Asumsi GIGO
GIGO: 'sampah masuk, sampah keluar.' Jika Anda menyediakan angka dan persamaan yang tidak tepat ditentukan, Anda mendapatkan hasil yang tidak tepat ditentukan. Kebalikannya secara diam-diam diasumsikan: input akurat menghasilkan output akurat.
Hamming menunjukkan kedua asumsi dapat salah.
Sampah masuk, sampah keluar (kasus benar): simulasi cuaca awal. Gangguan kecil membesar. Input tidak akurat menghasilkan output yang sangat tidak akurat — bidang arah yang menyimpang.
Sampah masuk, akurat keluar (GIGO terbalik): simulasi bom Los Alamos (Bab 18). Data persamaan keadaan berasal dari sumber yang tersebar dan tidak dapat diandalkan. Namun desain bom berhasil. Mengapa?
Karena struktur komputasi melibatkan perbedaan kedua: gaya pada cangkang bergantung pada perbedaan gaya dari cangkang yang berdekatan. Kesalahan lokal dalam persamaan keadaan sebagian besar saling membatalkan saat cangkang melintasi kurva. Komputasi menggunakan struktur yang secara efektif konvergen.
Akurat masuk, sampah keluar: kasus yang secara teoritis mungkin. Jika komputasi memperkuat ketidakpastian input kecil melalui bidang arah yang menyimpang, input presisi masih menghasilkan output yang tidak presisi.
Pelajarannya: keandalan output simulasi tidak bergantung pada presisi input saja, tetapi pada seluruh struktur komputasi — khususnya, apakah kesalahan yang memasuki sistem diperkuat, dipertahankan, atau diredam.
Umpan Balik Melindungi Akurasi
Hamming menghubungkan pembalikan GIGO dengan wawasan penguat umpan balik Harold Black.
Penemuan Black: jika penguatan penguat sangat tinggi, hanya resistor umpan balik yang perlu akurat. Semua komponen lainnya dapat tidak presisi. Loop umpan balik menstabilkan output terhadap variasi komponen.
Prinsip yang sama beroperasi dalam simulasi dengan struktur umpan balik:
- Sistem panduan rudal Nike mengoreksi penyimpangan lintasan secara otomatis. Kesalahan kecil dalam kondisi awal diredam, bukan diperkuat. Ini memungkinkan Hamming untuk mensimulasikan kegagalan rudal menggunakan kondisi awal yang ditebak — namun tetap memulihkan periode transfer energi pitch-yaw yang benar.
- Struktur perbedaan-kedua komputasi bom atom bertindak seperti umpan balik: kesalahan persamaan-keadaan lokal rata-rata keluar sepanjang sejarah cangkang.
Implikasi desain: desain simulasi yang baik, seperti desain teknik yang baik, melindungi akurasi dengan menempatkan komponen yang tidak akurat di dalam loop umpan balik. Jumlah vital — yang berada di luar perlindungan umpan balik — harus diukur dengan presisi.
Bidang Arah & Tabung
ODE orde-pertama dy/dx = f(x,y) mendefinisikan bidang arah: di setiap titik (x,y) dalam bidang, kemiringan f(x,y) menunjuk ke arah solusi harus bergerak.
Bidang arah yang menyimpang: penyimpangan kecil dari lintasan solusi sejati tumbuh. Kesalahan membesar.
Bidang arah yang konvergen: penyimpangan besar menyusut kembali ke arah lintasan sejati. Kesalahan diredam.
Kedua-duanya dapat terjadi dalam persamaan yang sama di titik yang berbeda. Akurasi solusi bergantung pada di mana Anda mengevaluasi — bukan pada sifat absolut persamaan apa pun.
Hamming memvisualisasikan akurasi sebagai 'tabung' di sekitar solusi sejati. Dalam 2D, tabung meluas di daerah yang menyimpang dan berkontraksi di daerah yang konvergen. Dalam n dimensi (masalah intersepsi Angkatan Laut menggunakan 28 persamaan), geometri tabung menjadi tidak intuitif. Paradoks n-dimensi dari Bab 9 berlaku: tabung berdimensi tinggi berperilaku sama sekali tidak seperti tabung 2D.
Metode Euler
Pemecah ODE paling sederhana: dari titik (xₙ, yₙ), perkirakan titik berikutnya menggunakan kemiringan saat ini:
> yₙ₊₁ = yₙ + h · f(xₙ, yₙ)
di mana h adalah ukuran langkah. Ini mengikuti garis singgung di setiap titik — selalu menggunakan 'kemiringan yang ada', bukan kemiringan khas selama interval. Kesalahan terakumulasi dengan setiap langkah.
Peningkatan prediktor-korektor: prediksi nilai yₙ₊₁ menggunakan Euler, evaluasi kemiringan di sana, kemudian ambil rata-rata kemiringan di kedua ujung interval untuk membuat langkah yang dikoreksi. Jika nilai yang diprediksi dan dikoreksi setuju erat, ukuran langkah sudah tepat. Jika mereka menyimpang, perpendek h.
Metode Orde Tinggi & Koneksi Filter
Metode prediktor-korektor polinomial derajat empat (Milne, Adams-Bashforth, metode Hamming) menggunakan beberapa nilai masa lalu fungsi dan turunan untuk memprediksi nilai berikutnya.
