Simulación por ordenador

Simulación por ordenador es el proceso de modelado matemático, realizado en un ordenador, que está diseñado para predecir el comportamiento o el resultado de un sistema físico o del mundo real. La confiabilidad de algunos modelos matemáticos se puede determinar comparando sus resultados con los resultados del mundo real que pretenden predecir. Las simulaciones por computadora se han convertido en una herramienta útil para el modelado matemático de muchos sistemas naturales en física (física computacional), astrofísica, climatología, química, biología y manufactura, así como sistemas humanos en economía, psicología, ciencias sociales, atención médica e ingeniería. La simulación de un sistema se representa como la ejecución del modelo del sistema. Se puede utilizar para explorar y obtener nuevos conocimientos sobre nuevas tecnologías y estimar el rendimiento de sistemas demasiado complejos para soluciones analíticas.

Las simulaciones informáticas se realizan ejecutando programas informáticos que pueden ser pequeños, que se ejecutan casi instantáneamente en dispositivos pequeños, o programas a gran escala que se ejecutan durante horas o días en grupos de ordenadores basados en red. La escala de los acontecimientos que se simulan mediante simulaciones por ordenador ha superado con creces todo lo posible (o quizás incluso imaginable) utilizando modelos matemáticos tradicionales de papel y lápiz. En 1997, una simulación de batalla en el desierto en la que una fuerza invadía a otra implicó el modelado de 66.239 tanques, camiones y otros vehículos en terreno simulado alrededor de Kuwait, utilizando múltiples supercomputadoras en el Programa de Modernización de Computadoras de Alto Rendimiento del Departamento de Defensa. Otros ejemplos incluyen un modelo de deformación material de mil millones de átomos; un modelo de 2,64 millones de átomos del complejo orgánulo productor de proteínas de todos los organismos vivos, el ribosoma, en 2005; una simulación completa del ciclo de vida de Mycoplasma genitalium en 2012; y el proyecto Blue Brain de la EPFL (Suiza), iniciado en mayo de 2005 para crear la primera simulación por ordenador de todo el cerebro humano, hasta el nivel molecular.

Debido al coste computacional de la simulación, se utilizan experimentos informáticos para realizar inferencias como la cuantificación de la incertidumbre.

Simulación versus modelo

Un modelo de computadora son los algoritmos y ecuaciones utilizados para capturar el comportamiento del sistema que se está modelando. Por el contrario, la simulación por computadora es la ejecución real del programa que contiene estas ecuaciones o algoritmos. La simulación, por tanto, es el proceso de ejecutar un modelo. Por lo tanto, no se “construiría una simulación”; en su lugar, uno podría "construir un modelo (o un simulador)" y luego "ejecutar el modelo" o "ejecutarlo". o equivalentemente "ejecutar una simulación".

Historia

La simulación por computadora se desarrolló de la mano del rápido crecimiento de la computadora, luego de su primer despliegue a gran escala durante el Proyecto Manhattan en la Segunda Guerra Mundial para modelar el proceso de detonación nuclear. Fue una simulación de 12 esferas duras utilizando un algoritmo de Monte Carlo. La simulación por computadora se utiliza a menudo como complemento o sustituto de los sistemas de modelado para los cuales no son posibles soluciones analíticas simples y cerradas. Existen muchos tipos de simulaciones por computadora; su característica común es el intento de generar una muestra de escenarios representativos para un modelo en el que una enumeración completa de todos los estados posibles del modelo sería prohibitiva o imposible.

Preparación de datos

Los requisitos de datos externos de simulaciones y modelos varían ampliamente. Para algunos, la entrada puede ser sólo unos pocos números (por ejemplo, la simulación de una forma de onda de electricidad de CA en un cable), mientras que otros pueden requerir terabytes de información (como modelos meteorológicos y climáticos).

Las fuentes de entrada también varían ampliamente:

• Sensores y otros dispositivos físicos conectados al modelo;
• Superficies de control utilizadas para dirigir el progreso de la simulación de alguna manera;
• Datos actuales o históricos introducidos a mano;
• Valores extraídos como subproducto de otros procesos;
• Valores de salida para el propósito por otras simulaciones, modelos o procesos.

