跳轉到

2002 Schon 造假#

案發現場#

2000 至 2002 年，貝爾實驗室的德國物理學家揚·亨德里克·舍恩（Jan Hendrik Schön）以近乎瘋狂的速度發表論文：十六篇以上登上《Nature》與《Science》頂刊，主題橫掃半導體物理最熱門的前沿——有機超導體、分子電晶體、單分子層電子元件、「突破矽極限」的新型電晶體。

每一篇都是「劃時代的突破」。有機超導一度被認為可望奪諾貝爾獎；工業界開始規劃分子電子學的投資路線；Schön 被媒體譽為愛因斯坦之後最耀眼的年輕物理學家，諾貝爾獎熱門人選。

他的數據有個令人不安的特徵：太乾淨了。真實的實驗數據總是雜訊斑斑、元件與元件之間參數各異；Schön 的曲線卻光滑、優美、幾乎理論預測般完美。有些同行私下嘀咕「這好得不像真的」，但沒有人有證據——頂刊、貝爾實驗室、共同作者的權威，構成了假象的保護殼。

偵查過程#

2002 年春天，普林斯頓大學的莉迪亞·索恩（Lydia Sohn）與康乃爾大學的保羅·麥尤恩（Paul McEuen）各自獨立注意到同一件怪事：

Schön 的兩篇論文——不同元件、不同實驗、發表在不同期刊——的「噪聲」曲線一模一樣。

噪聲本質上是隨機的：兩次獨立測量的噪聲不可能逐點相同，就像兩次擲骰子不可能擲出同一串數字。但 Schön 把同一組隨機數據複製貼進了不同實驗——連「噪聲」都懶得換。

Sohn 與 McEuen 進行統計比對：把兩篇論文的曲線數位化，計算逐點差值與相關係數——結果發現不同論文的「獨立實驗數據」完全重合。他們將結果寄給《Nature》與貝爾實驗室。

McEuen 留下的名言：「我唯一要做的實驗，就是打開兩個 PDF 檔案，把它們疊在一起。」

貝爾實驗室隨即組成調查委員會（由史丹佛大學的 Malcolm Beasley 領銜），歷時四個月，比對了 25 篇論文：確認至少 16 篇存在資料捏造——數據重用、曲線複製、宣稱做過的實驗根本沒做。共同作者（包括多位知名物理學家）經查無涉造假，但暴露了「共同作者不看原始數據」的學術文化漏洞。Schön 被貝爾實驗室解僱，康斯坦茨大學撤銷其博士學位；貝爾實驗室母公司朗訊同時削減了基礎物理研究部門。

結案報告#

Schön 事件是科學史上由純數學（統計比對）拆穿的造假案，深遠教訓包括：

  1. 完美是最大的破綻——真實實驗永遠有噪聲、有元件間差異；「太乾淨」的數據本身就是異常信號。這與 N 射線（1903-N射線.md）恰好相反：那裡是肉眼把噪聲讀成訊號，這裡是連噪聲都偽造得不像噪聲。
  2. 頂刊崇拜是假象的保護殼——《Nature》《Science》的聲譽、貝爾實驗室的金字招牌，讓同行「不好意思」公開質疑。權威讓檢驗延遲了兩年。
  3. 糾錯門檻可以低到只是「比對檔案」——一旦統計工具成熟、論文全面電子化，跨論文的數據比對變得唾手可得。數位化時代，重複使用同一組隨機數，幾乎必然被算出來。
  4. 制度隨之進化——事件直接催生了頂刊的原始數據存檔要求、預註冊與開放數據的潮流。造假行為提高了整個迴路的檢驗標準。

類似的圖像比對糾錯，三年後再次上演於黃禹錫幹細胞事件（2005-黃禹錫事件.md）——同一套「比對重複特徵」的偵查模式，成為二十一世紀科學打假的標配。

糾錯分析#

誰拆穿：普林斯頓的 Lydia Sohn 與康乃爾的 Paul McEuen（外來者、獨立持異見者），隨後由貝爾實驗室調查委員會確認。 用什麼工具：統計比對——曲線數位化、逐點差值、相關係數；即「數學⇒實驗」的糾錯通道。 如何拆穿：計算不同論文、不同元件之間「實驗數據」的相關係數，發現相關係數等於 1（完全重合）——獨立測量的噪聲不可能相關到這種程度，證明數據是複製的。這正是用數學檢驗實驗的經典：迴路中的理論與數學工具，反過來拆穿了迴路中造假的實驗。

