DVA215 INFORMATION - KUNSKAP - VETENSKAP

Transkript

1 DVA215 INFORMATION - KUNSKAP - VETENSKAP GRUNDLÄGGANDE VETENSKAPSTEORI Modell och verklighet. Struktur och relation Gordana Dodig-Crnkovic Akademin för innovation, design och teknik, Mälardalens högskola 1

2 KUNSKAPSGENERATION: VÄRLDEN SOM INFORMATION FÖR EN AGENT Bilden från: 2

3 Barnet föds med nervsystemet och hjärnan och förmågan att ta olika intryck från världen. LÄRAN DE OC CH KU NSKA AP // xeikurakin n.org/ Hebbs teori: "celler som avfyras tillsammans, sammankopplas" (eng. "cells that fire toghether, wire togher"). 3

4 INFORMATIONSNÄTVERK ORGANISMER MÄNNISKAN SOCIALA GRUPPER CELLER EKOLOGIER MOLEKYLER PLANETSYSTEM ATOMER GALAXER ELEMENTÄRA PARTIKLAR UNIVERSUM 4

5 MODELLER STRUKTUR, RELATION OCH ANVÄNDNING Baserat på: Torbjörn Lundh och Philip Gerlee Vetenskapliga modeller: svarta lådor, röda atomer och vita lögner 5

6 MODELLBEGREPPET En modell är en tolkningsbar beskrivning av ett fenomen som ger oss tillgång till det fenomenet. (Daniela Bailer- Jones) [Modeller är] fysiska eller mentala system som man anser återspegla väsentliga egenskaper hos de fenomen som man studerar. (Sven Ove Hansson) en vanlig utgångspunkt är att se vetenskapliga modeller som representationer av olika företeelser i verkligheten. (Bo Sellerstedt) 6

7 I själva verket kan man, om detta dras till sin logiska spets, tänka sig att vad som helst kan vara modell för vad som helst annat i världen. (M. Wartofsky) Giuseppe Arcimboldo

8 MODELLEN SOM GRÄNSSNITTET MELLAN AGENTEN OCH VERKLIGHETEN/FYSISKA VÄRLDEN/FENOMENET agent agent modell agent fenomen Omarbetat från: 8

9 MODELLTAXONOMI 1 Konceptuella modeller (exempelvis växthuseffekten: gaserna i en planets atmosfär blockerar den utgående värmestrålningen från planetens yta och leder till uppvärmning. ) Ikoniska modeller (såsom skalmodeller, bildliga modeller och ritningar) Analoga modeller (uppstår genom analogi med ett känt system, t.ex. atom modellerad med elektroner som planetsystem). System som studeras jämförs med ett system med känd dynamik, och samma dynamik antas gälla. 9

10 MODELLTAXONOMI 2 Symboliska modeller (symboler används att beskriva fenomen t.ex. matematiska modeller som används av ekvationer) Statistiska modeller (en delmängd av symboliska modeller som använder sig av matematiska verktyg från sannolikhetsläran. 10

11 MODELLTAXONOMI 3 Fenomenologiska modeller (svarta lådor där interna mekanismerna är ointressanta som en modell för befolkningsdynamik använt på tillväxt av celler) Ett felaktigt exempel från boken är modell av hjärnan som beräkningsmaskin. Detta är inte en fenomenologisk modell om beräkningar antas vara av mer generell typ än Turing maskin natural computing. Human Brain Project Gordana s tillägg Simuleringar (exekverbara modeller) Generativa modeller (t.ex. cellular automata modeller) 11

12 FENOMEN, TEORI OCH MODELL 1 Fysiker söker Grand Unified Theory en teori som kan förklara så mycket av verkligheten som möjligt. Modellen är alltid en förenkling. En karta som vore 1:1 vore värdelös. äd Modeller har ett syfte och vill belysa aspekter av verkligheten/fenomen. En teori brukar inom vetenskapsteori sägas vara en uppsättning påståenden i form av matematiska ekvationer eller som meningar i vanligt språk, ur vilka man kan härleda påståenden som alltid är sanna i det system som teori beskriver. 12

