La risposta breve alla tua domanda è che stai sovrastimando enormemente la tua capacità, e quella degli altri ingegneri, di giudicare quali tecniche avranno mai rilevanza pratica.

Penso che sia stato Michael Stonebraker, uno scienziato informatico pluripremiato di Turing senza alcun impatto pratico, che ha affermato che il punto debole per la ricerca applicata accademica sono tecniche che sono a circa 10 anni dall'essere ampiamente implementabili. Se ti limiti a cose che puoi già fare oggi, non riuscirai a proporre quel tipo di sviluppi radicalmente nuovi che dovrebbero, almeno in teoria, distinguere la ricerca accademica da altri driver di innovazione, come le startup o il R&D industriale. Per inciso, se la mancanza di impatto che il tuo lavoro ha in questo momento ti angoscia, dovresti riflettere sulla domanda se non otterresti una maggiore soddisfazione sul lavoro in una startup o in un laboratorio industriale.

Trovo il tuo esempio di auto- l'apprendimento delle reti elettriche particolarmente poco convincenti. Se riavvolgiamo il tempo di qualche anno e colleghiamo i tuoi argomenti alla ricerca sulla guida automatizzata, sono sicuro che troverai molte persone che hanno trovato questa ricerca una perdita di tempo. La guida è sicuramente un campo critico per la sicurezza e il settore automobilistico è altamente regolamentato. Gli algoritmi per l'assistenza alla guida automatizzata non sono riusciti completamente, e in una certa misura ancora non riescono, ad affrontare le preoccupazioni pratiche di molte parti interessate, nonché le garanzie di sicurezza governative. Eppure eccoci qui. Non sono sicuro se lo stesso accadrà alle reti elettriche, ma è assolutamente plausibile che accadrà.

Potresti anche essere interessato a leggere i TRL (livelli di preparazione tecnologica), utilizzato ad esempio dai programmi quadro dell'Unione europea e dalla NASA.

Il concetto di base qui è che la ricerca accademica è solitamente più adatta a portare idee da TRL 0 o 1 a 3 o 4. Le "implementazioni Matlab" di cui ti lamenti potrebbero benissimo essere solo i test di laboratorio che si intendono per TRL 3 Questo è molto in linea con la posizione nel più ampio schema del progresso tecnologico che molte grandi organizzazioni immaginano per i laboratori di ricerca accademica.

Le cose con "nessuna rilevanza pratica" non sono necessariamente inutili. Potrebbero semplicemente "aspettare il loro tempo".

Ad esempio, il fenomeno dei liquidi ionici è stato scoperto per la prima volta all'inizio del 1900, ma non si è diffuso economicamente o industrialmente fino all'inizio degli anni 2000, quando furono "riscoperti" e portati alla ribalta come "solventi verdi".

Quindi probabilmente è ingiusto dire che qualcosa non ha alcuna rilevanza pratica. Potrebbe non essere ancora ovvio dove potrebbero essere utilizzati in futuro.

Un altro punto da considerare è la possibilità che qualcuno stia progettando ma non stia facendo ciò che è considerato "ingegneria". Questa potrebbe essere stata una decisione di assunzione o qualcuno che ha trovato una casa dove insegnare piuttosto che cercare di trovare la casa giusta per la propria ricerca. (Questa è la situazione per me: sono un ingegnere di formazione, ma la mia ricerca potrebbe facilmente inserirsi in un dipartimento di chimica o scienza dei materiali.)

La ricerca che mostra che i nuovi metodi non devono necessariamente dimostrare la praticità dei nuovi metodi per essere utili. Un esempio di qualcosa che può essere molto applicato è la ricerca nei risolutori numerici per le ODE. La stragrande maggioranza dei metodi che sono stati creati non vengono utilizzati in risolutori ODE di qualità di produzione. Semplicemente non sono efficienti. Ma avere una letteratura completa da cui attingere può essere davvero d'aiuto quando si cerca di conoscere le possibilità. Qualcuno che delinea un metodo che non è molto efficiente potrebbe aver contribuito con nuove idee su come adattarsi a un determinato caso che in futuro qualcun altro potrà utilizzare per creare qualcosa che sia effettivamente pratico. E avere una pubblicazione che evidenzia implicitamente "guarda, questa cosa funziona davvero solo in casi speciali a causa di X" aiuta qualcun altro in futuro quando avrà quell'idea (è molto più veloce e più facile leggere un articolo e andare "okay, non funziona come speravo "invece di costruirlo da soli).

