2016. júl 23.

Létezhet természettudomány kísérlet nélkül?

írta: BME FTT
Létezhet természettudomány kísérlet nélkül?

A számítógépes szimuláció és a klasszikus kísérlet összehasonlítása

alap_1.jpgKinézünk az ablakon, és megszámoljuk az autókat az utcánkban - reggel, délben és este. Nyilvánvaló, hogy kísérletet végzünk, és a külvilágról kapunk információt tevékenységünk eredményeképpen. De mi a helyzet, ha az autók sebességét is mérni akarjuk? Ehhez már nem elég egyesével számolni, egy idő- és hosszúságmérő eszközre is szükségünk van, csakúgy mint a klasszikus mechanika elméletére, valamint némi alapszintű matekra. Az autók sebességét mint adatot mégis pont olyan kísérleti eredménynek tekintjük, mint a gépkocsik számát.

Megfigyelhetjük, hogy a modern és bonyolult kísérletek végzése közben egyre kevesebb időt és energiát szánunk magára a “természetre”, és egyre többet bíbelődünk a “segédeszközeinkkel”, amilyen a mérőrúd, az óra, és nem utolsó sorban a matek. Képzeljük el, hogy a “Természet”-tel való közvetlen kapcsolat teljesen háttérbe szorul, csak az eszközeinket használjuk. Így is megtudunk valamit a “Természetről” anélkül, hogy hozzáérnénk? Erről a kérdésről szól ez a poszt. Mindenekelőtt vegyük észre, hogy a sokat emlegetett computeres szimuláció problémája is ez. A Természet vizsgálata szimuláció esetén ugyanis ugyanígy közvetlen kapcsolat nélkül történik...

Tegyük fel a kérdést: szükség van-e arra, hogy megértsük, tekinthető-e kísérletnek a számítógépes szimuláció, vagy sem?

Másképpen fogalmazva, elfogadhatjuk-e, ha nem a klasszikus értelemben vett tudományos kísérlettel, hanem számítógépes szimulációval jutunk döntő felfedezésekhez? A kérdés megválaszolása azért fontos, mert segíti egyfajta hierarchia felállítását a kétfajta (szimulációs és kísérletes) megismerési módszer között. Ha ugyanis a kétféle módszer eredményei konfliktusban vannak, hasznos tudni, melyiket vehetjük komolyan.

„Életmentő” századszázalékok

Ha az atommagot alkotó neutronok és a protonok tömege azonos lenne, biztos, hogy nem tudnám megírni ezt a posztot, és senki sem lenne, aki elolvasná – ugyanis egészen biztosan nem lenne élet a Földön. A neutronok és protonok tömege közel azonos, de nem teljesen az: van egy 0,14 %-os eltérés a neutronok javára. Ha a kettő egyforma lenne, vagy csak valamivel kisebb lenne a különbség, alig lenne, azonban ha 0,14%-nál nagyobb lenne, akkor túl sok lenne a hidrogén a világmindenségben. Nagyon úgy tűnik tehát, hogy a kísérletekkel meghatározott 0,14%-os eltérés fontos - nekünk, embereknek különösen az.

proton_electron_and_neutron_power.jpg

Fölöttébb zavaró volt tehát, hogy bár ismertük - hiszen megmérték - az eltérést, annak fizikai okáról keveset tudtunk, egészen addig, amíg bő egy évvel ezelőtt egy többek között magyar kutatókból álló csoport kizárólag elméleti megfontolásokon alapuló magyarázatát adta a 0,14 %-nak. (Borsanyi et al. 2015 Science 347, 1452–1455). Borsányi és szerzőtársai a részecskefizika általánosan elfogadott standard modelljéből és az elektromossságtan kvantumos változatából (kvantumelektrodinamika) indultak ki, és számítógépes szimulációval határozták meg a tömegek közti különbséget, mely a kísérleti eredményekkel nagymértékben egyezett.

Nem papírt és ceruzát használtak a mérföldkőnek a számító elméleti eredmény levezetéshez, hanem numerikus módszereket: a véletlen számok számítógépes generálásán alapuló Monte Carlo szimulációt. Ezeket a módszereket sokan számítógépes kísérleteknek nevezik, mert – állítják – segítségükkel tudományos felfedezéseket tehetünk anélkül, hogy közvetlenül a természetet “faggatnánk”.

