Počítačové Simulace Ve Vědě

Obsah:

Počítačové Simulace Ve Vědě
Počítačové Simulace Ve Vědě

Video: Počítačové Simulace Ve Vědě

Video: Počítačové Simulace Ve Vědě
Video: Počítačové simulace ve fyzice 2024, Březen
Anonim

Vstupní navigace

  • Obsah příspěvku
  • Bibliografie
  • Akademické nástroje
  • Náhled PDF přátel
  • Informace o autorovi a citaci
  • Zpět na začátek

Počítačové simulace ve vědě

První publikováno 6. května 2013; věcná revize Čt 26. září 2019

Počítačová simulace byla průkopníkem jako vědecký nástroj v meteorologii a jaderné fyzice v období bezprostředně následujícím po druhé světové válce a od té doby se stala nezbytnou v rostoucím počtu oborů. Seznam věd, které rozsáhle využívají počítačové simulace, se rozšířil o astrofyziku, fyziku částic, vědu o materiálech, strojírenství, mechaniku tekutin, klimatologii, evoluční biologii, ekologii, ekonomii, teorii rozhodování, medicínu, sociologii, epidemiologii a mnoho dalších.. Existuje dokonce několik oborů, jako je teorie chaosu a teorie složitosti, jejichž samotná existence se objevila spolu s vývojem výpočetních modelů, které studují.

Po pomalém začátku začali filozofové vědy věnovat větší pozornost úloze počítačové simulace ve vědě. Objevilo se několik oblastí filozofického zájmu o počítačovou simulaci: Jaká je struktura epistemologie počítačové simulace? Jaký je vztah mezi počítačovou simulací a experimentem? Vyvolává počítačová simulace problémy pro filozofii vědy, které nejsou plně pokryty nedávnou prací na modelech obecněji? Co nás počítačová simulace učí o vzniku? O struktuře vědeckých teorií? O roli (pokud existuje) fikcí ve vědeckém modelování?

  • 1. Co je to počítačová simulace?

    • 1.1 Úzká definice
    • 1.2 Široká definice
    • 1.3 Alternativní pohled
  • 2. Druhy počítačových simulací

    • 2.1 Simulace založené na rovnici
    • 2.2 Simulace založené na agentech
    • 2.3 Víceúrovňové simulace
    • 2.4 Simulace Monte Carlo
  • 3. Účely simulace
  • 4. Epistemologie počítačových simulací

    • 4.1 Nové funkce EOCS
    • 4.2 EOCS a epistemologie experimentu
    • 4.3 Ověření a ověření
    • 4.4 EOCS a Epistemické oprávnění
    • 4.5 Pragmatické přístupy k EOCS
  • 5. Simulace a experimenty
  • 6. Počítačová simulace a struktura vědeckých teorií
  • 7. Vznik
  • 8. Beletrie
  • Bibliografie
  • Akademické nástroje
  • Další internetové zdroje
  • Související záznamy

1. Co je to počítačová simulace?

Není vhodná jediná definice počítačové simulace. Zaprvé se tento termín používá v úzkém i širokém smyslu. Za druhé, jeden by mohl chtít pochopit termín z více než jednoho hlediska.

1.1 Úzká definice

V nejužším smyslu je počítačová simulace program, který je spuštěn na počítači a který využívá metody krok za krokem k prozkoumání přibližného chování matematického modelu. Obvykle se jedná o model systému skutečného světa (ačkoli tento systém může být imaginární nebo hypotetický). Takový počítačový program je model počítačové simulace. Jeden běh programu v počítači je počítačová simulace systému. Algoritmus bere jako vstup specifikaci stavu systému (hodnotu všech jeho proměnných) v určitém okamžiku t. Poté vypočítá stav systému v čase t + 1. Z hodnot charakterizujících tento druhý stav pak vypočítá stav systému v čase t + 2 atd. Při běhu na počítači tak algoritmus vytváří číselný obrázek o vývoji stavu systému,jak je v modelu konceptualizováno.

Tato posloupnost hodnot pro proměnné modelu může být uložena jako velká sbírka „dat“a je často prohlížena na obrazovce počítače pomocí metod vizualizace. Metody vizualizace jsou často, ale ne vždy, navrženy tak, aby napodobovaly výstup nějakého vědeckého nástroje - takže se zdá, že simulace měří sledovaný systém.

Někdy se používají postupné metody počítačové simulace, protože zájmový model obsahuje spojité (diferenciální) rovnice (které určují nepřetržité rychlosti změny času), které nelze analyticky vyřešit - v zásadě ani snad jen v praxi. Toto upisuje ducha následující definice, kterou uvedl Paul Humphreys: „jakákoli počítačově implementovaná metoda zkoumání vlastností matematických modelů, kde analytické metody nejsou k dispozici“(1991, 500). Ale i jako úzkou definici je třeba tuto číst pečlivě a neměli bychom brát v úvahu, že simulace se používají pouze tehdy, pokud jsou v modelu analyticky neriešitelné rovnice. Počítačové simulace se často používají buď proto, že samotný původní model obsahuje diskrétní rovnice - které lze přímo implementovat do algoritmu vhodného pro simulaci - nebo protože původní model sestává z něčeho, co je lépe popsáno jako pravidla evoluce, než jako rovnice.

V prvním případě, když jsou rovnice „diskretizovány“(otáčení rovnic, které popisují spojité rychlosti změn do diskrétních rovnic), je třeba zdůraznit, že ačkoli je běžné mluvit o simulacích „řešení“těchto rovnic, diskretizace dokáže v nejlepším případě najít pouze něco, co aproximuje řešení spojitých rovnic s určitou požadovanou přesností. A konečně, když mluvíme o „počítačové simulaci“v nejužším smyslu, měli bychom hovořit o konkrétní implementaci algoritmu na konkrétním digitálním počítači, napsaném v určitém jazyce, pomocí konkrétního kompilátoru atd. Existují případy, kdy různé výsledky mohou být získány v důsledku odchylek v kterémkoli z těchto údajů.

1.2 Široká definice

Obecněji řečeno, počítačovou simulaci můžeme považovat za komplexní metodu studia systémů. V tomto širším slova smyslu se jedná o celý proces. Tento proces zahrnuje výběr modelu; nalezení způsobu implementace tohoto modelu ve formě, kterou lze spustit v počítači; výpočet výstupu algoritmu; a vizualizace a studium výsledných dat. Metoda zahrnuje celý tento proces, který se používá k vytváření závěrů o cílovém systému, který se člověk pokouší modelovat, a postupy používané k sankcím těchto závěrů. Toto je víceméně definice studií počítačové simulace ve Winsbergu 2003 (111). „Úspěšné simulační studie dělají víc, než jen spočítat čísla. Z těchto čísel využívají různé techniky. Simulace kreativně využívají výpočtové techniky, které lze motivovat jen mimatematicky a mimetoreticky. Na rozdíl od jednoduchých výpočtů, které lze provádět na počítači, nejsou výsledky simulací automaticky spolehlivé. Hodně úsilí a odborných znalostí se týká rozhodování, které výsledky simulace jsou spolehlivé a které nikoli. “Když vědci filozofů píší o počítačové simulaci a dělají tvrzení o tom, jaké epistemologické nebo metodologické vlastnosti mají „počítačové simulace“, obvykle znamenají termín, který je třeba chápat v tomto širokém smyslu studie počítačové simulace. Hodně úsilí a odborných znalostí se týká rozhodování, které výsledky simulace jsou spolehlivé a které nikoli. “Když vědci filozofů píší o počítačové simulaci a dělají tvrzení o tom, jaké epistemologické nebo metodologické vlastnosti mají „počítačové simulace“, obvykle znamenají termín, který je třeba chápat v tomto širokém smyslu studie počítačové simulace. Hodně úsilí a odborných znalostí se týká rozhodování, které výsledky simulace jsou spolehlivé a které nikoli. “Když vědci filozofů píší o počítačové simulaci a dělají tvrzení o tom, jaké epistemologické nebo metodologické vlastnosti mají „počítačové simulace“, obvykle znamenají termín, který je třeba chápat v tomto širokém smyslu studie počítačové simulace.

1.3 Alternativní pohled

Obě výše uvedené definice berou počítačovou simulaci v zásadě o použití počítače k vyřešení nebo přibližně vyřešení matematických rovnic modelu, který má reprezentovat nějaký systém - skutečný nebo hypotetický. Dalším přístupem je pokusit se definovat „simulaci“nezávisle na pojmu počítačové simulace a poté definovat „počítačovou simulaci“kompozičně: jako simulaci prováděnou naprogramovaným digitálním počítačem. V tomto přístupu je simulací jakýkoli systém, o kterém se předpokládá, nebo má naději, že bude mít dynamické chování, které je dostatečně podobné jinému systému, takže první z nich může být studován, aby se o něm dozvěděl.

Pokud například studujeme nějaký objekt, protože se domníváme, že je dostatečně dynamicky podobné nádrži na tekutinu, abychom se dozvěděli o nádržích na tekutinu studováním, pak poskytuje simulaci nádržek na tekutinu. To je v souladu s definicí simulace, kterou najdeme v Hartmannovi: je to něco, co „napodobuje jeden proces jiným procesem. V této definici pojem „proces“označuje pouze nějaký objekt nebo systém, jehož stav se mění v čase “(1996, 83). Hughes (1999) namítal, že Hartmannova definice vylučuje simulace, které napodobují spíše strukturu systému než jeho dynamiku. Humphreys revidoval jeho definici simulace v souladu s poznámkami Hartmanna a Hughese takto:

Systém S poskytuje základní simulaci objektu nebo procesu B pouze v případě, že S je konkrétní výpočetní zařízení, které produkuje prostřednictvím časového procesu řešení výpočetního modelu…, který správně reprezentuje B, dynamicky nebo staticky. Pokud navíc výpočetní model používaný S správně reprezentuje strukturu reálného systému R, pak S poskytuje základní simulaci systému R s ohledem na B. (2004, s. 110)

(Všimněte si, že Humphreys zde definuje počítačovou simulaci, nikoli simulaci obecně, ale dělá to v duchu definování termínu složení.) Je třeba poznamenat, že definice Humphreysa znamenají, že simulace je termínem úspěchu, a to se zdá nešťastné. Lepší definice by byla ta, která, stejně jako ta v poslední části, zahrnovala slovo „věřil“nebo „doufal“v řešení tohoto problému.

