玻尔百科从流体动力学到电磁学，物理定律由适用于空间中任何地方的连续方程所描述。然而，要利用计算机的强大能力来解决现实世界的问题，我们必须将这种无限的细节转化为一组有限的计算。当处理自然界和工程中发现的错综复杂和不规则的形状时——从分叉的肺部到湍动的恒星——这一挑战变得尤为尖锐。我们如何教会计算机理解我们世界的复杂几何，并选择正确的近似方法来捕捉物理本质，而又不会在计算上不堪重负？本文旨在弥合连续现实与离散计算之间的这一根本差距。在第一章“原理与机制”中，我们将深入探讨模拟的核心策略，探索网格生成的艺术以及不同数值求解器之间的关键权衡。随后，在“应用与跨学科联系”中，我们将穿越不同的科学领域，看看这些方法如何付诸实践，从宇宙尺度到量子层面解锁深刻的见解。我们将从检验使任何模拟成为可能的基础选择开始：如何在数字领域表示形状和运动。
想象一下，你想预测空气如何流过一辆飞驰的自行车，或者一个药物分子如何与蛋白质相互作用，又或者肺部如何长出其错综复杂的树状分支。支配这些现象的物理定律——如用于流体流动的Navier-Stokes方程或用于电磁学的Maxwell方程——都是众所周知的。它们被表达为优雅、简洁的偏微分方程。问题在于，这些方程描述的是空间中每一点的物理，即无限个点。我们的计算机，尽管功能强大，却只能处理有限的数字列表。那么，我们如何跨越世界的连续复杂现实与计算机的离散有限思维之间的鸿沟呢？
这是计算科学的核心挑战，答案是一个巧妙的近似过程，称为离散化。我们无法计算自行车周围每一点的流动，但或许我们可以在一百万或十亿个精心选择的点上进行计算，然后将这些点连接起来。选择这些点并定义它们之间关系的策略，是后续一切工作的基础。我们必须教会计算机世界的形状，而我们通过构建一个网格（或栅格）来实现这一点。这个网格是问题几何形状的支架、骨架，其设计是一门优美的艺术，它平衡了准确性、效率以及我们想要捕捉的物理现象的本质。
让我们从那辆赛车开始。它的车架是工程学的奇迹，其管材并非简单的圆柱体，而是复杂、连续变化的形状，带有锋利的边缘和错综复杂的接头。为了模拟流经其周围的空气，我们必须首先创建车架周围空间的数字表示。
构建网格最直接的方法可能是使用一个完全规则的立方体网格，就像一张三维坐标纸。这被称为结构化网格。它具有极其简单的组织结构；每个单元都有一组明确的邻居，位于一个可预测的 坐标系中。这种规律性在计算上非常廉价——计算机确切地知道在何处找到任何给定单元的邻居，这使得计算非常快。然而，当你试图将一个光滑、弯曲的自行车车架放入这个僵硬、块状的世界时，你就会遇到麻烦。表面变成了一种“阶梯状”的近似，就像一张低分辨率的像素化图像。对于空气动力学来说，表面光滑度至关重要，这简直是一场灾难。这就像试图通过用乐高积木来建模，去理解流过光滑机翼的气流。
另一种选择是一种更灵活、无序的方法：非结构化网格。在这里，我们不再局限于立方体。我们可以使用三角形、四面体，甚至是大小不一的更奇特的多面体形状，并以任何需要的方式将它们连接起来，以完美地贴合自行车车架的复杂几何形状。这给了我们难以置信的几何自由度。我们可以使靠近车架的单元变得微小而密集，以捕捉薄薄的边界层——这是空气速度在表面处降至零的关键区域——而在远处没有重要现象发生的地方，则使单元大得多。这是一个巨大的优势：我们将计算精力精确地集中在最需要的地方。
当然，这种灵活性是有代价的。计算机不再有一个简单的网格地图。对于每个单元，它必须明确存储其邻居的列表。这种“谁是我的邻居”的簿记工作增加了内存和计算开销。但对于像现代自行车这样复杂的形状，没有其他选择。准确表示几何形状是获得正确物理结果的不可妥协的第一步。
