datasimulering

Basert på kunnskap om et system kan man lage en matematisk modell av systemet. Den matematiske modellen består av ligninger som beskriver hvordan egenskapene til systemet endrer seg som resultat av endringer i ulike betingelser (modellparametere). Modellene beskriver sammenhenger mellom ulike komponenter i systemet, for eksempel mellom fysiske størrelser eller kjemiske forbindelser. Betingelsene eller modellparametrene kan for eksempel være mengden av en gitt komponent, eller hvor raskt en gitt prosess, for eksempel en kjemisk reaksjon, skjer.

Matematiske modeller som beskriver komplekse prosesser som værfenomener, industrielle, fysiske eller biologiske prosesser, inneholder gjerne et stort antall ligninger som er bundet sammen i et nettverk hvor de gjensidig påvirker hverandre. Slike matematiske ligningssystemer er umulige å løse uten hjelp av datamaskiner.

• Les mer om matematiske modeller.

For å kunne utføre datasimuleringer med de matematiske modellene blir ligningssystemene programmert om til dataprogrammer. Når man setter inn ulike konkrete verdier for modellparametrene, kan en datamaskin regne seg fram til en løsning ved hjelp av numeriske metoder og optimering. Ved å prøve ut mange ulike verdier for modellparametrene kan man effektivt teste mange ulike scenarioer. Dermed kan man forutsi utfall, utforske komplekse prosesser og senke behovet for å måtte utføre kostbare eller vanskelige eksperimenter i praksis.

Kvaliteten på resultatene avhenger av hvor realistiske de underliggende matematiske modellene og antakelsene er. Det er derfor viktig å sammenligne resultatene fra simuleringene med målte, eksperimentelle data og observasjoner for å sikre pålitelige resultater. Den siste tidens økning i tilgangen på datakraft, sammen med den raske utviklingen innen metodikk for dataanalyse og maskinlæring, har gjort det mulig å teste modellene og sammenligne resultatene med målte data i mye større skala enn det som var mulig tidligere. Det utvikles derfor hele tiden mer nøyaktige og effektive simuleringsmodeller, noe som gjør dem til et stadig viktigere verktøy for beslutningsstøtte, innovasjon og forskning.

Simuleringer som beskriver systemer med høy grad av nøyaktighet, er ofte forbundet med store beregningskostnader (behov for mye datakraft), særlig for problemer som ikke er lineære og for problemer som innebærer flere ulike skalaer, for eksempel turbulent strømning og simulering av biologiske systemer over flere ulike nivåer (for eksempel celle, vev og organ). Dette har økt interessen for maskinlæringsbaserte metoder som et supplement til tradisjonelle simuleringsmetoder.

Maskinlæringsmodeller kan trenes på data fra simuleringer og brukes som såkalte surrogatmodeller (også kalt metamodeller). Slike maskinlæringsmodeller er også matematiske modeller, men de er datadrevne og har vanligvis en mye enklere oppbygning enn de teoridrevne modellene som gir opphav til de simulerte dataene. De kan likevel gi prediksjoner av utfallet med akseptabel nøyaktighet, med mye lavere beregningskostnad enn de teoridrevne matematiske modellene. Dermed kan man senke antallet kostbare og tidkrevende beregninger som trengs for å utforske et gitt antall scenarier.

Slike metamodeller kan også brukes til å analysere hvilke delprosesser som har mest å si for utfallet. Dette kalles sensitivitetsanalyse, og er viktig både for å øke forståelsen av det systemet som modelleres, og for å kunne finne ut hvilke eksperimentelle målinger man bør gjøre for å teste hvor godt modellen representerer det virkelige systemet.

Maskinlæring brukes også til å tilpasse simuleringsmodellene til målte data, det vil si til å finne de parameterverdiene som gjør at simuleringsmodellene produserer resultater som samsvarer med det man kan måle eller observere i virkeligheten.

I ingeniørfag kan datasimuleringer for eksempel brukes til å analysere hvordan konstruksjoner tåler belastning. I energisektoren benyttes blant annet modeller av turbulens og stokastiske metoder for å forutsi produksjon og belastninger i vindkraftanlegg.

I forskning kan simuleringer brukes til å teste nye teorier og slik vinne ny forståelse. Datasimuleringer er for eksempel avgjørende for å forstå værmønstre og havstrømmer innen klimaforskning. I medisinsk forskning anvendes simuleringer blant annet til å modellere spredning av sykdommer og effekten av ulike behandlingsstrategier og mottiltak.

Innen finans brukes stokastiske simuleringer til å modellere usikkerhet og risiko.

Felles for disse anvendelsene er at matematiske modeller kombineres med numeriske algoritmer og målte eller observerte data. Resultatene gir ikke eksakte svar, men gir ofte gode estimater som kan brukes til analyse, design og som hjelpemiddel til å ta beslutninger.

• datamodell
• matematisk modell
• anvendt matematikk
• dataprogram
• maskinlæring
• kunstig intelligens