Ciò si ricollega anche al bias di pubblicazione. Pubblicare che qualcosa non funziona è prezioso quanto pubblicare che qualcosa funziona. Naturalmente, le moderne pratiche di pubblicazione richiedono "significato", quindi generalmente i ricercatori devono essere furbi su come scrivono l'abstract ("troviamo che nelle condizioni X, Y, Z questo metodo può essere più efficiente delle attuali scelte standard"), ma dalla carta è abbastanza chiaro cosa significhi effettivamente in termini pratici.

Alla fine c'è un'ondata di informazioni che va avanti e quasi accidentalmente si imbatte in idee che funzionano, e queste rimangono e vengono utilizzate nell'industria. Nel frattempo, la ricerca continua per vedere cos'altro può trovare.

La scienza pseudo-applicata è spesso uno spreco di risorse. Ciò non significa che la ricerca fondamentale o di base sia inutile, ma c'è una differenza: avere un modello astratto per qualcosa "fuori portata" può essere fruttuoso - si può studiarlo e aggiungere ulteriori ostacoli in futuro.

Ma ci sono modelli apparentemente applicati che attirano un'attenzione inutilmente. O sono troppo semplificati e già ben compresi in modo da dover passare a modelli più realistici oppure fanno ipotesi totalmente irrealistiche che consentono di applicare un metodo che altrimenti sarebbe irrealizzabile. In entrambi i casi i modelli "sopravvivono" nella comunità perché il numero di scienziati è abbastanza grande da formare un "gruppo di revisione tra pari" in modo che i documenti vengano pubblicati.

Riassumendo: la ricerca fondamentale è utile, ma attenzione costruire "modelli applicati" che non hanno applicazioni.

Penso che le altre risposte guardino alla domanda in un modo, ma risponderò da una prospettiva più "umana".

Perché è interessante.

La maggior parte delle persone fa ricerche perché ciò che sta ricercando li interessa. Non stanno cercando di fare milioni (al contrario di solito - spesso non sono ben pagati); non stanno cercando di cambiare il mondo (anche se lo fanno in seguito); sono davvero interessati a sapere se XYZ è possibile.

Il fatto che a volte si ottenga qualcosa di veramente innovativo dalla ricerca che cambia il modo in cui funziona il mondo significa che le aziende sono disposte a investire nella ricerca; ma a livello personale, se non sei interessato a fare la ricerca, non ha molto senso farlo.

Molte ricerche sono attualmente poco pratiche e teoriche. Ma è per questo che gran parte di essa è ricerca universitaria piuttosto che R&D commerciale. E a volte diventa molto utile, alla fine.

Quando i semiconduttori furono scoperti nel 1821, nessuno nei loro sogni più sfrenati avrebbe capito quale impatto avrebbero avuto.

E i laser. Un'ottima idea per puntare una luce coerente a lunghezza d'onda singola su qualcosa: ma perché dovresti preoccuparti? E richiedevano materiali costosi che ne escludevano l'uso quotidiano. Poi furono scoperti i laser a semiconduttore. E poi le fibre ottiche, che necessitano di un'unica lunghezza d'onda della luce coerente per far andare lontano un segnale dati. Così ora tutta Internet funziona su cavi in ​​fibra ottica alimentati da minuscoli laser economici, rivoluzionando totalmente tutto, a causa della pura ricerca che sembrava molto improbabile produrre qualcosa di utile circa 70 anni prima.

La costruzione di basi normali di un'estensione di campo finita è "inverosimile rispetto all'implementazione pratica". Ha "rilevanza pratica molto limitata e senza tentativi di affrontare i problemi di implementazione". Inoltre, è "così matematico". "È una domanda legittima il motivo per cui qualcuno dovrebbe mai utilizzare questi risultati di ricerca altamente teorici e carichi di supposizioni."

Tutto questo è molto vero. O, per meglio dire, era molto vero. In passato.

Fino a quando non hai avuto improvvisamente il crittosistema Massey-Omura.

Il fatto che non abbia un'applicazione o una corretta implementazione in questo momento non significa che non ne avrà mai una. Chi ha mai usato quelle cose teoriche chiamate varietà di Riemann nella vita reale reale? Meno male che erano già lì quando Einstein ha lavorato alla sua relatività generale.

