Математическое моделирование квантово-механических процессов в вычислительных экспериментах

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

ДИПЛОМНАЯ РАБОТА

Математическое моделирование квантово-механических процессов в вычислительных экспериментах

Введение

Развитие человеческой цивилизации непосредственно связано с познанием и преобразованием окружающего мира. Процесс познания представляет собой бесконечное приближение к истине. Узнавая больше, мы как бы расширяем границу соприкосновения наших знаний с непознанным, тем самым увеличивая число вопросов, на которые хотелось бы получить ответы. Основная цель естественных наук - познание окружающих нас явлений и построение научной картины мира.

Научная картина мира включает в себя эмпирический базис и теоретическую модель физических явлений. Та часть объективной реальности, взаимодействующая с субъектом познания (человеком) и противостоящая ему в его предметно-практической и познавательной деятельности называется объектом познания. В силу раздвоения мира на внешнюю (открытую) и внутреннюю (сокрытую) стороны, в теории познания выделяют два аспекта объекта познания: явление, то есть внешний аспект, и сущность - внутренний аспект. Эмпирическими называются знания об объектах и происходящих с ними явлениях, полученные как результат чувственных ощущений. Теоретические знания - это знания сущности объектов и явлений, получающиеся в результате конкретизации общих положений науки. Критерием правильности научных знаний об окружающем мире является практика: многочисленные эксперименты, а также проявления научно-технического прогресса.

Основная задача науки - построение теоретической модели изучаемого объекта (системы), которая бы объясняла известные (объяснительная функция) и предсказывала неизвестные явления (прогностическая функция теории). Теоретическая модель может быть качественной или количественной (математической). Состояние системы однозначно определяется набором переменных: координатой частицы, ее скоростью (зарядом, силой тока и т.д.), которые могут быть измерены с некоторой погрешностью. Отклик системы зависит от ее параметров, начального состояния и внешнего воздействия.

Важным шагом на пути познания является переход от качественно описательных методов к математическим абстракциям. Решение проблем механики, да и физики в целом, потребовало оцифровки пространства и времени, введения понятий системы отсчета. Совершенствовались методы измерений, что позволило оперировать с численными значениями физических величин, развивалась теория погрешностей. Физические системы наиболее просты по сравнению с биологическими, экологическими, социальными и другими системами. Это привело к созданию достаточно сложных математических моделей, представляющих систему алгебраических и дифференциальных уравнений. Исследование физических явлений теперь не ограничивалось качественными рассуждениями, а предусматривало построение математической теории.

Все существующие способы исследования математической модели можно разделить на две группы: аналитические и численные. Аналитическое решение уравнения часто предусматривает проведение громоздких математических рассуждений и в результате приводит к уравнению, выражающему функциональную связь между искомой величиной, параметрами системы, внешним воздействием и временем. Результаты такого решения нуждаются в интерпретации, предполагающей анализ полученных функций, построение графиков.

Численные методы исследования математической модели предполагают создание компьютерной программы, моделирующей изучаемое явление. Чтобы создать математическую модель, необходимо определить совокупность состояний системы, множество внешних воздействий (входных сигналов) и откликов (выходных сигналов), а также задать соотношения, связывающие отклик системы с воздействием и ее внутренним состоянием. Они позволяют исследовать огромное количество различных ситуаций, задавая иные параметры системы, начальные условия и внешние воздействия. Искомая функция, характеризующая отклик системы, получается в табличном или графическом виде.

Развитие физической теории предполагает выдвижение основных принципов, построение математической модели объекта познания, получение из нее следствий, которые могут быть сопоставлены с результатами эксперимента. Использование ЭВМ как раз позволяет, исходя из математических уравнений, рассчитать поведение исследуемой системы в тех или иных условиях. Часто это единственный способ получения следствий из математической модели. В качестве примера рассмотрим задачу о движении трех взаимодействующих материальных точек. В общем случае она не имеет аналитического решения, использование метода компьютерного моделирования позволяет рассчитать траектории движения частиц.

Совершенствование вычислительной техники, появление ЭВМ, позволяющей быстро и достаточно точно осуществлять вычисления по заданной программе, ознаменовало качественный скачок на пути познания. На первый взгляд кажется, что быстрота счета не может непосредственно влиять на ход познания. Однако это не так: решение современных задач вычислительной физики требует проведения огромного количества вычислений, что стало возможным лишь после появления электронно-вычислительных машин, способных выполнять миллионы операций в секунду. Существенным так же является и то, что вычисления производятся автоматически, в соответствии с алгоритмом (программой) и не требуют вмешательства человека. Если ЭВМ относится к технической базе проведения вычислительного эксперимента, то ее теоретическую основу составляют прикладная математика, численные методы решения систем уравнений.

История развития численных методов восходит к фундаментальным работам Исаака Ньютона, который еще в 17 веке предложил использовать численные методы для приближенного решения алгебраических уравнений. Леонард Эйлер разработал метод решения обыкновенных дифференциальных уравнений. Из современных ученых весомый вклад в развитие компьютерного моделирования сделал академик А.А. Самарский, основоположник методологии вычислительного эксперимента. Именно им была предложена знаменитая триада «модель - алгоритм - программа» и разработана технология компьютерного моделирования, успешно используемая для изучения физических явлений. Одним из первых выдающихся результатов компьютерного эксперимента является открытие в 1968 году температурного токового слоя в плазме, создаваемой в МГД-генераторах (эффект Т-слоя). Оно было выполнено на ЭВМ и позволило предсказать исход реального эксперимента, проведенного через несколько лет.

