Метод компьютерного моделирования, позволяющий увидеть, как будет развиваться сложная система
Обновлено: 21.11.2024
Моделирование сложных систем: использование природных метафор в моделировании и научных моделях
На основе Rocha, Luis M. [1999]. BITS: Новости компьютеров и коммуникаций . Отдел вычислительной техники, информации и связи. Лос-Аламосская национальная лаборатория. ноябрь 1999 г.
<Н2>1. Что такое сложные системы?«Система, состоящая из (обычно большого) количества (обычно сильно) взаимодействующих сущностей, процессов или агентов, понимание которых требует разработки или использования новых научных инструментов, нелинейных моделей, нестандартных описания равновесия и компьютерное моделирование». [Достижения в журнале сложных систем]
"Система, которую можно разбить на множество компонентов, имеющих относительно много взаимосвязей между собой, так что поведение каждого компонента зависит от поведения других. [Герберт Саймон]"
«Система, включающая множество взаимодействующих агентов, совокупное поведение которых необходимо понимать. Такая совокупная активность нелинейна, поэтому ее нельзя просто вывести из суммирования поведения отдельных компонентов». [Джером Сингер]
Сложная система — это любая система, состоящая из большого количества взаимодействующих компонентов (агентов, процессов и т. д.), совокупная активность которых нелинейна (не выводится из суммирования активности отдельных компонентов) и обычно демонстрирует иерархическую самоорганизацию при избирательное давление. Это определение применимо к системам из широкого круга научных дисциплин. Действительно, науки о сложности обязательно основаны на междисциплинарных исследованиях. Неудивительно, что сердцем этой исследовательской области является Институт Санта-Фе в Санта-Фе, штат Нью-Мексико, который первоначально был основан исследователями из Лос-Аламосской национальной лаборатории, такими как Джордж А. Коуэн, старший почетный научный сотрудник LANL. Фактически, LANL произвел или привлек многих исследователей, связанных с этим центром и исследовательской областью: Николаса Метрополиса, Криса Лэнгтона, Стефани Форрест, Алана Лапедеса, Стина Расмуссена, Алана Перельсона, Ханса Фрауэнфельдера и других. Однако это исследование возникло не недавно и не здесь; это прямое порождение кибернетических и системных движений, которые зародились в 1940-х годах такими людьми, как Норберт Винер, Уоррен МакКаллох, Маргарет Мид, Росс Эшби, Джон фон Нейман, Хайнц фон Ферстер и другими (1) .
Почти все интересные процессы в природе тесно связаны между собой. Однако во многих системах мы можем выделить набор фундаментальных строительных блоков, которые нелинейно взаимодействуют, образуя составные структуры или функции, идентичность которых требует большего количества объяснительных устройств, чем те, которые используются для объяснения строительных блоков. Этот процесс возникновения потребности в новых, дополнительных способах описания известен как иерархическая самоорганизация, а системы, которые соблюдают эту характеристику, определяются как сложные (2). Примерами таких систем являются генные сети, направляющие процессы развития, иммунные сети, сохраняющие идентичность организмов, колонии социальных насекомых, нейронные сети в мозге, обеспечивающие интеллект и сознание, экологические сети, социальные сети, состоящие из транспортных, коммунальных и телекоммуникационных систем. , а также экономии.
Направление исследований моделирования сложных систем в группе моделирования, алгоритмов и информатики (CCS-3) связано с фундаментальными и прикладными исследованиями в области моделирования и анализа сложных систем, а также с разработкой приложений для понимания и управления такими системы. Наше внимание сосредоточено на изучении сетей и многоагентных систем, таких как социальные, информационные и биологические. В настоящее время нашими основными областями применения являются вычислительная биология — с текущими проектами в генных и белковых сетях — и сетевое и многоагентное моделирование — с текущими проектами в системах рекомендаций для Интернета и цифровых библиотек, а также обнаружение знаний в сетях социальных сетей. агентов, таких как террористические сети. Некоторые из этих исследований описаны ниже.
