La Question Centrale
Hamming a ouvert le chapitre 19 avec une citation directe de la Conférence d'été sur la simulation informatique de 1975 :
> Puisque les décisions importantes doivent s'appuyer sur la simulation, il est essentiel que sa validité soit testée, et que ses défenseurs puissent décrire le niveau de représentation authentique qu'ils ont atteint.
Sa formulation de la même question, plus tranchante :
> En quoi faut-il croire que la simulation est pertinente ?
N'entamez pas une simulation tant que vous n'avez pas réfléchi sérieusement à cette question. Il y a souvent des pressions pratiques pour commencer les calculs immédiatement — temps, argent, inertie organisationnelle. Ces pressions ne changent pas la question.
L'expérience de Hamming : quand il posait des questions sur la validité des simulations, les réponses invoquaient invariablement :
- Combien de personnel a participé aux travaux
- Quelle était la taille et la vitesse de l'ordinateur
- Quelle était l'importance du problème
Aucune de ces réponses n'aborde la validité. Ce sont des arguments sociaux, non techniques.
L'histoire du vol spatial : un directeur de simulation affirmait avoir une fiabilité de 99,44 % pour les lancements. Hamming a appuyé : fiabilité de quoi ? Acculé, le directeur a admis que son chiffre concernait la fiabilité de la simulation, pas du vol réel. Il a en outre admis que le directeur de la NASA qui approuvait les lancements ne comprenait pas cette distinction — et il n'avait pas corrigé cette incompréhension.
La confusion entre la fiabilité de la simulation et la fiabilité du système est l'une des erreurs les plus dangereuses en pratique d'ingénierie.
Ce que la validation exige réellement
Hamming a rassemblé une liste de contrôle pour évaluer la fiabilité de la simulation. Chaque question doit être répondue avant que la sortie de la simulation mérite un poids décisionnel :
1. La théorie d'arrière-plan soutient-elle les lois supposées ? Les simulations de physique reposent sur des équations vérifiées ; les simulations économiques souvent non.
2. Un petit effet mais vital pourrait-il être absent ? L'exemple du simulateur de pilote : excellent pour la physique connue ; dangereux si un nouvel avion a des interactions pas encore incorporées.
3. Les données d'entrée sont-elles fiables ? L'incertitude dans les entrées se propage dans le calcul. Sachez d'où viennent les données.
4. La simulation est-elle stable ou instable ? Des champs de direction instables amplifient les erreurs d'entrée ; les stables les amortissent.
5. Quelles vérifications croisées contre l'expérience passée connue sont disponibles ?
6. Des vérifications internes peuvent-elles être produites ? Conservation de la masse, de l'énergie, du moment cinétique, ou d'autres invariants. Sans redondance, aucune détection d'erreur n'est possible.
7. Les marques sur papier entrent-elles dans la machine avec précision ? Les erreurs de programmation persistent pendant des années dans le code de production. Un lecteur de cartes automatisé qui a traduit les descriptions de réactions en équations différentielles — la solution de Hamming pour la simulation de chimie atmosphérique — réduit les erreurs de transcription sans dépendre de la vigilance humaine.
La Loi de l'Économie de Hamming
Les simulations de physique reposent sur des lois vérifiées, exprimées mathématiquement. Les simulations de chimie exigent des constantes de taux vérifiées. Les simulations de biologie exigent une dynamique des populations connue.
L'économie a, selon l'avis de Hamming, une loi fiable : on ne peut pas consommer ce qui n'est pas produit. Chaque autre loi économique supposée est soit une tautologie mathématique, soit parfois fausse.
L'implication pour la simulation : quand les lois d'arrière-plan ne tiennent pas fiablement, tout le fondement de la simulation est suspect. Une haute précision dans le calcul ne compense pas les lois non fiables dans le modèle.
La réponse de Hamming quand on lui demandait de réaliser des simulations écologiques : il demandait des règles exprimées mathématiquement pour chaque interaction, avec des constantes numériques, et des données réelles pour comparer les exécutions de test. Les demandeurs ont bientôt trouvé quelqu'un de plus disposé à exécuter 'des simulations très douteuses qui donneraient les résultats qu'ils voulaient.'
La règle de Hamming : gardez votre intégrité. Ne vous laissez pas utiliser pour la propagande d'autres personnes. Refusez les simulations structurellement conçues pour confirmer une conclusion.