Вычислительный эксперимент фактически является экспериментом над математической моделью исследуемого объекта, проводимого с помощью ЭВМ. Часто он значительно дешевле и доступнее натурного эксперимента, его выполнение требует меньшего времени, он дает более подробную информацию. К наиболее важным направлениям вычислительного эксперимента относятся: 1) расчет ядерных реакций; 2) решение задач небесной механики, астрономии и космонавтики; 3) изучение глобальных явлений на Земле, моделирование климата, исследование экологических проблем, глобального потепления, последствий ядерного конфликта и т.д.; 4) решение задач механики сплошных сред, в частности, гидродинамики; 5) компьютерное моделирование различных технологических процессов; 6) расчет химических реакций и биологических процессов, развитие химической и биологической технологии.

1. Математическое моделирование

1.1 История математического моделирования

Математические модели являются одним из основных инструментов познания человеком явлений окружающего мира. Под математическими моделями понимают основные закономерности и связи, присущие изучаемому явлению. Это могут быть формулы или уравнения, наборы правил или соглашений, выраженные в математической форме. Испокон веков в математике, механике, физике и других точных науках естествознания для описания изучаемых ими явлений использовались математические модели. Так, законы Ньютона полностью определяют закономерности движения планет вокруг Солнца. Используя основные законы механики, относительно нетрудно составить уравнения, описывающие движение космического аппарата, например, от Земли к Луне. Однако получить их решение в виде простых формул не представляется возможным. Для расчета траекторий космических аппаратов служат компьютеры.

Применение компьютеров для математического моделирования изменило само понятие «решить задачу». До этого исследователь удовлетворялся написанием математической модели. А если ему еще удавалось доказать, что решение (алгоритм) в принципе существует, то этого было достаточно, если априори полагать, что модель адекватно описывает изучаемое явление. Поскольку, как правило, нет простых формул, описывающих поведение модели, а стало быть и объекта, который описывается моделью, то единственный путь - свести дело к вычислениям, применению численных методов решения задач. В таком случае необходим конкретный алгоритм, указывающий последовательность вычислительных и логических операций, которые должны быть произведены для получения численного решения. С алгоритмами связана вся история математики. Само слово «алгоритм» является производным от имени средневекового узбекского ученого Аль-Хорезми. Еще древнегреческим ученым был известен алгоритм нахождения числа «пи» с высокой точностью. Ньютон предложил эффективный численный метод решения алгебраических уравнений, а Эйлер - численный метод решения обыкновенных дифференциальных уравнений. Как известно, модифицированные методы Ньютона и Эйлера до сих пор занимают почетное место в арсенале вычислительной математики. Ее предметом являются выбор расчетной области и расчетных точек, в которых вычисляются характеристики моделируемого объекта, правильная замена исходной математической модели ее аналогом, пригодным для расчета, т.е. некоторой дискретной моделью. Поскольку модели должны представлять изучаемые явления в необходимой полноте, понятно, что они становятся весьма сложными.

В модели входят множество величин, подлежащих определению, а сами эти величины зависят от большого числа переменных и постоянных параметров.

Наконец, модели реальных процессов оказываются нелинейными. Аппарат классической математической физики приспособлен для работы с линейными моделями. В этом случае сумма (суперпозиция) частных решений уравнения есть также его решение. Найдя частное решение уравнения для линейной модели, с помощью принципа суперпозиции можно получить решение в общем случае. На этом пути в традиционной математической физике были получены замечательные результаты. Однако она становится бессильной, если встречается с нелинейными моделями. Принцип суперпозиции здесь неприменим, и алгоритмов для построения общего решения не существует. Поэтому для нелинейных моделей законченных теоретических результатов получено немного.

Методология математического моделирования в кратком виде выражена знаменитой триадой «модель - алгоритм - программа», сформулированной академиком А.А. Самарским, основоположником отечественного математического моделирования. Эта методология получила свое развитие в виде технологии «вычислительного эксперимента», разработанной школой А.А. Самарского, - одной из информационных технологий, предназначенной для изучения явлений окружающего мира, когда натурный эксперимент оказывается слишком дорогим и сложным.

1.2 Математическая модель

Математическая модель - это математическое представление реальности.

Процесс построения и изучения математических моделей называется математическим моделированием.

Все естественные и общественные науки, использующие математический аппарат, по сути занимаются математическим моделированием: заменяют объект его математической моделью и затем изучают последнюю. Связь математической модели с реальностью осуществляется с помощью цепочки гипотез, идеализаций и упрощений. С помощью математических методов описывается, как правило, идеальный объект, построенный на этапе содержательного моделирования.

Определения

Никакое определение не может в полном объеме охватить реально существующую деятельность по математическому моделированию. Несмотря на это, определения полезны тем, что в них делается попытка выделить наиболее существенные черты.

1. Определение модели по А.А. Ляпунову.

Моделирование - это опосредованное практическое или теоретическое исследование объекта, при котором непосредственно изучается не сам интересующий нас объект, а некоторая вспомогательная искусственная или естественная система (модель):

1) находящаяся в некотором объективном соответствии с познаваемым объектом;

2) способная замещать его в определенных отношениях;

3) дающая при ее исследовании, в конечном счете, информацию о самом моделируемом объекте.

2. Определение модели по учебнику Советова и Яковлева.

«Модель - это объект-заместитель объекта-оригинала, обеспечивающий изучение некоторых свойств оригинала». «Замещение одного объекта другим с целью получения информации о важнейших свойствах объекта - оригинала с помощью объекта - модели называется моделированием». «Под математическим моделированием будем понимать процесс установления соответствия данному реальному объекту некоторого математического объекта, называемого математической моделью, и исследование этой модели, позволяющее получать характеристики рассматриваемого реального объекта. Вид математической модели зависит как от природы реального объекта, так и от задач исследования объекта и требуемой достоверности и точности решения этой задачи».

