無因次化（nondimensionalization）
/ non-dih-MEN-shun-al-ization /
在解一個模型之前，老練的建模者會做一件看似在整理、實則深刻的事：他們把單位剝除。他們不以秒計時、以公尺計長，而是用問題本身自然的單位重新量度一切——時間以「這過程花多久」為單位、長度以「系統有多大」為單位。方程以這些自然單位改寫後，往往從一堆雜亂的物理常數塌縮成只剩一兩個純數的乾淨形式。這種縮放就是無因次化。
具體地說，你把每個變數換成它除以一個特徵尺度：寫 t = T tau，其中 T 是選定的時間尺度、tau 是新的無因次時間，其他變數亦然。代入微分方程，連鎖律把尺度掃到前面；藉由巧妙地選取尺度，你能讓好幾個常數等於 1 而消失。一個雜亂的方程如 m x'' + c x' + k x = 0，本有三個物理常數，化為工整的 x'' + 2 zeta x' + x = 0，唯一倖存者是阻尼比 zeta——一個主宰一切的單一無因次數。
回報極大。其一，它揭示哪些參數組合真正重要：行為並非分別取決於所有常數，而是取決於少數幾個無因次群（如雷諾數、阻尼比，或 R0），所以兩個有相同群的系統，無論原始數字多麼不同，行為都一模一樣。其二，它告訴你哪些項大、哪些可忽略，誠實地證成各種逼近。其三，它削減你必須探索的參數數目，把一項令人卻步的研究化為可掌控的研究——以無因次形式解一次，再縮放回任何特定情形。
需擺正的一點提醒：無因次化重排並簡化，卻從不改變實際物理、也不丟失資訊——它是一個可逆的變數變換，你總能縮放回真實單位。它「可能」誤導的情形，是你選錯了特徵尺度，使一個真正大的項看似小。這門藝術在於選取契合你所關心範圍的尺度；代數是容易的，判斷才是一切。
邏輯斯諦方程 P' = r P (1 - P/K) 帶有兩個常數 r 與 K。令 p = P/K（族群占承載力的比例）、tau = r t（時間以增長率為單位）。方程便化為簡單的 dp/dtau = p(1 - p)——世上每一個邏輯斯諦模型，連同它所有的 r 與 K，都歸結為這一個普世的無因次方程。
兩個參數隱沒進尺度之中；剩下一個普世的無因次方程。
無因次化不丟失任何資訊——它是可逆的變數變換，而非逼近。但選錯特徵尺度可能把一個大項偽裝成小項；代數是例行的，選取契合所關注範圍的尺度才是真正的功夫。