Mi az a Monte Carlo módszer?

A Monte Carlo módszer a számítógépes szimulációk egyik legelterjedtebb fajtája és tudományos problémák megoldásában igen sikeres is. Véletlen számok generálásával modellezi a természetet, és az egyre nagyobb kapacitású számítógépek megjelenésével egyre többféle, más módon nehezen vagy egyáltalán nem megválaszolható kérdésekre ad választ. A II. világháború idején, illetve közvetlenül utána alapozták meg Amerikában a módszer elméletét, köztük a lengyel származású Stanislaw Ulam és Neumann János.

rayleigh-taylor_instability.jpg1. kép: A Monta Carlo módszer egyik alkalmazása


Számítógépek állatkísérletek helyett

A fentihez hasonló számítógépes kísérletek nem csak a fizikában vannak jelen. Egy új gyógyszer hatásának vizsgálatához sem minden esetben kellenek állati vagy emberi kísérletek, sokszor elegendő, ha számítógépek végzik el a munkát. Olyan eredményeket kapunk tehát szimulációval, amelyek merőben újak, jelentősek, és számítógép nélkül semmilyen módon nem juthatunk el hozzájuk, legalábbis, az elvégzendő számítások mennyisége miatt egy emberöltőn belül biztosan nem.

Ez vajon azt jelenti, hogy ma már elegendő egy kellően nagy teljesítményű számítógép is ahhoz, hogy valami merőben új dolgot tudjunk meg a természetről? Helyettesítheti-e a számítógép a tudományos kísérleteket?

boeing-737-1_0.jpg2. kép: Boeing 737-es szimulátor belülről nézve


Létezik-e tudományos felfedezés tudományos kísérlet nélkül?

Mielőtt komplett őrültségnek nyilvánítanánk a kérdést, idézzük fel, hogy a világ talán mind a mai napig legismertebb filozófusa és természettudósa, Arisztotelész sem végzett kísérleteket. Természetesen megfigyelte a világot, szabályokat alkotott, következtetett, viszont ezeket a következtetéseket nem ellenőrizte, nem vetette össze azzal, amit “lát”. Következtetései – ma így gondoljuk – ennek megfelelően nem is mindig állják ki a kísérletezés próbáját. Arisztotelész szerint például a különböző súlyú testeknek különböző időre van szükségük, hogy adott magasságból leejtve elérjék a Földet. Ezért az állításért ma egy, klasszikus mechanikát tanuló általános iskolás megbukna, annak ellenére, hogy mintegy másfél ezer évig tartott, amíg az emberiség rájött Arisztotelész eme “tévedésére”.

1969-ben a tudományfilozófia osztrák-amerikai fenegyereke, Paul Feyerabend még furcsábbat gondolt, és írt egy rövid cikket ezzel a címmel: “Természettudomány tapasztalás nélkül”. (Science without experience). Tehát ő már nem pusztán az ember által irányított körülmények között folytatott  tudatos kísérletezésnek, hanem a külvilág megfigyelésének szükségességét vitatja. Ebben az időben kezdtek a tudományfilozófusok arról beszélni, hogy tulajdonképpen nincs is „tiszta” tapasztalás, bármi, amit megfigyelünk (és leírunk) előzetes elgondolásainkon alapszik, vagyis elméletterhelt (theory-laden).

feyerabend2.jpg

3. kép: Paul Feyerabend

Hiszen képtelenség lenne például egy autó sebességét megmérni, azaz elvégezni sebességmérés céljával egy kísérletet anélkül, hogy tudnánk, mi az a sebesség. A sebesség pedig egy elmélet, a klasszikus mechanika által definiált fogalom, a pozíció vektorának idő szerinti deriváltja. Korrekt kezeléséhez tehát nem pusztán a newtoni mechanikát kell ismernünk, hanem a matematikai analízist is. Kísérleti fizikusok számára közhely, hogy anélkül, hogy előre tudnák, mi lesz az eredménye egy kísérletnek, el sem tudják kezdeni azt.

A 20. század elejének híres fizikusának, Robert Millikannek nagyon konkrét és pontos elképzelése volt az elektron töltésének nagyságáról, mielőtt kísérletileg megmérte volna azt. Az ötven évig keresett Higgs-részecske detektálására létrejött világhírű és szuperköltséges ATLAS és CMS kísérletek megtervezése mögött pedig olyan elméleti háttér áll, amelyet a világ egyik legokosabb emberének tartott Edward Witten, Princeton-i fizikus is nehezen felfoghatónak bélyegzett. Ahhoz tehát, hogy mérni, kísérletezni tudjon a természettudós, előzetesen rendelkeznie kell egy elmélettel, kísérletezgetni nem lehet a vakvilágba – pontosabban lehet, de nem lesz belőle tudományos eredmény.

 

„Világmindenség” a szerverszobában

A digitális számítógépek lehetővé teszik, hogy szimuláljuk, utánozzuk a valóságot, pontosabban azt, amiről egy realista megközelítést feltételezve úgy gondoljuk, hogy az a Valóság. Ahhoz, hogy a szimulációt elkezdhessük, természetesen rendelkeznünk kell képletekkel, amelyekkel a gép számol, vagyis a világot leíró valamilyen elmélettel. A fentiek szerint nincs ez másképp az igazi kísérletek esetében sem. A megfigyelés - állítják sokan -  bár elmélettel terhelt, prekoncepció nélkül nem vihető véghez, mégis feltételez a világgal való valamiféle direkt kapcsolatot.

Ami a kísérletek esetében a “valóság”, a szimulációnál a számítógép. Mi a különbség? Egyesek szerint az, hogy például a fent említett standard modellt vagy az elektromosságtant egyelőre mégis csak a való világ megfigyelése útján alkotjuk. Mások ezt is vitatják, és az elméletválasztás legfőbb kritériumának sokkal inkább a belső konzisztenciát, vagy éppen az eleganciát, egyszerűséget tartják.

working-in-the-lab-753-435.jpg
4. kép: Vajon a Monte Carlo szimuláció során ugyanúgy tanulunk a természetről, mint „valódi” kísérletekkel?

De mi van akkor, ha a számítógépes szimuláció nélkül nem tudjuk megmondani, elméletünk helyes-e vagy sem. Egyszerűen képtelenek vagyunk olyan érdekes és annyira pontos eredményeket produkálni számítógépes szimuláció nélkül, amely összehasonlítható lenne azzal, amit egyébként mérünk a kísérletek során. A populáció genetikában az 1960-as években olyan Monte Carlo szimulációs „kísérleteket” sikerült végezni, amelyek pontossága messze felülmúlt minden addigi várakozást. Szükség volt ezekre a számításokra ahhoz, hogy lássuk, jól írja le az elmélet, mi történik a génekkel, ha nagy populációkat nézünk.

Vajon a szimuláció ebben az esetben az elmélet továbbgondolása csupán, esetleg hasonlatos Galilei gondolatkísérletéhez, mely ellentmondásra vezetve bizonyította Arisztotelész tévedését a különböző tömegű testek gravitáció hatására történő gyorsulását illetően? Vagy – érvel például Michael R. Dietrich (Biology and Philosophy 11: 339-356, 1996) - a Monte Carlo szimuláció eredményeképpen pontosan ugyanúgy és éppen olyan fontos dolgokat tanulunk a természetről, mint „valódi” kísérletek végzésekor szokás.

Ha pedig ez utóbbi igaz, mi különbözteti meg a szimuláció általi megismerést a kísérlet segítségével történőtől? Érdemes-e vajon a kettőt megkülönböztetni, más-e a kétfajta módszer szerepe, státusza a természet megismerésének folyamatában. Ráadásul bizonyos esetekben gondot jelent a szimuláció és a kísérlet különválasztása. Az LHC gyorsító mellett működő detektorok méréseinek tervezésekor már előzetesen Monte Carlo szimulációt kell végezni ahhoz hogy megfelelően be tudják állítani a mérőműszereket. Tehát kísérlet és szimuláció kéz a kézben jár – hogy melyik van közelebb a valósághoz, nehéz megmondani. A számítógépes szimuláció az LHC-nál – úgy tűnik – sokkal inkább a kísérlet része, mint az elméleté.