La ricerca teorica è lì, in modo che un giorno qualcun altro possa prenderla e usarla.

Perché qualcuno studia droghe sugli animali? Non ci interessa curare i topi da laboratorio. Ma speriamo che questo ci aiuti a studiare i farmaci sugli esseri umani.

Allo stesso modo, l'obiettivo di risolvere i problemi in ambienti troppo semplificati (topi da laboratorio) è spesso quello di aiutare a risolvere quei problemi in contesti più realistici.

Molte ricerche non sono mirate all'applicazione diretta, ma ad altri ricercatori. Questa è una caratteristica, non un bug, perché i ricercatori devono costruire qualcosa. Il percorso da un foglio alla sua applicazione non richiede un singolo passaggio. Inoltre, non tutti i documenti teorici devono essere applicati. Alcuni di questi risultati teorici non sono abbastanza buoni per essere applicati e lo si può capire dall'articolo stesso: è necessario più lavoro teorico prima che valga la pena applicarlo.

A volte, anche quando sai dove vuoi arrivare, ma non hai idea del percorso, andare in direzioni un po 'casuali all'inizio è più efficace che puntare direttamente alla destinazione. (Ho visto una nota fondamentale su uno studio formale di questo problema di ottimizzazione).

In un corso di neuroscienze, abbiamo discusso di come i modelli aiutano a comprendere il cervello. Un ricercatore ci ha insegnato in modo convincente che la virtù di un modello non è (solo) in ciò che include, ma in ciò che esclude. Non possiamo capire un modello completo del cervello; ma possiamo studiare modelli troppo semplificati per vedere come si comportano, quindi verificare se ciò che apprendiamo si applica a modelli più realistici. Si è anche scoperto che i modelli eccessivamente semplificati del cervello sono utili come reti neurali artificiali.

Alcuni dei documenti che hai visto partono da presupposti non realistici. È probabile che ciò semplifichi il loro studio, soprattutto se si tratta di uno studio matematico. Successivamente vengono presentati articoli in condizioni leggermente più realistiche.

Anche se non studio ingegneria da solo, studio informatica (linguaggi di programmazione) e abbiamo anche molti articoli che considerano scenari semplificati: molti di questi articoli sono ancora indirettamente rilevanti, sebbene possano essere necessari decenni prima che la teoria diventi utilizzabile in pratica.

EDIT: dal momento che chiedi / metti in discussione rilevanza / applicabilità: sto pensando a documenti matematici che sono motivati ​​(implicitamente o esplicitamente) dall'obiettivo di rendere i programmi meno buggati. Molti progressi dipendono dal fare più calcoli di tipo estremamente astratto, ma passare dalla matematica a più matematica ai prototipi richiede poche fasi.

La ricerca di dottorato è quasi per definizione parte del processo educativo, piuttosto che parte di un processo di sviluppo del prodotto, quindi il lavoro sembrerà avere poca rilevanza pratica diretta.

Un aspetto simile può accadere nell'industria stessa, dove parte della ricerca applicata è diretta agli aspetti più recenti delle parole d'ordine, spesso senza una chiara comprensione del fatto che la ricerca darà i suoi frutti (cioè direttamente, quest'anno). Di solito il lavoro cadrà e diventerà parte della formazione dei ricercatori (proprio come i 9 imprenditori start-up su 10).

Sapere se il lavoro avrà rilevanza è difficile, ma l'apprendimento lo sarà utile. Ho un lavoro attuale basato sul lavoro AR "fallito" di 10 anni fa ..

Ricorda, il controllo del feedback era un'invenzione (SS nera) a cui nessuno credeva, quindi alcune idee hanno il loro tempo. Boole era morto da tempo prima che le sue idee (sciocche) in logica diventassero di moda.

Detto questo, è comunque saggio essere scettici e pensare a cosa accadrà realmente alle idee ea quale altro elemento manca negli studi fantasiosi [La maggior parte degli studi sull'energia verde funzionerà una volta sviluppata una batteria industriale efficace che possa essere posizionata vicino al punto di generazione, ma fino ad allora ....]

Non si sa mai quando una ricerca priva di rilevanza pratica diventerà improvvisamente rilevante.

