از کشف تبدیل پنی سیلین به نظریه های نسبیت و مکانیک کوانتومی، علم با سرعت ذهنی حتی قبل از اینکه رایانه وجود داشت، پیشرفت کرد. بخش عمده ای از این موضوع به پایداری روش علمی بستگی دارد: نتایج علمی با تکرار و گسترش سایر دانشمندان است.

اما شیوه ای که ما انجام می دهیم، علم تغییر می کند - ما اکنون به مدل های کامپیوتری پیچیده برای فهم طبیعت به طور فزاینده ای پایبندیم. و معلوم می شود که این مدل ها تقریبا غیرممکن است که بتوانند تکثیر کنند - به این معنی که سنگ معدن سنگین علم به چالش کشیده می شود. بنابراین پیامدهای این تغییرات در دنیای واقعی چیست و در مورد آن چه می توانیم انجام دهیم؟

علم پیش مدرن - شناخته شده به عنوان "فلسفه طبیعی" - تجربی بود. علم تجربی از مشاهدات گذشته برای پیش بینی آینده استفاده می کند، که پس از آن می تواند مورد آزمایش قرار گیرد. تیکو بره، یک دانشمند دانمارکی قرن 16th، موفق شد مشاهدات دقیق و جامع از آسمان را به این طریق انجام دهد.

علم مدرن، با این حال، نظری است. علم نظری نیز پیش بینی می کند، اما آنها را از مدل های ریاضی به جای مشاهدات قبلی به دست می آورد. فکر می کنم قوانین حرکت ایساک نیوتن، مانند قانون مربع معکوس گرانش.

به عنوان مثال، یک معادله توصیف مدار زمین در اطراف خورشید وجود دارد. این معادله را می توان برای ساخت یک مدل کامپیوتری که فقط می توانید متغیرهای خاصی را وصل کنید و ببینید که چگونه راه حل تغییر می کند. شما فقط می توانید تاریخ آینده را پلاگین کنید و موقعیت زمین را در آن تاریخ بخوانید. شما همچنین می توانید از همان برنامه برای مدل سازی سیستم های سیاره ای دیگر استفاده کنید - این همه مبتنی بر همان ریاضیات است. همه چیزهایی که باید انجام دهید این است که جرم های مختلف و ویژگی های مختلف دیگر بدن را درگیر کنید.

چنین معادلات ریاضی زمانی عالی است که آنها در دسترس هستند - اما اغلب آنها نیستند. به عنوان مثال، ما می دانیم که معادله ساده ای نیست که به اصطلاح "مشکل سه بدن"، که سه ذره را در اطراف حرکت می کند و با نیروهای گرانشی مانند ماه، زمین و خورشید بر یکدیگر تاثیر می گذارد.

بسیاری از علم کنونی با سیستم های پیچیده تر حتی با مشکل مواجه می شوند و به همین ترتیب راه حل های دقیق نیز وجود دارد. چنین مدل هایی باید "محاسباتی" باشند - توصیف اینکه چگونه یک سیستم از یک لحظه به بعد تغییر می کند. اما هیچ راهی برای تعیین دقیق وضعیت در برخی از زمان ها در آینده وجود دارد، به غیر از "شبیه سازی" تکامل آن در این راه. پیش بینی آب و هوا نمونه ای آشنا است؛ تا زمان ظهور رایانه های 1950s، پیش بینی آب و هوای آینده سریع تر از آن چیزی بود که واقعا اتفاق افتاد.

علم کنونی معمولا شامل طراحی یک مدل ریاضی است که یک سیستم پیچیده را توصیف می کند، سپس این را به یک شبیه سازی محاسباتی تبدیل می کند و شبیه سازی را اجرا می کند تا پیش بینی ها را برای اعتبارسنجی مدل انجام دهد.

وقتی مدلسازی نتواند انجام شود

مدل سازی در حوزه های علمی کاربرد دارد - از ایزو فیزیک و پیش بینی آب و هوا به بیوانفورماتیک و اقتصاد. ولی اینجا هست بحث در حال افزایش است در مورد این واقعیت که این علم دشوار است به اعتبار از طریق تولید مثل.

به نظر می رسد که به سادگی توصیف روش های تجربی در کلمات کافی نیست. بخشی از آن به این دلیل است که زبانهای طبیعی مانند انگلیسی، دقیقا برای توصیف محاسبات، بسیار مبهم هستند. پس از همه، یک دلیل برای اینکه برنامه نویسان از زبان های برنامه نویسی استفاده می کنند وجود دارد. یکی از بزرگترین چالش ها در توسعه نرم افزار این است که نیازهای مبهم را به مشخصات دقیق رفتار تبدیل کند.

