Sei sulla pagina 1di 8

Universalidad de los modelos matemáticos en la comprensión de la naturaleza, la sociedad y el mundo hecho por el hombre *

Roderick Melnik ** 12 de junio de 2017

1. Conocimiento humano, modelos y algoritmos

Existen muchos modelos estadísticos y matemáticos para la acumulación del conocimiento humano. Tomando uno de ellos como punto de partida, el modelo Anderla, aprenderíamos que la cantidad de conocimiento humano 40 años atrás era 128 veces mayor que en el año 1 d.C. También sabemos que éste se ha incrementado drásticamete a lo largo de las últimas cuatro décadas. Sin embargo, la mayoría de estos modelos tienen base en la economía y consideran sólo los desarrollos tecnológicos, siendo que hay mucho más que considerar respecto del conocimiento humano. El conocimiento humano ha sido siempre vinculado a modelos. Tales modelos cubren una variedad de campos del ámbito humano, desde las artes a la agricultura, desde la descripción de los fenómenos naturales al desarrollo de nuevas tecnologías y a los intentos de comprender mejor los problemas sociales. Desde los albores de la civilización humana el desarrollo de estos modelos, de alguna u otra manera, ha estado siempre conectado con el desarrollo de las matemáticas. Estos dos procesos, el desarrollo de modelos representando el núcleo del conocimiento humano y el desarrollo de las matemáticas, han ido siempre mano a mano el uno con el otro. Desde nuestro conocimiento acerca de la física de partículas y los vidrios de spin [5,7] como las ciencias de la vida y las estrellas de neutrones [2,6,17], la universalidad de los modelos matemáticos debe mirarse desde esta perspectiva. Por supuesto, la historia de las matemáticas se retrotrae mucho más allá del año 1 d.C., como se mencionó antes, adentrándose mucho más en el inicio de las civilizaciones. Sabemos, por ejemplo, que tan pronto como en los siglos VI-V a.C. los pobladores del Antiguo Mundo, incluyendo a las civilizaciones predinásticas Sumerias y Egipcias, reflejaban sus modelos de base geométrica en sus artefactos. La gente de ese entonces comenzaba a obtener información acerca de los fenómenos observados en la naturaleza mediante el uso de representaciones cuan- titativas, esquemas y figuras. La geometría jugó un rol fundamental en el Antiguo Mundo. Con los asentamientos de la civilización y el desarrollo de la agricultura, el rol de las matemáticas en general, y de los métodos cuantitativos en particular, se ha incrementado sustancialmente. Desde las épocas tempranas de mediciones de planos de tierras y de la creación del calendario

* Traducción de man-made world. ** Extracto y traducción del Capítulo 1 del libro Mathematical and Computational Modeling. With Applications in the Natural and Social Sciences, Engineering and the Arts [1].