13 FENOMEN, TEORI OCH MODELL 2 Mer generellt kan en teori sägas bestå av en samling koncept och observerbara fenomen tillsammans med regler eller lagar som beskriver hur observationer av fenomen relaterar till koncepten. Teori kan sägas ge ett ramverk med vilket modeller för specifika fenomen eller system kan konstrueras. Modeller ofta används som hjälpmedel för att undersöka fenomen Modeller används för att bilda teorier 13

14 TEORI ELLER MODELL? Ibland är de förvillande lika, och vad som klassas som modell eller teori varierar. Standardmodellen inom fysiken som beskriver växelverkan mellan olika elementärpartiklar tikl har en form och innehåll av en teori, trots sitt namn. 14

15 TEORIER Teorier har följande egenskaper: 1. Korrekthet 2. Fullständighet 3. Generalitet 4. Enkelhet Nancy Cartwright påstår att teorier inte säger oss något (konkret) om verkligheten just för att de är så abstrakta. (Eller mellan teori och verklighet står modellen som gör kopplingen mellan det abstrakta och det konkreta.) 15

16 MODELLER Modeller, enligt boken, ska vara: 1. Korrekta eller felaktiga 2. Ofullständiga 3. Specifika (mer eller mindre, beroende av typ) 4. Enkla eller komplicerade För att kunna tolka utfallet i ett experiment behöver vi en modell för experiment. Informationsteoretiska aspekter av modeller kopplingen mellan olika informationsnätverk. 16

17 MODELLER Validering handlar om att bygga rätt modell Verifiering handlar om att bygga modellen rätt Prediktiva vs. Förklaringsmodeller Modellen är bron mellan fenomen och teori Rådata måste behandlas Fenomenet styr vilka delar av teorin man använder sig av och vilka approximationer och förenklingar som är rimliga. Teorin definierar vilka slags entiteter, storheter och växelverkningar mellan dessa som modellen kan innehålla. 17

18 KONSTRUKTION OCH BRUKET AV MODELLER Rådata Data Experiment Modell Teori Definition och begränsning Fenomen 18

19 SIMULERINGAR När relationerna mellan olika variabler eller matematiska modeller är så komplicerade att det är svårt att undersöka systemets beteende används simuleringar Ett typiskt exempel: meteorologiska modeller, klimatmodeller eller modeller av andra komplexa system som biologiska och sociala system Datordrivna simuleringar används för att studera dynamiska förlopp (beteenden) Används ofta i kombination med analytiska modeller för att kunna göra parameterstudier 19

20 PARAMETRAR Parametrar bestämmer vissa egenskaper hos entiteter eller styrkan av växelverkan mellan entiteter i modellen. En viktig del av modelleringen består i att undersöka hur känslig modellen är för förändringar i parametrarna känslighetsanalys eller robusthetsanalys. När man jämför värdena med experiment, krävs det ytterligare en modell en modell för experimentet. 20

21 MODELLER ÄR ALLTID APPROXIMATIVA All models are wrong, but some are useful. Box, G. Typer av modellfel : 1. Begränsad tillämpbarhet. 2. Idealiseringar och förenklingar som inte finns i verkligheten. 3. Ofullständighet (modellen utelämnar viktiga processer, egenskaper eller beståndsdelar i fenomenet). 4. Antaganden om existensen av beståndsdelar, processer eller egenskaper som inte finns i verkligheten. 5. En modell kan ge felaktiga förutsägelser. 21

22 PÅ VILKET SÄTT KAN EN FELAKTIG MODELL VARA ANVÄNDBAR? 1. Den kan fungera som en startpunkt för en serie av mer komplexa och verklighetstrogna modeller 2. Den kan leda oss in på nya tankebanor om vilka mekanismer som verkar i systemet 3. En modell som ger förutsägelser som avviker från experimentella data kan ge oss möjlighet att uppskatta storleken av parametrar som inte är inkluderade. 4. En enklare modell ger oss möjlighet att studera mekanismer 5. Två modeller med extrema antaganden kan ringa in fenomenet 6. En uppsättning med olika felaktiga modeller kan visa vilka egenskaper hos systemet som är robusta och dyker upp i alla modeller och är oberoende av antaganden. 22

23 MODELLENS ANVÄNDBARHET Användbarhet Begriplighet Komplexitet Komplexitet 23

24 MODELLENS BEGRIPLIGHET VS. PREDIKTIONSKRAFT Be egriplighet II B A III I C IV Prediktionskraft 24

25 GENERALITET OCH MÅNGFALD Generalitet: Är man intresserar av att bota en sjukdom, t.ex. vill man inte skapa modellen för en specifik människa (inte än!) utan för en medelmänniska (modellmänniska!) Man vill inte heller skapa en modell av alla sjukdomar utan just specifika sjukdomen man vill bota (Men, naturligtvis i en sociologisk studie där man undersöker beteende av sjuka människor kan man modellera en sjuk människa i största allmänhet. Alltså är modeller alltid skapade för ett syfte och beroende av sitt syfte.) 25

26 GENERALITET OCH MÅNGFALD Generella studier av olika fenomen: von Neumanns modell av självreplikation Man kan se modeller som verktyg eller som olika språk Exempel på två olika modeller av slemsvamp (slime mold, Dictyostelium discoideum): p Simulering Keller-Segel modellen partiell differentialekvation (reactiondifusion model of population dynamics) 26

27 FAROR MED MODELLERING Modeller kan feltolkas och även medvetet missbrukas för att rättfärdiga vissa i förväg bestämda uppfattningar (speciellt ökänd är missbruk av statistiska modeller) Ofta har modeller en rad viktiga antaganden som begränsar deras giltighetsområde. Man måste vara välmedveten om vilka antaganden modellen förutsätter för att kunna använda modellen rätt. Till exempel kan en modell som är avsedd att göra förutsägelser på korta tidsskalor användas för att göra prediktioner mycket längre in i framtiden, eller så kan det röra sig om en modell som är giltig i ett visst parameterområde och vars approximationer inte är giltiga annars. 27

28 FAROR MED MODELLERING En annan fara med modeller är att de kan uppfattas inte som förenklade representationer utan som verkligheten själv. Detta blir ett ökade problem i simuleringar med verklighetstrogna grafiska interface där man luras till att tro att man sysslar med verkligheten och inte med modellen. Användning av modeller är alltid en fråga om avvägning av alternativ. Är alternativet ren gissning då är modellen vanligtvis att föredra för den inför struktur och begränsningar och kan utgöra ett verktig för fortsatta förbättrade studier, som i frågan om klimatmodeller. 28

29 DEN VETENSKAPLIGA METODEN BEFINTLIGA TEORIER OCH OBSERVATIONER Induktion - deduktion, analogi, intuition... HYPOTES Deduktion 1 Hypotesen Hypotesen måste justeras URVAL MELLAN KONKURRERANDE TEORIER Den offentliga, forskarsamhälleliga cykeln 6 Hypotesen måste omarbetas radikalt 2 Överensstämmelse uppnådd BEFINTLIG TEORI BEKRÄFTAD (i en ny kontext) eller NY TEORI PUBLICERAD 5 måste justeras TESTER OCH NYA OBSERVATIONER 4 FÖRUTSÄGELSER 3 Den hypotetisktdeduktiva cykeln BASERAD PÅ MODELLER 29

30 MODELLERING INOM DET RÅDANDE EVOLUTIONÄRA PARADIGMET Paradigm: An overall framework, pattern or premises to which subsequent evidence is made to conform. 30

31 EVOLUTION, INTENTIONALITY AND INFORMATION Conference: University of Bristol, May 2013 The key questions to be discussed are: Is the use of intentional and strategic concepts in evolutionary biology useful? Is it dispensable? It is ever harmful or misleading? Is the use of informational concepts in evolutionary biology useful? Is it dispensable? Is is ever harmful or misleading? What is the relation, if any, between the use of intentional, strategic and informational concepts in evolutionary biology, and the actual evolution of intentionality, strategic behaviour and information-processing? 31

32 EVOLUTION SOM ETT PARADIGM AV PROCESS SOM ÖKAR KOMPLEXITET Complexity as a new global paradigm is shared by a large part of the scientific community. Complexity clearly fulfills one of the basic premises of a paradigm in the sense of Kuhn by constituting a new way to pose and solve a set of problems in a certain scientific area. It represents a radical shift of perspective with respect to previously prevailing ideas with emphasis on probabilistic views, lack of predictability, information processing, evolution, and adaptation. Evolution in Physics - development of the universe from the Big Bang until now, Chemistry increasing complexity of chemical compounds, Biology, History, 32

33 EVOLUTION I BIOLOGI "This year was not marked by any of those striking discoveries which at once revolutionize science (Thomas Bell, president of the Linnean Society of London, summarizing the year 1858, the year in which Darwin had presented his theory of evolution to the Society) 33

34 KORT HISTORIK AV BIOLOGI 1859: CHARLES DARWIN EVOLUTION = VARIATION+SELECTION 1865: GREGOR MENDEL UNITS OF TRANSMISSION OF TRAITS 1920S: POPULATION GENETICS (PROBABILITIES) 1940S: MODERN SYNTHESIS(VARIATION=MUTATION) 1944: DNA 1953: GENETIC CODE 1960S: TRANSLATION OF FOUR-LETTER GENETIC CODE INTO TWENTY-LETTER LANGUAGE OF PROTEINS 2000s: HUMAN GENOME - completion of the human genetic sequence 34

35 DESIGN UTAN DESIGNER THE EVOLUTIONARY PARADIGM: SELECTION AND VARIATION (I.E. ENVIRONMENT AND RANDOMNESS) DESIGN EMERGES SPONTANEOUSLY VIA AN ALGORITHMIC PROCESS 35

36 EVOLUTIONENS MÅNGA FORMER Evolution: change over time. Biological Evolution: the change in the frequency of genetic variations (alleles) in a population of organisms over time. The Evolutionary Paradigm: the origin and nature of the universe are products of natural forces. 36

37 VARFÖR ANVÄNDA EVOLUTION SOM MODELL FÖR ATT LÖSA BERÄKNINGSPROBLEM? 37

38 BERÄKNINGSPROBLEM OCH DERAS EGENSKAPER Require algorithm to be adaptive or to construct original solution (e.g. interfaces that must adapt) Require search through many possibilities to find a solution (e.g. search through sets of rules for one set that best predicts the ups and downs of the financial markets) Search space too big - search won t return within our lifetimes These types of problems are better solved using a parallel approach 38

39 Evolutionen har visat sig vara en bra modell för att lösa vissa klasser av problem (1) Evolution is in effect a method of searching for the best (optimal) solution from a great number of possibilities Possibilities - all individuals Best solution - the most fit or well-adapted individual Evolution is a parallel process Testing and changing of numerous species and individuals occur at the same time (or, in parallel) 39

40 Evolutionen har visat sig vara en bra modell för att lösa vissa klasser av problem (2) Evolution can be seen as a method that designs new (original) i solutions to a changing environment 40

41 När använda evolutionära beräkningsstrategier? When space to be searched is large When the best solution is not necessarily required Approach to solving a problem not well-understood Problems with many parameters that need to be simultaneously optimized Problems that are difficult to describe mathematically 41

42 Evolutionär robotik och Alife Evolutionary Robotics (ER) is a methodology that uses evolutionary computation to develop controllers for autonomous robots. Algorithms in ER frequently operate on populations of candidate controllers, initially selected from some distribution. This population is then repeatedly modified according to a fitness function. In the case of genetic algorithms (or "GAs"),") a common method in evolutionary computation, the population of candidate controllers is repeatedly grown according to crossover, mutation and other GA operators and then culled according to the fitness function. Artificial life (commonly Alife or alife) is a field of study and an associated art form which h examine systems related to life, its processes, and its evolution through simulations using computer models, robotics, and biochemistry. Wikipedia Se även: synthetic ti life, morphological l computing, synthetic ti morphology 42