重現結論
當我們了解如何快速判斷文獻對我們研究的重要性之後，我們應該可以找到一些核心論文，針對我們想要研究的主題有一些關鍵的看法。這個時候，就是要下功夫把這些關鍵看法搞清楚。所謂的搞清楚不是把他背起來，在筆記上記下來。而是從一開始的假設開始，重現關鍵結論。
系統定義
第一個任務就是，搞清楚系統到底是什麼？是描述電子媽？還是描述費米子？有自旋的費米子嗎？還是無自旋的費米子？是束縛住的費米子嗎？還是會到處跑來跑去的費米子？有交互作用嗎？我們是討論平衡態還是動力學問題？系統的Hamiltonian和Hilbert space長什麼樣子？
從我的經驗裡我得到一個蠻令人吃驚的結論，很多困惑，其實都是源自對系統的定義不明。當把問題定義清楚後，常常就成功了一大半。至少，不會雞同鴨講，而可以與同儕有意義的討論。
解析推導
可以推出相對應的方程式，以及了解方程式的推導邏輯與假設。推論的過程可以是建基於數學必然性也可能是建基於物理論述。因此，等號（$=$）、近似($\approx$)、漸進行為($\sim$)是意義上完全不同的，要小心思考。一個小技巧是，把物理論述和數學結構分開。這樣才可以追蹤可能的漏洞是來自於物理、或非物理的理由，而對於結論的適用性有更明確的理解。
數值方法
如果搞清楚發生什麼事，一定可以寫一個簡單的程式測試自己的理解。面對困難的問題時，可能無法一步到位寫下很專業的程式，那沒有關係，這裡的重點是：寫出一個最陽春，概念最清楚，簡單到每一步都知道發生什麼事的程式，測試對解析推導的理解。
所以這個階段首重正確性而非效率。以理論物理來說，常用的工具有
- Mathematica：內建許多函數，不需要從頭開始發展，但是要付費。
- Python：免費、也具有大量函式庫，並且不需要編譯（compile），因此可以簡化開發過程。
- C/C++：免費、也具有大量函式庫，但是需要編譯（compile），因此開發過程繁瑣，但是效能非常高。
可以的話，研究初期基本上應該以前兩者作為重現結論的手段，而非效能取向的3。當對問題的掌握性夠好後，在考慮改進2或選擇3提升數值方法的效能。
參數空間
測試相關結論的參數空間是否為真。除了數值驗證外，挑出幾個極端的情況測試解析推導的結論，也是了解該文獻一致性的重要指標。
重現結論的價值
可能有些人會想：這研究都被做出來了，重現可以幹嘛？又不能投稿期刊，這不是浪費時間嗎？
第一個目的，當然是我們要爬山的時候，都會想確認腳下的石頭穩不穩。往左踩很穩，往右踩有一點點晃。那我最好拿這顆石頭往左邊前進。
第二個目的，這些石頭都有署名，每次踩到黃色的石頭都很不穩，我下次就不踩了。因為我對這個來自黃家庄的石頭沒信心。與其踩上去，還不如我挑一個又大又平的擺在我未來的道路上。
第一個目的加強研究者自身的能力，第二個目的幫助研究者趨吉避凶。想像你辛辛苦苦讀了博士班五年，最後一年的時候，發現你引用的關鍵論文，結論是錯的，那真的是會讓人崩潰。當認真地嘗試重現結論時，就會提高更早發現有問題文獻的機率，也可以有自己的小小黑名單（誰的文章完全不可信，誰的文章會錯但是以有趣的角度犯錯…），更有效率的過濾哪些是有用的資訊。
回到如何開始科學研究