1

lunar, los Sumerios y los Babilonios, entre otros, estaban contribuyendo enormemente al desa- rrollo de las matemáticas. Sabemos que desde aquellos tiempos las matemáticas nunca han sido desarrolladas de manera aislada respecto de otras disciplinas. La fertilización cruzada entre las ciencias matemáticas y otras disciplinas es lo que produce una de las partes más valiosas del conocimiento humano. Más aun, las matemáticas poseen un lenguaje universal que permi- te que otras disciplinas avancen significativamente en sus propios campos del conocimiento, contribuyendo de esta manera al conocimiento humano como un todo. Entre otras disciplinas, la arquitectura y las artes han jugado un rol importante en este proceso desde tan temprano como lejos podamos mirar. Recordemos que las series fueron el origen del diseño armónico. Esta técnica era conocida en el Antiguo Egipto al menos desde la construcción de la pirámide de Kefrén en Guiza en 2500 a.C. (la más antigua que se conoce es la pirámide de Zoser, proba- blemente construida entre 2630 y 2611 a.C.). La proporción áurea y la secuencia de Fibonacci tienen profundas raíces en las artes, incluyendo a la música, y también en las ciencias naturales. Hablando de matemáticas, H. Poincaré mencionó una vez que “es la inesperada conjunción de diversas partes de nuestra ciencia la que provee progreso” [12]. Sin embargo, esto es muy cierto también con respecto a otras ciencias y, más generalmente, para todas las ramas de las actividades humanas. En los tiempos de Poincaré se creía que la matemática “se confina a sí misma al mismo tiempo a la filosofía y a la física, y es por estas dos vecinas que trabajamos” [12]. Hoy en día el análisis cuantitativo como herramienta esencial del arsenal matemático, en conjunto con modelos matemáticos, estadísticos y computacionales asociados, hace avanzar al conocimiento en prácticamente todos los dominios de la actividad humana. Los modelos basa- dos en análisis cuantitativos están ahora arraigados firmemente en áreas aplicadas que fueron sólo recientemente (en términos históricos) consideradas como no-tradicionales por la matemá- tica convencional. Esto incluye, pero no se limita a, las ciencias de la vida y la medicina, el diseño centrado en el usuario e ingeniería blanda, nuevas ramas de las artes, los negocios y las ciencias económicas, sociales y del comportamiento. El reconocimiento universal de los modelos matemáticos en la comprensión de la naturaleza, la sociedad y el mundo construido por el hombre tiene también un origen antiguo. Pitágoras ya enseñaba que en su sentido más profundo la realidad es de naturaleza matemática. El origen de la cuantificación de la ciencia se ubica al menos en los tiempos de la enseñanza de Pitágoras acerca de que los números proveen la clave para la realidad última. La tradición Pitagórica está bien reflejada en la declaración de Galileo respecto de que “el Libro de la Naturaleza está escrito en el lenguaje de las matemáticas.” Hoy en día somos testigos de que las áreas de aplicación de las matemáticas no sólo crecen rápidamente en las más tradicionales ciencias naturales e inge- nieriles, sino también en las ciencias sociales y del comportamiento. Debe notarse que el término “universalidad” es también utilizado en la literatura en contextos diferentes, más específicos y estrechos. Por ejemplo, en mecánica estadística la universalidad es la observación acerca de que existen propiedades en una gran cantidad de sistemas que son independientes de los detalles dinámicos del sistema. Una definición puramente matemática de una propiedad universal se suele dar en base a las representaciones de la teoría de categorías. Otro ejemplo es provisto por la ciencia computacional y la teoría de computabilidad, en las cuales la palabra “universal” se suele aplicar a un sistema que es completo según Turing. Existe también un principio universal, una propiedad de un sistema que suele modelarse mediante matrices aleatorias. Estos concep- tos son útiles para modelos matemáticos o estadísticos correspondientes y son discutidos en muchos artículos (ver, por ejemplo, [3–8, 15, 17] y sus referencias). Por ejemplo, los autores de la Ref. [3] discuten las clases de universalidad para redes complejas con posibles aplicaciones en sistemas dinámicos sociales y biológicos. Un límite de escalamiento universal para una clase de modelos matemáticos de tipo Ising se discute en la Ref. [7]. El concepto de universalidad de las predicciones se discute en la Ref. [15] dentro del marco Bayesiano. La universalidad de la

2

computación es materia de discusión en la Ref. [4], mientras que la universalidad en ciencias

físicas y de la vida es discutida en las Refs. [8] y [6], respectivamente. Dada un breve raconto histórico demostrando la presencia intrínseca de los modelos en el conocimiento humano desde

los albores de las civilizaciones, la “universalidad” aquí es entendida en un sentido Aristotélico

más general: “Decir que lo que es, no es, o que lo que no es, es, es falso; mientras que decir que lo

que es, es, y que lo que no es, no es, es cierto.” La razón subyacente para esta universalidad reside en el hecho de que los modelos están inherentemente ligados a los algoritmos. Desde los tiempos antiguos hasta ahora, las actividades humanas y las aplicaciones prácticas han estimulado el desarrollo de algoritmos basados en modelos. Si notamos que las áreas abstractas de las matemá- ticas están también basadas en modelos, se puede concluir que los algoritmos matemáticos han estado en el corazón del desarrollo de las matemáticas mismas. La palabra “algoritmo” derivó de Al-Khwarizmi (780-850), un matemático, astrónomo y geógrafo, cuyo nombre proviene de su lugar de nacimiento (Khwarezm o Corasmia). Esta palabra indicaba una técnica con numerales. Tales técnicas estaban presentes en las actividades humanas bastante antes del siglo diecinueve, mientras que ya se conocían en aquel momento algoritmos específicos, principalmente estimu- lados por consideraciones geométricas. Algunos ejemplos son los algoritmos para aproximar el área de un círculo (conocido por los babilonios e indios), un algoritmo para calcular π mediante

