Поскольку компьютеры становятся все более мощными, можем ли мы положиться на них, чтобы сделать науку более объективной? Оставляя в стороне фундаментальные ограничения вычислений, рассмотренные в предыдущей главе, заметим следующее: компьютеры настолько умны, насколько умны люди, которые их используют, пишут алгоритмы, предоставляют данные и курируют все эти данные и алгоритмы. Это очень важно, поскольку компьютеры лежат в основе современной науки, а также способны делать прогнозы, для которых нет экспериментальных данных[178][179].

Существует множество задокументированных примеров проблем воспроизводимости в медицинской науке, а также в психологической науке и когнитивной нейробиологии. Хотя худшие опасения по поводу «кризиса воспроизводимости», вероятно, преувеличены, последствия могут быть глубокими. В качестве примера можно привести печально известные исследования вакцины MMR, проведенные британским активистом Эндрю Уэйкфилдом, которые проложили путь к всплеску взглядов против вакцинации, которые, по прогнозам, будут расти, согласно анализу мнений почти 100 миллионов человек в соцсетях[180].

Воспроизводимость в компьютерном моделировании может показаться непосвященным простой и даже тривиальной: введите одни и те же данные в одну и ту же программу на той же компьютерной архитектуре, и вы должны получить те же результаты. На практике, однако, существует множество препятствий: если обратиться к команде с просьбой проверить симуляцию, выполненную десять лет назад, смогут ли они убедить свой старый код работать[181]? В целом может быть сложно, если не невозможно, проверить утверждения и аргументы, изложенные в опубликованных работах, основанных на компьютерном моделировании, выполненном много лет назад, без доступа к исходному коду и данным, не говоря уже о машинах, на которых работало программное обеспечение.

Есть и другие препятствия. Некоторые исследователи неохотно делятся своим исходным кодом, например, по коммерческим и лицензионным причинам, или из-за зависимости от другого программного обеспечения, или потому что версия, которую они использовали в своей статье, была заменена другой или утеряна из-за отсутствия резервной копии. Многие важные детали реализации и проектирования моделирования не попадают в опубликованные статьи. Зачастую человек, разработавший код, двигается дальше, код оказывается зависимым от специального или устаревшего оборудования, документация отсутствует и/или разработчики кода говорят, что слишком заняты. Есть несколько громких примеров этих проблем: от раскрытия климатических кодов и данных до задержек в обмене кодами для моделирования пандемии COVID-19. Если общественность хочет иметь доверие к виртуальным двойникам, то прозрачность проблемы воспроизводимости, открытость и своевременный выпуск кода и данных имеют решающее значение.

Степень, в которой мы можем доверять виртуальному двойнику, зависит от того, что в совокупности известно под аббревиатурой VVUQ. Во-первых, контроль (verification), который подтверждает, что результаты согласуются с экспериментом – лакмусовой бумажкой достоверности моделирования («правильное решение уравнений»). Во-вторых, проверка (validation) – гарантия того, что программное обеспечение делает то, что должно («решение правильных уравнений»). В-третьих, количественная оценка неопределенности (uncertainty quantification): отслеживание источника ошибокпроблемы воспроизводимости. Достижение достаточной надежности и отказоустойчивости – одна из ключевых задач для цифровых двойников, подчеркнутая на недавней встрече Карен Уиллкокс, директором Института вычислительной техники и наук Одена при Техасском университете в Остине[182].

Короче говоря, нам необходимо расширить знаменитый научный девиз Королевского общества: nullius in verba. Мы не только не должны «верить на слово», мы также должны распространить этот здоровый скептицизм на науку in silico: не верить на слово машинам. Однако когда компьютерным прогнозам удается пройти проверку с точки зрения VVUQ, они становятся «действительными» – эти симуляции заслуживают доверия в понятных пределах. Чтобы решить проблему, Питер возглавил европейский консорциум VECMA, который разработал инструменты для повышения доверия к моделированию[183][184].