2 Вычислительная биология и биоинформатика
Биологические регуляторные механизмы, включая экспрессию генов, по своей сути являются сложными системами, как определено выше. Как таковые, их нельзя понять, просто идентифицируя компоненты, продукты, ансамбли и соединения. Поэтому мы хотим дополнить избыток имеющейся в настоящее время информации о последовательностях генов и белков информационными и развивающими средствами для моделирования и понимания эволюционных систем. Это включает в себя понимание представления и передачи информации в живых системах, предсказание функции белка на основе последовательности генов, структуры и даже текстовой информации, обнаружение взаимодействий в регуляторных сетях генов и компьютерное моделирование редактирования РНК.Мы также рассматриваем алгоритмические последствия биологических проблем, таких как разработка эффективных процедур секвенирования ДНК и дизайнов пулов.
Помимо проектов секвенирования генов, перед нами стоит задача картирования молекулярной идентичности из различных источников информации, таких как экспрессия генов, последовательность белков и структурные данные. В случае экспрессии генов мы можем анализировать измерения микрочипов. Такой массив содержит интенсивности экспрессии различных генов в клетке при определенных экспериментальных условиях. Мы также можем построить матрицу таких массивов при различных условиях, например. стадии заражения. Эти матрицы содержат огромное количество информации о сложных взаимодействиях между генами и в конечном итоге характеризуют поведение клетки.
Чтобы обнаружить эти шаблоны взаимодействия, мы используем алгоритмы распознавания шаблонов, специально разработанные для решения этой проблемы. Мы используем методы интеллектуального анализа данных, такие как правила ассоциации, нечеткая кластеризация и разложение по единичным значениям. Мы также приступили к изучению характеристик цепей регуляции генов, которые можно идентифицировать по данным микрочипов.
В связи с этим исследованием мы также изучаем комбинаторную оптимизацию в биологии. Это исследование касается теоретических и практических аспектов задач оптимизации, возникающих в биологически мотивированных условиях. Основные усилия включают алгоритмы оптимизации процесса секвенирования ДНК и объединение проектов для максимально эффективного группового тестирования. Подробности также на нашем веб-сайте.
3 Сетевое и многоагентное моделирование
Сегодня термин "агент" означает нечто среднее между простой подпрограммой и сознательной сущностью. Существуют «вспомогательные» агенты для поиска в Интернете и обслуживания компьютеров, агенты-роботы для проникновения в негостеприимную среду, агенты в экономике и т. д. Интуитивно понятно, что для того, чтобы объект можно было назвать агентом, он должен обладать некоторой степенью автономии, т. е. , он должен быть в некотором смысле отличим от своего окружения какой-либо пространственной, временной или функциональной границей. Он должен обладать какой-то идентичностью, чтобы его можно было идентифицировать в окружающей среде. Чтобы сделать определение агента полезным, мы часто дополнительно требуем, чтобы агенты имели некоторую автономию действий, чтобы они могли выполнять задачи в среде без прямого внешнего контроля.
Традиционно агентные модели (ABM) опираются на примеры явлений из биологии, таких как социальные насекомые и иммунные системы. Эти системы представляют собой распределенные наборы взаимодействующих сущностей (агентов), которые функционируют без «лидера». От простых агентов, которые локально взаимодействуют с простыми правилами поведения, просто соответствующим образом реагируя на сигналы окружающей среды и не обязательно стремясь к общей цели, мы наблюдаем синергию, которая ведет к целому более высокого уровня с гораздо более сложным поведением, чем агенты-компоненты. , например колонии насекомых и иммунный ответ. В области искусственной жизни (AL) [Langton, 1989] было создано несколько моделей, основанных на простых правилах агентов, способных производить идентичность более высокого уровня, таких как стайное поведение птиц, которые были названы Swarms (3) или ABM. В этих моделях агенты обычно описываются автоматами, определяемыми состоянием: то есть они функционируют, реагируя на ввод и представляя состояние, используя некоторое итеративное отображение в пространстве состояний. Такой ABM можно использовать, например, для моделирования массивно-параллельных вычислительных систем, что является исследовательским интересом нескольких членов нашей команды.
