English· Español· Deutsch· Nederlands· Français· 日本語· ქართული· 繁體中文· 简体中文· Português· Русский· العربية· हिन्दी· Italiano· 한국어· Polski· Svenska· Türkçe· Українська· Tiếng Việt· Bahasa Indonesia

un

гость
1 / ?
назад к урокам

Ландшафт парадигм

Представьте научную область как ландшафт потерь: функцию L(p) над пространством парадигм P, где L(p) = необъясненное свидетельство в парадигме p. Парадигма, объясняющая все, имеет L = 0 (идеально). Парадигма, оставляющая много необъясненного, имеет высокий L.

Текущая парадигма находится в локальном минимуме: она объясняет большинство известных свидетельств, поэтому небольшие отклонения от нее увеличивают L. Вот почему парадигмы стабильны — градиентный спуск постоянно к ним возвращается.

Экспертное знание углубляет градиент вокруг текущего минимума: десятилетия работы по заполнению деталей, расширению охвата парадигмы и объяснению аномалий все это обостряет стены локального минимума. Градиент вокруг текущей парадигмы становится более крутым.

Это порождает парадокс эксперта: чем глубже опыт, тем сложнее выйти из текущего минимума. Именно качества, которые делают кого-то великим экспертом — глубокое знание текущей парадигмы — делают их менее способными достичь другого, возможно более глубокого минимума.

Смена парадигмы = выход из локального минимума: новая парадигма может быть более глубоким минимумом (лучшим объяснением) в другом месте пространства. Но чтобы ее достичь, вы должны сначала двигаться вверх — временно увеличивая необъясненное свидетельство — прежде чем спуститься к новому минимуму. Это период 'кризиса' в терминологии Куна.

Paradigm Space: Local Minima & Knowledge Topology

Градиентный спуск & инвестиции эксперта

Рассмотрите парадигму p, которая находится в локальном минимуме L(p). Новое аномальное наблюдение создает свидетельство E, которое текущая парадигма не может объяснить, немного увеличивая L(p).

Объясните, почему глубокий эксперт в парадигме p* будет реагировать на аномальное свидетельство E, найдя вспомогательное объяснение ('патч'), а не отказываясь от p* в пользу новой парадигмы. Используйте модель ландшафта потерь: как выглядит патчинг геометрически, и почему это рациональный ответ, следующий градиенту?

Бассейны притяжения в пространстве парадигм

Каждый локальный минимум в L(p) имеет бассейн притяжения: область пространства парадигм, из которой градиентный спуск ведет к этому минимуму.

Эксперт в парадигме p провел годы внутри бассейна p. Они знают локальную топологию с исключительной детальностью. Они могут эффективно ориентироваться в бассейне — это их опыт.

Аутсайдер прибывает в другую точку пространства парадигм. Они могут начинать с точки полностью вне бассейна p — возможно, в бассейне другой парадигмы, или в седловой точке, или в плоской области с малыми градиентами. Они не имеют сильного градиента, тянущего их к p.

Это геометрическое объяснение преимущества аутсайдера: они не были спущены градиентом в текущий минимум. Их исходная позиция в пространстве парадигм менее ограничена.

Два режима отказа эксперта в терминах ландшафта:

- Ложный отрицательный результат (отвергать действительно новую идею): новая идея соответствует другому локальному минимуму. Эксперт, глубокий в своем бассейне, воспринимает направление к новому минимуму как подъем (увеличение L) и отвергает его.

- Ложный положительный результат (продвигать недействительную идею): новая идея дополняет небольшую аномалию, двигаясь вниз в текущем бассейне. Восприятие градиента экспертом говорит 'да, это уменьшает L' — но это может быть движение к более мелкому локальному минимуму, а не более глубокому.

Циклы Куна как динамика градиента

Томас Кун описал цикл: нормальная наука (градиентный спуск в текущем бассейне) → накопление аномалий (L растет в p*) → кризис → смена парадигмы (прыжок в новый бассейн) → новая нормальная наука.

В модели ландшафта потерь опишите, как выглядит ландшафт на каждом из четырех этапов Куна. Для каждого этапа укажите: (a) где система находится в ландшафте, (b) что делает градиентный спуск, и (c) как выглядит геометрически накопление аномалий.

Невозможность как граница допустимой области

Доказательство невозможности в математике или инженерии может быть смоделировано геометрически как допустимая область в некотором пространстве параметров.

Пример: результат подъема воды на 33 фута. Параметр — h = высота подъема. Механизм поршневого насоса определяет ограничение: h ≤ P_atm/ρg ≈ 10,3 м. Это ограничение определяет допустимую область F = {h : h ≤ 10,3 м}. Доказательство невозможности говорит: для поршневых насосов, работающих через этот механизм, допустимая область не включает h > 10,3 м.

Волновой насос работает в другом пространстве параметров. Он не использует всасывание; он использует динамическое давление. Ограничение осуществимости отличается; допустимая область больше.

Скрытое предположение доказательства невозможности эквивалентно предположению, что проблема существует в первом пространстве параметров (механизмы всасывания). Когда это предположение терпит неудачу — когда решению разрешено использовать другой механизм — вы работаете в другом пространстве параметров с другой допустимой областью.

Геометрически: доказательство невозможности доказывает, что h > 10,3 м лежит вне допустимой области поршневых насосов. Оно ничего не говорит о h в допустимой области волновых устройств.

Определить скрытое ограничение

Рассмотрите утверждение: 'Вы не можете передавать информацию со скоростью выше пропускной способности канала.' Это было широко распространено до работ Шеннона.

Шеннон показал в 1948 году, что пропускная способность канала C = B log₂(1 + S/N), где B — полоса пропускания и S/N — отношение сигнала к шуму. Каким было скрытое предположение в утверждении о невозможности до Шеннона — ограничение, которое определило 'допустимую область', в которой, как полагали эксперты, скорость информации была ограничена? И что показало доказательство Шеннона об этом ограничении геометрически?