Por último, el momento en que los datos están disponibles varía:

• Los datos "invariantes" a menudo se incorporan en el código modelo, ya sea porque el valor es realmente invariante (por ejemplo, el valor de π) o porque los diseñadores consideran que el valor es invariable para todos los casos de interés;
• los datos se pueden introducir en la simulación cuando se inicia, por ejemplo leyendo uno o más archivos, o leyendo datos de un preprocesador;
• Los datos pueden ser proporcionados durante la ejecución de simulación, por ejemplo por una red de sensores.

Debido a esta variedad, y debido a que los diversos sistemas de simulación tienen muchos elementos comunes, existe una gran cantidad de lenguajes de simulación especializados. El más conocido puede ser Simula. Ahora hay muchos otros.

Los sistemas que aceptan datos de fuentes externas deben tener mucho cuidado al saber qué están recibiendo. Si bien es fácil para las computadoras leer valores de archivos de texto o binarios, lo que es mucho más difícil es saber cuál es la exactitud (en comparación con la resolución y precisión de las mediciones) de los valores. A menudo se expresan como "barras de error", una desviación mínima y máxima del rango de valores dentro del cual se encuentra (se espera que se encuentre) el valor verdadero. Debido a que las matemáticas informáticas digitales no son perfectas, los errores de redondeo y truncamiento multiplican este error, por lo que resulta útil realizar un "análisis de errores" para confirmar que los valores generados por la simulación seguirán siendo útiles y precisos.

Tipos

Los modelos informáticos se pueden clasificar según varios pares independientes de atributos, entre ellos:

• Estocástico o determinista (y como caso especial de determinista, caótico) – ver enlaces externos abajo para ejemplos de simulaciones estocásticas vs. deterministas
• Steady-state o dinámico
• Contínua o discreta (y como un caso especial importante de eventos discretos, discretos o modelos DE)
• Simulación de sistema dinámico, por ejemplo sistemas eléctricos, sistemas hidráulicos o sistemas mecánicos multicuerpo (descritos principalmente por DAE:s) o simulación dinámica de problemas de campo, por ejemplo, CFD de simulaciones FEM (descrito por PDE:s).
• Local o distribuido.

Otra forma de categorizar modelos es observar las estructuras de datos subyacentes. Para simulaciones escalonadas en el tiempo, existen dos clases principales:

• Las simulaciones que almacenan sus datos en redes regulares y sólo requieren acceso al vecino se llaman códigos de plantilla. Muchas aplicaciones CFD pertenecen a esta categoría.
• Si el gráfico subyacente no es una rejilla regular, el modelo puede pertenecer a la clase de método sin mallas.

Las ecuaciones definen las relaciones entre los elementos del sistema modelado e intentan encontrar un estado en el que el sistema esté en equilibrio. Estos modelos se utilizan a menudo en la simulación de sistemas físicos, como un caso de modelado más simple antes de intentar la simulación dinámica.