Однако в последние годы стало ясно, что для моделирования некоторых явлений, в частности экологических и социальных, требуются агенты, поведение которых не просто диктуется локальным, определяемым государством взаимодействием. В обществе, наделенном силой языка и гиперсвязанными информационными каналами, которые, в свою очередь, влияют на планетарную экологию, агенты имеют доступ и полагаются на накопленные знания, которые избегают локальных ограничений (через общение) и хранятся в медиа за пределами самого агента и его состояния. В самом деле, многие, если не большинство исследователей в области искусственного интеллекта (ИИ), когнитивных наук и психологии пришли к выводу, что интеллект является не только автономной характеристикой агентов, но и в значительной степени зависит от социальных, лингвистических и организационных знаний, которые существуют за его пределами. индивидуальные агенты. Такие агенты часто называют ситуативными [Clark, 1997] или семиотическими [Rocha, 1999] агентами. Также было показано, что симуляции агентов, основанные на общих социальных знаниях, могут более эффективно моделировать социальный выбор [Richards, et al, 1998].
Поскольку большинство наших исследовательских проектов посвящено моделированию социальных сетей, нам интересно изучить, как агенты торгуют и используют знания при принятии решений. Нас особенно интересует изучение структуры социальных сетей, возникающих из агентов, обменивающихся знаниями, а также динамика тенденций, наблюдаемых в таких многоагентных системах.Мы также используем существующие сети документов (например, WWW и базы данных с научными публикациями), чтобы обнаружить динамику знаний в сообществах пользователей. Мы разработали методы прогнозирования тенденций и выявления скрытых ассоциаций между агентами, документами или ключевыми терминами. Скрытые ассоциации — это ассоциации (скажем, между агентами), которые не происходили, но которые в значительной степени подразумеваются косвенными сетевыми связями и, таким образом, имеют высокую вероятность возникновения в будущем. Эта методология использовалась в рекомендательной системе для портала MyLibray в Лос-Аламосе и для изучения террористических сетей в проектах национальной обороны.
4 Использование других природных метафор
Наша команда занимается другими связанными исследованиями, изучая метафоры из природы, особенно в областях адаптивных вычислений и оптимизации. Ключевое понятие сложных систем, состоящее из многих простых процессов, находящихся под селективным давлением, синергетически взаимодействующих для создания желаемого глобального поведения, может быть успешно применено к различным проблемам. В области оптимизации мы разрабатываем эвристические алгоритмы, вдохновленные неравновесными физическими процессами. Развитие методов неравновесной оптимизации, вероятно, приведет к следующему поколению алгоритмов общего назначения, предназначенных, как и моделируемый отжиг, для широкого применения. Мы ожидаем, что этот анализ приведет нас к новому пониманию роли критичности в комбинаторной оптимизации, а также к более глубокому (и более прикладному) пониманию вычислительной сложности.
Аналогичным образом мы разрабатываем биологически мотивированные конструкции для адаптивного управления знаниями. Распределенные проекты, основанные на метафорах иммунной системы и других аспектах биологических систем, могут значительно улучшить существующий поиск информации и управление знаниями в сетевых информационных ресурсах. Мы разработали рекомендательную систему для Научной библиотеки LANL, которая позволяет различным базам данных узнавать новые и адаптировать существующие ключевые слова к категориям, признанным различными сообществами, с использованием алгоритмов, вдохновленных биологической и культурной эволюцией.
Для получения более подробной информации о наших исследованиях, пожалуйста, обратитесь к нашим проектам, компетенциям и списку исследований на этом веб-сайте.
Ссылки
Кариани, Питер [1992]. «Появление и искусственная жизнь». В: Искусственная жизнь II. К. Лэнгтон, К. Тейлор, Дж. Д. Фармер и С. Расмуссен (ред.). Серия SFI по наукам о сложности. Аддисон-Уэсли, стр. 775–797.
Клир, Джордж, Дж. [1991]. Аспекты системной науки. Пленум Пресс.
Лэнгтон, К.Г. [1989]. «Искусственная жизнь». В: Искусственная жизнь. К. Лэнгтон (ред.). Эддисон-Уэсли.
Патти, Ховард Х. [1978]. «Дополнительный принцип в биологических и социальных структурах». Журнал социальных и биологических структур. Том. 1, стр. 191–200.
Ричардс Д., Б.Д. Маккей и У. А. Ричардс [1998]. «Коллективный выбор и структуры взаимного знания». Достижения в сложных системах. Том. 1, стр. 221–236.