Ve většině filosofických diskusí o počítačové simulaci je užitečnější koncept definovaný v bodě 1.2. Výjimkou je případ, kdy je cílem diskuse pochopit počítačovou simulaci jako příklad simulace obecně (viz oddíl 5). Mezi příklady simulací, které nejsou počítačovými simulacemi, patří slavný fyzický model zálivu San Francisco (Huggins & Schultz 1973). Jedná se o funkční hydraulický model San Francisco Bay a Sacramento-San Joaquin River Delta System postavený v padesátých letech armádním sborem inženýrů pro studium možných inženýrských zásahů v Bay. Dalším pěkným příkladem, který je podrobně diskutován v (Dardashti et al., 2015, 2019), je použití akustických „hloupých děr“vyrobených z kondenzátů Bose-Einstein ke studiu chování černých děr. Fyzik Bill Unruh poznamenal, že v určitých tekutinách by něco podobného černé díře vzniklo, kdyby existovaly oblasti tekutiny, které se pohybovaly tak rychle, že vlny by se musely pohybovat rychleji než rychlost zvuku (něco, co nemohou udělat), aby uniknout z nich (Unruh 1981). Takové regiony by ve skutečnosti měly horizonty zvukových událostí. Unruh takovou fyzickou sestavu nazval „němá díra“(„němá“jako „mute“) a navrhla, aby ji bylo možné studovat, aby se dozvěděli věci, které o černých dírách nevíme. Nějaký čas byl tento návrh považován za nic jiného než chytrého nápadu, ale fyzikové si nedávno uvědomili, že pomocí Bose-Einsteinových kondenzátů mohou ve skutečnosti vytvářet a studovat němé díry v laboratoři. Je jasné, proč bychom měli myslet na takové nastavení jako na simulaci: němá díra simuluje černou díru. Místo nalezení počítačového programu, který by simuloval černé díry, najdou fyzici dynamické nastavení tekutin, pro které věří, že mají dobrý model a pro který tento model má základní matematické podobnosti s modelem sledovaných systémů. Sledují chování nastavení tekutiny v laboratoři, aby mohli vyvodit závěry o černých dírách. Smyslem definic simulace v této části je pokusit se pochopit, v jakém smyslu jsou počítačové simulace a tyto druhy činností druhem stejného rodu. Mohli bychom tedy být v lepší situaci, abychom pochopili, proč se simulace ve smyslu 1.3, která se náhodou spouští na počítači, překrývá se simulací ve smyslu 1.2. K tomu se vrátíme v části 5.fyzici nacházejí plynulé dynamické nastavení, u kterého věří, že mají dobrý model a pro který tento model má základní matematické podobnosti s modelem zájmových systémů. Sledují chování nastavení tekutiny v laboratoři, aby mohli vyvodit závěry o černých dírách. Smyslem definic simulace v této části je pokusit se pochopit, v jakém smyslu jsou počítačové simulace a tyto druhy činností druhem stejného rodu. Mohli bychom tedy být v lepší situaci, abychom pochopili, proč se simulace ve smyslu 1.3, která se náhodou spouští na počítači, překrývá se simulací ve smyslu 1.2. K tomu se vrátíme v části 5.fyzici nacházejí plynulé dynamické nastavení, u kterého věří, že mají dobrý model a pro který tento model má základní matematické podobnosti s modelem zájmových systémů. Sledují chování nastavení tekutiny v laboratoři, aby mohli vyvodit závěry o černých dírách. Smyslem definic simulace v této části je pokusit se pochopit, v jakém smyslu jsou počítačové simulace a tyto druhy činností druhem stejného rodu. Mohli bychom tedy být v lepší situaci, abychom pochopili, proč se simulace ve smyslu 1.3, která se náhodou spouští na počítači, překrývá se simulací ve smyslu 1.2. K tomu se vrátíme v části 5.

Barberousse a kol. (2009) však kritizovali tuto analogii. Poukazují na to, že počítačové simulace nefungují tak, jak funguje Unruhova simulace. Není pravda, že počítač jako materiální objekt a cílový systém sledují stejné diferenciální rovnice. Dobrým odkazem na simulace, které nejsou počítačovými simulacemi, je Trenholme 1994.

2. Druhy počítačových simulací

Často se rozlišují dva typy počítačové simulace: simulace založené na rovnicích a simulace založené na agentech (nebo na individuálním základě). Počítačové simulace obou typů se používají pro tři různé obecné účely: predikce (jak bodové, tak globální / kvalitativní), porozumění a průzkumné nebo heuristické účely.

2.1 Simulace založené na rovnici

Simulace založené na rovnicích se nejčastěji používají ve fyzických a jiných vědách, kde existuje teorie řízení, která může vést konstrukci matematických modelů založených na diferenciálních rovnicích. Pojem „založený na rovnici“zde používám k označení simulací založených na druzích globálních rovnic, které spojujeme s fyzickými teoriemi, na rozdíl od „pravidel evoluce“(které jsou popsány v následující části.) Simulace založené na rovnicích mohou být buď na bázi částic, kde existuje n mnoha diskrétních těles a množiny diferenciálních rovnic, které řídí jejich interakci, nebo mohou být založeny na poli, kde existuje sada rovnic, které řídí časový vývoj kontinuálního média nebo pole. Příkladem prvního je simulace tvorby galaxií,ve kterém je gravitační interakce mezi konečnou sbírkou diskrétních těl diskretizována v čase a prostoru. Příkladem posledně jmenovaného je simulace tekutiny, jako je meteorologický systém, jako je silná bouře. Zde je systém považován za spojité médium - tekutinu - a pole představující jeho distribuci příslušných proměnných v prostoru je diskretizováno v prostoru a poté aktualizováno v diskrétních časových intervalech.

2.2 Simulace založené na agentech

Simulace založené na agentech jsou nejběžnější v sociálních a behaviorálních vědách, i když je také nalézáme v takových oborech, jako je umělý život, epidemiologie, ekologie a jakákoli disciplína, ve které se studuje síťová interakce mnoha jednotlivců. Simulace založené na agentech jsou podobné simulacím na bázi částic v tom, že představují chování n-mnoha diskrétních jednotlivců. Na rozdíl od simulací založených na rovných částicích však neexistují žádné globální diferenciální rovnice, které by řídily pohyby jednotlivců. Spíše v simulacích založených na agentech je chování jednotlivců diktováno jejich vlastními místními pravidly

Příklad: slavnou a průkopnickou simulací založenou na agentech byl model „segregace“Thomase Schellinga (1971). Agenti v jeho simulaci byli jednotlivci, kteří „žili“na šachovnici. Jednotlivci byli rozděleni do dvou skupin ve společnosti (např. Dvě různé rasy, chlapci a dívky, kuřáci a nekuřáci atd.). Každé náměstí na desce představovalo dům, s maximálně jednou osobou na dům. Jednotlivec je šťastný, má-li určité procento sousedů své vlastní skupiny. Šťastní agenti zůstanou tam, kde jsou, nešťastní agenti se přesunou na volná místa. Schelling zjistil, že se deska rychle vyvinula do silně segregovaného vzoru umístění, pokud byla specifikována „pravidla štěstí agentů“, takže segregace byla silně zvýhodněna. Překvapivě všakZjistil také, že zpočátku integrované desky se nakláněly do plné segregace, i když pravidla štěstí agentů vyjádřila jen mírné preference pro sousedství vlastního typu.

2.3 Víceúrovňové simulace

V sekci 2.1 jsme diskutovali modely založené na rovnicích, které jsou založeny na částečkových metodách, a modely založené na polních metodách. Ale některé simulační modely jsou hybridy různých druhů metod modelování. Zejména multiscale simulační modely spojují dohromady modelovací prvky z různých stupnic popisu. Dobrým příkladem by byl model, který simuluje dynamiku sypké hmoty tím, že zachází s materiálem jako s polem vystaveným stresu a napětí při relativně hrubé úrovni popisu, ale který se přiblíží do konkrétních oblastí materiálu, kde jsou významné efekty v malém měřítku a modeluje tyto menší regiony s relativně jemnějšími metodami modelování. Takové metody se mohou spoléhat na molekulární dynamiku nebo kvantovou mechaniku,nebo oba - každá z nich je podrobnější popis hmoty, než je nabízeno zpracováním materiálu jako pole. Multiscale simulační metody mohou být dále rozděleny na sériové multiscale a paralelní multiscale metody. Tradičnější metodou je sériové vícestupňové modelování. Záměrem je vybrat region, simulovat jej na nižší úrovni popisu, shrnout výsledky do souboru parametrů, které jsou stravitelné modelem vyšší úrovně, a předat je do části algoritmu, který se počítá na vyšší úrovni.shrnout výsledky do souboru parametrů, které jsou stravitelné modelem vyšší úrovně, a předat je do části algoritmu vypočítaného na vyšší úrovni.shrnout výsledky do souboru parametrů, které jsou stravitelné modelem vyšší úrovně, a předat je do části algoritmu vypočítaného na vyšší úrovni.

Sériové multiscale metody nejsou účinné, pokud jsou různé stupnice silně spojeny dohromady. Když různé stupnice silně interagují, aby vytvořily pozorované chování, je vyžadován přístup, který simuluje každou oblast současně. Tomu se říká paralelní multiscale modelování. Paralelní vícestupňové modelování je základem téměř všudypřítomné simulační metody: tzv. „Sub-grid“modelování. Modelování pod mřížkou odkazuje na reprezentaci důležitých fyzických procesů v malém měřítku, které se vyskytují v délkových stupnicích, které nelze adekvátně vyřešit na velikosti mřížky konkrétní simulace. (Pamatujte, že mnoho simulací diskretizuje spojité rovnice, takže mají relativně libovolnou konečnou „velikost sítě“). Například při studiu turbulencí v tekutináchběžnou praktickou strategií pro výpočet je účtování chybějících drobných vírů (nebo vírů), které spadají do buněk mřížky. To se provádí tak, že se do velkoobjemového pohybu přidá vířivá viskozita, která charakterizuje transport a rozptyl energie v toku v malém měřítku - nebo jakýkoli takový rys, který se vyskytuje v příliš malém měřítku, aby byl zachycen mřížkou.

Ve vědě o klimatu a příbuzných disciplínách se modelování sub-grid nazývá „parametrizace“. To opět odkazuje na metodu nahrazení procesů-procesů, které jsou příliš malého nebo složitého, než aby byly fyzicky reprezentovány v modelu - jednodušším matematickým popisem. To je na rozdíl od jiných procesů - např. Velkého průtoku atmosféry -, které se počítají na úrovni sítě v souladu se základní teorií. Říká se tomu „parametrizace“, protože k řízení vysoce aproximativních algoritmů, které vypočítávají hodnoty pod mřížkou, jsou zapotřebí různé nefyzikální parametry. Příklady parametrizace v simulacích klimatu zahrnují rychlost klesání dešťových kapek, rychlost přenosu atmosférického záření a rychlost tvorby mraků. Například průměrná oblačnost nad 100 km 2mřížkový box nesouvisí čistě s průměrnou vlhkostí nad boxem. Nicméně, jak se průměrná vlhkost zvyšuje, průměrná oblačnost se také zvýší, takže by mohl být parametr spojující průměrnou oblačnost s průměrnou vlhkostí uvnitř mřížky. I když jsou dnešní parametrizace tvorby mraků sofistikovanější než tato, základní myšlenka je na příkladu dobře ilustrována. Použití metod modelování pod mřížkou v simulaci má důležité důsledky pro pochopení struktury epistemologie simulace. To bude podrobněji popsáno v části 4.

Metody modelování sub-grid mohou být porovnány s jiným druhem paralelního multiscale modelu, kde algoritmy sub-grid jsou více teoreticky principiální, ale jsou motivovány teorií na jiné úrovni popisu. Ve výše uvedeném příkladu simulace objemové hmoty není algoritmus, který řídí menší úroveň popisu, konstruován pomocí kalhotek. Algoritmus, který řídí nižší úroveň, je ve skutečnosti mnohem teoretičtější než vyšší úroveň v tom smyslu, že fyzika je podstatnější: kvantová mechanika nebo molekulární dynamika vs. mechanika kontinua. Tyto druhy multikanálových modelů, jinými slovy, spojují zdroje teorií na různých úrovních popisu. Poskytují tedy zajímavé příklady, které provokují naše uvažování o interteoretických vztazích,a to zpochybňuje široce zastávaný názor, že nekonzistentní soubor zákonů nemůže mít žádné modely.

2.4 Simulace Monte Carlo

Ve vědecké literatuře je další velká třída počítačových simulací zvaná Monte Carlo (MC) Simulations. MC simulace jsou počítačové algoritmy, které používají náhodnost pro výpočet vlastností matematického modelu a kde náhodnost algoritmu není funkcí cílového modelu. Pěkným příkladem je použití náhodného algoritmu pro výpočet hodnoty π. Pokud nakreslíte čtvereček jednotky na kus papíru a do něj vložíte kruh a potom náhodně upustíte kolekci objektů uvnitř čtverce, bude poměr objektů, které v kruhu dopadnou, zhruba stejný jako π / 4. Počítačová simulace, která simulovala takový postup, by se pro výpočet π nazývala MC simulace.

