Computer-based methods of knowledge generation in science - What can the computer tell us about the world?

Der Computer hat die wissenschaftliche Praxis in fast allen Disziplinen signifikant verändert. Neben traditionellen Quellen für neue Erkenntnisse wie beispielsweise Beobachtungen, deduktiven Argumenten oder Experimenten, werden nun regelmäßig auch computerbasierte Methoden wie ‚Computersimulationen‘ und ‚Machine Learning‘ als solche Quellen genannt. Dieser Wandel in der Wissenschaft bringt wissenschaftsphilosophische Fragen in Bezug auf diese neuen Methoden mit sich. Eine der naheliegendsten Fragen ist dabei, ob diese neuen Methoden dafür geeignet sind, als Quellen für neue Erkenntnisse zu dienen. ... mehrDieser Frage wird in der vorliegenden Arbeit nachgegangen, wobei ein besonderer Fokus auf einem der zentralen Probleme der computerbasierten Methoden liegt: der Opazität. Computerbasierte Methoden werden als opak bezeichnet, wenn der kausale Zusammenhang zwischen Input und Ergebnis nicht nachvollziehbar ist. Zentrale Fragen dieser Arbeit sind, ob Computersimulationen und Machine Learning Algorithmen opak sind, ob die Opazität bei beiden Methoden von der gleichen Natur ist und ob die Opazität verhindert, mit computerbasierten Methoden neue Erkenntnisse zu erlangen. Diese Fragen werden nah an der naturwissenschaftlichen Praxis untersucht; insbesondere die Teilchenphysik und das ATLAS-Experiment am CERN dienen als wichtige Fallbeispiele.
Die Arbeit basiert auf fünf Artikeln. In den ersten beiden Artikeln werden Computersimulationen mit zwei anderen Methoden – Experimenten und Argumenten – verglichen, um sie methodologisch einordnen zu können und herauszuarbeiten, welche Herausforderungen beim Erkenntnisgewinn Computersimulationen von den anderen Methoden unterscheiden. Im ersten Artikel werden Computersimulationen und Experimente verglichen. Aufgrund der Vielfalt an Computersimulationen ist es jedoch nicht sinnvoll, einen pauschalen Vergleich mit Experimenten durchzuführen. Es werden verschiedene epistemische Aspekte herausgearbeitet, auf deren Basis der Vergleich je nach Anwendungskontext durchgeführt werden sollte. Im zweiten Artikel wird eine von Claus Beisbart formulierte Position diskutiert, die Computersimulationen als Argumente versteht. Dieser ‚Argument View‘ beschreibt die Funktionsweise von Computersimulationen sehr gut und ermöglicht es damit, Fragen zur Opazität und zum induktiven Charakter von Computersimulationen zu beantworten. Wie mit Computersimulationen neues Wissen erlangt werden kann, kann der Argument View alleine jedoch nicht ausreichend beantworten. Der dritte Artikel beschäftigt sich mit der Rolle von Modellen in der theoretischen Ökologie. Modelle sind zentraler Bestandteil von Computersimulationen und Machine Learning Algorithmen. Die Fragen über die Beziehung von Phänomenen und Modellen, die hier anhand von Beispielen aus der Ökologie betrachtet werden, sind daher für die epistemischen Fragen dieser Arbeit von zentraler Bedeutung. Der vierte Artikel bildet das Bindeglied zwischen den Themen Computersimulation und Machine Learning. In diesem Artikel werden verschiedene Arten von Opazität definiert und Computersimulationen und Machine Learning Algorithmen anhand von Beispielen aus der Teilchenphysik daraufhin untersucht, welche Arten von Opazität jeweils vorhanden sind. Es wird argumentiert, dass Opazität für den Erkenntnisgewinn mithilfe von Computer-simulationen kein prinzipielles Problem darstellt, Model-Opazität jedoch für Machine Learning Algorithmen eine Quelle von fundamentaler Opazität sein könnte. Im fünften Artikel wird dieselbe Terminologie auf den Bereich von Schachcomputern angewandt. Der Vergleich zwischen einem traditionellen Schachcomputer und einem Schachcomputer, der auf einem neuronalen Netz basiert ermöglicht die Illustration der Konsequenzen der unterschiedlichen Opazitäten.
Insgesamt ermöglicht die Arbeit eine methodische Einordnung von Computersimulationen und zeigt, dass sich weder mit einem Bezug auf Experimente noch auf Argumente alleine klären lässt, wie Computersimulationen zu neuen Erkenntnissen führen. Eine klare Definition der jeweils vorhanden Opazitäten ermöglicht eine Abgrenzung von den eng verwandten Machine Learning Algorithmen.

Computers have significantly changed scientific practice in almost all disciplines. In addition to traditional sources of new knowledge such as observation, deductive arguments, or experiments, computer-based methods such as 'computer simulations' and 'machine learning' are now regularly cited as sources of knowledge. This development in scientific practice raises several questions about these new methods within the philosophy of science, including whether these new methods are in fact suited to serving as sources of new knowledge. This issue is explored in this thesis with a focus on one of the central problems of computer-based methods: opacity. ... mehrComputer-based methods are considered to be opaque when the causal relationship between input and outcome is not traceable. The thesis addresses three central questions related to the problem of opacity: whether computer simulations and machine learning algorithms are opaque, whether opacity is of the same nature in both methods, and whether opacity prevents computer-based methods from yielding new insights. These questions are explored in close connection with concrete scientific practice; in particular, particle physics and the ATLAS experiment at CERN serve as important examples.
The thesis is based on five articles. In the first two articles, I compare computer simulations with two other methods – experiments and arguments – in order to position them on the ‘methodological map’ and to identify the challenges of knowledge acquisition that distinguish computer simulations from the other methods. The first article compares computer simulations and experiments. Because of the diversity of computer simulations, however, it becomes clear that a blanket comparison of these two methods is not useful. The article therefore formulates several epistemic aspects that should be used as the framework for specific comparisons in various application contexts. The second article discusses a position formulated by Claus Beisbart that regards computer simulations as arguments. This “Argument View” aptly describes the functioning of computer simulations and thus makes it possible to answer questions about the opacity and inductive character of computer simulations. However, the Argument View alone cannot adequately answer the question of how new knowledge can be obtained with computer simulations. The third article focuses on the role of models in theoretical ecology. Models are central to computer simulations and machine learning algorithms. Questions about the relationship between phenomena and models, considered here using examples from the field of ecology, are therefore central to the epistemic questions of this thesis. The fourth article connects the topics of computer simulation and machine learning. In this article, different types of opacity are defined, and computer simulations and machine learning algorithms are examined based on examples from particle physics in order to determine which types of opacity are present in each case. It is argued that opacity does not pose an intrinsic problem for acquiring knowledge using computer simulations, but model-opacity could be a source of fundamental opacity for machine learning algorithms. In the fifth article, this terminology is applied to chess computers. A comparison between a traditional chess computer and a chess computer based on a neural network allows us to illustrate the consequences of the various types of opacity.
In sum, the thesis offers a methodological classification of computer simulations and shows that an exclusive reference to experiments or to arguments cannot clarify how computer simulations lead to new insights. A clear definition of the opacities present in each case enables differentiation from the closely related machine learning algorithms.