• Cambios de modelo dinámicos en un sistema en respuesta a señales de entrada (generalmente cambiando).
• Estocástico uso de modelos generadores de números aleatorios modelar eventos aleatorios o aleatorios;
• A simulación discreta del evento (DES) gestiona los eventos a tiempo. La mayoría de las simulaciones informáticas, lógicas y de árbol de falla son de este tipo. En este tipo de simulación, el simulador mantiene una cola de eventos ordenados por el tiempo simulado que deben ocurrir. El simulador lee la cola y desencadena nuevos eventos mientras cada evento se procesa. No es importante ejecutar la simulación en tiempo real. A menudo es más importante poder acceder a los datos producidos por la simulación y descubrir defectos lógicos en el diseño o la secuencia de eventos.
• A simulación dinámica continua realiza solución numérica de ecuaciones diferenciales-algebraicas o ecuaciones diferenciales (ya sea parcial o ordinario). Periódicamente, el programa de simulación resuelve todas las ecuaciones y utiliza los números para cambiar el estado y la salida de la simulación. Las aplicaciones incluyen simuladores de vuelo, juegos de simulación de construcción y gestión, modelado de procesos químicos y simulaciones de circuitos eléctricos. Originalmente, este tipo de simulaciones fueron implementadas en computadoras analógicas, donde las ecuaciones diferenciales podrían ser representadas directamente por varios componentes eléctricos como los op-amps. A finales de la década de 1980, sin embargo, la mayoría de simulaciones "analógicas" se ejecutaron en ordenadores digitales convencionales que emularon el comportamiento de un ordenador analógico.
• Un tipo especial de simulación discreta que no depende de un modelo con una ecuación subyacente, pero que puede ser representado formalmente, es la simulación basada en el agente. En la simulación basada en agentes, las entidades individuales (como moléculas, células, árboles o consumidores) del modelo están representadas directamente (en vez de por su densidad o concentración) y poseen un estado interno y conjunto de comportamientos o reglas que determinan cómo el estado del agente se actualiza de un paso a otro.
• Los modelos distribuidos funcionan en una red de ordenadores interconectados, posiblemente a través de Internet. Las simulaciones dispersas a través de múltiples ordenadores anfitriones como este se denominan a menudo " simulaciones distribuidas". Existen varios estándares para la simulación distribuida, incluyendo el Protocolo de Simulación de Nivel Aggregate (ALSP), Simulación Interactiva Distribuida (DIS), la Arquitectura de Alto Nivel (simulación) (HLA) y la Arquitectura de Pruebas y Capacitación (TENA).

Visualización

Anteriormente, los datos de salida de una simulación por computadora a veces se presentaban en una tabla o matriz que mostraba cómo los datos se veían afectados por numerosos cambios en los parámetros de simulación. El uso del formato matricial estuvo relacionado con el uso tradicional del concepto de matriz en modelos matemáticos. Sin embargo, los psicólogos y otros observaron que los humanos podían percibir rápidamente las tendencias mirando gráficos o incluso imágenes en movimiento generadas a partir de los datos, tal como se muestran en la animación de imágenes generadas por computadora (CGI). Aunque los observadores no necesariamente podían leer números o citar fórmulas matemáticas, al observar un mapa meteorológico en movimiento podrían predecir eventos (y "ver que la lluvia se dirigía hacia ellos") mucho más rápido que escaneando tablas de Coordenadas de nube de lluvia. Estas intensas visualizaciones gráficas, que trascendieron el mundo de los números y las fórmulas, a veces también conducían a resultados que carecían de una cuadrícula de coordenadas o omitían marcas de tiempo, como si se alejaran demasiado de las visualizaciones de datos numéricos. Hoy en día, los modelos de pronóstico del tiempo tienden a equilibrar la visión de las nubes de lluvia/nieve en movimiento con un mapa que utiliza coordenadas numéricas y marcas de tiempo numéricas de los eventos.

De manera similar, las simulaciones por computadora CGI de exploraciones por TAC pueden simular cómo un tumor podría reducirse o cambiar durante un período prolongado de tratamiento médico, presentando el paso del tiempo como una vista giratoria de la cabeza humana visible, a medida que el tumor cambia.

Se están desarrollando otras aplicaciones de simulaciones por computadora CGI para mostrar gráficamente grandes cantidades de datos, en movimiento, a medida que se producen cambios durante una ejecución de simulación.

En ciencia

Ejemplos genéricos de tipos de simulaciones por computadora en ciencia, que se derivan de una descripción matemática subyacente:

• una simulación numérica de ecuaciones diferenciales que no se pueden resolver analíticamente, teorías que implican sistemas continuos como fenómenos en la cosmología física, dinámicas de fluidos (por ejemplo, modelos climáticos, modelos de ruido de carreteras, modelos de dispersión de aire de carretera), mecánica continua y química caen en esta categoría.
• una simulación estocástica, típicamente utilizada para sistemas discretos donde los eventos ocurren probabilísticamente y que no se pueden describir directamente con ecuaciones diferenciales (esto es un discreta simulación en el sentido anterior). El fenomena en esta categoría incluye redes reguladoras genéticas, bioquímicas o gen con pequeñas cantidades de moléculas. (ver también: método Monte Carlo).
• simulación multipartícula de la respuesta de nanomateriales a múltiples escalas a una fuerza aplicada con el propósito de modelar sus propiedades termoelásticas y termodinámicas. Las técnicas utilizadas para tales simulaciones son dinámicas moleculares, mecánica molecular, método Monte Carlo y función de Multiscale Green.