Mnoho filozofů vědy se zde odchýlilo od běžného vědeckého jazyka a odhalilo se, že simulace MC budou považovány za skutečné simulace. Grüne-Yanoff a Weirich (2010) nabízejí následující zdůvodnění: „Přístup Monte Carlo nemá mimetický účel: napodobuje deterministický systém, aby nesloužil jako náhrada, která je zkoumána namísto, ale pouze proto, aby mohla nabídnout alternativní výpočet vlastností deterministického systému “(str. 30). To ukazuje, že simulace MC nevyhovují žádné z výše uvedených definic. Na druhé straně, rozdíl mezi filosofy a běžným jazykem lze snad vyrovnat poznámkou, že simulace MC simulují imaginární proces, který by mohl být použit pro výpočet něčeho, co je důležité pro studium jiného procesu. Předpokládejme, že modeluji planetární orbitu a pro svůj výpočet potřebuji znát hodnotu π. Pokud provádím simulaci MC uvedenou v posledním odstavci, simuluji proces náhodného pádu objektů na čtverec, ale to, co jsem modeloval, je planetární orbita. To je smysl, ve kterém jsou MC simulace simulacemi, ale nejedná se o simulace systémů, které se používají ke studiu. Jak však zdůrazňují Beisbart a Norton (2012), některé MC simulace (viz ty, které používají MC techniky k řešení stochastických dynamických rovnic odkazujících na fyzický systém) jsou ve skutečnosti simulacemi systémů, které studují. To je smysl, ve kterém jsou MC simulace simulacemi, ale nejedná se o simulace systémů, které se používají ke studiu. Jak však zdůrazňují Beisbart a Norton (2012), některé MC simulace (viz ty, které používají MC techniky k řešení stochastických dynamických rovnic odkazujících na fyzický systém) jsou ve skutečnosti simulacemi systémů, které studují. To je smysl, ve kterém jsou MC simulace simulacemi, ale nejedná se o simulace systémů, které se používají ke studiu. Jak však zdůrazňují Beisbart a Norton (2012), některé MC simulace (viz ty, které používají MC techniky k řešení stochastických dynamických rovnic odkazujících na fyzický systém) jsou ve skutečnosti simulacemi systémů, které studují.

3. Účely simulace

Existují tři obecné kategorie účelů, na které lze použít počítačové simulace. Simulace mohou být použity pro heuristické účely, pro účely předpovídání dat, která nemáme, a pro generování porozumění datům, která již máme.

V kategorii heuristických modelů lze simulace dále rozdělit na ty, které se používají ke sdělování znalostí ostatním, a ty, které slouží k reprezentaci informací pro sebe. Když si Watson a Crick hráli s plechovými plechy a dráty, dělali nejprve ten druhý a ten první, když ukazovali výsledky ostatním. Když armádní sbor postavil model sanfranciského zálivu, aby přesvědčil volební populaci, že určitý zásah byl nebezpečný, použili jej pro tento druh heuristického účelu. Počítačové simulace mohou být použity pro oba tyto druhy účelů - k prozkoumání vlastností možných reprezentačních struktur; nebo sdělovat znalosti ostatním. Například: počítačové simulace přírodních procesů, jako je bakteriální reprodukce, tektonický posun, chemické reakce,a evoluce byly všechny použity v učebně, aby pomohly studentům představit si skrytou strukturu jevů a procesů, které jsou nepraktické, nemožné nebo nákladné ilustrovat ve „mokrém“laboratorním prostředí.

Další širokou třídou účelů, na které lze použít počítačové simulace, je vyprávění o tom, jak bychom měli očekávat, že se určitý systém v reálném světě bude chovat za určitých okolností. Volně řečeno: pro predikci lze použít počítačovou simulaci. Modely můžeme použít k předpovídání budoucnosti nebo k obnovení minulosti; můžeme je použít k vytváření přesných nebo volných a obecných předpovědí. S ohledem na relativní přesnost předpovědí, které vytváříme pomocí simulací, můžeme být v naší taxonomii o něco jemnější. Existují a) Bodové předpovědi: Kde bude planeta Mars 21. října 2300? b) „Kvalitativní“nebo globální nebo systémové předpovědi:Je dráha této planety stabilní? Jaký zákon o změně měřítka se objevuje v těchto druzích systémů? Jaká je fraktální dimenze atraktoru pro systémy tohoto druhu? a c) předpovědi rozsahu: Je 66% pravděpodobné, že globální průměrná povrchová teplota se do roku 2100 zvýší o 2–5 ° C; je „vysoce pravděpodobné“, že hladina moře stoupne nejméně o dvě stopy; je „nepravděpodobné“, že se termohalin v následujících 50 letech vypne.

Nakonec mohou být simulace použity k pochopení systémů a jejich chování. Pokud již máme data, která nám říkají, jak se nějaký systém chová, můžeme pomocí počítačové simulace odpovědět na otázky o tom, jak by se tyto události mohly vyskytnout; nebo o tom, jak k těmto událostem skutečně došlo.

Při úvahách o tématu další části, epistemologii počítačových simulací, bychom měli mít také na paměti, že postupy potřebné k sankcionování výsledků simulací budou často do značné míry záviset na tom, který z výše uvedených účelů nebo účelů simulace bude zavedena.

4. Epistemologie počítačových simulací

Vzhledem k tomu, že metody počítačové simulace nabývají na důležitosti ve stále více disciplínách, rostla otázka jejich důvěryhodnosti při získávání nových znalostí, zejména pokud se očekává, že simulace budou počítány jako epistemičtí vrstevníci s experimenty a tradičními analytickými teoretickými metodami. Relevantní otázkou je vždy, zda jsou výsledky konkrétní počítačové simulace dostatečně přesné pro zamýšlený účel. Pokud se pro předpovídání počasí používá simulace, předpovídá proměnné, které nás zajímají, do takové míry přesnosti, která je dostatečná k uspokojení potřeb jejích zákazníků? Pokud se k pochopení struktury silné bouřky používá simulace atmosféry nad středozápadní plání,máme důvěru, že struktury v toku - ty, které budou hrát vysvětlující roli v našem popisu toho, proč se bouře někdy dělí na dva, nebo proč to někdy tvoří tornáda - jsou zobrazeny dostatečně přesně, aby podpořily naši důvěru ve vysvětlení ? Jsou-li simulace používány ve strojírenství a designu, jsou předpovědi provedené simulací dostatečně spolehlivé, aby sankcionovaly konkrétní volbu konstrukčních parametrů nebo aby potvrdily naše přesvědčení, že konkrétní konstrukce křídla letadla bude fungovat? Za předpokladu, že odpověď na tyto otázky je někdy „ano“, tj. Že tyto druhy závěrů jsou alespoň někdy odůvodněné, ústřední filosofická otázka zní: co je ospravedlňuje? Obecněji,Jak lze vyhodnotit tvrzení, že simulace je dostatečně dobrá pro zamýšlený účel? To jsou hlavní otázky epistemologie počítačové simulace (EOCS).

Vzhledem k tomu, že teorie potvrzování je jedním z tradičních témat filozofie vědy, může se zdát zřejmé, že tato teorie by měla zdroje, aby mohla začít tyto otázky řešit. Winsberg (1999) však tvrdil, že pokud jde o témata související s pověřením znalostních nároků, filozofie vědy se tradičně zabývala ospravedlněním teorií, nikoli jejich aplikací. Většina simulací, na druhé straně, do té míry, do jaké využívá teorii, má tendenci využívat zavedenou teorii. Jinými slovy, EOCS je o testování základních teorií, které mohou jít do simulace, a nejčastěji o stanovení důvěryhodnosti hypotéz, které jsou částečně výsledkem aplikací těchto teorií.

4.1 Nové funkce EOCS

Winsberg (2001) tvrdil, že na rozdíl od epistemologických otázek, které se dostávají do centra tradiční teorie potvrzování, odpovídající EOCS musí splňovat tři podmínky. Zejména musí brát v úvahu skutečnost, že znalosti získané pomocí počítačových simulací jsou výsledkem závěrů, které jsou klesající, pestré a autonomní.

Dolů. EOCS musí odrážet skutečnost, že ve velkém počtu případů jsou akceptované vědecké teorie východiskem pro konstrukci počítačových simulačních modelů a hrají důležitou roli při zdůvodňování závěrů od výsledků simulace k závěrům o cílových systémech v reálném světě. Slovo „dolů“mělo signalizovat skutečnost, že na rozdíl od většiny vědeckých závěrů, které tradičně zajímají filozofy, které se pohybují od instancí pozorování k teoriím, zde máme závěry, které jsou kresleny (částečně) od vysoké teorie, až po konkrétní rysy jevů.

Motley. EOCS musí vzít v úvahu, že výsledky simulace však obvykle nezávisí pouze na teorii, ale také na mnoha dalších modelových složkách a zdrojích, včetně parametrizací (diskutovaných výše), metod numerického řešení, matematických triků, aproximací a idealizací, přímých fikcí, ad hoc předpokladů, fungují knihovny, kompilátory a počítačový hardware, a co je nejdůležitější, krev, pot a slzy mnoha pokusů a omylů.

Autonomní. EOCS musí brát v úvahu autonomii znalostí vytvořených simulací v tom smyslu, že znalosti získané simulací nemohou být sankcionovány výhradně porovnáním s pozorováním. Simulace se obvykle používají ke studiu jevů, kde jsou data řídká. Za těchto okolností mají simulace nahradit experimenty a pozorování jako zdroje údajů o světě, protože příslušné experimenty nebo pozorování jsou mimo dosah, a to z principiálních, praktických nebo etických důvodů.

Parker (2013) poukázal na to, že užitečnost těchto podmínek je poněkud ohrožena skutečností, že se příliš zaměřuje na simulaci ve fyzikálních vědách a na další obory, kde je simulace založena na teorii a na základě rovnic. Zdá se, že je to správné. V sociálních a behaviorálních vědách a dalších disciplínách, kde je simulace založená na agentech (viz 2.2) standardem a kde jsou modely budovány za neexistence zavedených a kvantitativních teorií, by EOCS mělo být pravděpodobně charakterizováno jinými slovy.

Například někteří sociální vědci, kteří používají simulaci založenou na agentech, sledují metodologii, ve které jsou sociální jevy (například pozorovaný vzor, jako je segregace) vysvětleny nebo vysvětlovány generováním podobných jevů v jejich simulacích (Epstein a Axtell 1996; Epstein 1999). To však vyvolává vlastní druhy epistemologických otázek. Co přesně bylo dosaženo, jaké znalosti byly získány, když je pozorovaný sociální jev více či méně reprodukován simulací založenou na agentech? Počítá se to jako vysvětlení tohoto jevu? Možné vysvětlení? (viz např. Grüne-Yanoff 2007). Giuseppe Primiero (2019) tvrdí, že existuje celá doména „umělých věd“postavená na simulacích založených na agentech a na více agentech,a že to vyžaduje svou vlastní epistemologii - takovou, kde validaci nelze definovat porovnáním se stávajícím systémem skutečného světa, ale musí být definována vůči zamýšlenému systému.

Rovněž je spravedlivé říci, stejně jako Parker (2013), že výše uvedené podmínky nevěnují dostatečnou pozornost různým a odlišným účelům, pro které se simulace používají (jak je uvedeno v bodě 2.4). Používáme-li simulaci k provedení podrobných kvantitativních předpovědí o budoucím chování cílového systému, může epistemologie takových závěrů vyžadovat přísnější standardy než ty, které jsou zapojeny, když se prováděné závěry týkají obecného, kvalitativního chování celku třída systémů. Ve skutečnosti je také spravedlivé říci, že při klasifikaci druhů účelů, na něž jsou počítačové simulace kladeny, a omezení, která tyto účely kladou na strukturu jejich epistemologie, by bylo možné vykonat mnohem více práce.

Frigg a Reiss (2009) tvrdili, že žádná z těchto tří podmínek není pro počítačovou simulaci nová. Tvrdili, že běžné rysy „papír a tužka“zahrnují tyto rysy. Ve skutečnosti tvrdili, že počítačová simulace nemohla vyvolat nové epistemologické problémy, protože epistemologické problémy lze čistě rozdělit na otázku vhodnosti modelu, který je základem simulace, což je problém, který je totožný s epistemologickými problémy, které se objevují běžně modelování a otázka správnosti řešení modelových rovnic dodaných simulací, což je matematická otázka a nikoliv vztahující se k epistemologii vědy. V prvním bodě Winsberg (2009b) odpověděl, že simulace byla nová simultánní soutok všech tří funkcí. Vrátíme se k druhému bodu v části 4.3

4.2 EOCS a epistemologie experimentu

Některé práce na EOCS vyvinuly analogie mezi počítačovou simulací, aby bylo možné čerpat z nedávné práce v epistemologii experimentu, zejména z práce Allana Franklina; viz příspěvek o experimentech ve fyzice.