3. Определение модели по Самарскому и Михайлову.

Математическая модель - это «эквивалент» объекта, отражающий в математической форме важнейшие его свойства - законы, которым он подчиняется, связи, присущие составляющим его частям, и т.д.» Существует в триадах «модель - алгоритм - программа». «Создав триаду «модель - алгоритм - программа», исследователь получает в руки универсальный, гибкий и недорогой инструмент, который вначале отлаживается, тестируется в пробных вычислительных экспериментах. После того, как адекватность (достаточное соответствие) триады исходному объекту установлена, с моделью проводятся разнообразные и подробные «опыты», дающие все требуемые качественные и количественные свойства и характеристики объекта».

4. Определение модели по монографии Мышкиса.

«Перейдем к общему определению. Пусть мы собираемся исследовать некоторую совокупность свойств реального объекта с помощью математики (здесь термин объект понимается в наиболее широком смысле: объектом может служить не только то, что обычно именуется этим словом, но и любая ситуация, явление, процессии и т.д.). Для этого мы выбираем (как говорят, строим) «математический объект» - систему уравнений, или арифметических соотношений, или геометрических фигур, или комбинацию того и другого и т.д., - исследование которого средствами математики и должно ответить на поставленные вопросы о свойствах . В этих условиях называется математической моделью объекта относительно совокупности его свойств».

5. Определение модели по Севостьянову А.Г.

«Математической моделью называется совокупность математических соотношений, уравнений, неравенств и т.п., описывающих основные закономерности, присущие изучаемому процессу, объекту или системе».

Несколько менее общее определение математической модели, основанное на идеализации «вход - выход - состояние», заимствованной из теории автоматов, дает Wiktionary: «Абстрактное математическое представление процесса, устройства или теоретической идеи; оно использует набор переменных, чтобы представлять входы, выходы и внутренние состояния, а также множества уравнений и неравенств для описания их взаимодействия».

6. Наконец, наиболее лаконичное определение математической модели.

«Уравнение, выражающее идею».

Классификация моделей

1. Формальная классификация моделей.

Формальная классификация моделей основывается на классификации используемых математических средств. Часто строится в форме дихотомий. Например, один из популярных наборов дихотомий:

· Линейные или нелинейные модели;

· Сосредоточенные или распределенные системы;

· Детерминированные или стохастические;

· Статические или динамические;

· Дискретные или непрерывные.

и так далее. Каждая построенная модель является линейной или нелинейной, детерминированной или стохастической. Естественно, что возможны и смешанные типы: в одном отношении сосредоточенные (по части параметров), в другом - распределенные модели и т.д.

2. Классификация по способу представления объекта.

Наряду с формальной классификацией, модели различаются по способу представления объекта:

· Структурные или функциональные модели

Структурные модели представляют объект как систему со своим устройством и механизмом функционирования. Функциональные модели не используют таких представлений и отражают только внешне воспринимаемое поведение (функционирование) объекта. В их предельном выражении они называются также моделями «черного ящика». Возможны также комбинированные типы моделей, которые иногда называют моделями «серого ящика».

3. Содержательные и формальные модели.

Практически все авторы, описывающие процесс математического моделирования, указывают, что сначала строится особая идеальная конструкция, содержательная модель. Устоявшейся терминологии здесь нет, и другие авторы называют этот идеальный объект концептуальная модель, умозрительная модель или предмодель. При этом финальная математическая конструкция называется формальной моделью или просто математической моделью, полученной в результате формализации данной содержательной модели (предмодели). Построение содержательной модели может производиться с помощью набора готовых идеализаций, как в механике, где идеальные пружины, твёрдые тела, идеальные маятники, упругие среды и т.п. дают готовые структурные элементы для содержательного моделирования. Однако в областях знания, где не существует полностью завершенных формализованных теорий (передний край физики, биологии, экономики, социологии, психологии, и большинства других областей), создание содержательных моделей резко усложняется.

4. Содержательная классификация моделей.

В работе Р. Пайерлса дана классификация математических моделей, используемых в физике и, шире, в естественных науках. В книге А.Н. Горбаня и Р.Г. Хлебопроса эта классификация проанализирована и расширена. Эта классификация сфокусирована, в первую очередь, на этапе построения содержательной модели.

Тип 1: Гипотеза (такое могло бы быть)

Эти модели «представляют собой пробное описание явления, причем автор либо верит в его возможность, либо считает даже его истинным». По Р. Пайерлсу это, например, модель Солнечной системы по Птолемею и модель Коперника (усовершенствованная Кеплером), модель атома Резерфорда и модель Большого Взрыва. Никакая гипотеза в науке не бывает доказана раз и навсегда. Очень чётко это сформулировал Ричард Фейнман: «У нас всегда есть возможность опровергнуть теорию, но, обратите внимание, мы никогда не можем доказать, что она правильна. Предположим, что вы выдвинули удачную гипотезу, рассчитали, к чему это ведет, и выяснили, что все ее следствия подтверждаются экспериментально. Значит ли это, что ваша теория правильна? Нет, просто-напросто это значит, что вам не удалось ее опровергнуть».

Если модель первого типа построена, то это означает, что она временно признаётся за истину и можно сконцентрироваться на других проблемах. Однако это не может быть точкой в исследованиях, но только временной паузой: статус модели первого типа может быть только временным.