la

inscripción y circunscripción de un polígono alrededor de un círculo (conocido ya por Antifón

y

por Brisonte en el siglo V a.C.), el algoritmo de Euclides para determinar el máximo común

divisor de dos enteros y muchos otros. Un posterior desarrollo de la temática estuvo muy entre-

lazado con aplicaciones y con otras disciplinas. Esto llevó a lo que en la segunda parte del siglo

XX fue denominado por E. Wigner como “la excesiva eficacia de las matemáticas en las ciencias

naturales.” Además de las áreas tradicionales de las ciencias naturales y las ingenierías, el siglo

XX presenció un rol todavía creciente de los modelos matemáticos también en las ciencias de la

vida y ambientales. Este desarrollo estuvo basado en logros tempranos. En efecto, alrededor del 300 a.C., Aristóteles estudió la manera en la cual las especies evolucionaban para adaptarse a su entorno. Sus trabajos sirvieron como piedra fundamental para el desarrollo de las teorías mo- dernas de la evolución, y sus miradas holísticas y enseñanzas acerca de que “el todo es más que

la suma de sus partes” ayudaron al progreso de la ciencia de sistemas en general y a la biología

de sistemas en particular. Un fuerte crecimiento de la genética y la biología de poblaciones en

el siglo XX comenzó efectivamente a partir del redescubrimiento de las leyes de G. Mendel en 1900 (originalmente publicadas en 1865-1866) y un ímpetu supremo para que este crecimiento estuviera ligado a modelos matemáticos fue dado por el Teorema Fundamental de la Selección Natural de R. A. Fisher en 1930. Este resultado se basó en una ecuación diferencial a derivadas

parciales (PDE) que expresa la tasa de aumento de la aptitud para cualquier organismo vivo. Los modelos matemáticos también se desarrollaron en otras áreas de las ciencias de la vida,

incluyendo los sistemas predador-presa de A. J. Lotka y V. Volterra (1925-1931), los modelos de A. A. Malinovsky para la genética evolutiva y el análisis de sistemas (1935), la ecuación de R. Fisher y A. Kolmogorov para la propagación de genes (1937), las ecuaciones de A. L. Hodgkin

y A. F. Huxley para el potencial de membrana de los axones neuronales (1952), por nombrar

sólo algunos. Nuevas teorías, tales como las de auto-organización y de formación de patrones biológicos, han aparecido y han demostrado la poderosa fertilización cruzada entre las mate-

máticas y las ciencias de la vida (véanse detalles adicionales en la Ref. [2]). Más recientemente,

la gran disponibilidad de datos moleculares, funcionales y genómicos detallados ha dado lugar

a un desarrollo sin precedentes de nuevos modelos matemáticos gobernados por datos. Co-

mo resultado, las herramientas del modelado matemático y los experimentos computacionales

están volviéndose más que importantes en la actualidad de las ciencias de la vida. La misma conclusión se aplica también a las ciencias ambientales, de la tierra y climáticas. En base a datos obtenidos desde 1880, hoy en día sabemos que el calentamiento global ha sido mayormente

3

causado por la influencia del hombre en el mundo con sus emisiones al quemar combustibles fósiles, la contaminación ambiental y otros factores. De aquí en adelante tendremos la necesidad de resolver muchos problemas ambientales desafiantes y el rol de las matemáticas y el modelado computacional en las ciencias ambientales, de la tierra y climáticas continuará en aumento [14]. Los modelos matemáticos y los algoritmos se han vuelto esenciales para muchos profesiona-

les en otras áreas, incluyendo a sociólogos, analistas financieros, científicos políticos, trabajadores de la administración pública y los gobiernos [13], y la lista continúa creciendo. Nuestra discusión sería incompleta si no mencionamos aquí una profunda conexión entre las matemáticas y las artes. Las civilizaciones antiguas, incluyendo a los egipcios, mesopotámicos y chinos, estudiaron

