Dobici:
- Sposobnost razlikovanja slučajne i sistematske nesigurnosti i izvještavanja o svakom rezultatu mjerenja sa njegovom nesigurnošću na odgovarajuću značajnu cifru.
- Sposobnost izračunavanja propagacije greške sa ispravnim pravilom i nezavisno provjeravanje formule izvedene umjetnom inteligencijom sa Monte Carlom
- Sposobnost odlučivanja da li su dva rezultata kompatibilna ili ne, uzimajući u obzir njihovu nesigurnost
Nijedno mjerenje u fizici nije savršeno. Postoji nesigurnost od ±0,5 mm pri mjerenju dužine ravnalom i ±0,1 s kada se vrijeme mjeri štopericom. Ove nesigurnosti nisu nedostatak, već priroda mjerenja – a zahtjev naučnog integriteta je da se svaki rezultat izvještava sa njegovom nesigurnošću. Reći "Našao sam da je gravitaciono ubrzanje 9,7" je nepotpuno; Reći "Našao sam 9,7 ± 0,3 m/s²" govori koliko je rezultat pouzdan. U ovoj jedinici ćete naučiti kako koristiti umjetnu inteligenciju (AI) za izračunavanje nesigurnosti i širenje greške (kako se mjerne nesigurnosti prenose od tih mjerenja do izračunatih rezultata) i kako provjeriti ove proračune.
Vrste neizvjesnosti i uloga AI
Postoje dvije osnovne vrste neizvjesnosti. Slučajna nesigurnost je rasipanje rezultata u ponovljenim mjerenjima; Mnoga mjerenja se uzimaju i smanjuju za srednju vrijednost i standardnu devijaciju. Sistematska nesigurnost je greška koja uvijek odstupa u istom smjeru (poput pogrešno kalibrirane ravnoteže); Ne smanjuje se ponavljanjem, već se ispravlja pronalaskom uzroka. AI je od pomoći u objašnjavanju ovih koncepata, kodificiranju izračunavanja standardne devijacije i srednje vrijednosti, i — posebno — u izvođenju složenih formula za širenje greške. Ali morate provjeriti svaku izvedenu formulu, jer AI često miješa znakove parcijalne derivacije ili strukturu kvadratnog korijena u formulama za širenje greške.
Status
račun
verifikacija
Ponovljeno mjerenje
Srednja vrijednost ± standardna greška
Ručna standardna devijacija / √N
Sabiranje/oduzimanje (z = x ± y)
Nesigurnosti se zbrajaju iz kvadrata
Kontrola veličine/jedinice
množenje/dijeljenje (z = x·y)
Relativne nesigurnosti se zbrajaju iz kvadrata
Test sa brojem uzorka
Opća funkcija
Propagacija parcijalnim derivatima
Unakrsna provjera sa Monte Carlom
Osnovna pravila širenja greške
Pored sabiranja i oduzimanja, apsolutne nesigurnosti se kombinuju sabiranjem njihovih kvadrata: Ako je z = x + y, nesigurnost z postaje √(δx² + δy²). Kod množenja i dijeljenja, relativne (procentualne) nesigurnosti se zbrajaju iz njihovih kvadrata: Ako je z = x·y, (δz/z) = √((δx/x)² + (δy/y)²). Za složenije funkcije, opšte pravilo je korištenje parcijalnih izvoda: učinak svake varijable na rezultat mjeri se parcijalnim izvodom u odnosu na tu varijablu. AI može izvesti ove formule, ali najsigurniji način za provjeru rezultata je Monte Carlo unakrsna provjera: nasumična distribucija svakog ulaza na njegovu nesigurnost, izračunavanje hiljada puta i gledanje distribucije izlaza.
Savjet: Ako niste sigurni u tačnost formule za širenje greške, dostavite je sa Monte Carlo: nasumično generirajte ulaze s njihovom vlastitom nesigurnošću i izračunajte funkciju 10.000 puta; Standardna devijacija izlaza mora odgovarati nesigurnosti datoj formulom. Kombinacija ove dvije nezavisne metode uvelike povećava vaše povjerenje u rezultat.