Тип 2: Феноменологическая модель (ведем себя так, как если бы…)

Феноменологическая модель содержит механизм для описания явления. Однако этот механизм недостаточно убедителен, не может быть достаточно подтвержден имеющимися данными или плохо согласуется с имеющимися теориями и накопленным знанием об объекте. Поэтому феноменологические модели имеют статус временных решений. Считается, что ответ все еще неизвестен, и необходимо продолжить поиск «истинных механизмов». Ко второму типу Пайерлс относит, например, модели теплорода и кварковую модель элементарных частиц.

Роль модели в исследовании может меняться со временем, может случиться так, что новые данные и теории подтвердят феноменологические модели и те будут повышены до статуса гипотезы. Аналогично новое знание может постепенно прийти в противоречие с моделями-гипотезами первого типа, и те могут быть переведены во второй. Так, кварковая модель постепенно переходит в разряд гипотез; атомизм в физике возник как временное решение, но с ходом истории перешел в первый тип. А вот модели эфира проделали путь от типа 1 к типу 2, а сейчас находятся вне науки.

Идея упрощения очень популярна при построении моделей. Но упрощение бывает разным. Пайерлс выделяет три типа упрощений в моделировании.

Тип 3: Приближение (что-то считаем очень большим или очень малым)

Если можно построить уравнения, описывающие исследуемую систему, то это не значит, что их можно решить даже с помощью компьютера. Общепринятый прием в этом случае - использование приближений (моделей типа 3). Среди нихмодели линейного отклика. Уравнения заменяются линейными. Стандартный пример - закон Ома.

Если мы используем модель идеального газа для описания достаточно разреженных газов, то это - модель типа 3 (приближение). При более высоких плотностях газа тоже полезно представлять себе более простую ситуацию с идеальным газом для качественного понимания и оценок, но тогда это уже тип 4.

Тип 4: Упрощение (опустим для ясности некоторые детали)

В модели типа 4 отбрасываются детали, которые могут заметно и не всегда контролируемо повлиять на результат. Одни и те же уравнения могут служить моделью типа 3 (приближение) или 4 (опустим для ясности некоторые детали) - это зависит от явления, для изучения которого используется модель. Так, если модели линейного отклика применяются при отсутствии более сложных моделей (то есть не производится линеаризация нелинейных уравнений, а просто ищутся линейные уравнения, описывающие объект), то это уже феноменологические линейные модели, и относятся они к следующему типу 4 (все нелинейные детали «для ясности» опускаем).

Примеры: применение модели идеального газа к неидеальному, уравнение состояния Ван-дер-Ваальса, большинство моделейфизики твердого тела, жидкостей и ядерной физики. Путь от микроописания к свойствам тел (или сред), состоящих из большого числа частиц, очень длинен. Приходится отбрасывать многие детали. Это приводит к моделям 4-го типа.

Тип 5: Эвристическая модель (количественного подтверждения нет, но модель способствует более глубокому проникновению в суть дела)

Эвристическая модель сохраняет лишь качественное подобие реальности и даёт предсказания только «по порядку величины». Типичный пример - приближение средней длины свободного пробега в кинетической теории. Оно дает простые формулы для коэффициентов вязкости, диффузии, теплопроводности, согласующиеся с реальностью по порядку величины.

Но при построении новой физики далеко не сразу получается модель, дающая хотя бы качественное описание объекта - модель пятого типа. В этом случае часто используют модель по аналогии, отражающую действительность хоть в какой-нибудь черте.

Тип 6: Аналогия (учтём только некоторые особенности)

Р. Пайерлс приводит историю использования аналогий в первой статье В. Гейзенберга о природе ядерных сил. «Это произошло после открытия нейтрона, и хотя сам В. Гейзенберг понимал, что можно описывать ядра состоящими из нейтронов и протонов, он не мог все же избавиться от мысли, что нейтрон должен, в конечном счете, состоять из протона и электрона. При этом возникала аналогия между взаимодействием в системе нейтрон - протон и взаимодействием атома водорода и протоном. Эта-то аналогия и привела его к заключению, что должны существовать обменные силы взаимодействия между нейтроном и протоном, которые аналогичны обменным силам в системе , обусловленным переходом электрона между двумя протонами. … Позднее было все-таки доказано существование обменных сил взаимодействия между нейтроном и протоном, хотя ими не исчерпывалось полностью взаимодействие между двумя частицами… Но, следуя все той же аналогии, В. Гейзенберг пришёл к заключению об отсутствии ядерных сил взаимодействия между двумя протонами и к постулированию отталкивания между двумя нейтронами. Оба последних вывода находятся в противоречии с данными более поздних исследований».

Тип 7: Мысленный эксперимент (главное состоит в опровержении возможности)

А. Эйнштейн был одним из великих мастеров мысленного эксперимента. Вот один из его экспериментов. Он был придуман в юности и, в конце концов, привел к построению специальной теории относительности. Предположим, что в классической физике мы движемся за световой волной со скоростью света. Мы будем наблюдать периодически меняющееся в пространстве и постоянное во времени электромагнитное поле. Согласно уравнениям Максвелла, этого быть не может. Отсюда юный Эйнштейн заключил: либо законы природы меняются при смене системы отсчета, либо скорость света не зависит от системы отсчета. Он выбрал второй - более красивый вариант. Другой знаменитый мысленный эксперимент Эйнштейна - Парадокс Эйнштейна - Подольского - Розена.

А вот и тип 8, широко распространенный в математических моделях биологических систем.

Тип 8: Демонстрация возможности (главное - показать внутреннюю непротиворечивость возможности)

Это тоже мысленные эксперименты с воображаемыми сущностями, демонстрирующие, что предполагаемое явление согласуется с базовыми принципами и внутренне непротиворечиво. В этом основное отличие от моделей типа 7, которые вскрывают скрытые противоречия.