Le Paradoxe de Simpson dans les données de simulation
L'histoire de Berkeley de Hamming : plus d'hommes que de femmes ont été acceptés à l'école supérieure, ce qui suggère la discrimination. Aucun département individuel ne montrait la discrimination. L'explication : les femmes ont postulé de manière disproportionnée aux départements avec des taux d'acceptation bas ; les hommes ont postulé de manière disproportionnée aux départements avec des taux d'acceptation élevés. La statistique agrégée était réelle, et trompeuse.
C'est le Paradoxe de Simpson : combiner des données peut créer des effets apparents non présents dans aucun sous-groupe. Les résultats de simulation qui agrègent par groupes, régions, ou périodes de temps peuvent exposer la même pathologie.
Les Simulations qui changent ce qu'elles modélisent
Une classe spéciale d'échec de simulation : le sujet altère le comportement en réponse au modèle.
Exemple du marché boursier : si une stratégie commerciale largement connue produit de manière fiable des rendements supérieurs au marché, les participants l'adopteront, et la concurrence éliminera le rendement excessif. Le succès du modèle détruit la validité du modèle.
Exemple médical : l'expérience en double-aveugle existe parce que les médecins qui savaient quels patients recevaient le traitement et lesquels recevaient un placebo trouvaient une amélioration où ils s'y attendaient. La connaissance des médecins a contaminé l'observation.
La simulation pour les décisions à enjeux élevés — politique économique, planification militaire, santé publique — fait face à ce problème chaque fois que les résultats de la simulation sont rendus publics ou guident le comportement.
Échantillonnage & Précision
Le théorème de Nyquist fixe une contrainte fondamentale sur la simulation numérique des systèmes continus : vous avez besoin d'au moins deux échantillons par période de la fréquence la plus élevée présente dans le signal.
En pratique, a noté Hamming, l'échantillonnage unilatéral et l'aliasing poussent le besoin à sept à dix échantillons par période de la fréquence la plus élevée d'intérêt.
Compromis de précision : les ordinateurs analogues (à l'époque de Hamming) atteint au maximum une précision d'une partie sur 10 000 par composant. Les ordinateurs numériques peuvent utiliser une précision arbitraire. Mais la précision numérique exige un échantillonnage adéquat — et pour les signaux avec un contenu de hautes fréquences aigus, ce taux d'échantillonnage entraîne un coût de calcul.
Avantage analogique : vitesse et intégration physique. Vous pouvez câbler un composant physique directement dans le circuit analogique et mesurer son comportement sans trouver une description mathématique de celui-ci. Pour les premiers modèles de missile guidé, cela a permis une compréhension rapide du système avant qu'un modèle mathématique complet existe.
Les machines analogues utilisées pour les premiers travaux de missile dérivaient des pièces du directeur de canon M9. Hamming a construit un analyseur différentiel à partir de cet équipement. Temps de solution : environ 30 minutes par trajectoire. Ce rythme a forcé une réflexion profonde entre les exécutions — une contrainte que Hamming en vint à considérer comme un avantage structurel.
Sensation vs Précision : Le Problème du Atterrisseur Mars
Hamming a posé une question de conception tranchante : pour un simulateur d'entraînement de atterrisseur Mars, le simulateur devrait-il optimiser la précision positionnelle ou la sensation du véhicule ?
L'analyse numérique classique optimise la trajectoire positionnelle en utilisant des approximations polynomiales locales. Le chemin est précis, mais les changements d'accélération sont discontinus à chaque intervalle polynomial — une 'sensation' peu naturelle.
Les méthodes de domaine fréquentiel optimisent la réponse en fréquence du simulateur. La position peut être moins précise, mais le pilote perçoit correctement la réponse dynamique du véhicule. La mémoire musculaire du pilote se forme sur la bonne fonction de transfert.
Le jugement de Hamming : un simulateur de pilote devrait optimiser la sensation. Pendant le vol réel, le pilote peut compenser les erreurs positionnelles via un contrôle rétroactif. Si la sensation est mauvaise, le pilote a été entraîné pour un véhicule qui n'existe pas.
Le principe plus profond : le choix de la méthode numérique code une affirmation sur ce qui importe dans la simulation. Cette affirmation est un jugement de domaine, pas un jugement mathématique.