然而，有时我们可以鱼与熊掌兼得。考虑一个更简单的问题：流过一个圆柱体。我们需要在圆柱体表面附近有高分辨率，但外部区域是一个简单的矩形。在这里，混合网格是完美的解决方案。我们可以用美观的、同心的四边形单元层包裹圆柱体——即所谓的“O型网格”——这是一种“贴体”的结构化网格。这部分网格非常高效，并且非常适合用拉长的、高纵横比的单元来解析边界层。然后，我们可以使用灵活的三角形非结构化网格来填充剩余的空间，并将其无缝地缝合到O型网格的外边缘。这种有序与无序的结合，汇集了两种方法的最佳特性。对于那些复杂但并非任意复杂的几何形状，比如一系列涡轮叶片，人们可以使用块结构方法，这就像用几块不同的结构化网格片拼凑成一床被子。
在非结构化网格中，单元形状的选择也很重要。想象一下模拟流经金属泡沫换热器极其曲折通道的流动。人们可以用简单的四面体填充空间。然而，一种更先进的方法是使用多面体单元。一个多面体有许多面（通常是10-14个，而四面体只有4个）。这意味着每个单元与更多的邻居“对话”。当求解器试图计算单元中心的压力梯度等属性时，它可以从更多的方向收集信息。这导致了更准确、更稳健的近似，减少了一种被称为“数值扩散”的数值误差。因此，尽管对于相同的几何形状，多面体网格的单元数可能是四面体网格的五分之一，但它能产生更准确的答案，而且通常更快。这是一个质量胜于数量的案例。
一旦我们有了网格，就必须选择一种数值方法，或称求解器，来实际进行数学计算。事实证明，网格和求解器是密不可分的舞伴。一方的选择深刻地影响着另一方。
想象你是一位对精度极度挑剔的鉴赏家。你想对蜻蜓波纹状翅膀上的湍流进行直接数值模拟（DNS）——一种精细到能解析流动中每一个漩涡和涡流的模拟。你可能会倾向于使用谱方法。这些方法是数值精度的王者。它们不是逐个单元地分片近似解，而是将解表示为光滑的全局数学函数（如正弦和余弦）之和。对于简单、周期性域（如一个立方体的湍流流体）中的问题，它们可以达到惊人的“指数级”精度。
但问题在于：谱方法完全不能容忍复杂几何。它们要求简单、矩形的域。蜻蜓的翅膀，其复杂、非矩形的形状，是它们最可怕的噩梦。你可以尝试发明一种复杂的数学坐标变换，将翅膀的形状扭曲成一个简单的块状，但对于如此复杂的物体，这几乎是不可能的。另一种选择是有限体积法，这是计算流体动力学的“主力军”。它的形式精度较低（“二阶”对“指数级”），但其巨大优点是它适用于任何网格，包括表示蜻蜓翅膀所需的非结构化网格。这个教训是深刻的：对于涉及真实世界几何形状的问题，忠实地表示形状的能力是最关键的要求。如果一个超高精度的方法不能应用于你真正关心的问题，那它就毫无用处。
求解器的选择还涉及到看待物理问题的根本不同方式。考虑模拟一个距离金膜仅一纳米的微小金纳米颗粒尖端，这是一种用于先进显微技术（TERS）的设置。我们想要计算那个微小间隙中电场的巨大增强。
一种方法是时域有限差分（FDTD）法。它很直观：你用一个精细的网格填充整个模拟盒子，用一束光脉冲照射它，然后，一步一步地，计算电磁场如何随时间在整个网格中演化。问题在于这个逐步过程的稳定性。著名的Courant-Friedrichs-Lewy（CFL）条件规定，你的时间步长 必须小于你的空间网格尺寸 除以光速。为了解析一个1纳米的间隙，你的 需要是纳米的一小部分。这迫使你采取极其微小的时间步长。总计算量与 成正比。这被计算科学家们沉重地称为“四次方死亡定律”。对于像这样微小特征存在于大得多的空间中的多尺度问题，FDTD变得极其昂贵。
一种完全不同的哲学是边界元法（BEM）。BEM不是离散化整个空间，而是基于一个巧妙的数学技巧，将问题转化为一个只存在于物体表面上的方程。我们根本不需要对空白空间或金颗粒内部进行网格划分！我们只需要对它们的二维表面进行网格划分。这立即将一个三维问题变成了一个二维问题，极大地减少了未知数的数量。此外，BEM在频域中操作，一次只求解特定颜色光的场，这完全避免了时间步长问题。对于由表面和广阔空白区域主导的问题，BEM的效率可以比FDTD高出几个数量级。求解器的选择取决于一个问题：重要的物理现象发生在哪里？在体积中，还是在表面上？