Un esempio recente nel mio campo (astrofisica): i risultati del BICEP2 che inizialmente affermavano di aver rilevato un segnale attribuibile alla rapida inflazione dell'universo primordiale. Se questo segnale si fosse rivelato vero, queste persone avrebbero probabilmente vinto un premio Nobel, solo per dare un'idea di quanto fosse importante questo affare. Tuttavia, altri hanno riconosciuto che il "segnale" cosmologico probabilmente potrebbe essere completamente attribuito interamente alla polvere interstellare che fluttua nella Via Lattea. Quasi dall'oggi al domani, gli astrofisici specializzati nella polvere interstellare divennero gli esperti mondiali di cosmologia. La loro ricerca (che ammetto era importante e applicabile di per sé, quindi non un parallelo esatto alla domanda del PO) divenne improvvisamente incredibilmente rilevante e importante.

Un altro esempio è la teoria del generale di Einstein Relatività. Sebbene una teoria incredibilmente sorprendente a sé stante ed estremamente utile per la comprensione dell'universo, le sue applicazioni a situazioni di tipo più "reale" sono state per molti decenni praticamente inesistenti. Cioè, fino allo sviluppo del GPS. Senza tenere conto degli effetti della relatività generale nelle misurazioni e nei calcoli GPS, le misurazioni GPS delle posizioni diventerebbero rapidamente molto errate. "Gli errori nelle posizioni globali continuerebbero ad accumularsi a una velocità di circa 10 chilometri ogni giorno!" Così decenni dopo che una teoria è stata sviluppata, la tecnologia finalmente è avanzata al punto in cui la teoria è diventata praticamente rilevante all'inizio l'esercito e poi la nostra vita quotidiana.

Questi esempi non sono paralleli perfetti della situazione descritta dall'OP, ma servono comunque a illustrare il mio punto originale: non si sa mai quando la ricerca priva di rilevanza pratica diventerà improvvisamente pertinente.

MOTIVO 1:

La ricerca è un vasto dominio in cui l'aspettativa di soluzione a qualsiasi sfida particolare o l'invenzione di una nuova metodologia non arriva dall'oggi al domani. Un prodotto commerciale a pieno titolo disponibile non è un documento di ricerca pubblicato da uno studioso. È uno studio integrato, lavoro di molti studiosi da decenni. Il meglio che una persona esperta può fare è presentare il suo contributo sul suo dominio con qualsiasi mezzo. Con il suo contributo può fornire una risorsa notevole non solo nello stesso campo, a volte anche in altri.A volte un documento tecnico può essere l'inizio di una nuova tecnologia rivoluzionaria o un vantaggio rivoluzionario per la tecnologia esistente.Qui il contributo è importante del Requisiti.

MOTIVO 2:

La tecnologia è il risultato di una rivoluzione inaspettata. Non dovrebbe esserci scarsità di risorse. Quindi l'abbondanza di ricerca è in corso in tutto il mondo in più domini come chiave per l'innovazione futura o presente. La conoscenza di tutti è preziosa e preziosa. Questa conoscenza non può essere condivisa per bocca, ma solo attraverso documenti tecnici per le generazioni presenti e future. Quando si verifica una nuova svolta, le risorse dovrebbero essere pronte a servire allo scopo.

La ricerca è un viaggio lungo e la conclusione che il risultato finale è doppio e l'implementazione è tre volte più lunga

Quanto dista dal far volare un aquilone durante un temporale alla costruzione di un parafulmine che possa proteggere un fienile? Ben Franklin ha fatto entrambe le cose.

Quanto dista l'articolo di Claude Shannon sulla codifica digitale dei segnali dall'ormai familiare CD audio?

Mi sembra che la ricerca di base debba porre domande, anche quando non è chiaro in che modo la risposta sarà di beneficio. A volte, la ricerca si rivela essere ricerca scientifica invece di ricerca ingegneristica, come nell'esempio dell'aquilone sopra. Ma hai capito.

Forse la ricerca applicata è più semplice per te che ricerca di base.

"Utilità" riguarda la prospettiva e la percezione. Nel mio piccolo ufficio forse è difficile vedere dove si inseriscono esattamente i risultati della mia ricerca. Cerca solo di trovare fiducia nel fatto che esistono visionari (più o meno visibili) "in alto" in diversi aspetti che vedono dove si adatteranno La cosa brutta del fatto che la religione sia così colpita ed emarginata in questi giorni è che il concetto di fede in cose più grandi di noi perde significato mentre in pratica è più rilevante che mai. Forse non in un Dio onnipotente, ma nell'esistenza di persone che fanno progetti al di fuori della propria prospettiva.