Ve své práci na epistemologii experimentu Franklin (1986, 1989) identifikoval řadu strategií, které experimentátoři používají ke zvýšení racionální důvěry ve své výsledky. Weissart (1997) a Parker (2008a) se zasazovali o různé formy analogie mezi těmito strategiemi a řadou strategií dostupných simulátorům, aby sankcionovaly své výsledky. Nejpodrobnější analýzu těchto vztahů lze nalézt v Parker 2008a, kde tyto analogie také používá ke zvýraznění slabých stránek současných přístupů k hodnocení simulačních modelů.

Winsberg (2003) také využívá práce Iana Hackinga (1983, 1988, 1992) na filozofii experimentu. Jeden z Hackingových ústředních poznatků o experimentu je zachycen v jeho sloganu, že experimenty mají svůj vlastní život “(1992: 306). Hacking chtěl tímto sloganem sdělit dvě věci. První byla reakce proti nestabilnímu obrazu vědy, který pochází například z Kuhna. Hacking (1992) naznačuje, že experimentální výsledky mohou zůstat stabilní i při dramatických změnách v jiných částech věd. Druhým, příbuzným bodem, který zamýšlel sdělit, bylo, že „experimenty jsou organické, vyvíjejí se, mění se a přesto si zachovávají určitý dlouhodobý vývoj, který nás nutí mluvit o opakování a replikaci experimentů“(1992: 307). Některé z technik, které simulátoři používají ke konstrukci svých modelů, jsou pověřeny téměř stejným způsobem, jak Hacking říká, že nástroje a experimentální postupy a metody ano; pověřovací listiny se vyvíjejí po dlouhou dobu a stávají se hluboce vázané na tradici. V Hackingově jazyce se techniky a soubory předpokladů, které používají simulanti, stávají „samovzbuzujícími“. Možná by bylo lepší vyjádřit, že mají své vlastní údaje. To poskytuje odpověď na problém uvedený v 4.1, porozumění tomu, jak by simulace mohla mít životaschopnou epistemologii navzdory pestré a autonomní povaze jejích závěrů.techniky a soubory předpokladů, které používají simulanti, se stávají „samoospravedlnitelnými“. Možná by bylo lepší vyjádřit, že mají své vlastní údaje. To poskytuje odpověď na problém uvedený v 4.1, porozumění tomu, jak by simulace mohla mít životaschopnou epistemologii navzdory pestré a autonomní povaze jejích závěrů.techniky a soubory předpokladů, které používají simulanti, se stávají „samoospravedlnitelnými“. Možná by bylo lepší vyjádřit, že mají své vlastní údaje. To poskytuje odpověď na problém uvedený v 4.1, porozumění tomu, jak by simulace mohla mít životaschopnou epistemologii navzdory pestré a autonomní povaze jejích závěrů.

Parker (2008b) čerpá inspiraci od jiného filozofa experimentu (Mayo 1996) a navrhuje nápravu některých nedostatků současných přístupů k hodnocení simulačních modelů. V této práci Parker navrhuje, že Mayův statistický přístup k chybám pro pochopení tradičního experimentu, který využívá pojmu „přísný test“, mohl osvětlit epistemologii simulace. Ústřední otázkou epistemologie simulace z pohledu statistické chyby je: „Co zaručuje, abychom počítačovou simulaci považovali za přísný test nějaké hypotézy o přírodním světě? To je to, co zaručuje náš závěr, že simulace by pravděpodobně nepřinesla výsledky, které ve skutečnosti poskytla, kdyby hypotéza zájmu byla nepravdivá (2008b,380)? Parker věří, že příliš mnoho z toho, co prochází simulačním modelem, postrádá přísnost a strukturu, protože:

spočívá v malém více než vedle sebe porovnávání výstupů simulace a pozorovacích dat, s malou nebo žádnou explicitní argumentací ohledně toho, co, pokud vůbec něco, tato srovnání naznačují schopnost modelu poskytovat důkazy pro konkrétní vědecké hypotézy, které nás zajímají. (2008b, 381)

Výslovně se opírá o Mayoovu práci (1996) a tvrdí, že to, co by epistemologie simulace měla dělat, namísto toho nabízí určitý popis „kanonických chyb“, které mohou nastat, a také strategie zkoumání jejich přítomnosti.

4.3 Ověření a ověření

Praktikující simulace, zejména ve strojírenských kontextech, v testování zbraní a ve vědě o klimatu, mají sklon konceptualizovat EOCS z hlediska ověřování a validace. Ověření se považuje za proces určení, zda výstup simulace aproximuje skutečné řešení diferenciálních rovnic původního modelu. Na druhé straně se o validaci říká, že je to proces určování, zda je vybraný model pro účely simulace dostatečně dobrou reprezentací systému reálného světa. Literatura o ověřování a ověřování od inženýrů a vědců je obrovská a začíná se jí věnovat určitá pozornost od filozofů.

Ověření lze rozdělit na ověření řešení a ověření kódu. První ověřuje, že výstup zamýšleného algoritmu aproximuje skutečné řešení diferenciálních rovnic původního modelu. Ten ověřuje, že kód, jak je napsán, provádí zamýšlený algoritmus. Ověření kódu většinou filosofové vědy ignorovali; pravděpodobně proto, že to bylo viděno spíše jako problém v informatice než v empirické vědě - možná chyba. Součástí ověření řešení je porovnání vypočítaného výstupu s analytickými řešeními (tzv. „Benchmarková řešení“). I když tato metoda může samozřejmě pomoci přiložit výsledky počítačových simulací, je sama o sobě nedostatečná,protože simulace se často používají právě proto, že analytické řešení není k dispozici pro oblasti řešeného prostoru, které jsou předmětem zájmu. K dispozici jsou i další nepřímé techniky: nejdůležitější z nich pravděpodobně kontroluje, zda a v jaké míře se vypočítaný výstup konverguje ke stabilnímu řešení, protože čas a prostorové rozlišení diskretizační mřížky se zlepší.

Hlavní strategie validace spočívá v porovnání výstupu modelu s pozorovatelnými daty. Tato strategie je samozřejmě opět omezená ve většině případů, kdy se provádějí simulace, protože pozorovatelná data jsou řídká. Lze však použít složité strategie, včetně porovnání výstupu subsystémů simulace s relevantními experimenty (Parker, 2013; Oberkampf a Roy 2010).

Koncepty ověřování a validace vyvolaly určitou kritiku od filozofů. Oreskes a kol. Velmi široce citovaný článek z roku 1994 byl kritický vůči terminologii a tvrdil, že zejména „platnost“je vlastnost, která se vztahuje pouze na logické argumenty, a proto by termín, pokud se použije na modely, mohl vést k nadměrné důvěře..

Winsberg (2010, 2018, s. 155) tvrdí, že koncepční dělení mezi ověřováním a validací může být zavádějící, pokud se má za to, že existuje jedna sada metod, které samy o sobě ukazují, že jsme vyřešili rovnice správně a že existuje další sada metod, které samy o sobě mohou ukázat, že máme správné rovnice. Tvrdil také, že je zavádějící si myslet, že epistemologie simulace je čistě rozdělena na empirickou část (ověření) a matematickou (a počítačovou vědu) část (validace). Tato klamavá myšlenka však často následuje diskusi o ověření a validaci. Nacházíme to jak v práci praktiků a filozofů.

Zde je standardní řádek od praktikujícího, Roy: „Ověření se zabývá matematikou a řeší správnost numerického řešení daného modelu. Validace se naopak zabývá fyzikou a řeší vhodnost modelu při reprodukci experimentálních dat. Ověření lze považovat za správné řešení vybraných rovnic, zatímco validace si vybírá správné rovnice na prvním místě “(Roy 2005).

Někteří filozofové dali toto rozlišení práci v argumentech o filozofické novosti simulace. Nejprve jsme se touto otázkou zabývali v části 4.1, kde Frigg a Reiss argumentovali, že simulace nemůže mít žádné epistemologicky nové rysy, protože obsahuje dvě odlišné komponenty: komponentu, která je totožná s epistemologií běžného modelování, a komponentu, která je zcela matematická. "Měli bychom rozlišit dva různé pojmy spolehlivosti a odpovědět na dvě různé otázky." Zaprvé, jsou řešení, která počítač poskytuje dostatečně blízko skutečným (ale nedostupným) řešením, aby byla užitečná?… Je to čistě matematická otázka a patří do třídy problémů, které jsme právě zmínili. Z filosofického hlediska zde tedy není nic nového a otázkou je opravdu číslo zkroucení. Druhý,reprezentují výpočetní modely, které jsou základem simulací, cílový systém správně? To znamená, že jsou výsledky simulace externě platné? To je vážná otázka, ale ta, která je nezávislá na prvním problému a která vyvstává stejně ve spojení s modely, které nezahrnují nevyřešitelnou matematiku a běžné experimenty “(Frigg a Reiss 2009).

Ovšem ověření a validace nejsou, přísně vzato, tak čistě oddělitelné. Je tomu tak proto, že většina metod validace je sama o sobě příliš slabá na to, aby stanovila platnost simulace. A většina modelových rovnic zvolených pro simulaci není v žádném přímém smyslu „správnými rovnicemi“; nejsou to modelové rovnice, které bychom si vybrali v ideálním světě. Máme dobrý důvod si myslet, jinými slovy, že tam jsou modelové rovnice, které se těší lepší empirické podpoře, abstraktem. Rovnice, které vybereme, často odrážejí kompromis mezi tím, co považujeme za nejlepší, popisuje fenomény a výpočetní sledovatelnost. Rovnice, které jsou vybrány, jsou proto jen zřídkakdy „validovány“samy o sobě. Pokud chceme pochopit, proč jsou výsledky simulace považovány za důvěryhodné,musíme se podívat na epistemologii simulace jako integrovaný celek, nikoli tak čistě rozdělený na ověřování a validaci - z nichž každý by sám o sobě vypadal jako nedostatečný pro daný úkol.

Jedním bodem je, že ověřování a validace nejsou nezávisle úspěšné a oddělitelné činnosti. Druhým bodem je však to, že na tyto činnosti nelze zaměřit dva nezávislé subjekty: model zvolený pro diskretizaci a způsob diskriminace. Jakmile si člověk uvědomí, že rovnice, které mají být „vyřešeny“, jsou někdy vybrány tak, aby zrušily chyby diskretizace atd. (Lenhard 2007 má velmi pěkný příklad toho, že zahrnuje operátora Arakawa), bude toto pozdější rozlišení těžší udržovat. Úspěch je tedy dosažen v simulaci s určitým druhem dozadu a dopředu, pokusem a omylem, částečným nastavením mezi modelem a metodou výpočtu. A když je tomu tak, je těžké dokonce vědět, co to znamená říci, že simulace je samostatně ověřena a validována.

Nikdo netvrdil, že V&V není užitečným rozlišením, ale spíše že vědci by neměli přetahovat pragmaticky užitečné rozlišení do čistého metodologického diktátu, který zkresluje nepořádek jejich vlastní praxe. Souběžně, Frigg a Reiss argument pro neexistenci epistemologické novosti v simulaci selže právě z tohoto důvodu. Není to „ryze matematická otázka“, zda jsou užitečná řešení, která poskytuje počítač dostatečně blízko skutečným (ale nedostupným) řešením. Alespoň ne v tomto ohledu: není to otázka, na kterou lze odpovědět jako pragmatickou záležitost zcela pomocí matematických metod. A proto jde o empirický / epistemologický problém, který při běžném modelování nevzniká.

4.4 EOCS a Epistemické oprávnění

Hlavním prvkem obyčejné epistemologie (mimo filozofii vědy) je zdůraznit míru, do jaké je podmínkou možnosti poznání, že se spoléháme na naše smysly a svědectví jiných lidí způsobem, který si sami nedokážeme ospravedlnit. Podle Tyler Burge (1993, 1998) je víra ve výsledky těchto dvou procesů zaručena, ale není odůvodněna. Spíše, podle Burge, máme nárok na tyto přesvědčení. „[W] e mají právo spoléhat se na jiné věci stejné, na vnímání, paměť, deduktivní a induktivní uvažování a na… slovo druhých“(1993, s. 458). Víra, ve kterou má věřící nárok, jsou ty, které nejsou podloženy důkazy, které má věřící k dispozici, ale které věřící přesto věří.