la matemática del sonido y los antiguos griegos investigaron la expresión de las escalas musica-

les en términos de relaciones entre números enteros pequeños. Ellos consideraban a la armonía como una rama de la ciencia, conocida ahora como acústica musical. Trabajaron para demostrar que las leyes matemáticas de los armónicos y los ritmos tienen un carácter fundamental no sólo para la comprensión del mundo sino también para la felicidad y prosperidad humanas. Mientras se encuentran numerosos ejemplos de la conexión intrínseca entre las matemáticas y las artes en el Antiguo Mundo, sin dudas el Renacimiento trajo consigo una reaparición enri- quecida de las culturas clásicas del mundo antiguo e ideas matemáticas, no sólo para una mejor comprensión de la naturaleza sino también para las artes. En efecto, el hecho de pintar escenas tridimensionales en un lienzo bidimensional presenta sólo un ejemplo en el cual tal conexión

mostró ser crítica. No sólo los filósofos, sino también los artistas, estaban convencidos de que

el universo entero, incluyendo las artes, podían explicarse con técnicas geométricas y numéri-

cas. Existen muchos ejemplos del período renacentista en los cuales los pintores eran también

matemáticos, entre ellos Piero della Francesca (1415-1492) y Leonardo da Vinci (1452-1519). Hoy en día las artes y las matemáticas están muy interconectadas y continúan enriqueciéndose mutuamente. Hay muchas obras de arte arquitectónicas y pinturas que han sido preservadas basadas en la implementación de sofisticados modelos matemáticos. Eficientes algoritmos grá- ficos computacionales han permitido introducir una nueva dimensión en muchas ramas de las artes modernas, mientras que un número de compositores han incorporado ideas matemáticas

en sus obras (la proporción áurea y los números de Fibonacci entre ellos). Son también muy conocidas las aplicaciones musicales de la teoría de numeros, el álgebra y la teoría de conjuntos, entre otros. Mientras los algoritmos y los modelos han sido siempre centrales en el desarrollo de las ciencias matemáticas, proveyendo un vínculo esencial con las aplicaciones, su importancia ha sido drásticamente amplificada en la era computacional, donde el rol del modelado matemático

y el experimento computacional en la comprensión de la naturaleza y de nuestro mundo se

vuelve imprescindible.

2. Mirando hacia el futuro desde la perspectiva del modelado

Aunque a escala histórica las computadoras electrónicas pertenecen a una invención humana muy reciente, las primeras operaciones de cómputo fueron efectuadas desde tiempos remotos por las personas mismas. Desde el ábaco a los huesos de Napier, desde la Pascalina hasta la má- quina de Leibnitz, desde la máquina diferencial (luego analítica) de Babbage hasta la invención de la máquina tabuladora de Hollerith como precursor de IBM, paso a paso, hemos incremen- tado abismalmente nuestra capacidad de cómputo. Hoy en día las modernas computadoras nos permiten incrementar nuestra productividad en cuanto a nuestro desarrollo intelectual y el pro- cesamiento de la información a un nivel no visto antes en la historia humana. Este proceso lleva a un rápido desarrollo de nuevos algoritmos matemáticos que están cambiando completamente el

4

panorama de las actividades humanas, penetrando en nuevas e inesperadas áreas. Como resul- tado, el modelado matemático expande sus horizontes interdisciplinarios, proveyendo vínculos entre diferentes disciplinas y actividades humanas. Penetra a través de más y más disciplinas, mientras que las necesidades prácticas de las actividades y aplicaciones humanas, tanto como la interfase entre estas disciplinas, las actividades humanas, las matemáticas y sus aplicacio- nes, estimulan el desarrollo de nuevos métodos, enfoques y herramientas de vanguardia. En este contexto merecen una mención especial las áreas relacionadas a las ciencias sociales, del comportamiento y de la vida. El rango de permanente expansión de la interacción bidireccional entre el modelado matemático y estas disciplinas indica que la misma es virtualmente ilimitada. En efecto, tomando como ejemplo a las ciencias de la vida, las aplicaciones de los algoritmos, métodos y herramientas matemáticas en el diseño de drogas y su administración, mapeo genéti-