انسانها - حتی دانشمندان - بعد از همه از بین می روند. تبدیل هر گونه اطلاعات به یک برنامه، تقریبا همیشه یک خطا را در طول مسیر نشان می دهد. به عنوان مثال، بسیاری از دانشمندان به ابزارهای تجزیه و تحلیل اطلاعات مانند صفحات گسترده وابسته هستند که برای سهولت استفاده و نه برای استحکام طراحی شده اند. به راحتی می توان به خلاصه محدوده غلط سلول ها در یک صفحه گسترده، بدون هشدار دادن، بسیار آسان است. این یکی از این بود معایب روش شناسی در یک مقاله که حزب جمهوریخواه ایالات متحده به سیاست های ریاضت اقتصادی خود پایبند بود.

به طور مشابه یک مطالعه اخیر در صفحات گسترده 15,770 که در طی تحقیقات در مورد شرکت آمریکایی Enron ساخته شده نشان داد که٪ 24٪ از صفحات گسترده حاوی حداقل یک فرمول دارای اشکالات واضح، مانند اضافه کردن سلول های خالی است.

در علوم طبیعی، ناظر مریخ آب و هوا، یک پروب فضایی که در 1998 راه اندازی شد برای مطالعه آب و هوا بر روی مریخ، یک سال بعد از آن از بین رفته بود، زیرا یک بخش از نرم افزار کنترل به اشتباه به جای واحدهای متریک استفاده می شد. مطالعه دیگری از نه پیاده سازی مستقل از یک آزمایش زمین شناسی همان - با استفاده از همان مجموعه داده، الگوریتم ها، و زبان برنامه نویسی - در نتایج به دست آمده بسیار توافق نشان داد.

علاوه بر این، حتی اگر خواننده یک مقاله پژوهشی بتواند با موفقیت معنای دقیق نویسنده را تفسیر کند و سپس بدون نقص آن را به یک برنامه ترجمه کند، باز هم در اجرای آن مشکلاتی وجود دارد. یکی از دسته‌بندی‌های پیچیده از مشکلات ناشی از نحوه برخورد رایانه‌ها با اعداد است: اگرچه آنها می‌توانند اعداد صحیح مانند 42 و 17- را با دقت کامل دستکاری کنند، تکنیک‌های استاندارد برای دستکاری اعداد واقعی مانند ??3.14 و ?2?1.414 فقط دقت تقریبی را مجاز می‌دانند. این تقریب ها به این معنی است که روش های ظاهرا معادل برای محاسبه همان مقدار می توانند نتایج مختلفی تولید می کند.

پس چه می توان انجام داد؟ اگر حتی توسعه دهندگان متخصص نرم افزار نمیتوانند به طور قابل اعتماد نرم افزار درست تولید کنند، امید است که برای برنامه نویسان آماتور مانند دانشمندان وجود داشته باشد؟

یک خط از کار این است که ابزارهایی برای طراحی زبانهای برنامهنویسی «دامنه» اختصاص داده شود که هر کدام به یک کلاس خاصی از مسئله، مانند رفتار عوامل در بازارهای اقتصادی و یا انتشار مواد مخدر در سلولها، اختصاص داده شده است. این هدف، برای متخصصان برای توصیف محاسبات به طور مستقیم در شرایط آشنا، به جای آن که به طور غیرمستقیم در یک زبان برنامه نویسی عمومی مورد استفاده قرار دهند، بسیار ساده تر می شود.

یک رویکرد دوم به دنبال طراحی سیستم های نوعی بیانگر، اما هنوز کاربر پسند برای برنامه ها است. این باعث می شود که اشتباهات "احمقانه" مانند سلول های خالی در صفحات گسترده، یا مخلوط کردن مقادیر در واحد های مختلف، آسان تر شود. هرچند که نمیتواند خطاهای منطقی را رد کند. خط سوم این است که برای ایجاد کتابخانه های قابل استفاده از کد برای ریاضی دقیق، اجتناب از مشکلات تقریبی.

هر فرصتی وجود دارد که این رویکردها بتوانند مشکل را پیش ببرند یا حداقل برخی از خطر را از بین ببرند. پس از همه، جهان به علم نیاز دارد و دانشمندان به کامپیوتر نیاز دارند - به احتمال زیاد به زودی تغییر نخواهد کرد.