Ejemplos específicos de simulaciones por computadora incluyen:

• simulaciones estadísticas basadas en una aglomeración de un gran número de perfiles de entrada, como la previsión de la temperatura del equilibrio de las aguas receptoras, permitiendo que la gama de datos meteorológicos sea entrada para un local específico. Esta técnica se desarrolló para la previsión de contaminación térmica.
• La simulación basada en agentes se ha utilizado eficazmente en la ecología, donde a menudo se llama "modificación basada en individuos" y se utiliza en situaciones para las cuales la variabilidad individual en los agentes no puede ser descuidada, como dinámica de población de salmón y trucha (la mayoría de modelos puramente matemáticos suponen que toda trucha se comporta de forma idéntica).
• Modelo dinámico paso del tiempo. En la hidrología existen varios modelos de transporte de hidrología tales como los modelos SWMM y DSSAM desarrollados por la Agencia de Protección Ambiental de los Estados Unidos para el pronóstico de la calidad del agua de los ríos.
• También se han utilizado simulaciones informáticas para modelar formalmente teorías de cognición y rendimiento humano, por ejemplo, ACT-R.
• simulación de ordenador utilizando el modelado molecular para el descubrimiento de drogas.
• simulación de computadora para modelar la infección viral en células mamíferas.
• simulación de computadora para estudiar la sensibilidad selectiva de los bonos por mechanochemistry durante el rectificado de moléculas orgánicas.
• Se utilizan simulaciones de dinámicas de fluidos computacionales para simular el comportamiento del aire, el agua y otros fluidos. Se utilizan modelos de una, dos y tres dimensiones. Un modelo unidimensional podría simular los efectos del martillo de agua en una tubería. Un modelo bidimensional podría utilizarse para simular las fuerzas de arrastre en la sección transversal de un ala aeroplano. Una simulación tridimensional podría estimar los requisitos de calefacción y refrigeración de un gran edificio.
• Una comprensión de la teoría molecular termodinámica estadística es fundamental para la apreciación de las soluciones moleculares. El desarrollo del teorema de distribución potencial (PDT) permite simplificar este tema complejo a las presentaciones de la teoría molecular.

Las simulaciones por computadora notables, y a veces controvertidas, utilizadas en la ciencia incluyen: Donella Meadows' World3 se utilizó en Los límites del crecimiento, Daisyworld de James Lovelock y Tierra de Thomas Ray.

En las ciencias sociales, la simulación por computadora es un componente integral de los cinco ángulos de análisis fomentados por la metodología de filtración de datos, que también incluye métodos cualitativos y cuantitativos, revisiones de la literatura (incluida la académica) y entrevistas con expertos, y que forma una extensión de la triangulación de datos. Por supuesto, al igual que cualquier otro método científico, la replicación es una parte importante del modelado computacional.

En contextos prácticos

Las simulaciones por computadora se utilizan en una amplia variedad de contextos prácticos, tales como:

• análisis de dispersión de contaminantes de aire utilizando modelos de dispersión atmosférica
• diseño de sistemas complejos como aeronaves y sistemas logísticos.
• diseño de barreras de ruido para efectuar la mitigación del ruido de las carreteras
• modelado del rendimiento de la aplicación
• simuladores de vuelo para entrenar pilotos
• pronóstico del tiempo
• pronóstico del riesgo
• simulación de circuitos eléctricos
• simulación del sistema de energía
• simulación de otros ordenadores es emulación.
• pronóstico de precios en los mercados financieros (por ejemplo, Adaptive Modeler)
• comportamiento de estructuras (como edificios y partes industriales) bajo estrés y otras condiciones
• diseño de procesos industriales, como plantas de procesamiento químico
• gestión estratégica y estudios de organización
• simulación de embalses para la ingeniería de petróleo para modelar el embalse de subsuelo
• herramientas de simulación de procesos.
• simuladores robot para el diseño de robots y algoritmos de control robot
• Modelos de simulación urbana que simulan patrones dinámicos de desarrollo urbano y respuestas a las políticas urbanas de uso de la tierra y transporte.
• ingeniería de tráfico para planificar o rediseñar partes de la red callejera desde uniones individuales sobre ciudades a una red nacional de carreteras a la planificación, diseño y operaciones del sistema de transporte. Ver un artículo más detallado sobre Simulación en Transporte.
• modelar el coche se bloquea para probar mecanismos de seguridad en nuevos modelos de vehículos.
• sistemas de cultivo en agricultura, a través de marcos de software dedicados (por ejemplo, BioMA, OMS3, APSIM)

La confiabilidad y la confianza que las personas depositan en las simulaciones por computadora depende de la validez del modelo de simulación, por lo tanto, la verificación y la validación son de crucial importancia en el desarrollo de simulaciones por computadora. Otro aspecto importante de las simulaciones por ordenador es el de la reproducibilidad de los resultados, lo que significa que un modelo de simulación no debe proporcionar una respuesta diferente para cada ejecución. Aunque esto pueda parecer obvio, es un punto especial de atención en las simulaciones estocásticas, donde los números aleatorios deberían ser en realidad números semialeatorios. Una excepción a la reproducibilidad son las simulaciones con seres humanos, como las simulaciones de vuelo y los juegos de ordenador. Aquí un ser humano es parte de la simulación y, por lo tanto, influye en el resultado de una manera que es difícil, si no imposible, de reproducir exactamente.

Los fabricantes de vehículos utilizan la simulación por computadora para probar características de seguridad en nuevos diseños. Al construir una copia del automóvil en un entorno de simulación física, pueden ahorrar los cientos de miles de dólares que de otro modo se necesitarían para construir y probar un prototipo único. Los ingenieros pueden recorrer la simulación milisegundos a la vez para determinar las tensiones exactas que se ejercen sobre cada sección del prototipo.

Los gráficos por computadora se pueden utilizar para mostrar los resultados de una simulación por computadora. Las animaciones se pueden utilizar para experimentar una simulación en tiempo real, por ejemplo, en simulaciones de entrenamiento. En algunos casos, las animaciones también pueden resultar útiles en modos más rápidos que el tiempo real o incluso más lentos que el tiempo real. Por ejemplo, las animaciones más rápidas que en tiempo real pueden resultar útiles para visualizar la acumulación de colas en la simulación de humanos evacuando un edificio. Además, los resultados de la simulación a menudo se agregan en imágenes estáticas utilizando diversas formas de visualización científica.

En la depuración, simular la ejecución de un programa bajo prueba (en lugar de ejecutarlo de forma nativa) puede detectar muchos más errores de los que el propio hardware puede detectar y, al mismo tiempo, registrar información de depuración útil, como seguimiento de instrucciones, alteraciones de la memoria y recuentos de instrucciones.. Esta técnica también puede detectar desbordamientos del búfer y problemas similares "difíciles de detectar". errores, así como producir información de rendimiento y datos de ajuste.

Errores

Aunque a veces se ignora en las simulaciones por computadora, es muy importante realizar un análisis de sensibilidad para garantizar que se comprenda adecuadamente la precisión de los resultados. Por ejemplo, el análisis de riesgo probabilístico de los factores que determinan el éxito de un programa de exploración de yacimientos petrolíferos implica combinar muestras de una variedad de distribuciones estadísticas utilizando el método de Monte Carlo. Si, por ejemplo, uno de los parámetros clave (por ejemplo, la proporción neta de estratos petrolíferos) se conoce sólo con una cifra significativa, entonces el resultado de la simulación podría no ser más preciso que una cifra significativa, aunque podría (engañosamente) presentarse con cuatro cifras significativas.