Některé práce v EOCS vyvinuly analogie mezi počítačovou simulací a druhy praktik, které vytvářejí znalosti, které Burge spojuje s nárokem. (Viz zejména Barberousse a Vorms, 2014 a Beisbart, 2017.) To je v některých ohledech přirozený nárůst Burgeových argumentů, že tímto způsobem prohlížíme počítačové asistence (1998). Počítačové simulace jsou extrémně složité, často jsou výsledkem epistemické práce různorodé skupiny vědců a dalších odborníků a možná nejdůležitější je epistemicky neprůhledné (Humphreys, 2004). Kvůli těmto vlastnostem Beisbart tvrdí, že je rozumné zacházet s počítačovými simulacemi stejně jako s našimi smysly a svědectvím ostatních: jednoduše jako s věcmi, kterým lze důvěřovat, za předpokladu, že vše funguje hladce. (Beisbart, 2017).

Symons a Alvarado (2019) tvrdí, že s tímto přístupem k systému EOCS existuje zásadní problém, a to má co do činění s počítačem podporovaným důkazem, který byl pro Burgeův původní účet zásadní: s bytostí jako „průhledným dopravcem“. „Je velmi důležité například poznamenat, že účet Burge o uchovávání obsahu a průhledném přenosu vyžaduje, aby příjemce již měl důvod nezpochybňovat zdroj“(str. 13). Symons a Alvarado však poukazují na mnoho vlastností počítačových simulací (čerpání z Winsberg 2010 a Ruphy 2015), na jejichž základě tyto vlastnosti nemají. Zde jsou relevantní i Lenhard a Küster 2019,protože tvrdí, že existuje mnoho funkcí počítačové simulace, které je obtížně reprodukují, a které proto podkopávají určitou stabilitu, která by byla vyžadována, aby byly transparentní dopravníky. Z těchto důvodů a dalších, které mají co do činění s mnoha rysy diskutovanými v bodech 4.2 a 4.3, Symons a Alvarado tvrdí, že je nepravděpodobné, že bychom měli počítačovou simulaci považovat za základní epistemickou praxi na stejné úrovni jako vnímání smyslů, paměť, svědectví nebo podobně.

4.5 Pragmatické přístupy k EOCS

Dalším přístupem k EOCS je zakotvit v praktických aspektech řemesla modelování a simulace. Podle tohoto názoru, jinými slovy, nejlepším příkladem, proč můžeme věřit výsledkům studií počítačové simulace, je mít důvěru v praktické dovednosti a dovednosti modelářů, kteří je používají. Dobrým příkladem tohoto druhu účtu je (Hubig a Kaminski, 2017). Epistemologickým cílem tohoto druhu práce je identifikovat místo naší důvěry v simulaci v praktické aspekty řemesla modelování a simulace, než v jakékoli rysy samotných modelů. (Resch et al, 2017) tvrdí, že velká část důvodu, proč bychom měli simulacím věřit, není kvůli samotným simulacím,ale kvůli interpretačnímu umění těch, kteří využívají své umění a dovednosti k interpretaci výstupů simulace. Symons and Alvarado (2019) jsou také kritičtí vůči tomuto přístupu a argumentují tím, že „součástí úkolu epistemologie počítačové simulace je vysvětlit rozdíl mezi postavením současného vědce ve vztahu k epistemicky neprůhledným počítačovým simulacím..“(str.7)) a věřící v mechanický věštecký vztah k jejich věštcům. Pragmatické a epistemické úvahy, podle Symons a Alvarado, koexistují a nejsou možnými konkurenty pro správné vysvětlení naší důvěry v simulace - epistemické důvody jsou konečné, co vysvětlují a zakládají pragmatické.argumentovat, že „Součástí úkolu epistemologie počítačové simulace je vysvětlit rozdíl mezi postavou současného vědce ve vztahu k epistemicky neprůhledným počítačovým simulacím..“(str. 7) a věřící ve vztah mechanického věštce k jejich věštcům. Pragmatické a epistemické úvahy, podle Symons a Alvarado, koexistují a nejsou možnými konkurenty pro správné vysvětlení naší důvěry v simulace - epistemické důvody jsou konečné, co vysvětlují a zakládají pragmatické.argumentovat, že „Součástí úkolu epistemologie počítačové simulace je vysvětlit rozdíl mezi postavou současného vědce ve vztahu k epistemicky neprůhledným počítačovým simulacím..“(str. 7) a věřící ve vztah mechanického věštce k jejich věštcům. Pragmatické a epistemické úvahy, podle Symons a Alvarado, koexistují a nejsou možnými konkurenty pro správné vysvětlení naší důvěry v simulace - epistemické důvody jsou konečné, co vysvětlují a zakládají pragmatické.a oni nejsou možnými konkurenty pro správné vysvětlení naší důvěry v simulace - epistemické důvody jsou konečné, co vysvětlují a zakládají pragmatické.a oni nejsou možnými konkurenty pro správné vysvětlení naší důvěry v simulace - epistemické důvody jsou konečné, co vysvětlují a zakládají pragmatické.

5. Simulace a experimenty

Pracující vědci někdy experimentálně popisují simulační studie. Souvislost mezi simulací a experimentem sahá pravděpodobně až k von Neumannovi, který při obhajobě používání počítačů ve fyzice velmi brzy poznamenal, že mnoho obtížných experimentů musí být provedeno pouze k určení skutečností, které by v zásadě měly být odvozitelný z teorie. Jakmile se von Neumannova vize stala skutečností a některé z těchto experimentů začaly být nahrazovány simulacemi, bylo to poněkud přirozené, když se na ně dívaly jako na experimenty. Reprezentativní pasáž lze nalézt v populární knize o simulaci:

Simulace, která přesně napodobuje složitý jev, obsahuje velké množství informací o tomto jevu. Proměnné, jako je teplota, tlak, vlhkost a rychlost větru, jsou superpočítačem vyhodnocovány na tisících bodech, protože například simulují vývoj bouře. Taková data, která daleko přesahují vše, co by bylo možné získat při spuštění flotily meteorologických balónů, odhalují důvěrné podrobnosti o tom, co se děje v bouřkovém oblaku. (Kaufmann a Smarr 1993, 4)

Myšlenka experimentů „in silico“je ještě věrohodnější, když je simulační studie navržena tak, aby zjistila, co se stane systému v důsledku různých možných zásahů: Co by se stalo globálnímu klimatu, kdyby se do atmosféry přidalo x množství uhlíku ? Co se stane s tímto křídlem letounu, pokud bude vystaveno takovému a takovému namáhání? Jak se změní vzorce provozu, pokud je na tomto místě přidáno označení onramp?

Filozofové se proto začali zabývat tím, v jakém smyslu, pokud vůbec, jsou počítačové simulace jako experimenty a v jakém smyslu se liší. Souvisejícím tématem je otázka, kdy se proces, který v zásadě zahrnuje počítačovou simulaci, může počítat jako měření (Parker, 2017). V literatuře se objevilo několik názorů zaměřených na obhajobu a kritiku dvou tezí:

Diplomová práce. Studie počítačové simulace jsou doslova příklady experimentů.

Epistemologická závislost. Teze o identitě by byla (pokud by byla pravda) dobrým důvodem (slabá verze), nebo nejlepším důvodem (silnější verze), nebo jediným důvodem (nejsilnější verze; je to nezbytná podmínka) k tomu, abychom věřili, že simulace mohou poskytnout záruky víra v hypotézy, které podporují. Důsledkem nejsilnější verze je to, že pouze pokud je teorie identity pravdivá, existuje důvod se domnívat, že simulace mohou zaručit víru v hypotézy.

Ústřední myšlenkou epistemologické závislosti je, že experimenty jsou kanonické entity, které hrají ústřední roli při zaručování naší víry ve vědecké hypotézy, a že tedy míra, do které bychom si měli myslet, že simulace mohou také hrát roli při zaručování takových vyznání. závisí na rozsahu, v jakém je lze identifikovat jako druh experimentu.

Jeden může najít filozofy hádající se o tezi identity již v Humphreys 1995 a Hughes 1999. A v Hughesovi existuje přinejmenším implicitní podpora (silnější) verze teze epistemologické závislosti. Nejčasnější explicitní argument ve prospěch teze epistemologické závislosti je však v Norton a Suppe 2001. Podle Norton a Suppe mohou simulace zaručit víru právě proto, že jsou to doslova experimenty. Mají podrobný příběh, o kterém mají vyprávět, v jakém smyslu jsou experimenty a jak by to mělo fungovat. Podle Nortona a Suppe je platná simulace taková, ve které určité formální vztahy (nazývané „realizace“) platí mezi základním modelem, samotným modelovaným fyzickým systémem a počítačem, na kterém je algoritmus spuštěn. Když jsou splněny správné podmínky,Simulace může být použita jako nástroj pro zkoumání nebo detekci jevů skutečného světa. Empirická data o skutečných jevech jsou vytvářena za podmínek experimentální kontroly “(str. 73).

Jedním z problémů tohoto příběhu je to, že formální podmínky, které stanoví, jsou příliš přísné. Je nepravděpodobné, že existuje mnoho skutečných příkladů počítačových simulací, které splňují jejich přísné standardy. Simulace je téměř vždy mnohem více idealizující a aproximující se podnik. Pokud jsou tedy simulace experimenty, pravděpodobně to Norton a Suppe nepředstavují.

Obecněji řečeno, práce s identitou přitahovala oheň z jiných čtvrtí.

Gilbert a Troitzsch argumentovali, že „[hlavní] rozdíl spočívá v tom, že zatímco v experimentu člověk kontroluje skutečný předmět zájmu (například v chemickém experimentu, zkoumané chemikálie), v simulaci experimentuje s spíše než samotný fenomén. “(Gilbert a Troitzsch 1999, 13). Ale to se nezdá správné. Mnoho (Guala 2002, 2008, Morgan 2003, Parker 2009a, Winsberg 2009a) poukázalo na problémy s tvrzením. Pokud Gilbert a Troitzsch znamenají, že simulátoři manipulují s modely ve smyslu abstraktních objektů, pak je obtížné pochopit tvrzení - jak manipulujeme s abstraktní entitou? Pokud naopak chtějí jednoduše poukázat na skutečnost, že fyzický objekt, se kterým simulátoři manipulují - digitální počítač - není skutečným předmětem zájmu,pak není jasné, proč se to liší od běžných experimentů.

Je nepravdivé, že skutečné experimenty vždy manipulují přesně s jejich cílovými cíli. Ve skutečnosti jak v reálných experimentech, tak v simulacích existuje složitý vztah mezi tím, co je manipulováno při vyšetřování na jedné straně, a systémy skutečného světa, které jsou cílem vyšetřování na straně druhé. V případech experimentu i simulace tedy vyžaduje argument nějaké látky, aby se stanovila „vnější platnost“šetření - aby se zjistilo, že to, co se dozví o manipulovaném systému, je použitelné na systém zájmu. Například Mendel manipuloval s rostlinami hrachu, ale zajímal se obecně o fenoménu dědičnosti. Myšlenka modelového organismu v biologii činí tuto myšlenku nápadnou. Experimentujeme s Caenorhabditis elegans, protože máme zájem pochopit, jak organismus obecně používá geny k řízení vývoje a genealogie. Experimentujeme na Drosophila melanogaster, protože poskytuje užitečný model mutací a genetické dědičnosti. Myšlenka se však neomezuje pouze na biologii. Galileo experimentoval s nakloněnými rovinami, protože se zajímal o to, jak objekty padají a jak se budou chovat, pokud nebudou rušivé síly-jevy, které experimenty se nakloněnými rovinami dokonce ani nevytvořily. Galileo experimentoval s nakloněnými rovinami, protože se zajímal o to, jak objekty padají a jak se budou chovat, pokud nebudou rušivé síly-jevy, které experimenty se nakloněnými rovinami dokonce ani nevytvořily. Galileo experimentoval s nakloněnými rovinami, protože se zajímal o to, jak objekty padají a jak se budou chovat, pokud nebudou rušivé síly-jevy, které experimenty se nakloněnými rovinami dokonce ani nevytvořily.

