής χρήσης.

Μια δεύτερη προσέγγιση επιδιώκει τον σχεδιασμό πιο εκφραστικών αλλά φιλικών προς το χρήστη «συστημάτων τύπου» για προγράμματα. Αυτά θα διευκολύνουν τον εντοπισμό «ανόητων» σφαλμάτων, όπως κενά κελιά σε υπολογιστικά φύλλα ή ανάμειξη τιμών σε διαφορετικές μονάδες. Ωστόσο, δεν μπορεί να αποκλείσει όλα τα λογικά σφάλματα. Μια τρίτη γραμμή είναι η ανάπτυξη χρήσιμων βιβλιοθηκών κώδικα για ακριβή αριθμητική, αποφεύγοντας τα προβλήματα προσέγγισης.

Υπάρχει κάθε πιθανότητα αυτές οι προσεγγίσεις να βοηθήσουν στην επίλυση του προβλήματος, ή τουλάχιστον να εξαλείψουν μέρος του κινδύνου. Εξάλλου, ο κόσμος χρειάζεται επιστήμη και οι επιστήμονες χρειάζονται υπολογιστές - αυτό δεν είναι πιθανό να αλλάξει σύντομα.