Розен, Роберт [1993]. "Возвращение к бионике". В: Машина как метафора и инструмент. Х. Хакен, А. Карлквист и У. Сведин (ред.). Springer-Verlag, стр. 87–100.
Сноски
<р>1. Дополнительные сведения о кибернетике и системных исследованиях см. в Klir [1991] или на веб-страницах проекта Principia Cybernetica. <р>2. Иерархическая самоорганизация и эмерджентность подробно обсуждались Патти [1978], Розеном [1993] и Кариани [1992]. <р>3. Это исследование привело к разработке языка моделирования на основе агентов под названием Swarm, который мы используем в нескольких наших проектах.
System Dynamics — это компьютерный подход к разработке стратегии и политики.
Основная цель – помочь людям принимать более обоснованные решения, когда они сталкиваются со сложными динамическими системами. Подход предоставляет методы и инструменты для моделирования и анализа динамических систем. Результаты моделирования можно использовать для сообщения важных результатов, чтобы помочь всем понять поведение системы.
Он использует имитационное моделирование, основанное на теории систем с обратной связью, которая дополняет подходы системного мышления. Он применяется к динамическим проблемам, возникающим в сложных социальных, управленческих, экономических или экологических системах. Его можно применять к социальным, управленческим, экономическим, экологическим и физиологическим системам.
Обратное мышление
Распознавание причины и следствия в системе
Структура
От причины и следствия к поведению
Уровни и рейтинги
Основные элементы для изменений с течением времени
Моделирование и имитация
Использование вычислений для демонстрации результатов
Разработка политики
Принятие лучших решений на основе анализа и понимания
Основная идея системной динамики заключается в том, что циклы обратной связи фиксируют взаимодействия между частями системы и то, как они приводят к определенной общей модели поведения с течением времени
Системная динамика – это раздел теории систем, который включает моделирование моделей для понимания динамического поведения сложных систем по мере их изменения во времени
Схемы основных контуров обратной связи в системе часто преобразуются в компьютерное моделирование, чтобы смоделировать, как изменения в одной части системы могут повлиять на другие, и на общую модель развития
Изучите некоторые модели
Бизнес-модель
Запуск авиакомпании People Express Airlines стал легендой бизнеса. Тем не менее он обанкротился. Этот симулятор дает командам возможность выяснить, что пошло не так, «облетев» компанию самостоятельно.
Модели здоровья
Бесплатные интерактивные инструменты, которые позволяют вам исследовать последствия неопределенностей в отношении болезней, включая распределение уровней тяжести, корректировку частоты контактов и смертности.
Если вы хотите увидеть, как поведение модели меняется со временем, вы можете запустить симуляцию. Моделирование можно выполнять с использованием моделей в реальной жизни, но часто компьютеры используются для моделирования в виртуальном мире.
Компьютерное моделирование может быть очень простым и выполняться на одном компьютере за считанные секунды. Или они могут быть очень сложными, требующими, чтобы комната была заполнена сетевыми компьютерами, работающими в течение нескольких дней.
(слева) Симулятор тенниса Pong был разработан в 1972 году. (справа) Краш-тесты — это пример реальных имитационных моделей.
Мощные компьютеры могут запускать сложные симуляции
На этом изображении показана видимая материя внутри куба, представляющего собой 248 миллионов световых лет. Это была самая сложная научная симуляция эволюции Вселенной из когда-либо проводившихся. Майкл Норман, космолог из Калифорнийского университета в Сан-Диего, провел моделирование более 130 часов на 512 процессорах суперкомпьютера Blue Horizon.
Это моделирование требовало отслеживания более миллиарда частиц и выполнения расчетов в более чем миллиарде ячеек в течение более чем 3 миллиардов лет моделируемого времени.
Изображение предоставлено Майклом Норманом, Паскалем Пашосом, Калифорнийским университетом в Сан-Франциско; Роберт Харкнесс, SDSC
Компьютерное моделирование записывает изменения с течением времени
Как и отдельные страницы в книжке-раскладушке, компьютерное моделирование сохраняет моментальные снимки расчетов с течением времени. Каждый снимок показывает результат вычисления с использованием немного отличающегося входного значения. Соединяя снимки вместе, симуляция представляет собой анимированное представление изменений с течением времени.