Tento pohled na experimenty samozřejmě není nesporný. Je pravda, že experimentátoři docela často odvodí něco o systému odlišném od systému, do kterého zasahují. Není však jasné, zda je tento závěr správnou součástí původního experimentu. Peschard (2010) v tomto směru kritizuje, a proto jej lze považovat za obhájce Gilberta a Troitzscha. Peschard tvrdí, že základní předpoklad jejich kritiků - že v experimentech, stejně jako v simulaci, to, co je manipulováno, je systém zastupující cílový systém - je zmaten. Peschard tvrdí, že je epistemickým cílem experimentu s jeho epistemickou motivací. Tvrdí, že zatímco epistemická motivace pro experimentování s C. elegans může být docela dalekosáhlá,správným epistemickým cílem každého takového experimentu je samotný červ. Podle simulace podle Pescharda však epistemickým cílem nikdy není samotný digitální počítač. Simulace je tedy podle ní odlišná od experimentu v tom, že její epistemický cíl (na rozdíl od pouze jeho epistemické motivace) je odlišný od manipulovaného objektu. Roush (2017) lze také považovat za obránce linie Gilbert a Troitzsch, ale Roush apeluje na stejnost přírodních druhů jako na klíčový prvek, který odděluje experimenty a simulace. Dalšími odpůrci teze o identitě jsou Giere (2009) a Beisbart a Norton (2012, Jiné internetové zdroje).v tom, že jeho epistemický cíl (na rozdíl od pouze jeho epistemické motivace) je odlišný od manipulovaného objektu. Roush (2017) lze také považovat za obránce linie Gilbert a Troitzsch, ale Roush apeluje na stejnost přírodních druhů jako na klíčový prvek, který odděluje experimenty a simulace. Dalšími odpůrci teze o identitě jsou Giere (2009) a Beisbart a Norton (2012, Jiné internetové zdroje).v tom, že jeho epistemický cíl (na rozdíl od pouze jeho epistemické motivace) je odlišný od manipulovaného objektu. Roush (2017) lze také považovat za obránce linie Gilbert a Troitzsch, ale Roush apeluje na stejnost přírodních druhů jako na klíčový prvek, který odděluje experimenty a simulace. Dalšími odpůrci teze o identitě jsou Giere (2009) a Beisbart a Norton (2012, Jiné internetové zdroje). Další internetové zdroje). Další internetové zdroje).

Není jasné, jak tento spor rozhodnout, a zdá se, že se točí hlavně kolem rozdílu v důrazu. Jeden může zdůraznit rozdíl mezi experimentem a simulací, následovat Gilberta a Troitzscha a Pescharda, tím, že trvá na tom, že experimenty nás nejprve učí o jejich epistemických cílech a pouze sekundárně umožní závěry o chování jiných systémů. (Tj. Experimenty s červy nás v první řadě učí o červech a pouze sekundárně nám umožňují obecněji vyvozovat závěry o genetické kontrole.) To by je pojmově odlišilo od počítačových simulací, o nichž se nepředpokládá, že nás učí, v prvním případě o chování počítačů, a pouze ve druhém případě o bouřích nebo galaxiích nebo cokoli.

Nebo lze zdůraznit podobnost opačným způsobem. Jeden může zdůraznit, do jaké míry jsou experimentální cíle vždy vybírány jako náhrada za to, co je skutečně zajímavé. Morrison, 2009 je pravděpodobně nejsilnějším ochráncem zdůraznění tohoto aspektu podobnosti experimentu a simulace. Tvrdí, že většina experimentální praxe a ve skutečnosti většina měřicí praxe zahrnuje stejné druhy modelovací praxe jako simulace. V každém případě, tempo Peschard, nic jiného než debata o nomenklatuře - a možná výzva k běžnému jazykovému použití vědců; ne vždy nejpřesvědčivější druh argumentů - by nám zabránil říci, že epistemickým cílem simulace bouře je počítač a že bouře je pouze epistemickou motivací ke studiu počítače.

Ať už je to jakkoli, mnozí filozofové simulace, včetně těch, o nichž se diskutuje v této části, si vybrali druhou cestu - zčásti jako způsob, jak upozornit na způsoby, kterými zpráva číhající za citovaným tvrzením Gilberta a Troitzscha vykresluje příliš zjednodušující obrázek experiment. Zdá se být příliš zjednodušující malovat obrázek, podle kterého experiment získává přímou přilnavost na světě, zatímco situace simulace je přesně opačná. A to je obrázek, který se zdá být získán z citátu Gilber a Troitzsch. Peschardův sofistikovanější obraz zahrnující rozlišování mezi epistemickými cíli a epistemickými motivacemi vede dlouhou cestu k vyhlazení těchto obav, aniž by nás tlačil na území myšlení, že simulace a experiment jsou v tomto ohledu úplně stejné.

Přesto, navzdory odmítnutí Gilberta a Troitzschovy charakterizace rozdílu mezi simulací a experimentem, Guala a Morgan oba odmítají tezi identity. Na základě práce Simona (1969) Guala tvrdí, že simulace se zásadně liší od experimentů v tom, že předmět manipulace v experimentu nese materiální podobnost s předmětem zájmu, ale v simulaci je podobnost mezi objektem a cílem pouze formální. Je zajímavé, že zatímco Morgan přijímá tento argument proti tezi o identitě, zdá se, že drží verzi epistemologické závislosti. Jinými slovy,že rozdíl mezi experimenty a simulacemi identifikovanými Gualou znamená, že simulace jsou epistemologicky podřadné než skutečné experimenty - že mají skutečně menší sílu, aby zaručily víru v hypotézy o skutečném světě, protože to nejsou experimenty.

Obrana epistemické síly simulací proti Morganovu argumentu (2002) by mohla přijít ve formě obhajoby teze o identitě, nebo ve formě odmítnutí teze o epistemologické závislosti. Na první straně se zdá, že existují dva problémy s Gualovým argumentem proti tezi o identitě. První je, že pojem materiální podobnosti je zde příliš slabý, a druhý je ten, že pojem pouhé formální podobnosti je příliš vágní na to, aby mohl vykonávat požadovanou práci. Vezměme si například skutečnost, že v technických vědách není neobvyklé používat simulační metody ke studiu chování systémů vyrobených z křemíku. Inženýr se chce dozvědět o vlastnostech různých konstrukčních možností silikonového zařízení,tak vyvíjí výpočetní model zařízení a provádí simulaci jeho chování na digitálním počítači. Existují hluboké materiální podobnosti mezi a některé stejné materiální příčiny jsou v práci, centrální procesor počítače a křemíkové zařízení, které je studováno. Podle Gualovy argumentace by to mělo být označeno jako příklad skutečného experimentu, ale zdá se to špatné. Zvláštnosti tohoto příkladu ilustrují problém poněkud ostře, ale problém je ve skutečnosti docela obecný: všechny dva systémy nesou určité materiální podobnosti navzájem a určité rozdíly.to by mělo označit jako příklad skutečného experimentu, ale zdá se to špatné. Zvláštnosti tohoto příkladu ilustrují problém poněkud ostře, ale problém je ve skutečnosti docela obecný: všechny dva systémy nesou určité materiální podobnosti navzájem a určité rozdíly.to by mělo označit jako příklad skutečného experimentu, ale zdá se to špatné. Zvláštnosti tohoto příkladu ilustrují problém poněkud ostře, ale problém je ve skutečnosti docela obecný: všechny dva systémy nesou určité materiální podobnosti navzájem a určité rozdíly.

Parke (2014) argumentuje proti epistemologické závislostní tezi tím, že podkopává dva předpoklady, o nichž se domnívá, že je podporují: první, že experimenty generují větší inferenciální sílu než simulace, a za druhé, že simulace nás nemohou překvapit stejným způsobem, jaký mohou experimenty.

Na druhou stranu, myšlenka, že existence formální podobnosti mezi dvěma hmotnými entitami by mohla označit cokoli zajímavého, je koncepčně zmatená. Vzhledem k jakýmkoli dvěma dostatečně složitým entitám existuje mnoho způsobů, jak jsou formálně totožné, nemluvě o podobných. Existují také způsoby, jak jsou formálně úplně odlišné. Nyní můžeme mluvit volně a říci, že dvě věci nesou formální podobnost, ale to, co opravdu myslíme, je, že naše nejlepší formální reprezentace těchto dvou entit mají formální podobnosti. V každém případě se zdá, že existují dobré důvody pro odmítnutí důvodů Gilbert a Troitzsch a Morgan a Guala pro rozlišování experimentů a simulací.

Vrátíme-li se k obraně epistemické síly simulací, existují také důvody pro odmítnutí teze epistemologické závislosti. Jak zdůrazňuje Parker (2009a), v experimentech i simulacích můžeme mít relevantní podobnosti mezi počítačovými simulacemi a cílovými systémy, a to je důležité. Když jsou zavedeny příslušné základní znalosti, může simulace poskytnout spolehlivější znalosti systému než experiment. Počítačová simulace sluneční soustavy, založená na našich nejmodernějších modelech nebeské dynamiky, povede k lepšímu znázornění oběžné dráhy planet než jakýkoli experiment.

Parke (2014) argumentuje proti epistemologické závislostní tezi tím, že podkopává dva předpoklady, o nichž se domnívá, že je podporují: první, že experimenty generují větší inferenciální sílu než simulace, a za druhé, že simulace nás nemohou překvapit stejným způsobem, jaký mohou experimenty. Argument, že simulace nás nemohou překvapit, pochází z Morgan (2005). Pace Morgan, Parke tvrdí, že simulátoři jsou svými simulacemi často překvapeni, protože nejsou počítačově vševědoucí a protože nejsou vždy jedinými tvůrci modelů a kódů, které používají. Navíc tvrdí, že „[d] případy v epistemických stavech výzkumného pracovníka se samy jeví jako nesprávné důvody pro sledování rozdílu mezi experimentem a simulací“(258). Adrian Curry (2017) brání Morganovu původní intuici provedením dvou přátelských změn. Tvrdí, že rozdíl, který Morgan skutečně měl, byl mezi dvěma různými druhy překvapení, a zejména s tím, co je zdrojem překvapení: překvapení díky uvedení teoretických poznatků do kontaktu se světem se vyznačuje experimentem. Pečlivěji definuje překvapení i psychologickým způsobem tak, že jde o „kvalitu, jejíž dosažení představuje skutečný epistemický pokrok“(str. 640).

6. Počítačová simulace a struktura vědeckých teorií

Paul Humphreys (2004) tvrdí, že počítačové simulace mají hluboké důsledky pro naše pochopení struktury teorií; on argumentuje, že oni odhalí nedostatky jak sémantickým tak syntaktickým pohledem na vědecké teorie. Toto tvrzení vyvolalo ostrý oheň od Romana Frigga a Juliana Reissa (2009). Frigg a Reiss tvrdí, že to, zda model připouští analytické řešení nebo ne, nemá žádný vliv na to, jak souvisí se světem. Používají příklad dvojitého kyvadla, aby to ukázaly. To, zda je vnitřní kyvadlo kyvadla udržováno pevné (skutečnost, která určí, zda je příslušný model analyticky řešitelný), nemá žádný vliv na sémantiku prvků modelu. Z toho vyvozují, že sémantika modelu nebo jeho vztah ke světu není ovlivněna tím, zda je model analyticky řešitelný.

To však nereagovalo na nej charitativní čtení toho, na co Humphreys ukazoval. Syntaktické a sémantické názory teorií nakonec nebyly jen popisem toho, jak se naše abstraktní vědecké reprezentace vztahují ke světu. Konkrétně se nejedná o příběhy o vztahu mezi konkrétními modely a světem, ale spíše o vztahu mezi teoriemi a světem a roli, kterou v tomto vztahu hrály, pokud existují.

Byly to také příběhy, které měly co říci o tom, kde je filozoficky zajímavá akce, pokud jde o vědecké teoretizování. Syntaktický pohled navrhl, že vědecká praxe by mohla být adekvátně racionálně rekonstruována uvažováním teorií jako axiomatických systémů, a co je důležitější, logická dedukce byla užitečným regulativním ideálem pro přemýšlení o tom, jak jsou vyvoděny závěry z teorie do světa. Syntaktický pohled také opomenutím objasnil, pokud je zcela jasné, že modelování hrálo ve vědě jen heuristickou roli. (Toto byl rys syntaktického pohledu teorií, které Frederick Suppe, jeden z jeho nejhorlivějších kritiků, často zábradlí proti.) Teorie samy neměly nic společného s modely a teorie mohly být srovnávány přímo se světem, bez jakékoli důležité role pro modelování.