Один из самых знаменитых таких экспериментов - геометрия Лобачевского. (Лобачевский называл ее «воображаемой геометрией»). Другой пример - массовое производство формально - кинетических моделей химических и биологических колебаний, автоволн и др. Парадокс Эйнштейна - Подольского - Розена был задуман как модель 7 типа, для демонстрации противоречивости квантовой механики. Совершенно незапланированным образом он со временем превратился в модель 8 типа - демонстрацию возможности квантовой телепортации информации.

В основе содержательной классификации - этапы, предшествующие математическому анализу и вычислениям. Восемь типов моделей по Р. Пайерлсу суть восемь типов исследовательских позиций при моделировании.

Пример. Рассмотрим механическую систему, состоящую из пружины, закрепленной с одного конца, и груза массой , прикрепленного к свободному концу пружины. Будем считать, что груз может двигаться только в направлении оси пружины (например, движение происходит вдоль стержня). Построим математическую модель этой системы. Будем описывать состояние системы расстоянием от центра груза до его положения равновесия. Опишем взаимодействие пружины и груза с помощью закона Гука (), после чего воспользуемся вторым законом Ньютона, чтобы выразить его в форме дифференциального уравнения (1):

 (1)

где означает вторую производную от по времени: .

Полученное уравнение описывает математическую модель рассмотренной физической системы. Эта модель называется «гармоническим осциллятором».

По формальной классификации эта модель линейная, детерминистская, динамическая, сосредоточенная, непрерывная. В процессе ее построения мы сделали множество допущений (об отсутствии внешних сил, отсутствии трения, малости отклонений и т.д.), которые в реальности могут не выполняться.

По отношению к реальности это, чаще всего, модель типа 4 упрощение («опустим для ясности некоторые детали»), поскольку опущены некоторые существенные универсальные особенности (например, диссипация). В некотором приближении (скажем, пока отклонение груза от равновесия невелико, при малом трении, в течение не слишком большого времени и при соблюдении некоторых других условий), такая модель достаточно хорошо описывает реальную механическую систему, поскольку отброшенные факторы оказывают пренебрежимо малое влияние на ее поведение. Однако модель можно уточнить, приняв во внимание какие-то из этих факторов. Это приведет к новой модели, с более широкой (хотя и снова ограниченной) областью применимости.

Впрочем, при уточнении модели сложность ее математического исследования может существенно возрасти и сделать модель фактически бесполезной. Зачастую более простая модель позволяет лучше и глубже исследовать реальную систему, чем более сложная (и, формально, «более правильная»).

Если применять модель гармонического осциллятора к объектам, далёким от физики, ее содержательный статус может быть другим. Например, при приложении этой модели к биологическим популяциям её следует отнести, скорее всего, к типу 6 аналогия («учтем только некоторые особенности»).

5. Жесткие и мягкие модели.

Гармонический осциллятор - пример так называемой «жесткой» модели. Она получена в результате сильной идеализации реальной физической системы. Для решения вопроса о ее применимости необходимо понять, насколько существенными являются факторы, которыми мы пренебрегли. Иными словами, нужно исследовать «мягкую» модель, получающуюся малым возмущением «жёсткой». Она может задаваться, например, следующим уравнением (2):

(2)

Здесь - некоторая функция, в которой может учитываться сила трения или зависимость коэффициента жесткости пружины от степени ее растяжения, - некоторый малый параметр. Явный вид функции нас в данный момент не интересует. Если мы докажем, что поведение мягкой модели принципиально не отличается от поведения жесткой (вне зависимости от явного вида возмущающих факторов, если они достаточно малы), задача сведется к исследованию жесткой модели. В противном случае применение результатов, полученных при изучении жесткой модели, потребует дополнительных исследований. Например, решением уравнения гармонического осциллятора являются функции вида , то есть колебания с постоянной амплитудой. Следует ли из этого, что реальный осциллятор будет бесконечно долго колебаться с постоянной амплитудой? Нет, поскольку, рассматривая систему со сколь угодно малым трением (всегда присутствующим в реальной системе), мы получим затухающие колебания. Поведение системы качественно изменилось.

Если система сохраняет свое качественное поведение при малом возмущении, говорят, что она структурно устойчива. Гармонический осциллятор - пример структурно-неустойчивой (негрубой) системы. Тем не менее, эту модель можно применять для изучения процессов на ограниченных промежутках времени.

6. Универсальность моделей.

Важнейшие математические модели обычно обладают важным свойством универсальности: принципиально разные реальные явления могут описываться одной и той же математической моделью. Скажем, гармонический осциллятор описывает не только поведение груза на пружине, но и другие колебательные процессы, зачастую имеющие совершенно иную природу: малые колебания маятника, колебания уровня жидкости в -образном сосуде или изменение силы тока в колебательном контуре. Таким образом, изучая одну математическую модель, мы изучаем сразу целый класс описываемых ею явлений. Именно этот изоморфизм законов, выражаемых математическими моделями в различных сегментах научного знания, подвиг Людвига фон Берталанфи на создание «Общей теории систем».

1.3 Прямая и обратная задачи математического моделирования

компьютерный моделирование математический

Существует множество задач, связанных с математическим моделированием. Во-первых, надо придумать основную схему моделируемого объекта, воспроизвести его в рамках идеализаций данной науки. Так, вагон поезда превращается в систему пластин и более сложных тел из разных материалов, каждый материал задается как его стандартная механическая идеализация (плотность, модули упругости, стандартные прочностные характеристики), после чего составляются уравнения, по дороге какие-то детали отбрасываются как несущественные, производятся расчёты, сравниваются с измерениями, модель уточняется, и так далее. Однако для разработки технологий математического моделирования полезно разобрать этот процесс на основные составные элементы.

