Informatik
I dag sker en stor del af den videnskabelige forskning inden for fysik ved simuleringer af systemer. Dette sker nogle gange fordi det ikke kan lade sig gøre at udføre et eksperiment og andre gange fordi det er væsentligt hurtigere.
Når man laver en simulering, må man give køb på en grad af nøjagtighed og være sikker på, at man har taget højde for alle relevante aspekter af forsøget. Et eksempel kunne være en simulering af en bil, der bremser. Hvis man skal tage højde for både vindmodstand, gnidning og bremsernes effekt er man nødt til at benytte en simulering. Her analyserer man kræfterne på bilen på en masse tidspunkter og finder så effektivt set en funktion, der beskriver den bevægelse bedst. Den simpleste metode er en såkaldt Euler-metode, hvor man antager en ret linje mellem hvert punkt. En meget anvendt metode er Runge-Kutta 4-metoden her tilnærmer man et polynomium til kurven og får derved en mindre fejl ved hvert enkelt skridt. Man kan i princippet fortsætte med at gøre fejlen endnu mindre, men så bliver beregningerne tilsvarende mere omfattende.
Det er i øvrigt lignende metoder, der benyttes i computerspil til at få ting til at bevæge sig.
Monte Carlo metoden er en anden simuleringsmetode, som kan bruges til en række andre typer problemer. Her benytter man tilfældige tals statistiske fordeling efter de har været igennem en funktion til at tilnærme en værdi.
Stikord: Euler metoden, Runge-Kutta, Monte Carlo, simuleringer
Forslag til kilder for informationssøgning:
Hvad er en computer simulering i forhold til praktiske forsøg og teori?
Wikipedia-side om Euler simuleringer
Wikipedia-side om Runge Kutta simuleringer
Wikipedia-side om Monte Carlo simuleringer
Maskinlæring, machine learning og kunstig intelligens er alle forskellige ord, der bliver brugt for det samme: at tage en masse data og træne et computerprogram til at kunne sortere i nye data.
Inden for kosmologien har man bl.a. brugt denne metode til at klassificere galakser, et arbejde der tidligere også er lavet som citizen science projekter, hvor amatører har kunnet klassificere billeder af forskellige galakser.
Brugen af maskinlæring til klassificering af galakser har ledt til, at man nu har opdaget nye måder at klassificere og aldersbestemme galakser på.
De forskellige typer af galakser opfører sig på vidt forskellige måder og indeholder også forskellige typer af stjerner. Det kan derfor være yderst interessant at have et katalog over mange galakser af forskellige typer, hvis man vil forske i en bestemt type af galakser eller en bestemt type af stjerner, der ofte forekommer i en type af galakser.
Stikord: Maskinlæring, galakser, kosmologi, kunstig intelligens, galaksetyper
Forslag til kilder for informationssøgning:
Artikel fra American Scientist om metoden
Teknisk artikel, der uddyber metoden
Videnskabelig artikel om hvordan maskinlæring og mennesker sammen kan forbedre metoderne