Математические модели: основа моделирования
Математические модели содержат уравнения и правила, определяющие процесс. Поскольку математические модели используют числовые входные и выходные данные, они позволяют очень точно увидеть, как система развивается с течением времени.
Когда вы собираете числовые значения по ходу моделирования, у вас остается полный набор данных, показывающий значения на каждом этапе процесса.
Компьютерное моделирование используется для моделирования всех видов систем.
Вот несколько примеров:
Астрофизики создали модели первых 500 лет существования Земли.
Видео предоставлено Симоне Марчи
Управляющие водными ресурсами используют моделирование, чтобы проанализировать, как изменения в водопользовании влияют на снабжение.
Изображение предоставлено GoldSim
Географы использовали компьютерное моделирование, чтобы охарактеризовать движение лавины, стекающей с горы.
Видео предоставлено Институтом исследований снега и лавин WSL SLF
На фабриках компьютерное моделирование может помочь оптимизировать процессы, используемые для производства продукции.
Изображение предоставлено: Siemens PLM, DELMIA, S-Pridis, ICAM Technologies
Финансовые аналитики используют компьютерное моделирование, чтобы увидеть, как изменения в мировой экономике могут повлиять на финансовые активы.
Изображение предоставлено: Goddard Consulting
Климатологи моделируют атмосферу Земли, чтобы изучить, как глобальные выбросы ископаемого топлива влияют на температуру воздуха с течением времени.
Изображение предоставлено: Метеорологический центр Хэдли
Инженеры создают компьютерные модели для проверки транспортных потоков на предполагаемых дорогах.
Изображение предоставлено: The Traffic Group, Inc., Braidwood Associates, SimWalk, город Салем
Вычислительное моделирование — это использование компьютеров для моделирования и изучения сложных систем с использованием математики, физики и информатики. Вычислительная модель содержит множество переменных, характеризующих изучаемую систему. Моделирование выполняется путем корректировки переменных по отдельности или в комбинации и наблюдения за результатами. Компьютерное моделирование позволяет ученым проводить тысячи смоделированных экспериментов с помощью компьютера. Тысячи компьютерных экспериментов определяют несколько лабораторных экспериментов, которые с наибольшей вероятностью решат изучаемую проблему.
Современные вычислительные модели позволяют изучать биологическую систему на нескольких уровнях. Модели развития болезни включают молекулярные процессы, межклеточные взаимодействия и то, как эти изменения влияют на ткани и органы. Изучение систем на нескольких уровнях известно как многомасштабное моделирование (МСМ).
Вычислительные модели используются для моделирования и изучения сложных биологических систем. Изображение предоставлено ISB
Модели прогнозирования погоды делают прогнозы на основе многочисленных атмосферных факторов. Точные прогнозы погоды могут защитить жизнь и имущество, а также помочь коммунальным предприятиям спланировать увеличение мощности, связанное с экстремальными климатическими изменениями.
В авиасимуляторах используются сложные уравнения, которые управляют полетом самолета и реагируют на такие факторы, как турбулентность, плотность воздуха и осадки. Симуляторы используются для обучения пилотов, проектирования самолетов и изучения того, как самолеты меняются при изменении условий.
Моделирование землетрясений направлено на спасение жизней, зданий и инфраструктуры. Вычислительные модели предсказывают, как состав и движение конструкций взаимодействуют с подстилающими поверхностями, чтобы повлиять на то, что происходит во время землетрясения.
Отслеживание инфекционных заболеваний. Вычислительные модели используются для отслеживания инфекционных заболеваний среди населения, определения наиболее эффективных вмешательств, а также мониторинга и корректировки вмешательств для уменьшения распространения болезни. Выявление и внедрение мер, направленных на сдерживание распространения болезни, имеют решающее значение для спасения жизней и снижения нагрузки на систему здравоохранения во время пандемий инфекционных заболеваний.
Клиническая поддержка принятия решений. Вычислительные модели интеллектуально собирают, фильтруют, анализируют и представляют информацию о здоровье, чтобы предоставить врачам рекомендации по лечению заболеваний на основе подробных характеристик каждого пациента. Системы помогают обеспечить информированный и последовательный уход за пациентом при его переводе в соответствующие больничные учреждения и отделения и сдаче различных анализов в ходе курса лечения.