Традиционно выделяют два основных класса задач, связанных с математическими моделями: прямые и обратные.

Прямая задача.

Структура модели и все ее параметры считаются известными, главная задача - провести исследование модели для извлечения полезного знания об объекте. Какую статическую нагрузку выдержит мост? Как он будет реагировать на динамическую нагрузку (например, на марш роты солдат, или на прохождение поезда на различной скорости), как самолет преодолеет звуковой барьер, не развалится ли он от флаттера, - вот типичные примеры прямой задачи. Постановка правильной прямой задачи (задание правильного вопроса) требует специального мастерства. Если не заданы правильные вопросы, то мост может обрушиться, даже если была построена хорошая модель для его поведения. Так, в 1879 г. в Великобритании обрушился металлический мост через реку Тей, конструкторы которого построили модель моста, рассчитали его на 20-кратный запас прочности на действие полезной нагрузки, но забыли о постоянно дующих в тех местах ветрах. И через полтора года он рухнул.

В простейшем случае (одно уравнение осциллятора, например) прямая задача очень проста и сводится к явному решению этого уравнения.

Обратная задача.

Известно множество возможных моделей, надо выбрать конкретную модель на основании дополнительных данных об объекте. Чаще всего структура модели известна, и необходимо определить некоторые неизвестные параметры. Дополнительная информация может состоять в дополнительных эмпирических данных, или в требованиях к объекту (задача проектирования). Дополнительные данные могут поступать независимо от процесса решения обратной задачи (пассивное наблюдение) или быть результатом специально планируемого в ходе решения эксперимента (активное наблюдение).

Одним из первых примеров виртуозного решения обратной задачи с максимально полным использованием доступных данных был построенный И. Ньютоном метод восстановления сил трения по наблюдаемым затухающим колебаниям.

В качестве другого примера можно привести математическую статистику. Задача этой науки - разработка методов регистрации, описания и анализа данных наблюдений и экспериментов с целью построения вероятностных моделей массовых случайных явлений. Т.е. множество возможных моделей ограничено вероятностными моделями. В конкретных задачах множество моделей ограничено сильнее.

1.4 Компьютерные системы моделирования

Для поддержки математического моделирования разработаны системы компьютерной математики, например, Maple, Mathematica, Mathcad, MATLAB, VisSim и др. Они позволяют создавать формальные и блочные модели как простых, так и сложных процессов и устройств и легко менять параметры моделей в ходе моделирования. Блочные модели представлены блоками (чаще всего графическими), набор и соединение которых задаются диаграммой модели.

Дополнительные примеры

Модель Мальтуса

Скорость роста пропорциональна текущему размеру популяции. Она описывается дифференциальным уравнением(2)

(2)

где - некоторый параметр, определяемый разностью между рождаемостью и смертностью. Решением этого уравнения является экспоненциальная функция . Если рождаемость превосходит смертность (), размер популяции неограниченно и очень быстро возрастает. Понятно, что в действительности этого не может происходить из-за ограниченности ресурсов. При достижении некоторого критического объема популяции модель перестает быть адекватной, поскольку не учитывает ограниченность ресурсов. Уточнением модели Мальтуса может служить логистическая модель, которая описывается дифференциальным уравнением Ферхюльста (3)

(3)

где - «равновесный» размер популяции, при котором рождаемость в точности компенсируется смертностью. Размер популяции в такой модели стремится к равновесному значению , причем такое поведение структурно устойчиво.

Система хищник-жертва

Допустим, что на некоторой территории обитают два вида животных: кролики (питающиеся растениями) и лисы (питающиеся кроликами). Пусть число кроликов , число лис . Используя модель Мальтуса с необходимыми поправками, учитывающими поедание кроликов лисами, приходим к следующей системе, носящей имя модели Лотки - Вольтерра (4)

(4)

Эта система имеет равновесное состояние, когда число кроликов и лис постоянно. Отклонение от этого состояния приводит к колебаниям численности кроликов и лис, аналогичным колебаниям гармонического осциллятора. Как и в случае гармонического осциллятора, это поведение не является структурно устойчивым: малое изменение модели (например, учитывающее ограниченность ресурсов, необходимых кроликам) может привести к качественному изменению поведения. Например, равновесное состояние может стать устойчивым, и колебания численности будут затухать. Возможна и противоположная ситуация, когда любое малое отклонение от положения равновесия приведет к катастрофическим последствиям, вплоть до полного вымирания одного из видов. На вопрос о том, какой из этих сценариев реализуется, модель Вольтерра - Лотки ответа не дает: здесь требуются дополнительные исследования.

2. Вычислительный эксперимент

2.1 История вычислительного эксперимента

Во многих важных областях исследований натурный эксперимент невозможен, потому что он либо запрещен (например, при изучении здоровья человека), либо слишком опасен (например, при изучении экологических явлений), либо просто неосуществим (например, при изучении астрофизических явлений).

Вычислительный эксперимент в отличие от натурных экспериментальных установок позволяет накапливать результаты, полученные при исследовании какого-либо круга задач, а затем быстро и гибко применять их к решению задач в совершенно других областях. Этим свойством обладают используемые универсальные математические модели. Например, уравнение нелинейной теплопроводности пригодно для описания не только тепловых процессов, но и диффузии вещества, движения грунтовых вод, фильтрации газа в пористых средах. Изменяется только физический смысл величин, входящих в это уравнение.