Hamming mengidentifikasi metode ini sebagai filter digital rekursif: nilai output (posisi) dihitung dari data input (turunan di langkah masa lalu) oleh perulangan linear — persis struktur filter digital.
Koneksi ini memiliki konsekuensi:
- Analisis stabilitas untuk filter rekursif berlaku langsung. Kriteria stabilitas z-transform: kutub fungsi transfer filter harus berada di dalam lingkaran unit.
- Ukuran langkah h mengontrol stabilitas. Untuk ODE tertentu, ada h maksimal di luar mana metode numerik menjadi tidak stabil — solusi yang dihitung menyimpang bahkan jika solusi sejati konvergen.
Persamaan kaku: ketika sistem memiliki nilai eigen dengan besaran yang sangat berbeda (satu komponen yang berubah cepat, satu lambat), stabilitas memerlukan ukuran langkah yang cukup kecil untuk komponen cepat bahkan ketika komponen lambat dapat mentoleransi langkah besar. Pemecah kaku menggunakan metode implisit untuk memungkinkan langkah lebih besar tanpa ketidakstabilan.
Pertukaran frekuensi vs posisi: metode polinomial klasik mengoptimalkan akurasi posisi lokal — lintasan dekat dengan lintasan sejati di setiap langkah, tetapi 'nuansa' dinamis (respons frekuensi) mungkin salah. Untuk simulator penerbangan, mendapatkan respons frekuensi yang benar mungkin lebih penting daripada mendapatkan posisi yang benar.
Berjalan di Puncak Dune
Hamming diberi persamaan diferensial untuk desain transistor dengan kondisi batas di tak terhingga — kondisi batas menjadi sisi kanan persamaan diatur ke nol.
Analisis stabilitas mengkhawatirkan: jika y di titik mana pun menjadi sedikit terlalu besar, sinh(y) diperkuat, turunan kedua menjadi sangat positif, dan solusi meluncur ke +∞. Jika y menjadi sedikit terlalu kecil, meluncur ke -∞. Dan ketidakstabilan bersifat dua arah — mengintegrasikan ke arah yang berlawanan tidak membantu.
Citra Hamming: 'berjalan di puncak dune pasir.' Setelah kedua kaki tergelincir ke satu sisi, Anda tidak dapat dihindari meluncur ke bawah.
Solusinya: manfaatkan ketidakstabilan sebagai sinyal panduan. Dia mengintegrasikan segmen lintasan pada penganalisis diferensial. Jika solusi meluncur ke atas, dia sedikit terlalu tinggi dalam perkiraan kemiringannya di awal segmen itu — koreksi ke bawah. Jika meluncur ke bawah, koreksi ke atas. Potongan demi potongan, dia berjalan di puncak dune.
Yang memungkinkan ini: ketidakstabilan tumbuh cepat. Kesalahan kecil dalam kemiringan awal menghasilkan penyimpangan besar, tidak ambigu — sinyal jelas tentang arah mana untuk mengoreksi. Masalah yang sedikit tidak stabil tidak akan memberikan sinyal yang jelas seperti itu.
Kewajiban profesional: 'Sangat mudah untuk menolak masalah sebagai tidak dapat dipecahkan, diposisikan dengan salah, atau alasan apa pun yang ingin Anda ceritakan pada diri sendiri, tetapi saya masih percaya masalah penting yang diposisikan dengan benar dapat digunakan untuk mengekstrak beberapa pengetahuan yang berguna.'
Tes Rorschach & Keacakan
Seorang psikolog Bell Labs membangun mesin: 12 saklar, lampu merah, lampu hijau. Subjek menyetel saklar, menekan tombol, mengamati hasilnya, dan setelah 20 percobaan menulis teori tentang cara membuat lampu hijau menyala. Teori mereka diberikan kepada subjek berikutnya, dan siklus berlanjut.
Lampu terhubung ke sumber acak. Tidak ada pola.
Dalam semua uji coba, tidak satu pun ilmuwan Bell Labs — semua staf teknis berkualitas tinggi — pernah berkata: tidak ada pola. Mereka semua menemukan teori.
Pengamatan Hamming: tidak satu pun adalah ahli statistik atau teoris informasi. Kedua bidang itu melatih praktisi untuk bertanya: 'Apakah apa yang saya lihat benar-benar ada, atau hanya kebisingan acak?'
Implikasi untuk simulasi: simulasi yang dapat disesuaikan sampai cocok dengan data yang diamati adalah tes Rorschach. Proses penyesuaian menemukan model yang konsisten dengan data, tetapi tidak selalu model yang benar. Membedakan sinyal dari kebisingan memerlukan disiplin statistik yang sengaja — holdout data, hipotesis yang ditentukan sebelumnya, interval kepercayaan — bukan hanya niat baik.
Pertanyaan penutup Hamming: 'Bagaimana jika...? akan sering muncul di masa depan Anda, oleh karena itu kebutuhan bagi Anda untuk menguasai konsep dan kemungkinan simulasi, dan siap mempertanyakan hasil dan menggali ke dalam detail ketika perlu.'