到目前为止，我们的故事一直围绕着不懈地追求捕捉几何细节。但如果正确的方法是策略性地忽略它呢？这不是懒惰，而是一种深刻的物理洞察力。
让我们回到那个装满铜泡沫的散热器。泡沫的微观结构是一个混乱的迷宫。试图对每一个孔隙和支柱进行网格划分，在计算上将是天文数字，更重要的是，会忽略问题的关键。我们不关心某个特定孔隙中的流动；我们关心的是整个设备上的总压降和温度分布。
这就是均质化发挥作用的地方。我们可以取一个泡沫的代表性样本，详细研究其属性（或在实验室中测量），然后将它们平均化。这个过程给了我们等效属性，比如渗透率（流体通过的难易程度）和等效热导率。这些属性将所有微观几何复杂性打包成几个简单的数字。现在，我们可以将整个散热器建模为一个被赋予了这些等效属性的简单、连续的块体。控制方程不再是复杂的Navier-Stokes方程，而是简单得多的达西定律。这个“均质化”模型的计算网格根本不需要解析微观孔隙。它只需要足够精细，以解析整个设备上压强和温度的宏观梯度。选择粗糙网格不是一种妥协，而是我们所采纳的物理描述层次的正确选择。
这种选择正确抽象层次的思想，或许是现代计算建模中最关键的技能。一个绝佳的例子来自发育生物学，即试图模拟肺的生长。肺不是一个静态的物体；它是一个生长、分枝的结构。模拟它的“正确”方法是什么？答案完全取决于你问的问题。
如果你想了解长程化学信号（如FGF10和SHH等形态发生素）如何创建大尺度模式，你可以使用连续介质模型。你将组织视为一种凝胶，将化学物质视为遵循反应扩散方程的光滑浓度场。在这里，单个细胞被忽略了。
如果你想知道细胞相互拉扯产生的力如何决定一个新分支尖端的形状，你必须使用像顶点模型这样的基于细胞的模型。在这里，组织被表示为多边形的集合，模拟计算每个顶点上来自连接张力和细胞压力的力。
如果你的主要兴趣在于分支如何分裂和融合——即拓扑结构的变化——那么相场模型是理想的。它将组织与其环境之间的边界视为油和水之间的界面，受自由能原理的支配。它能自然地处理分裂和合并事件，而无需手动切割和缝合网格的噩梦。
最后，如果你认为分枝过程是由尖端的少数领导细胞的随机“决策”驱动的，你需要一个基于代理的模型。在这里，每个细胞都是一个具有自己一套规则的离散“代理”。它可能会根据局部化学环境和邻居的信号移动、分裂或改变其命运。这是捕捉单个细胞异质性影响的唯一方法。
没有单一的“肺模型”。有一套工具，智慧在于选择那个其假设和抽象层次与手头的生物学问题相匹配的工具。
随着我们推动模拟的边界，我们遇到了新的、微妙的挑战。创建一个仅仅在外观上像物体的网格是不够的；它还必须导出一个稳定且可解的数学问题。
让我们回到BEM方法，这次用它来模拟溶剂中的一个分子。分子的“表面”通常由以每个原子为中心的球体的并集定义，这会产生深而窄的缝隙。当表面网格的两部分彼此非常接近（）但并非网格上的直接邻居时，数学就会变得棘手。这两个面片之间的影响变得近乎奇异，在我们的系统矩阵的非对角线部分产生巨大的数值。这会使矩阵病态，意味着输入的微小误差可能导致输出的巨大误差。模拟结果将变得不稳定且毫无意义。
解决方案是构建一个“几何感知”的网格生成器。它必须足够智能，能够识别这些缝隙并在其内部细化网格，确保局部单元尺寸 永远不会远大于局部间隙分离距离 。这确保了离散化问题仍然是对行为良好的连续问题的忠实近似。这条规则以及其他一些规则，如确保网格三角形不会过于倾斜或尖锐，对于稳健的模拟至关重要。