Прогнозирование побочных эффектов лекарств. Исследователи используют компьютерное моделирование, чтобы помочь разработать лекарства, которые будут наиболее безопасными для пациентов и с наименьшей вероятностью будут иметь побочные эффекты. Такой подход может сократить много лет, необходимых для разработки безопасного и эффективного лекарства.
Моделирование распространения инфекционных заболеваний для определения эффективных вмешательств. Точное моделирование инфекционных заболеваний опирается на многочисленные большие наборы данных. Например, оценка эффективности социального дистанцирования в отношении распространения гриппоподобных заболеваний должна включать информацию о дружбе и взаимодействии отдельных лиц, а также стандартные биометрические и демографические данные. Исследователи, финансируемые NIBIB, разрабатывают новые вычислительные инструменты, которые могут включать новые доступные наборы данных в модели, предназначенные для определения наилучших направлений действий и наиболее эффективных вмешательств во время пандемического распространения инфекционных заболеваний и других чрезвычайных ситуаций в области общественного здравоохранения.
Многомасштабное моделирование (MSM) — это сложный тип вычислительного моделирования, который включает в себя несколько уровней биологической системы. Изображение предоставлено ISB.
Отслеживание эволюции вируса во время распространения инфекционного заболевания. РНК-вирусы, такие как ВИЧ, гепатит В и коронавирус, постоянно мутируют, вырабатывая лекарственную устойчивость, избегая иммунного ответа и вызывая новые инфекции. Образцы секвенированных патогенов от тысяч инфицированных можно использовать для идентификации миллионов эволюционирующих вариантов вируса. Исследователи, финансируемые NIBIB, создают вычислительные инструменты для включения этих важных данных в анализ инфекционных заболеваний медицинскими работниками. Новые инструменты будут созданы в сотрудничестве с CDC и доступны в Интернете для исследователей и медицинских работников. Этот проект улучшит эпиднадзор и лечение заболеваний во всем мире и позволит разработать более эффективные стратегии искоренения болезней.
Преобразование беспроводных данных о состоянии здоровья в улучшение здоровья и здравоохранения. Устройства для мониторинга здоровья в больницах и носимые датчики, такие как умные часы, генерируют огромные объемы данных о состоянии здоровья в режиме реального времени. Медицинское обслуживание на основе данных обещает быть быстрым, точным и менее дорогим, но непрерывные потоки данных в настоящее время превышают возможности использования информации. Исследователи, финансируемые NIBIB, разрабатывают вычислительные модели, которые преобразуют потоковые данные о здоровье в полезную форму. Новые модели обеспечат физиологический мониторинг в режиме реального времени для принятия клинических решений в Национальной детской больнице. Команда математиков, биомедицинских информатиков и персонала больниц будет создавать общедоступные данные и программное обеспечение. Проект будет использовать рынок беспроводных медицинских услуг стоимостью 11 миллиардов долларов, чтобы значительно улучшить здравоохранение.
Человеческое и машинное обучение для индивидуального управления вспомогательными роботами. Чем серьезнее двигательные нарушения человека, тем сложнее ему управлять вспомогательными механизмами, такими как кресла-коляски с электроприводом и роботизированные руки. Доступные средства контроля, такие как устройства для вдоха и выдоха, не подходят для людей с тяжелым параличом. Исследователи, финансируемые NIBIB, разрабатывают систему, позволяющую людям с тетраплегией управлять роботизированной рукой, одновременно продвигая физические упражнения и поддерживая остаточные двигательные навыки. В технологии используются интерфейсы «тело-машина», которые реагируют на минимальное движение конечностей, головы, языка, плеч и глаз. Первоначально, когда пользователь двигается, машинное обучение усиливает сигнал для выполнения задачи с помощью робота-манипулятора. Помощь сокращается по мере того, как машина передает управление все более опытному пользователю. Этот подход направлен на то, чтобы расширить возможности людей с тяжелым параличом и предоставить интерфейс для безопасного обучения управлению роботами-помощниками.
Читайте также: