6.4 Simuleringer og modellering

Virkeligheten i en datamaskin

Hvordan kan forskere forutsi været for neste uke? Hvordan tester ingeniører nye biler uten å krasje dem? Hvordan studerer klimaforskere Jordens fremtid uten å vente hundre år?

Svaret er simuleringer, digitale modeller som etterlikner virkeligheten inne i en datamaskin. En simulering lar oss eksperimentere med systemer som ville vært for farlige, for dyre eller for tidkrevende å teste i den virkelige verden. Vi kan simulere en orkan uten å stå midt i den, teste en bro før vi bygger den, og forutsi klimaet hundre år frem i tid, alt fra en skjerm.

I dette kapittelet skal vi forstå hva simuleringer og modeller er, utforske hvor de brukes, se hvorfor de er så nyttige, og lære om begrensningene vi alltid må ha i bakhodet.

Modeller og simuleringer: Fra forenkling til forutsigelse

La oss starte med det helt grunnleggende. En modell er en forenklet representasjon av virkeligheten som fokuserer på de viktigste egenskapene til et system og utelater detaljer som ikke er nødvendige. Modeller kan være fysiske, som en globus som representerer jorden, matematiske, som formler for bevegelse, eller digitale, som datasimuleringer. Ingen modell er perfekt, men gode modeller gir nyttig innsikt.

En simulering tar modellen et steg videre. Det er en digital etterlikning av et virkelig system der datamaskinen bruker matematiske regler til å beregne hvordan systemet oppfører seg over tid. Prosessen har fire steg: Først lager du en modell ved å representere systemet med matematiske formler. Deretter setter du startbetingelser, altså situasjonen i utgangspunktet, for eksempel dagens temperatur, lufttrykk og vind. Så lar du datamaskinen beregne hva som skjer neste sekund, neste time, neste år. Til slutt analyserer du resultatene.

Startbetingelsene er svært viktige. I en værsimulering er startbetingelsene dagens målinger fra værstasjoner, satellitter og værballonger over hele kloden. Nøyaktige startbetingelser er avgjørende for pålitelige resultater.

For å sjekke om en simulering er til å stole på, bruker vi validering. Det betyr å sammenligne simuleringens resultater med virkelige målinger eller observasjoner. En klimamodell kan for eksempel valideres ved å sjekke om den klarer å gjenskape historiske klimadata vi allerede kjenner.

Simuleringer i aksjon: Fra vær til verdensrom

Simuleringer brukes på utallige områder. La oss se på de viktigste.

Værvarsling er kanskje det mest kjente eksempelet. Jordens overflate deles inn i bokser, typisk 10 ganger 10 kilometer. For hver boks beregnes temperatur, lufttrykk, vind og fuktighet, time for time fremover. Utfordringen er at atmosfæren er et kaotisk system: små feil i startbetingelsene vokser raskt og kan føre til store feil i varselet. Derfor blir værvarsler mindre nøyaktige jo lengre frem i tid vi forsøker å varsle.

Klimamodeller ligner på værmodeller, men jobber i en helt annen tidsskala. De forutsier gjennomsnittlige forhold over tiår og århundrer, ikke enkeltdager. De inkluderer atmosfæren, havet, is, jordsmonn, vegetasjon og CO₂-nivåer. Klimamodeller viser at hvis vi fortsetter med dagens utslipp, vil gjennomsnittstemperaturen øke med 2 til 4 grader innen 2100. Men her kommer et interessant poeng: Vi kan forutsi klimaet langt frem, men ikke været. Grunnen er at klima handler om gjennomsnitt og trender som følger fysiske lover, mens vær er kaotisk og uforutsigbart dag for dag.

Flysimulatorer etterlikner opplevelsen av å fly et ekte fly. Piloten sitter i en kopi av cockpiten med ekte instrumenter og skjermer. Modellen inkluderer aerodynamikk, vær, terreng og motorytelse. Pilotene kan øve på nødprosedyrer, landing i tåke og motorhavari helt uten risiko. Under COVID-19-pandemien brukte forskere epidemimodeller for å forutsi smittespredning og evaluere tiltak som vaksinasjon og karantene. Og i astrofysikken simulerer forskere planeter, stjerner og galakser for å forstå universet, blant annet at Melkeveien og Andromedagalaksen vil kollidere om fire milliarder år.

Begrensninger: Hvorfor simuleringer aldri er perfekte

Det er viktig å forstå at selv de beste simuleringene har begrensninger.

For det første er modeller forenklinger. Vi kan ikke inkludere alle detaljer i virkeligheten. En klimamodell kan ikke modellere hver eneste sky på kloden. I stedet gjør den antagelser om gjennomsnittlig skydekke. Jo enklere modellen er, jo mindre nøyaktig er den, men jo mer detaljert den er, jo mer beregningskraft krever den.

For det andre har startbetingelsene alltid usikkerhet. Vi kan aldri måle alt perfekt overalt samtidig. Værstasjoner har mellomrom, og alle målinger har feil. I kaotiske systemer som atmosfæren vokser disse små feilene raskt.

For det tredje er beregningskraft en begrensning. Noen simuleringer krever enorme superdatamaskiner. Klimamodeller kan ta uker å kjøre, og en værmodell med 1 kilometers oppløsning over hele kloden ville kreve uoppnåelig beregningskraft.

For det fjerde er validering vanskelig for fremtidsscenarier. Vi kan validere en klimamodell mot historiske data, men vi kan ikke sjekke om forutsigelsene for år 2100 stemmer før vi er der.

For det femte kan menneskelige feil snike seg inn. Feil i koden, feil antagelser i modellen, eller feiltolkning av resultatene. I 1999 krasjet Mars Climate Orbiter fordi en del av programmet brukte engelske enheter mens en annen del brukte metriske. Simuleringer er kraftige verktøy, men resultatene må alltid tolkes kritisk.

Oppsummering

I dette kapittelet har vi utforsket simuleringer og modellering. Vi har lært at en modell er en forenklet representasjon av virkeligheten, og at en simulering er en digital etterlikning som bruker datamaskinen til å beregne hvordan et system oppfører seg over tid. Prosessen innebærer å lage en modell, sette startbetingelser, la datamaskinen beregne, og analysere resultatene. Validering sikrer at resultatene stemmer med virkeligheten.

Vi har sett simuleringer i aksjon: værvarsling med bokser over jordoverflaten, klimamodeller som forutsier gjennomsnittlige forhold over tiår, flysimulatorer for pilottrening, epidemimodeller for smittespredning, og astrofysiske simuleringer av galaksekollisjon.

Vi har også lært om begrensningene: modeller er forenklinger, startdata har usikkerhet, beregningskraft er begrenset, validering av fremtidsscenarier er vanskelig, og menneskelige feil kan snike seg inn. Simuleringer er kraftige verktøy, men resultatene må alltid tolkes med kritisk blikk.