最后，让我们考虑终极的多尺度问题：一个裂纹在晶体中扩展。在裂纹的最尖端，材料正在逐个键地撕裂。在这里，连续介质近似完全失效。我们必须模拟单个原子。但仅在几纳米之外，材料的行为就像一个正常的弹性固体，可以由连续介质力学完美描述。准连续介质（QC）方法是一种绝妙的混合方法，它正是这样做的。它在裂纹尖端周围的一个小区域使用完全的原子模拟，在其他所有地方使用成本低得多的连续介质有限元模型，并有一个复杂的“握手”区域来融合两者。
现在想象一下在拥有数千个处理器的超级计算机上运行这个模拟。你如何分配工作？你不能简单地给每个处理器分配等体积的空间，因为计算成本是极度异构的——原子区域的成本远高于连续介质区域。而且随着裂纹的扩展，这个昂贵的区域会移动！这需要极其复杂的动态负载均衡方案。系统必须被建模为一个加权图，其中权重代表原子和连续介质单元的计算成本。然后对该图进行分区，以在最小化通信的同时平衡负载。随着模拟的进行，这个分区必须不断地被重新评估和调整。这就是前沿：不仅仅是一个单一的模型，而是一个自适应的、活的模拟，它无缝地耦合了不同层次的物理现实，并智能地将计算资源部署到最需要它们的地方。
从用一组点代替一条光滑曲线的简单想法出发，我们已经进入了一个由混合网格、多尺度求解器和自适应多物理场框架组成的世界。每一步都证明了将自然法则转化为计算机能够理解的语言所需的独创性，使我们能够以前所未有的方式在计算机中探索世界。
在我们穿越了模拟复杂几何基本原理的旅程之后，你可能会感到一种智力上的满足感。但物理学的真正乐趣，如同任何伟大的冒险一样，在于看到这条路通向何方。这些抽象的概念——网格、求解器和计算模型——如何在世界中显现？它们如何帮助我们回答一些最深刻的问题，解决我们面临的一些最实际的问题？
你会欣喜地发现，我们所组建的工具箱具有惊人的普遍性。将复杂形状分解为可管理的部分，对每个部分应用相关的物理定律，并使用计算机来计算结果，这套核心策略使我们能够探索跨越惊人尺度范围的现象。模拟一颗爆炸的恒星的方法与设计一种救命药物的方法有着异曲同工之妙，这证明了科学的统一性。让我们踏上一段旅程，穿越从宇宙到量子的各个世界，看看这些思想如何付诸实践。
让我们从宇宙所能提供的最巨大、最猛烈的事件开始：恒星的碰撞。几十年来，两个黑洞的并合一直是数值相对论的一个里程碑式的挑战。这个问题虽然巨大，却是一个纯粹、不掺杂质的几何问题。它是对爱因斯坦方程在真空中的模拟，是扭曲时空自身的舞蹈。但当碰撞的物体不是空洞，而是真实的物质时，会发生什么呢？
这正是物理学家在模拟双中子星（BNS）系统并合时面临的问题。在这里，真空解的优雅简洁消失了。突然间，我们的模拟必须处理物质——而且不是任何普通物质，而是被压缩到极端密度的物质，一茶匙的量就比一座山还重。为了模拟这一点，我们不能再仅仅依赖爱因斯坦方程。我们必须引入一系列其他物理理论。
首先，我们需要核物质的状态方程（EoS）。这是告诉我们这种奇异物质在被挤压时如何反抗的规则手册。它是“软”还是“硬”？答案决定了恒星如何相互撕裂，它们发出的引力波的频率，以及最终的残骸是迅速塌缩成一个黑洞，还是作为一个超大质量、旋转的庞然大物短暂存活。
其次，中子星内部贯穿着宇宙中最强的磁场。当它们并合时，这些磁场被扭曲和放大，形成一个宇宙发电机。为了捕捉这一点，我们需要广义相对论磁流体动力学（GRMHD），这是一个在弯曲时空背景下描述流动的恒星等离子体与巨大磁场之间错综复杂舞蹈的理论。这一点至关重要，因为这些磁场被认为是发射我们观测到的短伽马射线暴的强大能量喷流的引擎。
最后，并合的余波是一个具有难以想象的高温和高密度的熔炉，是烹制中微子的完美炉灶。这些幽灵般的粒子流走，带走大量能量并冷却残骸。但它们也与碰撞中抛出的物质相互作用，在r-过程核合成——锻造宇宙中最重元素的反应链——中扮演着决定性角色。因此，我们的模拟必须包括中微子输运物理，以正确预测这种宇宙炼金术。