co y dinámica celular, neurociencias y bionanotecnología se han vuelto ubicuas. Mientras tanto, nuevos desafíos en estas disciplinas, tales como la secuenciación de macromoléculas (incluyendo aquellas ya presentes en las bases de datos biológicas), proveen un catalizador importante para el desarrollo de nueva matemática, nuevos algoritmos eficientes y métodos [1]. Las geometrías euclídeas, no-euclídeas y fractales, así como un vínculo intrínseco entre la geometría y el álgebra como fuera señalado por R. Descartes a través de su sistema de coordenadas, han mostrado ser muy importantes en estas disciplinas, mientras que el descubrimiento del botánico escocés R. Brown de lo que se conoce como el movimiento browniano ha revolucionado muchas áreas de las matemáticas. La teoría del juego y los desarrollos en control y cibernética estuvieron influen- ciados por los desarrollos en las ciencias sociales, del comportamiento y de la vida. mientras que

el

crecimiento de la ciencia de sistemas ha provisto uno de los fundamentos para el desarrollo de

la

biología de sistemas, donde los sistemas biológicos son considerados de una manera holística

[2]. Hay una comprensión creciente acerca de que las interacciones entre diferentes componentes

de un sistema biológico a diferentes escalas (por ejemplo, desde un nivel molecular a uno sisté- mico) son críticas. Los sitemas biológicos proveen un excelente ejemplo de sistemas acoplados

y de dinámica multiescala. El carácter multiescala espaciotemporal de la mayoría de los sitemas

en la naturaleza, la ciencia y las ingenierías es intrínseco, demostrando una interacción compleja de sus componentes, bien dilucidado en la literatura (p. ej. en [9,10,14] y sus referencias). En las ciencias de la vida la cantidad de tales ejemplos de sistemas acoplados multiescala y problemas asociados está creciendo rápidamente en áreas diferentes, aunque usualmente interconectadas. Algunos ejemplos son:

Redes biológicas complejas, genómica, biología de sistemas celulares y enfoques de siste- mas biológicos en otras áreas, estudios de varios órganos, sus sitemas y funciones;aunque usualmente interconectadas. Algunos ejemplos son: Dínamica cerebral, neurociencia y fisiología, biología

Dínamica cerebral, neurociencia y fisiología, biología del desarrollo, evolución y dinámica de la evolución de juegos biológicos;estudios de varios órganos, sus sitemas y funciones; Problemas inmunológicos, epidemiología y enfermedades

Problemas inmunológicos, epidemiología y enfermedades infeccionsas, desarrollo, admi- nistración y resistencia de drogas;y dinámica de la evolución de juegos biológicos; Propiedades, dinámica e interacciones en varias longitudes

Propiedades, dinámica e interacciones en varias longitudes y escalas de tiempo en bio- macromoléculas, incluyendo ADN, ARN, proteínas, autoensamblaje y formación de pa- trones espaciotemporales en sistemas biológicos, transiciones de fase, etc.desarrollo, admi- nistración y resistencia de drogas; Muchas herramientas matemáticas y de modelado computacional

Muchas herramientas matemáticas y de modelado computacional son ubicuas. Son univer- sales, en tal sentido que pueden ser aplicadas in muchas áreas del ámbito humano. Las ciencias de la vida tienen un lugar especial cuando miramos hacia el interior de los futuros desarrollos del modelado matemáticos y computacional. De hecho, en comparación con otras áreas, por ejemplo aquellas en las cuales estudiamos sistemas físicos o ingenieriles, nuestro conocimiento

