Введение в компьютерное моделирование/Догма компьютерного моделирования: различия между версиями

Содержимое удалено Содержимое добавлено
лишнее
Строка 9:
| message = Моделирование - это подражание Природе, учитывающее немногие ее свойства. Почему только немногие? Из-за нашего неумения? Нет. Прежде всего потому, что мы должны защититься от избытка информации. Такой избыток, правда, может означать и ее недоступность. Художник пишет картины, но, хотя мы могли бы с ним поговорить, мы не узнаем, как он создает свои произведения. О том, что происходит в его мозгу, когда он пишет картину, ему самому неизвестно. Информация об этом находится в его голове, но нам она недоступна. Моделируя, следует упрощать: машина, которая может написать весьма скромную картину, рассказала бы нам о материальных, то есть мозговых, основах живописи больше, чем такая совершенная "модель" художника, какой является его брат-близнец. Практика моделирования предполагает учет некоторых переменных и отказ от других. Модель и оригинал были бы тождественны, если бы процессы, происходящие в них, совпадали. Этого не происходит. Результаты развития модели отличаются от действительного развития. На это различие могут влиять три фактора: упрощенность модели по сравнению с оригиналом, свойства модели, чуждые оригиналу, и, наконец, неопределенность самого оригинала. Когда мы имитируем живой мозг с помощью электронного, мы, кроме отображения сети нервных клеток (которое осуществляется с помощью некоторой электрической схемы), должны учесть еще и такое явление, как память. Живой мозг не имеет отдельного резервуара памяти. Настоящие нейроны универсальны - память "рассеяна" по всему мозгу. Наша электросхема таких способностей не проявляет. Поэтому мы должны подключить к электронному мозгу специальные резервуары памяти (например, ферромагнитной). Кроме того, настоящий мозг отличается еще некоторой "случайностью" поведения, непредсказуемостью действий, а электронная схема - нет. Как поступает кибернетик? Он встраивает в модель "генератор акцидентальности", который, включаясь, посылает случайно выбранные сигналы в глубь схемы. Такая "акцидентальность" была заранее предусмотрена: соответствующее дополнительное устройство использует таблицы случайных чисел или что-либо подобное.
 
Итак, мы получили нечто вроде аналога "непредсказуемости", "свободной воли". После всего этого сходство параметров на выходах обеих систем, нервной и электронной, возросло. Но сходство возросло только относительно пар состояний "вход" - "выход". Сходство вовсе не увеличивается, а, напротив, уменьшается, если, кроме динамической связи "вход" - "выход", принять во внимание всю структуру обеих систем (или, иначе говоря, если учесть большее число переменных). У электронного мозга, правда, есть теперь "воля" и "память", но у настоящего мозга нет ведь ни генератора акцидентальности, ни отдельного резервуара памяти. Поэтому чем больше модель сближается с оригиналом в рамках некоторых имитируемых переменных, тем больше она отходит от него в области других переменных. Если бы мы захотели учесть еще переменную возбудимость нейронов, обусловленную существованием порога возбудимости (причем организм реализует это одним лишь биохемизмом реакций), то должны были бы каждый переключающий элемент ("нейристор"), то есть эквивалент нейрона, снабдить особой электрической схемой и т.д. 1. Итак, переменные, входящие в модель, но не обнаруживаемые в самом моделируемом явлении, мы считаем несущественными. Это частный случай общего метода сбора информации, при котором всегда производится предварительный выбор. Например, для лица, которое ведет обычный разговор, потрескивания в телефонной трубке - это "шум", но для инженера-связиста, проверяющего линию, именно этот шум и может быть информацией (этот пример заимствован у Эшби). Поэтому, если бы мы захотели промоделировать какое-либо явление с учетом всех его переменных (предположим на время, что это возможно), нам пришлось бы создать систему, обогащенную по сравнению с оригиналом теми дополнительными переменными, которые свойственны самой моделирующей системе, но которых нет у оригинала. Вот почему применение цифрового моделирования плодотворно до тех пор, пока количество переменных мало. При увеличении их числа этот метод быстро достигает предела своей применимости.
}}