Sémantický pohled na teorie naopak zdůraznil důležitou roli modelů, ale také naléhal, aby teorie byly nelingvistické entity. Naléhavě žádalo filosofy, aby nebyli rozptylováni nepředvídatelnostmi konkrétní formy lingvistického výrazu, který by teorie mohla být nalezena například v konkrétní učebnici.

Počítačové simulace však ukazují, že obě tato témata byla zavádějící. Bylo velmi špatné domnívat se, že logická dedukce je správným nástrojem pro racionální rekonstrukci procesu aplikace teorie. Počítačové simulace ukazují, že existují metody aplikace teorie, které výrazně předčí inferenciální sílu logické dedukce. Například prostor řešení, který je k dispozici prostřednictvím logické dedukce z teorie tekutin, je mikroskopický ve srovnání s prostorem aplikací, které lze prozkoumat pomocí počítačové simulace. Na druhou stranu se zdá, že počítačové simulace odhalují, jak Humphreys (2004) naléhal, na syntaktických záležitostech. Ukázalo se, že, jak se ukázalo sémantickým názorem, bylo, že konkrétní lingvistická forma, v níž je vyjádřena vědecká teorie, je filozoficky nezajímavá. Syntaxe výrazu teorie bude mít hluboký vliv na to, z čeho lze vyvodit závěry, jaké druhy idealizací s ním budou dobře fungovat atd. Humphreys poukazuje na následující: „použitá specifická syntaktická reprezentace je často zásadní pro řešitelnost teoriích rovnic “(Humphreys 2009, s. 620). Teorie tekutin může být použita k zdůraznění tohoto bodu: zda vyjádříme, že teorie v euleriánské nebo lagrangiánské podobě bude mít hluboký vliv na to, co v praxi můžeme spočítat a jak; ovlivní to, jaké idealizace, aproximace a výpočetní techniky budou za jakých okolností efektivní a spolehlivé. Epistemologie počítačové simulace tedy musí být citlivá na konkrétní syntaktickou formulaci teorie a na to, jak dobře byla tato formulace pověřena. Proto,Zdá se správné, jak Humphreys (2004) zdůraznil, že počítačové simulace odhalily nedostatky jak se syntaktickými, tak sémantickými teoriemi.

7. Vznik

Paul Humphreys (2004) a Mark Bedau (1997, 2011) tvrdili, že filozofové, kteří se zajímají o téma vzniku, se mohou hodně naučit při pohledu na počítačovou simulaci. Filozofové, kteří se zajímají o toto téma, by se měli seznámit s heslem o vznikajících vlastnostech, kde byly diskutovány příspěvky všech těchto filozofů.

Souvislost mezi vznikem a simulací snad nejlépe formuloval Bedau ve svém (2011). Bedau argumentoval, že jakákoli koncepce vzniku musí splňovat dvojitá charakteristika vysvětlení toho, jak celek závisí na jeho částech a jak je celek nezávislý na jeho částech. Tvrdí, že filosofové se často zaměřují na to, co nazývá „silným“vznikem, který představuje hrubou příčinnou souvislost, která je v zásadě neredukovatelná. Tvrdí však, že se jedná o chybu. Místo toho se zaměřuje na to, čemu říká „slabý“vznik, což umožňuje redukci celků na části v zásadě, ale nikoli v praxi. Systémy, které vytvářejí naléhavé vlastnosti, jsou pouhé mechanismy, ale mechanismy jsou velmi složité (mají velmi mnoho vzájemně se ovlivňujících částí). Jako výsledek,neexistuje žádný způsob, jak přesně zjistit, co se stane s konkrétním souborem počátečních a okrajových podmínek, s výjimkou „procházení příčinné sítě“. Právě zde vzniká spojení s počítačovou simulací. Slabé vznikající vlastnosti jsou charakteristické pro komplexní systémy v přírodě. Pro složité počítačové simulace je také charakteristické, že neexistuje způsob, jak předvídat, co budou dělat, kromě toho, aby je nechali běžet. Slabý vznik vysvětluje, podle Bedau, proč počítačové simulace hrají ústřední roli ve vědě o složitých systémech. Nejlepší způsob, jak porozumět a předpovídat, jak se skutečné reálné systémy chovají, je simulovat je procházením mikro-kauzálního webu a zjistit, co se stane. Slabé vznikající vlastnosti jsou charakteristické pro komplexní systémy v přírodě. Pro složité počítačové simulace je také charakteristické, že neexistuje způsob, jak předvídat, co budou dělat, kromě toho, aby je nechali běžet. Slabý vznik vysvětluje, podle Bedau, proč počítačové simulace hrají ústřední roli ve vědě o složitých systémech. Nejlepší způsob, jak porozumět a předpovídat, jak se skutečné reálné systémy chovají, je simulovat je procházením mikro-kauzálního webu a zjistit, co se stane. Slabé vznikající vlastnosti jsou charakteristické pro komplexní systémy v přírodě. Pro složité počítačové simulace je také charakteristické, že neexistuje způsob, jak předvídat, co budou dělat, kromě toho, aby je nechali běžet. Slabý vznik vysvětluje, podle Bedau, proč počítačové simulace hrají ústřední roli ve vědě o složitých systémech. Nejlepší způsob, jak porozumět a předpovídat, jak se skutečné reálné systémy chovají, je simulovat je procházením mikro-kauzálního webu a zjistit, co se stane. Nejlepší způsob, jak porozumět a předpovídat, jak se skutečné reálné systémy chovají, je simulovat je procházením mikro-kauzálního webu a zjistit, co se stane. Nejlepší způsob, jak porozumět a předpovídat, jak se skutečné reálné systémy chovají, je simulovat je procházením mikro-kauzálního webu a zjistit, co se stane.

8. Beletrie

Modely samozřejmě zahrnují idealizace. Tvrdilo se však, že některé druhy idealizace, které hrají zvláště významnou roli v druzích modelování zapojených do počítačové simulace, jsou zvláštní - do té míry, že si zaslouží titul „beletrie“. Tato část bude diskutovat o pokusech definovat fikce a prozkoumat jejich roli v počítačové simulaci.

Existují dvě různé linie uvažování o úloze fikcí ve vědě. Podle jednoho jsou všechny modely fikcemi. Tato linie myšlení je motivována zvážením role například „ideálního kyvadla“ve vědě. Vědci, jak se tvrdí, často tvrdí o těchto druzích entit (např. „Ideální kyvadlo má období úměrné druhé odmocnině jeho délky“), ale v reálném světě se nikde nenacházejí; proto musí být fikčními entitami. Tato argumentace o fikčních entitách ve vědě se nijak zvlášť nepřipojuje k počítačovým simulátorům - čtenáři, kteří se zajímají o toto téma, by se měli podívat na položku o vědeckém zastoupení [připravuje se].

Další linie uvažování o fikcích se týká otázky, jaké druhy zastoupení ve vědě by měly být považovány za smyšlené. Zde se nejedná ani tak o ontologii entit vědeckého modelu, ale o reprezentativní charakter různých postulovaných entit modelu. Zde Winsberg (2009c) tvrdil, že fikce mají speciální připojení k počítačovým simulacím. Nebo spíše, že některé počítačové simulace obsahují prvky, které nejlépe charakterizují to, čemu bychom mohli říkat fiktivní reprezentace ve vědě, i když tyto reprezentace nejsou jedinečně přítomny v simulacích.

Poznamenává, že první pojetí výše uvedené fikce, která činí „jakoukoli reprezentaci, která je v rozporu s realitou, fikcí“(str. 179), neodpovídá našemu běžnému použití termínu: hrubá mapa není fikcí. Poté navrhuje alternativní definici: literatura faktu je nabízena jako „dostatečně dobrý“průvodce do určité části světa (str. 181); fikce není. Definici je však třeba upřesnit. Vezměte bajku kobylky a mravence. Ačkoli bajka nabízí lekce o tom, jak je svět, stále je to fikce, protože je to „užitečný průvodce způsobem, jakým je svět v nějakém obecném smyslu“, spíše než konkrétní průvodce způsobem, jakým je část světa, jeho „ prima facie reprezentační cíl “, kobylka zpívající kobylka a mrštící mravenec. Nonfictions, na druhé straně,„Poukazují na určitou část světa“a jsou průvodcem touto částí světa (str. 181).

Tyto druhy smyšlených složek modelů jsou paradigmaticky doloženy v určitých počítačových simulacích. Dva z jeho příkladů jsou „silogenový atom“a „umělá viskozita“. Atomy silogenu se objevují v určitých nanomechanických modelech trhlin v křemíku - druhu druhu multiscale modelů, které mísí kvantovou mechaniku a molekulární mechaniku zmíněnou v oddíle 2.3. Modely šíření trhlin v křemíku obsahující silogen popisují samotnou trhlinu pomocí kvantové mechaniky a oblast bezprostředně obklopující trhlinu pomocí klasické molekulární dynamiky. Aby se spojily modelovací rámce ve dvou regionech, hranice se zpracuje, jako by obsahovala „silogenové“atomy, které mají směs vlastností křemíku a vodíku. Atomy silogenu jsou fikce. Nejsou nabízeny jako „dostatečně dobrý“popis atomů na hranici - jejich prima facie reprezentativní cíle. Používají se však tak, aby bylo možné doufat, že celkový model dá věci do pořádku. Celkový model tedy není fikcí, ale jednou z jeho složek je. Podobným příkladem je umělá viskozita. Tekutiny s náhlými otřesy je obtížné modelovat na výpočetní mřížce, protože náhlý ráz se skrývá uvnitř jediné buňky mřížky a takový algoritmus nemůže být vyřešen. Umělá viskozita je technika, která předstírá, že tekutina je vysoce viskózní - fikční pravice, kdyby šok byl, takže šok se stává méně prudkým a rozostří se přes několik buněk mřížky. Získání viskozity a tím i tloušťky nárazu, špatné, pomáhá přimět celkový model, aby pracoval „dostatečně dobře“. Znovu,celkový model tekutiny není fikcí, je dostatečně spolehlivým vodítkem pro chování tekutiny. Komponenta zvaná umělá viskozita je však fikcí - nepoužívá se ke spolehlivému modelování šoku. Je začleněn do většího modelovacího rámce, aby byl tento větší rámec „dostatečně spolehlivý“.

Tento účet vyvolal dva druhy kritiky. Toon (2010) tvrdí, že tato definice fikce je příliš úzká. Uvádí příklady historických fikcí, jako jsem já, Claudius a Schindlerova archa, o nichž tvrdí, že jsou fikcemi, a to navzdory skutečnosti, že „jsou nabízeny jako„ dostatečně dobrý “průvodce těmto lidem, místům a událostem v určitých ohledech a máme nárok na vezměte je jako takové. “(str. 286–7). Toon patrně podporuje širší pojetí role beletrie ve vědě, podle které nehrají při počítačové simulaci zvláště významnou ani zvýšenou roli.

Gordon Purves (připravovaný) tvrdí, že existují příklady fikcí ve výpočetních modelech (jeho příkladem jsou tzv. „Imaginární trhliny“) a jinde, které nesplňují přísné požadavky diskutované výše. Na rozdíl od Toona však chce také vymyslet prvky fikčního modelování od fikčních. Jeho hlavní kritikou je kritérium fikce z hlediska sociálních norem použití - a Purves tvrdí, že bychom měli být schopni urovnat, zda nějaký kus modelování je fikcí, pokud takové normy neexistují. Chce tedy najít vlastní charakterizaci vědecké fikce. Jeho návrh bere jako konstituent modelových fikcí, že nemají charakteristiku, kterou Laymon (1985) nazýval „kusovou improvizací“(PI). PI je charakteristika mnoha modelů, které jsou idealizacemi;to říká, že jak de-idealizovat, váš model stane se více a přesnější. Ale jak de-idealizujete silogenový atom, nedostanete stále přesnější simulaci křemíkové trhliny. Ale Purves považuje toto selhání PI za konstituční fikci, spíše než za pouhou symptomatiku.