5

de los sistemas biológicos es bastante limitado. Una de las razones detrás de esto es la comple- jidad de los sistemas biológicos, caracterizada por el hecho de que la mayoría de los sistemas biológicos requiere lidiar con interacciones multiescala de sus partes altamente heterogéneas en distintas escalas de tiempo. En estos casos en particular, el proceso de modelado matemático y computacional se trans- forma frecuentemente en una fuente motriz para el desarrollo de jerarquías de modelos matemá- ticos. Esto ayuda a determinar el rango de aplicabilidad de los modelos. Lo que es especialmente importante es que basándonos en tales jerarquías los modelos matemáticos pueden asistirnos

al explicar el comportamiento de un sistema bajo diferentes condiciones y la interacción de

diferentes componentes de un sistema. Claramente, diferentes modelos para un mismo siste- ma pueden involucrar un abanico de estructuras matemáticas y pueden ser formalizados con

diversas herramientas matemáticas, tales como modelos basados en ecuaciones o inecuaciones, gráficos y modelos teóricos de lógica y juego. Sabemos hasta el momento que la clase de modelos que se pueden someter a tratamientos analíticos, mientras se mantienen asunciones realistas, es sorprendentemente pequeña cuando se compara con la clase general de modelos matemáticos que se ubican en la vanguardia de la ciencia moderna y la ingeniería [11]. Como resultado, la mayoría de los problemas modernos son tratados numéricamente, en cuyo caso el desarrollo de algoritmos eficientes se torna crítico. Tan pronto como tales algoritmos son implementados en una computadora, podemos ejecutar el modelo muchas veces bajo diferentes condiciones, lo cual nos ayuda a responder preguntas relevantes de manera más rápida y más eficiente, proveyéndonos una opción para mejorar el modelo cuando sea necesario. Modelo-algoritmo- implementación es una tríada que se encuentra en el corazon del modelado matemático y los experimentos computacionales. Es una herramienta penetrante, potente, teórica y práctica, que cubre el paisaje completo de aplicaciones matemáticas [11]. Esta herramienta jugará un rol cre- ciente fundamental en el futuro dado que podremos llevar a cabo el modelado matemático y el experimento computacional aun en aquellos casos en los cuales los experimentos naturales sean imposibles. Al mismo tiempo, dados los procedimientos adecuados de validación y verifica- ción, podemos proveer información confiable más rápidamente y de manera menos costosa en comparación con los experimentos naturales. Las interacciones bidireccionales entre los nuevos desarrollos en tecnología de la información y el modelado computacional y los experimentos computacionales están aumentando continuamente las capacidades predictivas y el poder de investigación de los modelos matemáticos. Mirando hacia el futuro desde una perspectiva de modelado, debemos también señalar que tales capacidades predictivas y tal poder de investigación nos permiten lidiar con sistemas complejos que poseen partes intrínsecamente interconectadas (acopladas), interactuando de una manera dinámica no trivial. Además de las ciencias de la vida, del comportamiento y sociales, mencionadas anteriormente, tales sistemas aparecen en muchas otras áreas, incluyendo, pero no limitadas a, problemas de energía y fusión, ciencias de materiales y química, altas energías

y física nuclear, cosmología y astrofísica, ciencias de la tierra, del clima, ambientales y de

sustentabilidad. Adeás del desarrollo de nuevos modelos y algoritmos eficientes, el éxito del modelado matemático predictivo en aplicaciones depende también de futuros avances en ciencias de la información y del desarrollo de métodos estadísticos, probabilísticos y cuantificación de incertezas. La incerteza proviene de diferentes fuentes, entre las cuales mencionaremos los parámetros con valores inciertos, incertezas en el modelo como representación del fenómeno, proceso o sistema subyacentes y la incerteza en la recolección/procesamiento/medición de datos para la calibración del modelo. La tarea de cuantificar y mitigar estas incertezas en los modelos matemáticos conlleva al desarrollo de nuevos métodos estadísticos/estocásticos, junto con métodos para una integración eficiente de datos y simulación.

6

Además de apoyar las teorías de soporte y aumentar nuestras capacidades de predicción, el modelado matemático y computacional puede a menudo sugerir experimentos naturales más agudos y observaciones más enfocadas, proveyendo de esta manera un chequeo de la precisión del modelo. Los experimentos naturales y los resultados de las observaciones pueden producir grandes cantidades de conjuntos de datos que pueden ser procesados inteligentemente sólo con

algoritmos eficaces de exploración de datos (data mining) y herramientas poderosas estadísticas

y de visualización [16]. La aplicación de estos algoritmos y herramientas requiere una colabora-

ción cercana entre diferentes disciplinas. Como resultado, observaciones y experimentos, teoría

y modelado se refuerzan mutuamente, llevando en conjunto a nuestra mejor comprensión de

los fenómenos, procesos y sistemas que estudiamos, y también a la necesidad de interacciones todavía más cercanas entre el modelado matemático, los análisis computacionales y los enfoques

experimentales.