这种多物理场复杂性带来的回报是巨大的。这些模拟产生了我们的探测器（如LIGO和Virgo）可以听到的精确引力波信号，并且它们预测了望远镜看到的电磁余辉——“千新星”。通过将模拟与观测相匹配，我们不仅在检验广义相对论，还在探测物质在其最极端状态下的性质，并见证我们珠宝中的黄金和发电厂中的铀的宇宙起源。
让我们从宇宙拉回到我们居住的世界。同样的基本原理在设计载我们飞行的机器中发挥着作用。考虑模拟飞机机翼或翼型上的气流。乍一看，问题似乎很简单：一个光滑物体在平稳流动中。但正如任何看过烟雾在空中卷曲的人所知，流体运动有一种顽皮的倾向，会变得混乱和湍动。
一个天真的模拟可能会假设任何给定点的湍流仅取决于该瞬间的局部条件。这是简单的“混合长度”模型的精髓。对于一架平稳巡航的飞机来说，这可能足够好。但是当飞机爬升得太陡，气流从机翼表面分离，导致失速时会发生什么？在这种“非平衡”情况下，简单的模型会彻底失败。
为什么？因为湍流有记忆。上游产生的湍流涡流会随着气流被携带，影响下游发生的情况。湍流是一种被输运的属性。更复杂的模型，如-模型，之所以成功，是因为它们接受了这一事实。它们引入新的方程来追踪湍动能（）及其耗散率（）的输运——即平流和扩散——就好像它们是流体携带的物质一样。通过考虑流动的历史，这些模型可以准确预测分离区域中流动的复杂再循环和再附着，这对于设计安全高效的飞机至关重要。
但是我们如何找到最佳的翼型形状呢？我们不可能模拟每一个可以想象的曲线。在这里，我们从大自然中借鉴了一个绝妙的想法：演化。在一种称为演化优化的方法中，我们不直接操纵翼型的几何形状。相反，我们使用少数几个参数来定义其形状，比如多项式方程中的系数。这串数字就是翼型的基因型——它的遗传密码。
然后，方程将此代码转化为实际的物理形状，即表现型。算法创建一个随机基因型的种群，将它们转化为表现型，并对每个表现型运行模拟以测量其性能或“适应度”——比如说，升阻比。最适应的个体“存活”并“繁殖”，结合它们的遗传密码（加上一点随机突变）来创造下一代。经过许多代，算法会收敛到一个最优设计，而设计师甚至不需要对最佳形状有任何直觉。这是基于物理的模拟与优化之间惊人强大的合作，是一种探索广阔可能设计宇宙以找到大海捞针的方法。
现在让我们放大，越过任何肉眼所能及的范围，进入分子的世界。在这里，“复杂几何”是蛋白质的奇妙复杂形状，它们是驱动生命过程的微小机器。模拟这个世界带来了其自身一系列迷人的挑战和权衡。
在我们开始之前，我们必须面对一个发人深省的真理，通常概括为“垃圾进，垃圾出”。模拟是一台机器，用于推导你提供给它的物理定律的逻辑结果。如果你提供了不正确的定律，它会给你一个完全合乎逻辑但完全错误的答案。
想象一个经过数百万年演化，能够结合一个钙离子 的蛋白质。实验学家会告诉你，它创造了一个舒适的口袋，有大约七到八个配位原子，距离约为 埃。现在，假设一个学生在设置模拟时，错误地使用了镁离子 的物理参数，镁离子明显更小，并且更喜欢被仅六个原子包围，距离更近，为 埃。模拟会做什么？它不会抗议。它会忠实地应用由错误参数决定的力。模拟对蛋白质的原子施加强大的拉力，试图迫使它们进入适合较小离子的几何构型。结果是一场灾难：精心演化的结合位点塌陷，配体被不自然地拉伸或排出，整个局部结构被扭曲。这个教训是深刻的：我们对生命机械的模拟的准确性完全取决于我们底层物理模型——力场——的保真度。
这把我们带到了分子模拟中最深刻的战略选择之一：我们需要多大程度的细节？我们是模拟每一个原子，还是可以用更简单的东西来代替？这是全原子（AA）模拟和粗粒化（CG）模拟之间的权衡。
把它想象成选择一个相机镜头。全原子模拟就像一个强大的微距镜头。它代表了每一个原子，包括每一个氢原子，并且可以捕捉到化学的极其精细的细节：一个氢键的精确几何形状，一个胆固醇分子嵌入蛋白质缝隙的具体方式，或者药物与其靶标之间的确切相互作用。如果你想了解一个特定的化学相互作用如何工作，这些细节是必不可少的。但这种细节是有代价的。计算量如此之大，以至于我们只能在非常短的时间内模拟非常小的系统——纳秒到微秒。
