Kollaborative Wissenschaft

Wissenschaft wird immer kollaborativer. Das Hookesche Gesetz konnte Hook noch völlig alleine rauskriegen. Gleichzeitig war es kein Zufall, dass zu der Zeit in den Naturwissenschaften eine Fülle an neuen Resultaten erzielt wurde, nämlich durch die Mitglieder der damals neuen Royal Society. Wissenschaft ist vor allem dann gut, wenn Wissenschaftler den Ideen andere Wissenschaftler ausgesetzt werden. Einstein war nicht etwa die Ausnahme, sondern einfach egozentrisch, als er in seiner Arbeit zur speziellen Relativitätstheorie keine Literatur angab, obwohl Lorentz und Poincaré schon fast alles veröffentlicht hatten und ihnen nur der entscheidende Geistesblitz fehlte.

Heute gibt es Experimente wie am Large Hadron Collider in Cern, bei denen auf den Veröffentlichungen vermutlich 50, vielleicht 100 Leute stehen werden. Die Zeiten, wo einsame Wissenschaftler in ihrem Kämmerlein sitzen, sind vorbei. Das hat viele Gründe. Zum einen gibt es mehr Wissenschaftler als früher. Zum anderen gibt es neue Möglichkeiten der Kommunikation wie Email oder das WWW. Und schließlich sind in vielen Gebieten der Wissenschaft die einfachen Probleme gelöst, viele der heutigen Probleme sind interdisziplinär und erfordern damit inhärent Zusammenarbeit mehrerer Wissenschaftler.

Ein anderes interessantes Beispiel ist das Polymath-Projekt. Dieses wurde von Fields-Medaillen-Träger Timothy Gowers ins Leben gerufen und stark von Fields-Medaillen-Träger Terence Tao unterstützt. Dort wurde ein mathematisches Problem auf einem Blog gestellt und Leute dazu eingeladen, ihren Senf dazuzugeben. Nach kurzer Zeit nahm das ganze Fahrt auf, das Problem war nach ein paar Wochen gelöst und sogar eine etwas allgemeinere Aussage bewiesen. Begleitet wurde das ganze über ein Wiki, auf dem Zwischenergebnisse aufbereitet wurden, um in den hunderten von Kommentaren nicht den Überblick zu verlieren.

Und trotz allem ist Kollaboration in der Wissenschaft nicht das, was sein könnte. Eine gute Zusammenfassung bietet der wirklich sehenswerte TED-Talk von Michael Nielsen:

Ebenfalls interessant ist das Blog Research cycle research, auf das ich über den Vortrag von Daniel Mietchen auf der letzten Wikipiedia Academy gestoßen bin. Wissenschaftler nutzen Werkzeuge wie offene Wikis nicht, wissenschaftliche Ergebnisse werden weiterhin in Form von diskreten Artikeln publiziert, statt dass andere Wissenschaftler kontinuierlich über Forschritt informiert und eingeladen werden, ihre Ideen einzubringen, wissenschaftliche Artikel werden wenig kommentiert und  Daten, Codes und Ergebnisse werden wenig ausgetauscht, sondern vor Zugriff durch andere Wissenschaftler geschützt. 

Es ist nicht so, als ob es nicht Versuche gäbe, das zu ändern. Beispielsweise gibt es zahlreiche wissenschaftliche Wikis, von Leuten gestartet, die für einzelne Disziplinen ein wissenschaftliches Repositorium schaffen wollten. Diese sind aber mittlerweile alle tot.

Es gibt Leute, die OpenSource-Code produzieren, ein Beispiel ist PETSc, ein anderes DEAL II. Ein Großteil der Softwareentwicklung findet aber an den Instituten selbst statt, die ihre Codes geheim halten. Übrigens auch ein Problem bei der Wissenschaftlichkeit: ein Großteil der Artikel in der numerischen Mathematik ist praktisch nicht validierbar, da von Dritten dazu erstmal einige Jahre Codeentwicklung betrieben werden müsste. Wissenschaftlich redlich wäre es, die eigenen Codes offenzulegen.

Was Publikationen angeht, sind OpenAccess-Journals auf dem Vormarsch, aber noch ist es der Standard, etwa bei Elsevier zu publizieren. Ein Unternehmen mit einer traumhaften Rendite, das keine nennenswerte eigene Dienstleistung bringt. Und dadurch, dass es dort ein Bezahlmodell gibt, sind die dort publizierten Artikel für außenstehende nicht einsehbar, was es natürlich schwieriger macht, Ideen zu liefern.

