ریاضی‌دان کاربردی

بخش مهمی از کار پیش از نوشتن نخستین معادله انجام می‌شود: نشستن با کسی که مسئله را دارد، روشن کردن اینکه چه چیزی مجهول است، جدا کردن متغیرهای اثرگذار از جزئیات بی‌اهمیت و انتخاب فرض‌هایی که مدل را حل‌شدنی کنند بدون آنکه پدیده را از بین ببرند. خروجی این مرحله یک دستگاه معادلات، یک مسئله بهینه‌سازی یا یک مدل احتمالاتی است.

پیش از هر محاسبه‌ای باید دانست مدل اصلاً جواب دارد یا نه. وجود و یکتایی جواب بررسی می‌شود، پایداری آن نسبت به تغییر کوچک داده ورودی سنجیده می‌شود و با بی‌بعدسازی و تحلیل مجانبی معلوم می‌شود کدام جمله‌ها قابل حذف‌اند. مدلی که به خطای اندازه‌گیری حساس باشد، هرچقدر هم دقیق حل شود، عدد بی‌معنا تحویل می‌دهد.

بیشتر مدل‌های واقعی جواب بسته ندارند و باید عددی حل شوند، اما روش حل را خود پدیده تعیین می‌کند نه سلیقه: اگر مدل بقای جرم دارد، طرحی لازم است که آن بقا را حفظ کند و اگر مجهول غلظت است، جواب نباید منفی شود. پیاده‌سازی در متلب، پایتون یا جولیا انجام می‌شود و هر اجرا در برابر حالتی حدی که جوابش از پیش معلوم است وارسی می‌شود.

پارامترهای مدل معمولاً مستقیم اندازه‌گیری نمی‌شوند و باید از داده آزمایشگاهی یا میدانی برآورد شوند؛ این خودش یک مسئله معکوس است و اغلب بدوضع. پس از برازش، مدل باید روی داده‌ای که در کالیبراسیون به کار نرفته آزموده شود و ریاضی‌دان کاربردی صریح بگوید مدل در چه بازه‌ای معتبر است و بیرون از آن بازه پاسخش را نباید باور کرد.

مذاکره بر سر ساده‌سازی‌ها سخت‌ترین بخش این گفت‌وگوست. ریاضی‌دان کاربردی پیشنهاد می‌دهد اصطکاک نادیده گرفته شود یا رفتار ماده خطی فرض شود، و متخصص حوزه باید بگوید کدام ساده‌سازی پدیده را از بین می‌برد. جلسه وقتی تمام می‌شود که روشن باشد مدل به کدام پرسش‌ها پاسخ می‌دهد، به کدام‌ها نمی‌دهد و برای دسته دوم چه داده تازه‌ای لازم است.

آنچه تحویل داده می‌شود تنها یک عدد یا یک قطعه کد نیست؛ سندی است که می‌گوید مدل بر چه فرض‌هایی بنا شده، در چه بازه‌ای از دما، فشار یا اندازه داده معتبر است و خطای تخمینی جوابش چقدر است. بدون این سه، کاربر بعدی مدل را جایی به کار می‌برد که برایش ساخته نشده و خروجی بی‌معنا را درست می‌پندارد.