น้องเม้ง สมพร ช่วยอารีย์

• ปรากฎการณ์เหล่านี้ ใช้แบบมหภาค มีข้อดีคือ แม่นยำสูง และใช้ algorithm รีดพลังเครื่องได้ แต่ต้องลงทุนเขียนโปรแกรมเยอะ ถ้าเจองานเล็กมาก ๆ บางงาน อาจไม่คุ้ม
• ผมมองว่า ในงานบางแบบ วิธีแบบจุลภาค เช่น cellular automaton หรือเป็น stochastic modeling ไปเลย อาจเขียนโปรแกรมง่ายกว่า แม้ว่า จะช้ากว่ามาก
• แต่ผมมองว่า เวลาที่ใช้รวม = เวลาเครื่อง + เวลาคน ดังนั้น การ optimize รวม ต้องนำเรื่องคนเข้ามาคิดด้วย ไม่งั้นถือว่า มองไม่ครบทุกด้าน
• ลองนึกถึง grid volume ของน้ำจำนวน grid มาก ๆ ต่างก็"ไหล"ตามกฎของตัวเอง แสวงหาเส้นทางการไหลไปตามทางของตนเอง แล้วประมวลพฤติกรรมมหภาค ซึ่งมีข้อดีคือ ไม่ต้องคำนวณโยงใยทั้งโลกเหมือน PDE แต่คำนวณแบบจำกัดอาณาเขตเล็ก ๆ ของแต่ละชิ้นย่อย สามารถลัดเลาะไปตามผิวไม่เรียบในสามมิติ โดยไม่ต้อง solve แต่ใช้วิธีตามรอยแทน ก็จะทำให้สามารถได้ค่าเฉลี่ยพฤติกรรมระบบได้คร่าว ๆ ดีพอสมควร
• ตัวอย่างเช่น กรณีของ biochemical kinetics มี Gillespie's Algorithm ที่ผมเคยเขียนเล่าไว้ ก็ใช้แบบนี้ คือแทนที่จะใช้ RKF5 ก็มาใช้ stochasic modeling รายโมเลกุลไปเลย ทำให้กำหนดเวลาได้เลย ว่า จะรอได้นานแค่ไหน รอได้เดี๋ยวเดียว ก็ simulate ไม่กี่โมเลกุล รอได้นาน ก็เพิ่มจำนวนโมเลกุล ซึ่งเพิ่มความแม่นยำขึ้น เห็นพฤติกรรมได้ดีพอสมควร ไม่แพ้การแก้เต็มรูปแบบเหมือนกัน