Die Antwort, warum Wissenschaftler die neuen Möglichkeiten so wenig nutzen, ist recht einfach: Im Wissenschaftsbetrieb ist für Karriere weniger die wissenschaftliche Arbeit an sich wichtig, sondern dass die eigene wissenschaftliche Leistung gegenüber dritten dokumentierbar ist. Im wesentlichen geschieht dies dadurch, dass man Artikel schreibt, die in Zeitschriften mit Peer Review erscheinen. In Deutschland ist das sogar im Hochschulrahmengesetz quasi fest geschrieben, ein wesentlicher Punkt in Berufungsverhandlungen sind nämlich die Gutachten, die am Ende des Prozesses über die 3-5 verbleibenden Kandidaten in Auftrag gegeben werden. Basis für diese ist das wissenschaftliche Werk, gegeben durch Zeitschriftenartikel. Die Frage, ob die Person in der Lage ist, Mitarbeiter zu führen spielt ebenso keine Rolle wie Aspekte der Wissenschaftskommunikation. Auch wenn ich der vermutlich meist gelesene Mathematiker meines Alters in ganz Deutschland bin, ich bezweifle, dass dies bei Bewerbungen nützlich sein wird.

Das impliziert mehrere Dinge: Für einen nicht etablierten Wissenschaftler ist es nicht von Vorteil, seine Forschungsergebnisse zu früh zu publizieren, weil dann die Gefahr besteht, dass andere die Sachen aufgreifen und selbst weiter entwickeln. Zu viel Zusammenarbeit mit anderen kann also kontraproduktiv sein. Das bedeutet ebenfalls, dass es nicht von Vorteil ist, eigene Daten zu veröffentlichen oder eigene Codes herauszugeben.

Das zeigt auch, warum das Polymath-Projekt funktioniert hat: Weil Gowers und Tao weltberühmt sind, weil sie sich nicht mehr etablieren müssen, können sie frei von solchen Zwängen offene Wissenschaft betreiben.

Damit ist leider auch klar, dass das Problem nichttrivial ist: Das große Problem ist, wie ich noch sagen kann, ob ein bestimmter Wissenschaftler gut ist, wenn ich die individuelle Leistung nicht mehr so gut belegen kann. Meiner Meinung nach gibt es eine Lösung: Die Berufungsverfahren müssen dann breiter aufgestellt werden, den Kandidaten muss intensiver auf den Zahn gefühlt werden, Assessment Center sollten Standard sein. Dann ist es durchaus möglich, festzustellen, ob jemand in der modernen Wissenschaft, die neben wissenschaftlichen Qualitäten Führungsqualitäten fordert, Organisationstalent auch Teamfähigkeit fordert, etwas bewegen kann. Meiner Meinung nach sogar besser, als wenn man nur die Zeitschriftenartikel betrachtet.

Es gibt noch einen zweiten Weg, wie etwas geändert werden kann: Die wichtigen Wissenschaftsorganisationen müssen an finanzielle Förderung Bedingungen in dieser Hinsicht knüpfen. Wenn die deutsche Forschungsgemeinschaft Geld nur unter der Bedingung gibt, dass die Ergebnisse in Open-Access-Zeitschriften erscheinen, dass Codes und Daten offengelegt werden, dann verändert sich die Wissenschaftslandschaft. Die DFG ist auf dem Weg dahin, Matthias Kleiner hat diese Themen auf dem Schirm und Veränderungen sind sichtbar. Kurioserweise ist der Widerstand von innerhalb der Wissenschaft am größten: Narzissmus und Konservativität sind leider weit verbreitet.

Schließlich ist da noch ein dritter Weg: Nicht etablierte Wissenschaftler sollten einfach machen. Oder zumindest ein bisschen. Sage ich mir zumindest: Den nächsten Artikel, den publizierst Du dann aber in einem Open Access Journal und nicht da wo es für die Karriere am Besten wäre. Und irgendwann veröffentlichst Du Deine Software. Ganz bestimmt...

Und sonst:

•  Followup von letzter Woche: Das Future Chips Blog (danke an Peter)
• Chinafarmer ist ein geflügeltes Wort unter World-of-Warcraft-Spielern und die Ausbeutung dieser durch ihre Arbeitgeber nicht anders als auf chinesischen Baustellen. Aber im Gefängnis durch die Wärter?
• Wie ich das letzte mal schrieb, ist Dirk in der Form seines Lebens. On the receiving end, ist die Inkarnation von Enttäuschung. Also: Neuauflage von 2006 aus, Mavericks gegen Heat. Was krasse Forscher mit Schnittchenorganisateusen in spe im Dezember schon bewundern durften.

Mathematiker: Das Ende der Nahrungskette?

Da werden sich die Leser wundern: Mathematiker, Herrscherinnen des Wissenschaftskosmos, Könige der Abstraktion, Heldinnen der Grundlagenforschung irgendetwas anderem Unteran als den eigenen Launen oder dem Drittmittelgeber? Ich weiß, ich weiß, man mag es kaum glauben.

Und streng genommen stimmt es auch nicht, da des bedauerlichen Umstandes von dem ich schreiben möchte, wohl nur die Numeriker etwas wissen, während die Zahlentheoretiker im obersten Stock des Elfenbeinturms einfach nie aus dem Fenster schauen. Es geht um Hardware. Die numerische Mathematik bedient sich Computer, um mathematische Probleme zu lösen. Dabei sind auch beachtliche Erfolge erzielt worden. Hardwaremässig wurde seit 1950 eine Beschleunigung um einen Faktor von 10^9 erzielt (gemeint sind ähnliche Investitionskosten). Dazu kommen für mathematische Probleme noch die Verbesserungen der zugrundeliegenden numerischen Verfahren, was für viele relevante Problemklassen ein Faktorvon 10^5 bis 10^7 ist. Die beiden Sachen multiplizieren sich und so kann ich die Laplace-Gleichung heute 10^16 mal schneller lösen als früher oder, was heute eine Sekunde braucht, hätte 1950 300 Millionen Jahre gebraucht.

Die Hardwareverbesserung wird empirisch durch Moore's Law beschrieben. Und dies kommt nun an eine physikalische Grenze, weil die Dimensionen, auf denen gearbeitet wird, Molekülbreite erreichen. Und auch wenn Intel derzeit einige Stunts macht, wird es keine 20 Jahre mehr dauern, bis die Verbesserungen einzelner Mikroprozessoren das Ende der Fahnenstange erreicht haben. Das wissen natürlich auch die Hardwarehersteller und deswegen gibt es den Trend zur Parallelisierung, also verschiedene Prozessoren in derselben Maschine zu haben, die beispielsweise einen gemeinsamen Arbeitsspeicher haben. Im Supercomputingbereich ist das nichts neues, sondern ganz normal. Auf dem PC-Markt ist das mittlerweile angekommen, jeder Computer den man heutzutage kauft, hat einen Multicore-Prozessor.

NVidia-GeForce-GPU. Wir hams immer gewusst:
Computerspiele führen zu nix gutem!
Bild: Tors via Wikimedia Commons

Neu ist dagegen der Trend, im Scientific Computing Grafikprozessoren (GPUs für Graphical Processor Units) zu nutzen. Und zwar hat sich dank der vielen fleissigen Computerspieler ein riesiger Bedarf nach Grafikhardware entwickelt. Denn was macht Standard-Computergrafik-Software? Sie rechnet aus, ob Teile der Spielfigur vielleicht gerade in einer Wand stecken, sie rechnet aus, was der Spieler jetzt gerade sehen kann und berechnet die entsprechende Grafik, alles basierend auf analytischer Geometrie. Vielleicht löst sie nebenbei noch die Flachwassergleichungen, weil bei denen nettaussehende Oberfächenwellen rauskommen, vor denen sich Spielerinnen versonnen den berechneten Sonnenuntergang betrachten können. Anders gesagt: Im Gegensatz zu einer CPU ist eine GPU für einen einzigen Zweck konzeptioniert: Numbercrunching. Oder nochmal anders gesagt: Für Numerik.

Das wurde Numerikern klar, sie probierten ihre Verfahren auf GPUs auf und berichteten von atemberaubenden Beschleunigungsfaktoren von 1000. Und durch den wachsenden Markt im Bereich der numerischen Strömungsmechanik wurde Nvidia klar, dass sie ihr Geld nicht nur von Computerspielern beziehen müssen, sondern dass da ein komplett neuer Kundenkreis wartet. Und als Nebenbemerkung: Der Gründer und Geschäftsführer Jen-Hsun Huang ist Stanford-Absolvent und aufgrund einer großzügigen Spende ist das neue Ingenieurwissenschaften-Gebäude, in dem auch mein Institut sitzt, nach ihm benannt. Und eines Tages Ende 2010 stand er vor der Tür des Instituts, betrachtete das beschreibende Poster, sagte "Das ist genau das, was ich unterstützen will" und spendete einen GPU-Cluster.

Wie auch immer, Tatsache ist, dass die Beschleunigungsfaktoren von 1000 nur auf zwei Dingen beruhen: Einem Vergleich von Äpfeln und Birnen und dem Nutzen schlechter Codes, die nie für die CPU optimiert wurden. Schaut man genauer hin, was vergleichbare CPUs und GPUs leisten, kommt man auf einen Faktor von 5, wobei die GPU mehr kostet und auch mehr Strom verbraucht. Auch das ist aber nicht der Punkt, an dem Mathematiker wie ich anfangen, doof zu gucken.

Der Punkt ist: Eine handelsübliche CPU ist inhärent sequentiell, es wird also brav ein Befehl nach dem anderen abgearbeitet, in Spezialfällen können die CPUs zwei Dinge gleichzeitig erledigen. Eine GPU ist dagegen inhärent parallel, die macht so genanntes Multithreading und macht einfach mal 1000 Multiplikationen parallel. Und da fangen die Konsequenzen für den Mathematiker an.

Nehmen wir an, ich habe ein Verfahren, bei dem ich warten muss, bis ein Ergebnis da ist, bevor ich das nächste ausrechnen kann. Das klassische Beispiel ist hier das Gauß-Seidel-Verfahren. Dieses liefert näherungsweise Lösungen linearer Gleichungssysteme, indem es mit einer Lösung anfängt, in der ersten Gleichung alle bis auf die erste Unbekannte festhält und dann die erste Unbekannte so wählt, dass die Gleichung stimmt. Dann geht es weiter zur zweiten Gleichung, hält alle Unbekannten bis auf die zweite fest, wobei es für die erste Unbekannte den eben errechneten neuen Wert nimmt und bestimmt die zweite Unbekannte so, dass die zweite Gleichung erfüllt ist. Dadurch ist die erste Gleichung nicht mehr erfüllt! Führt man das bis zur letzten Gleichung durch, hat man einen Näherungsvektor, der unter gewissen Voraussetzungen näher an der Lösung ist als der ursprüngliche. Dieser Zyklus wird nun wiederholt. Klar ist aber: auf der GPU wäre das Verfahren nicht schneller als auf der CPU, weil ich eine Gleichung nach der anderen abarbeiten muss.

Eine Alternative ist das Jacobi-Verfahren. Das macht dasselbe wie Gauß-Seidel, nur werden in jeder Gleichung die Werte der alten Näherung genommen. Dadurch kann ich in jeder Gleichung die neue Iteration gleichzeitig ausrechnen. Wie geschaffen für eine GPU, bzw. im allgemeinem für parallele Rechnungen, im Gegensatz zu Gauß-Seidel.

Und das ist dann das Ende des lamentierens: Elektrotechniker basteln neue Hardware. Informatiker basteln dafür Compiler. Numeriker schauen sich das an, stellen fest dass ihre Verfahren auf der neuen Hardware mit den neuen Compilern nicht mehr funktionieren und fragen sich, ob das die Rache der Informatiker und Elektrotechniker dafür ist, dass sie im Studium Mathe hören mussten.


Und sonst:

• Domino-Cola+Mentos. Und was MythBusters dazu sagen.
• Wie eigentlich immer, interessanter Artikel von Isotopp: Von der Spackeria, von Aluhüten und vom Kontrollverlust
• Dirk ist in der Form seines Lebens.
  

Früher Orangen, heute Greenbacks

Wie funktioniert eigentlich eine Privatuni? Schwierige Frage, deswegen nehme ich mir etwas leichteres vor und habe mir mal angeschaut, wie als Beispiel die Finanzen von Stanford funktionieren. Zunächst fängt es mit einer Stiftung an, einem Stiftungskapital und einer Satzung. Stanford ist eine steuerbefreite Stiftung kalifornischen Rechts. Die ursprüngliche Spende bestand insbesondere aus einem riesigen Stück Land, nämlich einer ehemaligen Orangenfarm, sowie Geld und in der Satzung ist beispielsweise festgehalten, dass dieses Land nicht verkauft werden darf. Natürlich regelt sie auch, wofür Geld ausgegeben werden darf und wer das entscheidet.

Alles "The Farm": Nach Norden bis zum Creek bzw.
der großen Straße, nach Süden noch wesentlich mehr

Das Stiftungsvermögen beläuft sich nach einem Gewinn von 1.5 Milliarden $ im Jahr 2010 auf 13.9 Milliarden $. Was übrigens 20% weniger sind als noch 2008 vor der Finanzkrise. Sprich: Auch wenn das Land was Stanford gehört, nun mitten im Silicon Valley, einige Milliarden wert ist, ist der Großteil des Stiftungskapitals angelegt und damit wird ordentlich Geld gemacht. Andere Geldquellen sind Pacht von Land, Mieten etwa im Stanford Shopping Center und insbesondere Spenden. Stanford hat 2010 1.1 Milliarden an Spenden von insgesamt 76.000 verschiedenen Spendern verbucht...

Diese Sachen sind aber nicht die einzigen Einnahmequellen, dazu kommen 430 Millionen $ über Studiengebühren, 400 Millionen des Stanford Hospitals und stolze 1.1 Milliarden an Drittmitteln. Die Studiengebühren täuschen etwas, da das Einnahmen sind sowohl durch die klassischen Studiengebühren, als auch Miete in den Wohnheimen, etc. Und demgegenüber stehen 227 Millionen an direkten Transfers an Studenten, auch wieder für Studiengebühren, Miete, etc. Die Drittmittel sind allerdings einfach das: 1.1 Milliarden $ Drittmittel. Also das mehrfache des Gesamtbudgets der Uni Kassel.

Noch ein paar andere Zahlen: Stanford zahlt 2.1 Milliarden an Gehältern, es gibt 10.000 nichtwissenschaftliche Angestellte.

Faszinierend ist, dass das ganze in dieser Größenordnung funktioniert. Stanford operiert letztlich am privaten Markt und es ist beeindruckend, dass es gelingt, hervorragende Wissenschaftler und Studenten in so großer Zahl anzuziehen. Funktionieren tut das ganze meiner Meinung nach auch nur, weil eben so viele Leute gewillt sind, der Uni zu spenden. 75.000 Spender in einem Jahr ist aus einem deutschen Blickwinkel eine unfassbar große Zahl.

Und sonst:

• Rolling'Justin kann Bälle fangen und Kaffe kochen (danke an Peter).
• Bye bye, Kobe! 
• Und mal ein Hinweis auf den großartigen Traktorfreitag drüben bei Southpark. 

Simulationsmethoden für Windkraftanlagen

An der Uni Kassel gibt es seit einigen Jahren ein Promotionskolleg ScoSA von Mathematikern und Ingenieuren mit dem Thema numerische Strömungsmechanik, dessen Fokus in der letzten Zeit auf Windkraftanlagen gesetzt wurde. Daraus entstanden ist in diesem Sommersemester eine Ringvorlesung "Simulationsmethoden für Windkraftanlagen", die in Zusammenarbeit des Promotionskollegs mit dem Fraunhofer Institut für Windenergie und Energie-Systemtechnologie (ISET) läuft. Geplant ist das schon länger, aber die Ereignisse der letzten Monate zeigen, dass das ein recht interessantes Thema ist.

Was sind denn eigentlich die Schwierigkeiten bei Windkraftanlagen, beziehungsweise was lässt sich noch verbessern? Nun, während sich im Onshore-Bereich ein gewisser Standard etabliert hat, sind im Offshore-Bereich, wo die Energie der Zukunft gewonnen werden soll, noch fast alle Fragen offen. Das fängt bei der Platzierung an, etwa bei der Frage, wo und in welchem Ausmass man in der Ostsee bauen kann, ohne dass der Austausch mit der Nordsee gefärdet ist. Es geht beim Bau weiter mit der Frage, wo man guten Untergrund findet, wie man das ganze kostengünstig gestalten kann und so weiter. Die nächste Frage ist die Wartung: Kann man die Systeme so gestalten, dass sie wenig Wartung brauchen oder sogar selbstwartend sind bzw. von Land aus computergesteuert gewartet werden können, um nicht ständig rüberfahren zu müssen?

Alpha Ventus im Bau, DOTI/Matthias Ibeler, CC-by-sa 3-0

Diesen Fragen ist eins gemein: Sie sind schwierig und wichtig, aber die Simulation von Windkraftanlagen spielt dabei aber keine essentielle Rolle. Zum Glück für krasse Forscher gibt es aber noch weitere. Die eine ist, wie man ein Rotorblatt baut, so dass es einen hohen Wirkungsgrad hat. Oder wie man einen Windpark baut, so dass der Nachlauf der Strömung die Anlagen windab nicht negativ beeinflusst.

Lillgrund Offshore-Anlage bei Malmö. Schlaue Platzierung? Oder nicht?
Mariusz Paździora, CC-by-sa 3.0

Die derzeit vermutlich größte Herausforderung ist es, die Downtime der Anlagen zu reduzieren. Im Moment werden Anlagen aus Sicherheitsgründen bei besonders starkem oder besonders böigem Wind abgeschaltet und laufen somit grob 30% der Zeit gar nicht. Wenn also viel Wind da ist und viel Strom produziert werden könnte, ist Feierabend. Dazu kommt noch, dass das Wiederanfahren Strom benötigt, also erstmal wieder Energie investiert werden muss. Eine interessante Idee ist, die Rotorblätter aus adaptiven Kunststoffen zu fertigen, die in der Lage sind, aufgrund von Umwelteinflüssen in kurzer Zeit ihre Eigenschaften zu ändern, etwa weich oder hart.

Bei der Lösung dieser Probleme kann eine numerische Simulation entscheidend sein. Diese ist hier extrem schwierig. Zunächst handelt es sich um eine so genannte Fluid-Struktur-Interaktion, bei der der Wind (die Luft) mit dem Rotorblatt interagiert. Diese Interaktion ist nichtlinear und ist in Form von Flattern ein gefürchtetes Phänomen in der Luftfahrt. Dann erzeugt das Rotorblatt hinter sich eine turbulente Strömung, die Lärm erzeugt, der minimiert werden will, sowie die Anlagen windab beeinflusst. Schließlich gibt es eine Fluid-Struktur-Interaktion zwischen dem Wasser und dem Turm der Anlage. Auch diese ist wieder hochkomplex. Schließlich ist da noch der Untergrund. Beim Bau von Masten und Türmen ist es Allgemeinbildung bei den Bauingenieuren, dass der Grund eine wesentliche Rolle bei der Stabilität spielt. Entsprechend sind die typischen Untergründe in westlichen Ländern in dieser Hinsicht gut untersucht bzw. man weiß wie man ein Fundament bauen sollte, damit so ein Ding für die Ewigkeit steht. Beim Nordseegrund? Eher unklar. Ach ja, selbstverständlich ist die Machzahl klein, damit ist die akustische Welle sehr schnell gegenüber der Windgeschwindigkeit und das Problem somit steif, es sind also implizite Verfahren zur Zeitintegration nötig.

Fluid-Struktur-Interaktion ist ein heißes Thema in der Numerik. Grund ist, dass die Lösung schon nur eines Problems (Fluid oder Struktur) eine Vielzahl an Herausforderungen darstellt, sich aber ein gewisser Standard herausgebildet hat mit dem man arbeiten kann. Damit ist man heutzutage in der Lage, gekoppelte Probleme zu betrachten (neudeutsch: Multiphysics), womit sich ein attraktives Forschungsgebiet ergibt. Kopplung heißt dabei, dass man zwei Gebiete hat, in denen jeweils ein eigenes mathematisches Modell gilt, die aber an einem Rand interagieren. Hier könnte das die Luft mit den Navier-Stokes-Gleichungen und das Rotorblatt mit einem elastischen Strukurmodell sind, die auf der Oberfläche des Blattes Kräfte austauschen. Der Wind drückt, das Blatt drückt zurück.Oder die Wellen und die inkompressiblen Navier-Stokes-Gleichungen mit dem Turm.

Das Problem ist nun, dass es grundsätzlich viele Möglichkeiten gibt, diese Kopplung mathematisch zu definieren, davon sich aber viele als völlig unbrauchbar herausstellen und erst so langsam Klarheit herrscht, was man tun sollte. Schränkt man sich dann noch ein, indem man sagt, dass man die Codes wiederverwenden will, die in jahrzehntelanger Arbeit für die Einzelprobleme entwickelt wurden, wird das ganze noch etwas schwieriger.

Ein weiterer interessanter Aspekt ist, dass dieselben mathematischen Techniken bei der Entwicklung von Verfahren für Supercomputer genutzt werden. Bei der Nutzung von Parallelrechnern in der numerischen Simulation wird typischerweise jedem Prozessor oder Blocks von Prozessoren ein räumliches Gebiet zugewiesen und dort wird das Problem lokal gelöst (und damit parallel auf allen Prozessoren). Dann müssen aber diese lokalen Lösungen miteinander abgeglichen werden und das ist mathematisch dasselbe wie bei der Fluid-Struktur-Interaktion, nur dass dann nicht verschiedene mathematische Modelle miteinander gekoppelt werden, sondern dasselbe Modell zigmal mit sich selbst.

Und sonst:

• Viva la Revolucion! Oder: Warum diese Hochzeit nix ist.
• Falls sich jemand gewundert hat, warum SkyNet noch immer keinen trouble gemacht hat.
• Krasse Forscher fliegen Anfang Juli A-380.
• PhdComics: Dark Matters.

Ein viertes Paradigma der Wissenschaft

Bevor er Ende Januar 2007 spurlos auf See verschwand, hat Jim Gray, seines Zeichens mit schlechten Wikipedia-Artikeln geschlagener Turing-Preisträger, sich mit dem Gedanken beschäftigt, dass datenbasierte Wissenschaft ein viertes Paradigma eben derselben sein könnte beziehungsweise schon ist. Der Gedanke ist in dem Sammelband "The fourth paradigm" ausgeführt.

Mit Paradigma ist hier eine grundlegende Herangehensweise zu wissenschaftlicher Erkenntnis zu gelangen, gemeint. Und wenn er vom vierten redet, was sind dann die ersten drei? Das erste ist in seinen Augen empirische Wissenschaft, also die Natur zu betrachten und daraus Schlüsse zu ziehen, indem man etwa einen Zusammenhang zwischen Mond und Flut beobachtet. Als zweites wäre da theoretische Wissenschaft, bei der theoretische Überlegungen angestellt und mathematische Modelle aufgestellt werden. Zwei herausragende Beispiele wären Newtons Principia Mathematica und die newtonschen Gesetze oder Einsteins spezielle und allgemeine Relativitätstheorie. So weit so gut, bei diesen beiden wird vermutlich niemand wiedersprechen, damit wird man schon in der Schule konfrontiert. Theoretische Wissenschaft nutzt dabei einen Modellierungskreislauf:

1. Definiere den Teil der Wirklichkeit, der betrachtet werden soll. 
2. Stelle ein möglichst einfaches mathematisches Modell auf (einen Satz von Gleichungen), das diese Wirklichkeit beschreibt. 
3. Löse das Modell und schaue, ob es tatsächlich die zu untersuchenden Phänomene beschreibt. Wenn Nein, gehe zu 2. und wähle ein komplexeres Modell. Wenn du das Modell nicht lösen kannst, suche einen Mathematiker der es kann. Wenn der das Modell nicht lösen kann, warte 50 Jahre, bis die Mathematik so weit ist und schreibe unterdessen "wissenschaftliche" Artikel ohne jegliche Relevanz zu einem vereinfachten Modell, das deine Physik nicht beschreibt. 

Sir Godfrey Kneller: Sir Isaac Newton. Konnte das 3-Körper-Problem der Astronomie auch nicht lösen. Ebensowenig das 2-Körper-Problem der Soziologie und starb kinderlos.

Mittlerweile ist man in den Natur- und Ingenieurswissenschaften (Wirtschaftswissenschaftler überspringen in der Regel den Schritt mit der Suche nach dem Mathematiker und gehen direkt zum letzten Teil mit den "wissenschaftlichen" Artikeln) in der Situation, dass die interessierenden Modelle nicht mehr gelöst werden können. Sie sind zu komplex und teilweise konnte sogar nachgewiesen werden, dass gar keine Lösungen hingeschrieben werden können, etwa beim Drei-Körper-Problem, aber auch bei den Navier-Stokes-Gleichungen.

An die Stelle einer exakten Lösung tritt dann die approximierbare Lösung, womit wir beim weniger bekannten dritten Paradigma sind, welches er "Computational Science" nennt. Dies ist erst in den letzten Jahrzehnten aufgekommen ist, und zwar bedingt durch drei Punkte:

1. Das Aufkommen leistungsfähiger und bezahlbarer Rechner
2. Die Bereitstellung und drastische Verbesserung numerischer Verfahren, mit denen mathematische Modelle auf diesen Rechnern ausgewertet werden können
3. Das Problem, dass die interessanten mathematischen Modelle mittlerweile zu komplex sind, als dass sie von Menschen ausgewertet werden könnten

Mit "Computational Science" bezeichnet er also die Nutzung von Computersimulationen, um wissenschaftliche Erkenntnisse zu gewinnen. In den Natur- und Ingenieurswissenschaften ist dies mittlerweile Standard. Ein drittes Paradigma ist es, weil es eine neue Denkweise eröffnet, Phänomene zu betrachten, bei der reale Experimente durch Computersimulationen ersetzt werden. Ferner erweitert es den Modellierungskreislauf um einen weiteren Feedbackloop:

1. Definiere den Teil der Wirklichkeit, der betrachtet werden soll. 
2. Stelle ein möglichst einfaches mathematisches Modell auf, das diese Wirklichkeit beschreibt. 
3. Programmiere ein numerisches Verfahren, um Lösungen der Gleichungen mit einer gewissen Genauigkeit anzunähern (dies nennt sich Computermodell oder numerisches Modell). 
4. Stelle fest, ob die heutigen Verfahren und Rechner in der Lage sind, das Computermodell zu behandeln. Wenn Nein, gehe zu 3. und wähle eine geringere Genauigkeit. Wenn das nicht funktioniert, gehe zu 2. und vereinfache das Modell.
5. Löse das Computermodell und schaue, ob es tatsächlich die betrachteten Phänomene beschreibt. Wenn Nein, gehe zu 2. und wähle ein komplexeres Modell. Wenn Du schon vorher das mathematische Modell vereinfacht hast, um das Computermodell überhaupt auswerten zu können, suche Dir einen Numeriker, der Deinen Code anschaut, Dir Tiernamen gibt und ihn in einer Stunde um einen Faktor zehn beschleunigt. Wenn das nicht ausreicht, warte ein paar Jahre, bis entweder die Rechner dank Moore's Law das Problem erledigen können oder die Numeriker effizientere Verfahren bereit stellen. Veröffentliche währenddessen Deine Arbeiten und nenne es "Proof of Concept".

In der Schule wird dieses Paradigma nicht behandelt und im Wikipediaartikel zum mathematischen Modell heißt es banal: "Ein so genanntes Computermodell ist nichts anderes als ein mathematisches Modell, das man mit dem Computer auswertet. Dieser Vorgang wird auch Computersimulation genannt." Man beachte den Link auf die Computersimulation, wirklich kein schönes Beispiel wikipedianischer Autorenkunst.

 

Simulation oder Visualisierung einer X-43A-Scramjet-Simulation? Bild: NASA

Umgekehrt ist vielen Ingenieuren der Unterschied zwischen einer Simulation und einer Visualisierung derselben gar nicht mehr klar, so selbstverständlich sind diese Werkzeuge geworden.

Grey setzt nun noch einen drauf und redet von einem vierten Paradigma, nämlich datenbasierter Wissenschaft. Und zwar so wie Computer es möglich machen, von theoretischen Modellen auf numerische Modelle zu gehen, machen sie es ebenso möglich, von rein empirischen Beobachtungen auf das elektronische Sammeln von Daten mit anschließender Auswertung zu gehen. Dies hat deswegen eine neue Qualität, weil mittlerweile Datenmengen gesammelt werden, die jede Vorstellungskraft übersteigen und außerdem zunehmend Auswerteprogramme und geräte zur Verfügung stehen, mit denen diese Datenmengen nutzbar gemacht werden können. Dies kann in einer einfachen Form Visualisierung am Bildschirm bedeuten, aber auch komplexer sein wie die CAVE (nein, habe ich leider noch nicht erleben können), bei der 3D-Daten in einem echten Raum erfahrbar werden.

Ein krasses Beispiel ist das Planetary Skin Institute. Und zwar liefern NASA-Satelliten ja von jedem Punkt der Erde mindestens alle 24 Stunden ein Bild (naja, manchmal nur von Wolken, aber egal). Diese gigantischen Datenmengen werden gesammelt und erlauben es, nicht nur eine Darstellung der Erdoberfläche zu liefern, sondern insbesondere eine zeitliche Entwicklung der Mengen an Getreide, Wäldern oder Wüsten zu liefern. Und damit sind plötzlich Untersuchungen möglich, die noch vor zehn Jahren völlig unvorstellbar waren.

Und für die dies bis zum Ende geschafft haben:

• Terry Taos Karrieretip: Schreib auf was Du hast!
• "Obama's Wars" von Bob Woodward gelesen über den Umgang der Obama-Regierung mit Afghanistan. Am deutlichsten wird, wie unfassbar unfähig die Vorgängerregierung war. Und dass es keinen zufriedenstellenden Ausgang in Afghanistan geben wird. Interessant dazu: Link.
• Wie bewirbt man ein Luxusklo für 6.400$? So! (Danke an Tim.)

Editor-Trends-Study-Followup

Ich habe nach meinem Posting letzte Woche zur Editor Trends Study der Wikimedia Foundation nochmal etwas rumgefragt und gelesen und wurde dabei auf verschiedene Dinge gestoßen, die insgesamt das Bild ergeben, dass die Wikimedia Foundation den Handschuh bereits aufgenommen hat.

Zum Beispiel ist es für die Foundation seit einigen Wochen möglich, bei einer Gruppe von Nutzern Features an- oder auszuschalten, um deren Effekt zu testen. Erste Ergebnisse sind da, der konkrete Vorschlag die Position der Sektions-Edit-Buttons zu verschieben, scheint positive Effekte zu haben.

Darüberhinaus wurde im Februar diesen Jahres das Artikel-Feedback-Tool, eine Anwendung der Flagged Revisions, etwas systematischer untersucht. Erik Moeller, Deputy Director der Wikimedia Foundation, hatte damals mit mir an den Flagged Revisions gearbeitet und dabei diesen Aspekt, also nicht nur wie bei den gesichteten Versionen ein eindimensionales Feld, sondern ein mehrdimensionales Feld zu haben, bei dem man mehreren Attributen unterschiedliche Levels zu weisen kann (Beispiel), eingebracht. Das Problem bei dem Feedback ist, es so zu gestalten, dass man etwas damit anfangen kann. "Like" oder "Not like" ist für die Autoren eines Wikipediaartikels vielleicht motivierend, wenn die Leser den Artikel mögen, aber im anderen Fall wenig hilfreich. Die Untersuchung zeigt, dass es möglich ist, die Abfragen so zu gestalten, dass am Ende ein vernünftiges Maß für Qualität herauskommt.

Ebenfalls eine sehr schöne Initiative hat den schönen Namen Account Creation Improvement Project. Das ist ehrlich gesagt schon lange überfällig: Und zwar ist der Anmeldemechanismus wenig einladend, es wird nicht so richtig deutlich, warum es gut wäre, wenn sich die Leute anmelden und wenn man sich angemeldet hat, gibt es keine zwingende Folgebetreuung. In der deutschsprachigen Wikipedia gibt es hier das Mentorenprogramm, was ganz gut funktioniert, aber nur Leute abholt, die sich aktiv darum bemühen. Darüberhinaus bemüht sich das Nachsichtungsprojekt, darum, Neulingen Hilfestellungen zu geben, da sie über die noch freuzuschaltenden Seiten nach Konstruktion vor allem mit Neulingen in Kontakt kommen. Nächster Schritt wäre eine dringend nötige Verbesserung der Benutzerseiten, die es den Leuten einfacher machen, etwas über sich mitzuteilen.

Dieses Projekt zeigt meiner Meinung nach, warum es so wichtig ist, dass fest bezahlte Kräfte sich dieser Dinge annehmen. Zum Einen erfordert es Fertigkeiten, die unter den Wikipedianern, die vor allem Enzyklopädieartikel schreiben können, nicht weit vebreitet sind. Zum anderen ist es nicht einfach, sich zu überlegen, wie man die Benutzeranmeldung vernünftig macht und das dann noch implementiert zu kriegen und mit einem vernünftigen Design zu koppeln erfordert direkt eine Arbeitsgruppe, die über einen längeren Zeitraum an der Sache arbeitet.

Schließlich hat Stephen Walling in einem Artikel auf dem Wikimedia Blog untersucht, ob die Edits neuer Benutzer eigentlich brauchbar sind für Wikipedia. Er und seine Mitstreiter kommen zu dem Ergebnis, dass das auch mit den gestiegenen Qualitätsansprüchen noch der Fall ist, wobei sie nicht offenlegen, was ihre eigenen Ansprüche an Edits sind.

Anders gesagt: Die Wikimedia Foundation geht das Problem der zurückgehenden Mitarbeiterzahlen an. Bei Wikimedia Deutschland sehe ich leider eher dass man sich verzettelt. Beim Kompass 2020 wurde versäumt, bei der Erstellung die Community einzubinden, so dass diese sich den Plan nicht zu Eigen gemacht hat. Darüberhinaus ist der Plan sehr ambitioniert, es wird aber nicht versucht, einzelne Teile als wichtiger als andere zu identifizieren, sondern statt dessen an allen Bereichen gleichzeitig gearbeitet wird. Mal sehen wo die Reise hingeht.

Ach ja: Die Wikimedia Foundation hat derzeit eine Masse an offenen Stellen, insbesondere im IT-Bereich.

Und sonst:

• Unglaublich interessanter Vortrag von Gunter Dueck von der re:publica. Makes you really think...
• Das Harvard-Entrance-Exam 1869. Der Mathematikteil scheint am stärksten obsolet, heute würde man da komplett andere Fragen stellen.
• Total niedlich. Nur, wenn das Krümelmonster jetzt für jeden Keks einen Dollar braucht, wo soll das enden?!