Проведение вычислительного эксперимента можно условно разделить на два этапа. После первого этапа вычислительного эксперимента, если надо, модель уточняется как в направлении ее усложнения (учет дополнительных эффектов и связей в изучаемом явлении), так и упрощения (выяснение, какими закономерностями и связями в изучаемом явлении можно пренебречь). На последующих этапах цикл вычислительного эксперимента повторяется до тех пор, пока исследователь не убеждается, что модель адекватна тому объекту, для которого она составлена.

Информационные технологии, поддерживающие вычислительный эксперимент, включают в себя методы построения математических моделей силами конечных пользователей информационных систем (специалистов в своей предметной области, а не профессиональных математиков и программистов), информационную поддержку их деятельности для поиска и выбора алгоритмов и программ численного решения задач, методы и средства контроля точности производимых вычислений и правильности работы применяемых программ. При проведении вычислительного эксперимента исследователь может с помощью пользовательского интерфейса «играть» на модели, ставя интересующие его вопросы и получая ответы. Таким образом, исследователь получает мощный инструмент для анализа и прогноза поведения сложных нелинейных многопараметрических объектов и явлений, изучение которых традиционными методами затруднено или вообще невозможно.

Пора «младенчества» технологии вычислительного эксперимента приходится на 50-е годы XX века.

Дата появления первых серьезных результатов вычислительного эксперимента в СССР зафиксирована вполне официально - 1968 год, когда Госкомитет СССР по делам открытий и изобретений засвидетельствовал открытие явления, которого на самом деле никто не наблюдал. Это было открытие, так называемого, эффекта Т-слоя (температурного токового слоя в плазме, которая образуется в МГД-генераторах). Свидетельство на это открытие было выдано академикам А.Н. Тихонову и А.А. Самарскому, члену-корреспонденту АН СССР С.П. Курдюмову, докторам физико-математических наук П.П. Волосевичу, Л.М. Дегтяреву, Л.А. Заклязьминскому, Ю.П. Попову (ныне директору ИПМ им. М.В. Келдыша РАН), В.С. Соколову и А.П. Фаворскому. В данном случае вычислительный эксперимент предшествовал натурному. Натурные эксперименты «заказывались» по результатам математического моделирования. Через несколько лет в трех физических лабораториях на разных экспериментальных установках практически одновременно был надежно зарегистрирован Т-слой, после чего технологам и инженерам стал окончательно ясен принцип работы МГД-генератора с Т-слоем.

Плазма с ее нелинейными свойствами стала одним из важнейших объектов математического моделирования и вычислительного эксперимента. Заманчивая перспектива решения энергетической проблемы связана с управляемым термоядерным синтезом изотопов водорода, дейтерия и трития. Энергетическая проблема для человечества заключается в том, что нефти и газа при нынешнем темпе их потребления хватит всего на несколько десятков лет. А сжигать столь ценное химическое сырье в топках электростанций и двигателях внутреннего сгорания - это, по образному выражению Д.И. Менделеева, «почти все равно, что топить печь ассигнациями». С запасами угля дело обстоит гораздо лучше, но его добыча с каждым годом становится все труднее. Выходом может быть лазерный термоядерный управляемый синтез, исследование которого осуществляется с помощью вычислительного эксперимента. В 1974 г. коллектив сотрудников ФИАН и ИПМ АН СССР под руководством академиков Н.Г. Басова, А.Н. Тихонова и А.А. Самарского предложил принципиально новую концепцию лазерного термоядерного синтеза на основе результатов вычислительного эксперимента.

Еще одна область использования вычислительного эксперимента - это «вычислительная технология» - применение математического моделирования с помощью компьютеров не только для решения фундаментальных научных проблем, но и для разработки технологических процессов в промышленности. Для тех случаев, когда технологические процессы описываются хорошо известными математическими моделями, для расчета которых предложены эффективные вычислительные алгоритмы, разработаны пакеты прикладных программ, технология вычислительного эксперимента позволяет создавать новые программы и совершенствовать средства общения человека с компьютером. У технологов есть потребность в изучении новых промышленных технологий, например лазерно-плазменной обработки материалов (плазменной термохимии).

Основатель нобелевских премий Альфред Нобель, как известно, исключил математику из числа наук, за достижения в которых присуждается эта высшая научная награда. Вместе с тем, современное математическое моделирование охватывает области исследований, до недавнего времени недоступные математике. В последние годы ряд Нобелевских премий по химии, медицине, экономике, физике элементарных частиц были присуждены работам, методологическую основу которых составляло математическое моделирование.

Например, для дальнейшего исследования нелинейных процессов в микромире были разработаны соответствующие численные методы с применением компьютеров и компьютерных сетей (сетевых grid - технологий), ориентированные на решение задач физики элементарных частиц. Алгоритмы квантово-механических расчетов прогрессируют не менее быстрыми темпами, чем в других областях вычислительной математики.

Биология во многом остается экспериментальной и описательной дисциплиной, а история математического моделирования биологических процессов вряд ли насчитывает более 20 лет. И все-таки уже можно назвать биологические задачи, для которых вычислительный эксперимент становится определяющей методологией.

Математическое моделирование и вычислительный эксперимент - ведущие методологии изучения глобальных моделей процессов и явлений на Земле, например климата Земли. Проведение работ по глобальному моделированию стимулировалось деятельностью Римского клуба, неправительственной организации. Первую из таких моделей опубликовал в 1971 г. американский специалист по теории управления Д. Форрестер.

Компьютерные игры, проведенные Д. Форрестером с глобальной моделью, показали, что в середине ХХI века человечество ждет кризис, связанный прежде всего с истощением природных ресурсов, падением численности населения и производства продуктов, ростом загрязнения окружающей среды.