粗粒化模拟就像一个广角镜头。它将原子簇组合成单个“珠子”，抹平了精细的细节。通过移除最快的原子振动，它使我们能够采取更大的时间步长，并在更长的时间内模拟更大的系统——毫秒或更长。用这个镜头，我们失去了看到单个氢键的能力，但我们获得了看到大规模、集体现象的能力：一整片细胞膜弯曲和卷曲，蛋白质聚集在一起，或者一个囊泡出芽。
计算生物学家的艺术在于为问题选择合适的镜头。要发现一种新药的特定结合位点，你必须使用全原子微距镜头。要了解该药物的存在可能如何影响细胞膜的整体形状和柔韧性，你必须切换到粗粒化广角视图。
这种思维延伸到像药物发现这样的特定应用中。假设我们想找到一种药物，它不仅能粘附在蛋白质上，还能与它形成一个永久的共价键——这是关闭一个失控酶的强大策略。一个标准的模拟，只模拟可逆的推和拉，是无用的。我们需要一个专门的工作流程来模仿化学反应。这样的协议首先将药物引导到一个合理的反应前姿势，然后——在一个关键步骤中——以编程方式改变系统的拓扑结构。它告诉计算机断开旧键并形成一个新键，实际上将药物“粘”到蛋白质上。然后用一个特殊的“共价感知”评分函数来评估所得到的复合物。这是一个美丽的例子，说明我们的模拟工具必须根据手头问题的特定化学性质进行磨砺和调整。
我们的旅程在现实的基本层面结束：量子领域。如果我们的问题的核心——一个化学键的断裂，一个光子的吸收——是一个内在的量子力学过程，但它发生在一个广阔的、经典的环境中，该怎么办？用量子力学模拟整个系统在计算上是不可能的。
考虑一个生色团——一个吸收光的分子——溶解在像水这样的溶剂中。它的颜色由激发其一个电子所需的能量决定，这是一个典型的量子过程。然而，周围的水分子并不仅仅是静止的。它们的集体电场拉扯着生色团的电子，改变了跃迁所需的能量，从而改变了它的颜色。这就是溶剂化显色效应的现象。
我们怎么可能模拟这个？解决方案既优雅又实用：混合QM/MM方法。其思想是将你的计算火力集中在最重要的地方。我们划定一条界线：生色团本身是我们的“量子”区域（QM层），我们用量子理论的全部严谨性（如含时密度泛函理论）来处理它。周围成千上万的溶剂分子被视为“经典”环境（MM层），由一个简单得多的分子力学力场来表示。
关键是这两层之间会进行通信。在一个称为电子嵌入的方案中，生色团的量子计算是在所有经典溶剂分子产生的静电场存在的情况下进行的。QM部分“感受”到MM环境，这会使其电子云极化并改变其性质——这就是光谱位移的来源。
但这还不是全部。液体不是静态的晶体；它是一个动态、波动的群体。单一的快照是无意义的。正确的协议要求我们首先对整个系统进行经典模拟，以生成一个代表性的、包含数千个不同溶剂构型的系综。然后，对于这些快照中的每一个，我们都进行昂贵的QM/MM计算。最终可观测到的颜色位移是这个整个系综结果的平均值。这个美妙的过程无缝地连接了电子的量子世界、分子运动的经典世界以及统计力学的宏观世界。
从碰撞中子星的灾难到单个电子的量子跃迁，我们看到了同样的故事在展开。定义一个几何形状，陈述相关的物理定律，并授权计算机计算其后果。无论几何是时空的结构、机翼的表面、蛋白质的口袋，还是溶剂分子的闪烁排列，其智力框架都是相同的。
这些模拟远不止是“数字运算”。它们是虚拟实验室，我们可以在其中测试在现实中无法测试的想法。它们是显微镜，可以放大那些太快或太小而无法看到的过程。最重要的是，它们是直觉的工具，让我们能够看到简单、优雅的物理定律如何产生我们周围世界光荣而复杂的景象。它们揭示了自然深刻而美丽的统一性，一种我们现在首次能够探索和理解其全部丰富性的统一性。