Bibliografie

  • Barberousse, A. a P. Ludwig, 2009. „Modely jako beletrie,“ve sbírkách ve vědě. Filozofické eseje v modelování a idealizacích, Londýn: Routledge, 56–73.
  • Barberousse, A. a Vorms, M. 2014. „O rozkazech počítačově založených empirických znalostí,“Synthese, 191 (15): 3595–3620.
  • Bedau, MA, 2011. „Slabý vznik a počítačová simulace,“v P. Humphreys a C. Imbert (ed.), Modely, simulace a reprezentace, New York: Routledge, 91–114.
  • –––, 1997. „Slabá naléhavost“, Noûs (Dodatek 11), 31: 375–399.
  • Beisbart, C. a J. Norton, 2012. „Proč jsou simulace Monte Carlo inference a ne experimenty,“v International Studies in Philosophy of Science, 26: 403–422.
  • Beisbart, C., 2017. „Zvyšování znalostí pomocí počítačových simulací? Fotbalové cvičení, “v M. Resch, A. Kaminski a P. Gehring (eds.), Science and Art of Simulation (Svazek I), Cham: Springer, s. 153–174./
  • Burge, T., 1993. „Zachování obsahu“, The Philosophical Review, 102 (4): 457–488.
  • –––, 1998. „Počítačový důkaz, apriori znalosti a další mysli: přednáška o šestém filozofickém výhledu,“Noûs, 32 (S12): 1-37.
  • Currie, Adrian, 2018. „Argument od překvapení,“Canadian Journal of Philosophy, 48 (5): 639–661
  • Dardashti, R., Thebault, K., a Winsberg, E., 2015. „Potvrzení pomocí analogové simulace: jaké němé díry by nám mohly říci o gravitaci,“v British Journal for the Philosophy of Science, 68 (1): 55– 89
  • Dardashti, R., Hartmann, S., Thebault, K., a Winsberg, E., 2019. „Hawkingovy radiační a analogové experimenty: Bayesovská analýza“, ve studiích dějin a filozofie moderní fyziky, 67: 1–11.
  • Epstein, J. a R. Axtell, 1996. Rostoucí umělé společnosti: Společenská věda zdola nahoru, Cambridge, MA: MIT Press.
  • Epstein, J., 1999. „Výpočetní modely založené na agentech a generativní sociální věda,“Složitost, 4 (5): 41–57.
  • Franklin, A., 1996. Zanedbání experimentu, Cambridge: Cambridge University Press.
  • –––, 1989. „Epistemologie experimentu“, Použití experimentu, D. Gooding, T. Pinch a S. Schaffer (ed.), Cambridge: Cambridge University Press, 437–60.
  • Frigg, R. a J. Reiss, 2009. „Filozofie simulace: Nové novinky nebo stejný starý guláš,“Synthese, 169: 593–613.
  • Giere, RN, 2009. „Změní počítačová simulace tvář experimentu?“Filozofické studie, 143: 59–62
  • Gilbert, N. a K. Troitzsch, 1999. Simulace pro sociální vědce, Philadelphia, PA: Open University Press.
  • Grüne-Yanoff, T., 2007. „Bounded Racionality“, Philosophy Compass, 2 (3): 534–563.
  • Grüne-Yanoff, T. a Weirich, P., 2010. „Filozofie simulace“, Simulace a hry: Interdisciplinární časopis, 41 (1): 1–31.
  • Guala, F., 2002. „Modely, simulace a experimenty,“Zdůvodnění založené na modelu: Věda, technologie, hodnoty, L. Magnani a N. Nersessian (ed.), New York: Kluwer, 59–74.
  • –––, 2008. „Paradigmatické experimenty: hra Ultimatum od testování po měřicí zařízení,“Filozofie vědy, 75: 658–669.
  • Hacking, I., 1983. Reprezentace a intervence: úvodní témata filozofie přírodních věd, Cambridge: Cambridge University Press.
  • –––, 1988. „O stabilitě laboratorních věd“, The Journal of Philosophy, 85: 507–15.
  • –––, 1992. „Mají experimenty s myšlenkami vlastní život?“PSA (svazek 2), A. Fine, M. Forbes a K. Okruhlik (ed.), East Lansing: Asociace filozofie vědy, 302–10.
  • Hartmann, S., 1996. „Svět jako proces: simulace v přírodních a sociálních vědách“, R. Hegselmann a kol. (ed.), Modelování a simulace v sociálních vědách z pohledu filozofie vědy, Dordrecht: Kluwer, 77–100.
  • Hubig, C, & Kaminski, A., 2017. „Náčrt pragmatické teorie pravdy a omylů v počítačové simulaci,“v M. Resch, A. Kaminski a P. Gehring (ed.), The Science and Art of Simulace (svazek I), Cham: Springer, str. 121–136.
  • Hughes, R., 1999. „Isingův model, počítačová simulace a univerzální fyzika“, v M. Morgan a M. Morrison (ed.), Modely jako prostředníci, Cambridge: Cambridge University Press.
  • Huggins, EM a EA Schultz, 1967. „Zátoka San Francisco ve skladu“, Journal of Institute of Environmental Sciences and Technology, 10 (5): 9–16.
  • Humphreys, P., 1990. „Počítačová simulace“v A. Fine, M. Forbes a L. Wessels (eds.), PSA 1990 (svazek 2), East Lansing, MI: The Association of the Philosophy of Science, 497– 506.
  • –––, 1995. „Výpočetní věda a vědecká metoda,“v Minds and Machines, 5 (1): 499–512.
  • –––, 2004. Rozšiřujeme se: Výpočetní věda, empiricismus a vědecká metoda, New York: Oxford University Press.
  • –––, 2009. „Filozofická novinka metod počítačové simulace,“Synthese, 169: 615–626.
  • Kaufmann, WJ a LL Smarr, 1993. Superpočítač a transformace vědy, New York: Scientific American Library.
  • Laymon, R., 1985. „Idealizace a testování teorií experimentováním,“v Observation, Experiment and Hypothesis in Modern Physical Science, P. Achinstein a O. Hannaway (eds.), Cambridge, MA: MIT Press, 147– 73.
  • Lenhard, J., 2007. „Počítačová simulace: spolupráce mezi experimentováním a modelováním,“Filozofie vědy, 74: 176–94.
  • –––, 2019. Vypočítané překvapení: Filozofie počítačové simulace, Oxford: Oxford University Press
  • Lenhard, J. & Küster, U., 2019. Minds & Machines. 29: 19.
  • Morgan, M., 2003. „Experimenty bez materiálních zásahů: Modelové experimenty, virtuální experimenty a prakticky experimenty,“v The Philosophy of Scientific Experimentation, H. Radder (ed.), Pittsburgh, PA: University of Pittsburgh Press, 216–35.
  • Morrison, M., 2012. „Modely, měření a počítačová simulace: Měnící se tvář experimentování,“Philosophical Studies, 143: 33–57.
  • Norton, S. a F. Suppe, 2001. „Proč je atmosférické modelování dobrá věda,“v The Change Atmosphere: Expert Knowledge and Environmental Governance, C. Miller and P. Edwards (ed.), Cambridge, MA: MIT Press, 88–133.
  • Oberkampf, W. a C. Roy, 2010. Ověření a validace ve vědeckých počítačích, Cambridge: Cambridge University Press.
  • Oreskes, N., s K. Shrader-Frechette a K. Belitz, 1994. „Ověření, ověření a potvrzení numerických modelů ve vědách o Zemi,“Science, 263 (5147): 641–646.
  • Parke, E., 2014. „Experimenty, simulace a epistemická privilegia,“Filozofie vědy, 81 (4): 516–36.
  • Parker, W., 2008a. "Franklin, Holmes a Epistemologie počítačové simulace," Mezinárodní studia filozofie vědy, 22 (2): 165–83.
  • –––, 2008b. "Počítačová simulace pomocí statistického objektivu", Synthese, 163 (3): 371–84.
  • –––, 2009a. "Opravdu Matter opravdu záleží?" Počítačové simulace, experimenty a významnost, “Synthese, 169 (3): 483–96.
  • ––– 2013. „Počítačová simulace“v S. Psillos a M. Curd (ed.), The Routledge Companion to Philosophy of Science, 2. vydání, London: Routledge.
  • –––, 2017. „Počítačová simulace, měření a asimilace dat“, British Journal for the Philosophy of Science, 68 (1): 273–304.
  • Peschard, I., 2010. „Modelování a experimentování“, v P. Humphreys a C. Imbert (eds), Modely, simulace a reprezentace, Londýn: Routledge, 42–61.
  • Primiero, G., 2019. „Minimalistická epistemologie pro simulace založené na agentech v umělých vědách,“Minds and Machines, 29 (1): 127–148.
  • Purves, GM, chystám se. "Nalezení pravdy ve fikcích: identifikace nefikcí ve fiktivních prasklinách," Synthese.
  • Resch, MM, Kaminski, A., & Gehring, P. (eds.), 2017. Věda a umění simulace I: Zkoumání-porozumění-poznání, Berlín: Springer.
  • Roush, S., 2015. „Epistemická nadřazenost experimentu oproti simulaci,“Synthese, 169: 1–24.
  • Roy, S., 2005. „Poslední pokroky v numerických metodách pro dynamiku tekutin a přenos tepla,“Journal of Fluid Engineering, 127 (4): 629–30.
  • Ruphy, S., 2015. „Počítačové simulace: nový způsob vědeckého bádání?“in SO Hansen (ed.), Role of Technology in Science: Philosophical Perspectives, Dordrecht: Springer, pp. 131–149
  • Schelling, TC, 1971. „Dynamické modely segregace“, Journal of Mathematical Sociology, 1: 143–186.
  • Simon, H., 1969. Science of the Artificial, Boston, MA: MIT Press.
  • Symons, J., & Alvarado, R., 2019. „Epistemická oprávnění a cvičení počítačové simulace“, Minds and Machines, 29 (1): 37–60.
  • Toon, A., 2010. „Nové přístupy k modelům“, Metascience, 19 (2): 285–288.
  • Trenholme R., 1994. „Analog Simulation“, Philosophy of Science, 61: 115–131.
  • Unruh, WG, 1981. "Experimentální odpařování černé díry?" Fyzický přehled dopisů, 46 (21): 1351–53.
  • Winsberg, E., 2018. Filozofie a klimatologie, Cambridge: Cambridge University Press
  • –––, 2010. Věda ve věku počítačové simulace, Chicago: University of Chicago Press.
  • –––, 2009a. "Příběh dvou metod," Synthese, 169 (3): 575–92
  • –––, 2009b. „Počítačová simulace a filozofie vědy,“Philosophy Compass, 4/5: 835–845.
  • –––, 2009c. “Funkce pro beletrie: Rozšíření oblasti vědy,” v Beletrie ve vědě: Filozofické eseje o modelování a idealizaci, M. Suarez (ed.), Londýn: Routledge.
  • –––, 2006. „Handshaking your way to the top: Inconsistency and falalsification in intertheoretic reduction,“Philosophy of Science, 73: 582–594.
  • –––, 2003. „Simulované experimenty: metodologie pro virtuální svět“, Filozofie vědy, 70: 105–125.
  • –––, 2001. „Simulace, modely a teorie: komplexní fyzikální systémy a jejich reprezentace“, Filozofie vědy, 68: S442 – S454.
  • –––, 1999. „Sankční modely: Epistemologie simulace“, Science in Context, 12 (3): 275–92.

Akademické nástroje

ikona sep muž
ikona sep muž
Jak citovat tento záznam.
ikona sep muž
ikona sep muž
Náhled na PDF verzi tohoto příspěvku v Friends of the SEP Society.
ikona inpho
ikona inpho
Vyhledejte toto vstupní téma v projektu Internet Philosophy Ontology Project (InPhO).
ikona papíry phil
ikona papíry phil
Vylepšená bibliografie tohoto záznamu ve PhilPapers s odkazy na jeho databázi.

Další internetové zdroje

  • Phys.org - počítačové simulace.
  • Počítačová simulace, na sciposedaily.com.
  • IPPC - Mezivládní panel pro změnu klimatu.

Doporučená: