La ciencia computacional usa las computadoras como instrumento de descubrimiento: conviertes una pregunta sobre la naturaleza o la ingeniería en un modelo matemático, lo resuelves numéricamente y comparas el resultado con la medición. Está junto a la teoría y el experimento, y es como estudiamos lo demasiado grande, pequeño, rápido, lento o peligroso para probarlo directamente, desde el clima hasta los puentes.
Conceptos clave
- Modelado: elegir qué incluir y qué ignorar, y enunciar con claridad las ecuaciones y las suposiciones.
- Discretización: convertir problemas continuos en finitos con mallas, pasos de tiempo y elementos finitos.
- Error y estabilidad: el redondeo, el truncamiento y el condicionamiento deciden si una respuesta numérica es fiable.
- Verificación y validación: comprobar que resolviste bien las ecuaciones, y luego que describen la realidad.
- Rendimiento: la vectorización, el paralelismo y la disposición de la memoria suelen importar más que los algoritmos ingeniosos.
Vocabulario
- Convergencia: la respuesta numérica que se acerca a la exacta al reducir la malla o el paso.
- Problema rígido: aquel donde la estabilidad, no la precisión, obliga a pasos de tiempo minúsculos.
- Monte Carlo: estimar una cantidad mediante muestreo aleatorio.
- Reproducibilidad: que otra persona, o tú más adelante, obtenga el mismo resultado con las mismas entradas.
Qué estudiar, en orden
- Cálculo, álgebra lineal y un lenguaje con arreglos numéricos, como Python con NumPy o Julia.
- Resuelve una ecuación diferencial ordinaria con el método de Euler, luego con uno mejor, y dibuja el error frente al tamaño del paso.
- Estudia la aritmética de coma flotante buscando dónde una fórmula pierde dígitos.
- Resuelve una ecuación del calor o de ondas en una malla, y prueba la convergencia contra una solución conocida.
- Perfila tu código, paraleliza la parte lenta y deja escrito cómo lo validaste.
Etiquetas relacionadas
#numerical-analysis #simulation #hpc #research-software #linear-algebra