Известны результаты глобального моделирования явления «ядерной зимы», выполненные в ВЦ АН СССР В.В. Александровым и Г.Л. Стенчиковым под руководством академика Н.Н. Моисеева. Эти результаты дали человечеству, в том числе политикам, неопровержимые аргументы против ядерной войны, даже так называемой «ограниченной ядерной войны».

Для математического моделирования и вычислительного эксперимента использовались, главным образом, универсальные цифровые вычислительные машины, доступные коллективам исследователей. В СССР в 70-80-х годах прошлого века это были БЭСМ-6 и модели ЕС ЭВМ, для которых разрабатывались библиотеки и пакеты прикладных программ вычислительной математики. С появлением персональных компьютеров стало возможно развитие информационной технологии вычислительного эксперимента, которая предусматривает поддержку пользовательского интерфейса и поиска нужных алгоритмов и программ с помощью персональных компьютеров (отечественного производства или импортных), а проведение расчетов на математических моделях - с помощью высокопроизводительных компьютеров БЭСМ-6, ЕС ЭВМ или суперкомпьютеров «Эльбрус».

Потребности вычислительного эксперимента при изучении явлений в наиболее сложных областях науки, таких, как проблемы физики элементарных частиц, молекулярной биологии (например, геном человека), геофизики (в частности, физики атмосферы) и др., оказались связанными с необходимостью обеспечить предельно возможные вычислительные мощности. Выход был найден в коллективном использовании вычислительных мощностей, доступных исследователям через компьютерные сети. В развитии так называемых grid-технологий, разрабатываемых мировым сообществом в настоящее время, участвуют и ведущие научные институты России: Объединенный институт ядерных исследований (г. Дубна), Научно-исследовательский институт ядерной физики МГУ, Институт физики высоких энергий РАН (г. Протвино), Институт биофизики РАН (г. Пущино), Институт прикладной математики им. М.В. Келдыша РАН и др. Идея организации распределенных вычислений в гетерогенной сетевой среде, называемая метакомпьютингом, образно выражается метафорой «grid (сеть)». Подобно тому, как мы подключаем к электросети бытовые приборы, не задумываясь об устройстве этой электросети, сетевые grid - технологии призваны предоставить исследователям требуемые вычислительные мощности как разделяемые ресурсы. В Европе такой сетью должна стать Data Grid, к которой будет подключен и российский сегмент.

2.2 Основные принципы вычислительного эксперимента

Современный смысл понятие «математическое моделирование» (ММ) приобрело в конце 40-х - начале 50-х годов XX столетия и, действительно, это связано с появлением ЭВМ (компьютеров), что обусловило бурный рост развития и внедрения методологии математического моделирования в различные сферы научной, образовательной и других видов деятельности.

Однако существует и вторая причина такого активного роста развития моделирования, не относящая к области научно - технических достижений. Это беспрецедентный социальный заказ - выполнение национальных программ СССР и США по созданию ракетно - ядерного щита, которые не могли быть реализованы традиционными способами. ММ справилось с этой задачей - ядерные взрывы и полеты ракет и спутников были вначале «осуществлены» в недрах ЭВМ с помощью математических моделей и лишь затем внедрены на практике.

На современном этапе развития информационных технологий, включающего значительный прогресс средств переработки, передачи и хранения информации, проникновения их во все сферы жизни, математическое моделирование переживает очередную ступень своего формирования, «встраиваясь» в структуру информационного общества. Наличия информации, как таковой, зачастую недостаточно для анализа ситуации, принятия управленческих решений и контроля их исполнения. Необходимы адекватные и надежные способы обработки информации. История развития методологии математического моделирования показывает - именно она предоставляет такие способы, становясь, тем самым, интеллектуальным ядром информационных технологий, процесса информатизации общества.

Технические, экономические, экологические, социально-политические и иные системы, изучаемые современной наукой, больше не поддаются исследованиям в нужной полноте и точности обычными теоретическими методами. Прямой натурный эксперимент, как правило, дорого стоит, занимает много времени, а, зачастую, просто невозможен. Цена ошибок и просчетов в обращении со многими реальными объектами недопустима высока. Поэтому математическое или, в более широком смысле, информационное моделирование, является неизбежной составляющей научно-технического прогресса.

Большой вклад в развитие теории математического моделирования внес академик РАН А.А. Самарский, который является одним из основоположников вычислительной математики и математического моделирования в нашей стране, создателем ведущей школы в области математического моделирования, почетным доктором Ростовского государственного университета.

А.А. Самарскому принадлежит формулировка триады МОДЕЛЬ - АЛГОРИТМ - ПРОГРАММА, показанная на рисунке 1, определяющей четкий план действий использования методов математического моделирования.



Рисунок 1. - Триада МОДЕЛЬ - АЛГОРИТМ - ПРОГРАММА

Процесс математического моделирования можно условно разбить на три этапа «модель - алгоритм - программа».

Выбор или построение «эквивалента» объекта, отражающего в математической форме важнейшие его свойства - законы, которым он подчиняется, связи, присущие составляющим его частям и т.д.

Выбор (или разработка) алгоритма для реализации модели на компьютере

Создание программ, «переводящих» модель и алгоритм на доступный компьютеру язык

После установления адекватности триады исходному объекту с моделью проводятся разнообразные «опыты» - вычислительные эксперименты, дающие все требуемые качественные и количественные свойства и характеристики объекта. Вычислительный эксперимент предназначен для изучения, прогнозирования, оптимизации сложных многопараметрических нелинейных процессов, теоретическое и экспериментальное исследование которых традиционными методами затруднено.

...