Случайность на вычислительной машине: рождение метода Монте-Карло

Когда формула не даёт ответа

История вероятности обычно связана с задачами о монетах, картах и страховании. Но в XX веке возникла другая практическая трудность: как вычислить вероятность для системы, где слишком много взаимодействующих частей? Иногда уравнение можно записать, однако решить его точно невозможно или крайне сложно. Тогда исследователи стали использовать повторные случайные испытания как вычислительный инструмент.

Так сформировался метод Монте-Карло — общий подход, при котором компьютер много раз разыгрывает возможные варианты процесса, а итог оценивают по полученной выборке. Это не способ предсказать единственный исход. Его сила в другом: при удачно поставленной задаче множество искусственных испытаний позволяет приближённо оценить величину, которую трудно получить прямым расчётом.

Метод стал возможен благодаря встрече двух идей: вероятностного моделирования и электронных вычислений. Важную роль сыграли исследования середины XX века, когда физикам требовалось изучать процессы, происходящие внутри сложных систем, например перемещение частиц вещества.

Случайные траектории в физике

Во время Второй мировой войны в Лос-Аламосе разрабатывали теоретические и вычислительные подходы для задач ядерной физики. Одной из трудностей было описание поведения нейтронов в веществе. Частица могла двигаться, сталкиваться с ядрами, менять направление и энергию, а затем продолжать путь или поглощаться. Чтобы рассчитать судьбу большого множества частиц, приходилось учитывать цепочки возможных событий.

Вместо попытки проследить все варианты одновременно исследователи могли задавать вероятностные правила для отдельных событий. Компьютер выбирал один вариант столкновения, затем следующий, создавая искусственную траекторию частицы. Многократное повторение давало набор таких траекторий. По нему можно было оценить, например, долю частиц, достигших определённой области или прошедших через материал.

Здесь случайность была не помехой, а частью модели. Она представляла неопределённость конкретного микроскопического процесса. При этом расчёт оставался под контролем исследователя: требовалось определить возможные события и их вероятности, а также решить, какие результаты считать значимыми для поставленного вопроса.

От мысли к вычислительной процедуре

С методом Монте-Карло связывают польского математика Станислава Улама и физика Джона фон Неймана. Улам позднее рассказывал, что размышлял о вероятности выигрыша в карточной игре с раскладкой пасьянса и понял: некоторые оценки проще получать, многократно разыгрывая процесс, чем выводить аналитически. Эта идея оказалась применима и к задачам физики.

Фон Нейман помог превратить общий замысел в вычислительную практику. В частности, для моделирования нужны были последовательности чисел, похожих на случайные: по ним компьютер выбирал, какое событие произойдёт на каждом шаге. Настоящую случайность получать было трудно, поэтому использовали алгоритмы, которые производили псевдослучайные числа — последовательности, выглядящие случайными при подходящих проверках, хотя заданные детерминированными правилами.

Название «Монте-Карло» стало условным обозначением этого подхода. Оно отсылало к месту, ассоциируемому со случайной игрой, но научная идея заключалась не в игре: исследователи использовали случайный выбор как инструмент расчёта. Позднее название распространилось на широкий класс вычислительных методов, применяемых в физике, математике, инженерии и других областях.

Почему повторения дают оценку

Принцип можно пояснить простой геометрической задачей. Представим квадрат со вписанной в него окружностью. Если наугад выбирать точки внутри квадрата, то доля точек, оказавшихся в круге, при большом числе испытаний будет приближаться к отношению площади круга к площади квадрата. Поскольку это отношение связано с числом пи, случайные точки позволяют получить его приближённую оценку.

В вычислительной задаче вместо бумажного квадрата компьютер задаёт координаты, проверяет условие и повторяет процедуру. Чем больше независимых испытаний, тем обычно устойчивее оценка. Однако она не становится точной автоматически: малое число повторений может дать заметное отклонение, а ошибки в самой модели сохраняются даже при огромном количестве вычислений.

Это различие принципиально. Нужно отдельно оценивать случайную погрешность из-за ограниченного числа испытаний и неточность предположений о системе. Если компьютер неверно описывает вероятности столкновений, увеличение числа прогонов лишь точнее воспроизведёт неверную модель.

Наследие метода

Метод Монте-Карло изменил представление о вычислении: не всякую задачу нужно решать одной формулой. Иногда достаточно построить правдоподобную модель, многократно разыграть её на компьютере и изучить распределение результатов. Такой подход особенно полезен, когда система сложна, а прямое перечисление всех вариантов невозможно.

При этом вычислительный эксперимент требует прозрачности. Следует понимать, какие случайные события заложены в программу, как формируются числа и насколько результаты устойчивы при повторных расчётах. Само слово «случайный» не служит гарантией объективности: выбор модели и интерпретация её результатов остаются человеческой работой.

Историческое значение метода состоит в том, что случайность перестала быть только предметом теории. Она стала способом исследовать другие процессы — от движения частиц до сложных математических моделей. Компьютер не устранил неопределённость, но позволил систематически измерять её последствия.