(.

.

.

)

3. Observaciones finales

El modelado matemático y computacional, sus métodos y herramientas están transformán- dose rápidamente en una fuerza motriz del descubrimiento científico y la innovación, prove- yéndonos de capacidades predictivas cada vez más confiables en muchas áreas de la actividad humana. En esta discusión hemos presentado un resumen histórico breve y una visión general de las nuevas tendencias en este campo, demostrando la universalidad de los modelos matemáticos.

4. Bibliografía

(.

.

.

)

1. Mathematical and Computational Modeling. With Applications in the Natural and Social Sciences,

Engineering and the Arts. Roderick Melnik (Ed.). Wiley & Sons (2015).

2. Antoniouk, A. and Melnik, R. (Eds.). Mathematics and life sciences. Berlin, De Gruyter, 2012.

3. Barzel, B. and Barabasi, A. L. Universality in network dynamics. Nature Physics 9(10) (2013)

673–681.

4. Burgin, M. and Eberbach, E. Universality for turing machines, inductive turing machines and

evolutionary algorithms. Fundamenta Informaticae 91(1) (2009) 53–77.

5. Carmona, P. and Hu, Y. Y. Universality in Sherrington-Kirkpatrick’s spin glass model. Annales

de L’Institut Henri Poincare - Probabilities et Statistiques 42(2)(2006) 215–222.

6. Chay, T. R., Fan, Y. S., and Lee, Y. S. Bursting, spiking, chaos, fractals, and universality in

biological rhythms. International Journal of Bifurcation and Chaos 5(3) (1995) 595–635.

7. Chelkak, D. and Smirnov, S. Universality in the 2D Ising model and conformal invariance of

fermionic observables. Inventiones Mathematicae 189(3) (2012) 515–580.

8. Dolan, B. P. Modular invariance, universality and crossover in the quantum Hall effect. Nuclear

Physics B 554(3) (1999) 487–513.

9. Engquist, B., Lötstedt, P., and Runborg, O. (Eds.). Multiscale modeling and simulation in

science. Berlin, Springer, 2009.

10. Foster, D. H., Costa, T., Peszynska, M., and Schneider, G. Multiscale modeling of solar cells

with interface phenomena. Journal of Coupled Systems and Multiscale Dynamics 1 (2013) 179–204.

11. Melnik, R. and Kotsireas, I. (Eds.). Advances in applied mathematics, modeling, and compu-

tational science. Fields Institute Communications, 66, New York, Springer, 2013.

7

12. Poincare, H. L’avenir des mathématiques (“The Future of Mathematics”). Revue générale des

sciences pures et appliquées 19(23) (1908) 930–939.

13. Rapoport, A. Mathematical models in the social and behavioral sciences. New York, John Wiley

& Sons, Inc., 1983.

14. Regenauer-Lieb, K., Veveakis, M., Poulet, T., et al. Multiscale coupling and multiphysics

approaches in earth sciences: Theory. Journal of Coupled Systems and Multiscale Dynamics 1 (2013) 49–73.

15. Sancetta, A. Universality of Bayesian predictions. Bayesian Analysis 7(1) (2012) 1–36.

16. Sokolowski, J. A. and Banks, C. M. Modeling and simulation fundamentals: theoretical under-

pinnings and practical domains. Hoboken, NJ, John Wiley & Sons, Inc., 2010.

17. Tsui, L. K. and Leung, P. T. Universality in quasi-normal modes of neutron stars. Monthly

Notices of the Royal Astronomical Society 357(3) (2005) 1029–1037.

18. Xu, X. B., Fangohr, H., Gu, M., et al. Simulation of the phase diagram of magnetic vortices in

two-dimensional superconductors: evidence for vortex chain formation. Journal of Physics - Condensed Matter 26(11) (2014) 115702.

8