連回金觀濤的迴路論：Schön 事件展示的是迴路自我糾錯的數學形態——N 射線靠對照實驗（方法論）、皮爾當靠化學與顯微技術，而 Schön 靠的是統計與數據比對。每一次，糾錯的工具都是迴路自身發展出來的；科學的自我糾錯不是道德自律，而是結構必然——只要檢驗工具持續進步，造假與假象的壽命就會越來越短。

證據與工具#

# 用相關係數發現「兩組數據其實是同一組」
# 原理：獨立實驗的噪聲互不相關（相關係數 ≈ 0）；
#       造假的「複製數據」相關係數 = 1（完全重合）

import random
random.seed(2002)  # 呼應拆穿之年

def corr(x, y):
    """皮爾森相關係數"""
    n = len(x)
    mx, my = sum(x)/n, sum(y)/n
    cov = sum((a-mx)*(b-my) for a, b in zip(x, y))
    sx  = sum((a-mx)**2 for a in x) ** 0.5
    sy  = sum((b-my)**2 for b in y) ** 0.5
    return cov / (sx * sy)

# 場景 A：誠實的實驗——兩個「不同元件」各自測量，噪聲互相獨立
n = 100
voltage = [i/n for i in range(n)]  # 共同的電壓軸
trend   = [3.5*v for v in voltage]  # 理論趨勢
noise1  = [random.gauss(0, 0.1) for _ in range(n)]  # 元件 1 的真實噪聲
noise2  = [random.gauss(0, 0.1) for _ in range(n)]  # 元件 2 的真實噪聲
data1   = [t + e1 for t, e1 in zip(trend, noise1)]
data2   = [t + e2 for t, e2 in zip(trend, noise2)]

print("--- 誠實實驗：兩個元件獨立測量 ---")
print(f"數據相關係數 = {corr(data1, data2):.4f}")
print("（趨勢相同所以高相關，但殘差應互不相關）")

residuals1 = [d - t for d, t in zip(data1, trend)]
residuals2 = [d - t for d, t in zip(data2, trend)]
print(f"殘差相關係數 = {corr(residuals1, residuals2):.4f}  <- 接近 0 = 噪聲獨立\n")

# 場景 B：Schön 式造假——把同一組「噪聲」複製貼進不同論文
fake_noise = [random.gauss(0, 0.1) for _ in range(n)]  # 只產生一次
fake1 = [t + e for t, e in zip(trend, fake_noise)]
fake2 = [t + e for t, e in zip(trend, fake_noise)]     # 直接複製！

print("--- 造假實驗：同一組數據複製貼上 ---")
print(f"數據相關係數 = {corr(fake1, fake2):.4f}")

fake_res1 = [d - t for d, t in zip(fake1, trend)]
fake_res2 = [d - t for d, t in zip(fake2, trend)]
print(f"殘差相關係數 = {corr(fake_res1, fake_res2):.4f}  <- = 1 = 噪聲也是複製的\n")

# 蒙地卡羅：獨立噪聲的殘差相關係數分布，估「誤報率」
trials = 10000
hits = 0
for _ in range(trials):
    r1 = [random.gauss(0, 0.1) for _ in range(n)]
    r2 = [random.gauss(0, 0.1) for _ in range(n)]
    if abs(corr(r1, r2)) > 0.9:  # 相關 > 0.9 即高度可疑
        hits += 1
print(f"蒙地卡羅 {trials} 次：獨立噪聲出現 |r| > 0.9 的機率 ≈ {hits/trials:.5%}")
print("結論：獨立實驗幾乎不可能出現完美重合；")
print("So 與 McEuen 做的，就是把兩個 PDF 疊在一起——統計比對拆穿了 16 篇造假。")