Założenie GIGO
GIGO: 'śmieci na wejściu, śmieci na wyjściu.' Jeśli dostarczysz źle określone liczby i równania, otrzymasz źle określone wyniki. Odwrotność jest milcząco przyjmowana: dokładne dane wejściowe dają dokładne wyniki.
Hamming wykazał, że oba założenia mogą być fałszywe.
Śmieci na wejściu, śmieci na wyjściu (prawdziwy przypadek): wczesna symulacja pogody. Małe perturbacje się amplifikują. Niedokładne dane wejściowe dają dziko niedokładne wyniki — rozbieżne pole kierunku.
Śmieci na wejściu, dokładne na wyjściu (GIGO odwrócone): symulacja bomby Los Alamos (Rozdział 18). Dane równania stanu pochodziły z rozproszonych, niepewnych źródeł. Jednak projekt bomby zadziałał. Dlaczego?
Ponieważ struktura obliczenia obejmowała różnice drugie: siła na powłoce zależała od różnicy między siłami sąsiednich powłok. Błędy lokalne w równaniu stanu w dużej mierze zniosły się, gdy powłoki przechodzą przez krzywą. Obliczenie wykorzystywało efektywnie zbieżną strukturę.
Dokładne na wejściu, śmieci na wyjściu: teoretycznie możliwy przypadek. Jeśli obliczenie amplifikuje małe niepewności wejściowe poprzez rozbieżne pole kierunku, dokładne dane wejściowe nadal dają niedokładne wyniki.
Lekcja: niezawodność wyniku symulacji zależy nie tylko od dokładności danych wejściowych, ale od całej struktury obliczeń — a konkretnie od tego, czy błędy wchodzące do systemu są amplifikowane, zachowywane czy tłumione.
Sprzężenie zwrotne chroni dokładność
Hamming powiązał odwrócenie GIGO z wglądem Harolda Blacka na temat wzmacniacza ze sprzężeniem zwrotnym.
Odkrycie Blacka: jeśli wzmocnienie wzmacniacza jest bardzo wysokie, tylko rezystor sprzężenia zwrotnego musi być dokładny. Wszystkie inne komponenty mogą być niedokładne. Pętla sprzężenia zwrotnego stabilizuje wyjście wobec zmian w komponentach.
Ta sama zasada działa w symulacjach ze strukturą sprzężenia zwrotnego:
- System naprowadzania pocisku Nike automatycznie korygował odchylenia trajektorii. Małe błędy w warunkach początkowych były tłumione, nie amplifikowane. Umożliwiło to Hammingowi symulowanie awarii pocisku przy użyciu zgadywanych warunków początkowych — jednak odzyskać prawidłowy okres transferu energii pitch-yaw.
- Struktura różnic drugich obliczenia bomby atomowej działała jak sprzężenie zwrotne: błędy równania stanu uśredniały się w historii powłoki.
Implikacja projektowa: dobry projekt symulacji, podobnie jak dobry projekt inżynierski, chroni dokładność, umieszczając niedokładne komponenty wewnątrz pętli sprzężenia zwrotnego. Wielkości istotne — te poza ochroną sprzężenia zwrotnego — muszą być mierzone dokładnie.
Pola kierunku & rura
ODE pierwszego rzędu dy/dx = f(x,y) definiuje pole kierunku: w każdym punkcie (x,y) na płaszczyźnie, nachylenie f(x,y) wskazuje kierunek, w którym rozwiązanie musi się poruszać.
Rozbieżne pole kierunku: małe odchylenia od prawdziwej ścieżki rozwiązania rosną. Błędy się amplifikują.
Zbieżne pole kierunku: duże odchylenia zmniejszają się z powrotem w kierunku prawdziwej ścieżki. Błędy się tłumią.
Oba mogą występować w tym samym równaniu w różnych punktach. Dokładność rozwiązania zależy od gdzie się je ocenia — a nie od żadnej bezwzględnej właściwości równania.
Hamming wizualizował dokładność jako 'rurę' wokół prawdziwego rozwiązania. W 2D rura rozszerza się w regionach rozbieżnych i kurczy się w zbieżnych. W n wymiarach (problem przechwycenia marynarki wojennej użył 28 równań), geometria rury staje się neintuicyjna. Paradoks n-wymiarowy z rozdziału 9 ma zastosowanie: rury o wysokim wymiarze zachowują się zupełnie inaczej niż rury 2D.
Metoda Eulera
Najprostszy solver ODE: z punktu (xₙ, yₙ) oszacuj następny punkt, używając aktualnego nachylenia:
> yₙ₊₁ = yₙ + h · f(xₙ, yₙ)
gdzie h jest rozmiarem kroku. To podąża za linią styczną w każdym punkcie — zawsze używając 'nachylenia, które było', a nie typowego nachylenia na przedziale. Błąd gromadzi się z każdym krokiem.
Ulepszenie predyktor-korektor: przewidź wartość yₙ₊₁ korzystając z Eulera, oblicz nachylenie tam, a następnie weź średnią nachyleń na obu końcach przedziału, aby wykonać poprawiony krok. Jeśli przewidziane i poprawione wartości zgadzają się blisko, rozmiar kroku jest odpowiedni. Jeśli się rozchodzą, skróć h.