lhc.jpg5. kép A Nagy Hadronütköztető (LHC: Large Hadron Collider)

A megismerési módszerek hierarchiája

Próbáljuk meg Ian Hacking híres definícióját alkalmazni annak meghatározására, hogy mikor látjuk azt ami a valóság, milyen esetben végzünk kísérletet. Hacking szerint az a reális, az a valódi, amit manipulálni tudunk: "If you can spray them, they’re real." Ennek nyomán azt gondolhatjuk, hogy a kísérletezés szükséges feltétele a beavatkozás lehetősége, a manipulálhatóság – és bár a számítógép működését manipuláljuk, ezáltal nem a természettel, nem protonokkal, kvarkokkal vagy éppen ágyúgolyókkal kísérletezünk, sokkal inkább valami mással. Egy Hacking-i olvasatban a szimuláció olyan kísérlet, melynek tárgya az az elmélet, amelynek segítségével a számítógépes programot megalkottuk. Vagyis: a standard modell, populációgenetikai egyenleteink stb.

ian.jpg

6. kép Ian Hacking

Végezetül tegyük fel a kérdést: mi szükség van arra, hogy megértsük, kísérlet-e a szimuláció, tartalmaz-e bizonytalanságokat vagy sem. A probléma megoldása lehet-e egy kicsivel hasznosabb a gyakorló természettudós számára, mint – a tudományfilozófiával szemben eléggé szkeptikus Richard Feynman-nal szólva - az ornitológus tevékenysége a madarak számára. Nos, úgy gondolom, igen. Mégpedig abban az esetben, ha a kérdés megválaszolása segít valamilyen hierarchia felállításában a kétfajta (szimulációs és kísérletes) megismerési módszer között. Ha a kétféle módszer eredményei konfliktusban vannak, hasznos tudni, melyiket vegyük komolyan.

A kísérleti eredmények csakúgy mint a Monte Carlo szimuláció mérési hibákat tartalmaz, melyeket statisztikai módszerekkel próbálunk kezelni. A mérési hibák mellett a szimuláció esetében fellép az ún. episztemikus kockázat, amely a szimuláció alapjául szolgálaló elmélet esetleges helytelenségéből adódik. Kérdés, hogy ez a kockázat jelen van-e, és ha igen, milyen mértékben jelenik meg a kísérleti eredmények leírásakor is. Amikor a megismerési módszerek hierarchiájáról beszélünk, valahol itt kell keresni a megoldást.

A szerző, Neuman Péter a BME Filozófia és Tudománytörténet Tanszék doktorandusza és oktatója. Kutatási területe a fizika alapjai, a kauzalitás és a kockázatok.

Források:

  • Borsanyi et al. Ab initio calculation of the neutron proton mass difference 2015 Science 347, 1452–1455.
  • Dietrich M. R. Monte Carlo Experiments and the Defense of Diffusion Models in Molecular Population Genetics Biology and Philosophy 11: 339-356, 1996.
  • Feyerabend, Paul K. Science Without Experience The Journal of Philosophy, Vol. 66, No. 22 (Nov. 20, 1969), pp. 791-794.
  • Hacking, Ian Representing and Intervening. Cambridge University Press, 1983.

 

Képek forrásai:

 

  • http://magazine.utoronto.ca/life-on-campus/what-is-real-philosopher-ian-hacking-wins-balzan-prize-dan-falk/
  • https://en.wikipedia.org/wiki/Monte_Carlo_method#/media/File:Rayleigh-Taylor_instability.jpg
  • https://i.kinja-img.com/gawker-media/image/upload/s--IqCN_WO---/ggvwc4pny8kgllmey3pq.jpg
  • http://exude.myspew.com/geek/G3/Proton+Electron+and+Neutron+Power.jpg.html
  • http://www.nhm.ac.uk/our-science/departments-and-staff/core-research-labs/molecular-laboratories/ancient-dna-laboratory.html
  • http://pkfeyerabend.org/en/paul-k-feyerabend/
Szólj hozzá

filozófia tudományfilozófia