Metody wyższego rzędu & połączenie filtru
Metody predyktor-korektor wielomianu czwartego stopnia (Milne, Adams-Bashforth, metoda Hamminga) używają kilku przeszłych wartości funkcji i pochodnej do przewidzenia następnej wartości.
Hamming zidentyfikował te metody jako rekursywne filtry cyfrowe: wartości wyjścia (pozycje) są obliczane na podstawie danych wejściowych (pochodne w przeszłych krokach) przez liniową rekurencję — dokładnie strukturę filtra cyfrowego.
To połączenie ma konsekwencje:
- Analiza stabilności dla rekursywnych filtrów ma bezpośrednie zastosowanie. Kryterium stabilności transformaty z: bieguny transmitancji filtra muszą leżeć wewnątrz koła jednostkowego.
- Rozmiar kroku h kontroluje stabilność. Dla danego ODE istnieje maksymalny h, poza którym metoda numeryczna staje się niestabilna — obliczone rozwiązanie rozbieża się, nawet jeśli prawdziwe rozwiązanie zbiega się.
Sztywne równania: gdy system ma wartości własne o bardzo różnych wielkościach (jeden szybko zmieniający się komponent, jeden wolny), stabilność wymaga rozmiaru kroku wystarczająco małego dla szybkiego komponentu, nawet gdy komponent wolny może tolerować duże kroki. Solwery sztywne używają metod niejawnych, aby umożliwić większe kroki bez niestabilności.
Kompromis między częstotliwością a pozycją: klasyczne metody wielomianowe optymalizują lokalną dokładność pozycji — trajektoria jest bliska prawdziwej ścieżce na każdym kroku, ale dynamiczny 'duch' (charakterystyka częstotliwościowa) może być zły. W symulatorze lotu uzyskanie prawidłowej charakterystyki częstotliwościowej może być ważniejsze niż uzyskanie prawidłowej pozycji.
Spacer po grzbiecie wydmy
Hammingowi dano równanie różniczkowe do projektowania tranzystora z warunkiem brzegowym w nieskończoności — warunkiem brzegowym będąc prawa strona równania ustawiona na zero.
Analiza stabilności była alarmująca: jeśli y w jakimś punkcie stało się nieco za duże, sinh(y) się amplifikowało, druga pochodna szła mocno w kierunku dodatnim, a rozwiązanie wystrzeliwało do +∞. Jeśli y stało się nieco za małe, wystrzeliwało do -∞. A niestabilność była dwukierunkowa — całkowanie w przeciwnym kierunku nie pomagało.
Obraz Hamminga: 'spacer po grzbiecie wydmy piaskowej.' Gdy obie nogi ześlizną się na jedną stronę, nieuchronnie się zsuwasz w dół.
Jego rozwiązanie: eksploatuj niestabilność jako sygnał naprowadzania. Zintegrował segment trajektorii na analizatorze różniczkowym. Jeśli rozwiązanie wystrzeliwało w górę, był on nieco zbyt wysoki w swoim oszacowaniu nachylenia na początku tego segmentu — popraw w dół. Jeśli zastrzeliwało się w dół, popraw w górę. Kawałek po kawałku spacerował po grzbiecie wydmy.
Co to umożliwiło: niestabilność rosła szybko. Mały błąd w początkowym nachyleniu wytworzył dużą, jednoznaczną dewiację — wyraźny sygnał o kierunku korekty. Łagodnie niestabilny problem nie dostarczyłby takiego wyraźnego sygnału.
Zobowiązanie zawodowe: 'Byłoby tak łatwo odrzucić problem jako nierozwiązywalny, źle postawiony lub jakikolwiek inny wymówkę, którą chciałbyś sobie powiedzieć, ale wciąż wierzę, że ważne problemy prawidłowo postawione mogą być wykorzystane do wyodrębnienia przydatnej wiedzy.'
Test Rorschaha & losowość
Psycholog Bell Labs zbudował maszynę: 12 przełączników, czerwone światło, zielone światło. Badani ustawiali przełączniki, naciskali przycisk, obserwowali wynik i po 20 próbach pisali teorię na temat tego, jak włączyć zielone światło. Ich teoria została przekazana następnemu badanemu i cykl się powtarzał.
Światła podłączone do losowego źródła. Nie było żadnego wzoru.
W całym badaniu ani jeden naukowiec Bell Labs — wszyscy wysoko kalibrowany personel techniczny — nigdy nie powiedział: nie ma żadnego wzoru. Wszyscy znaleźli teorie.
Obserwacja Hamminga: żaden z nich nie był statystykiem lub teoretykiem informacji. Te dwa pola szkolą praktyków do pytania: 'Czy to, co widzę, naprawdę tam jest, czy jest to tylko szum losowy?'
Implikacja dla symulacji: symulacja, którą można regulować aż do dopasowania do obserwowanych danych, jest testem Rorschaha. Proces regulacji znajduje model zgodny z danymi, ale niekoniecznie prawdziwy model. Rozróżnianie sygnału od szumu wymaga celowej dyscypliny statystycznej — wstrzymanych danych, wstępnie określonych hipotez, przedziałów ufności — a nie tylko dobrych intencji.
Końcowy zarzut Hamminga: 'Co jeśli...? będzie często pojawiać się w waszych przyszłościach, stąd potrzeba opanowania koncepcji i możliwości symulacji, oraz bycia gotowym do podważenia wyników i kopania w szczegóły, gdy to konieczne.'