Korak po korak: iskrena analiza nesigurnosti
1. Odredite nesigurnost svakog mjerenja. Rezolucija instrumenta, distribucija ponavljanja ili podaci proizvođača. Zapišite odakle dolazi neizvjesnost.
2. Razlikujte nasumično i sistematično. Razmotrite odvojeno šta će se smanjiti s ponavljanjem, a šta neće.
3. Izračunajte širinu s pravilnom formulom. Zbrajanje, množenje, opšta funkcija — izaberite odgovarajuće pravilo. Neka ga AI izvede, ali ga kontroliše.
4. Unakrsna provjera sa Monte Carlom. Osigurajte rezultat nezavisnom metodom, posebno za složene formule.
5. Izvještaj sa odgovarajućim značajnim ciframa. Nesigurnost se obično zaokružuje na 1-2 značajne cifre; rezultat je u skladu sa posljednjom znamenkom nesigurnosti. Upišite "9,7 ± 0,4 m/s²", a ne "9,73418 ± 0,4".
tri mini kofera
Slučaj 1 — Pogrešna formula za širenje. Student je pitao AI o propagaciji nesigurnosti za g = 4π²L/T². AI je zaboravio koeficijent 2 kada je izveo doprinos nesigurnosti T u odnosu na T (pošto je T² relativna nesigurnost trebala biti 2·δT/T). Kada je student unakrsno provjerio sa Monte Carlom, otkrio je da je AI formula procijenila nesigurnost otprilike na pola i ispravila je.
Slučaj 2 — Sistematska greška prikrivena. Jedan istraživač je izvršio veliki broj mjerenja, učinio je slučajnu nesigurnost vrlo malom i prijavio impresivnu preciznost od “±0,01 mm”. Ali njegova skala je bila van kalibra za 0,2 mm - sistematska greška. Uzimajući u obzir ovu grešku, koja se nije smanjivala s ponavljanjem, prava nesigurnost je bila mnogo veća. Pouka: ponavljanje smanjuje slučajnu grešku, a ne sistematsku grešku.
Slučaj 3 — Monte Carlo spašen. Nastavnik je uveo nesigurnost u proračun zapremine (V = πr²h) i rukom pronašao rezultat. Da bude siguran, tražio je od AI kod za Monte Carlo; On je nasumično generisao r i h sa njihovim nesigurnostima i izračunao V 10.000 puta. Standardna devijacija distribucije slagala se sa ručno pronađenom vrijednošću — analiza je potvrđena.
Četiri šablona za kopiranje
1) Izvođenje propagacije greške + verifikacija:
Za izraz z = [formula], izvedite propagaciju greške od nesigurnosti varijabli x i y do nesigurnosti z pomoću parcijalnih izvoda, KORAK PO KORAK. Prikaži svaki parcijalni izvod. Zatim provjerite ovu formulu sa SympY.Fitting; Označite korak za koji niste sigurni.
2) Monte Carlo unakrsna provjera:
Napišite Python kod koji pronalazi nesigurnost sljedećeg izračuna koristeći Monte Carlo: z = [formula]. Ulazi: x = [vrijednost ± nesigurnost], y = [vrijednost ± nesigurnost]. Uzorkovati svaki ulaz 10.000 puta iz normalne distribucije, izračunati z, odštampati srednju vrijednost i standardnu devijaciju izlaza. Uporedite ovo sa rezultatom formule analitičke difuzije.
3) Statistika mjerenja:
Napišite kod koji izračunava srednju vrijednost, standardnu devijaciju i standardnu grešku srednje vrijednosti (std/√N) za sljedeće ponovljene mjerne podatke ([vrijednosti]). Ispišite rezultat u formatu "vrijednost ± standardna greška (jedinice)" sa odgovarajućom značajnom znamenkom. Podsjetite nas na razliku između slučajne i sistematske neizvjesnosti.
4) Značajna cifra/provjera izvještaja:
Prepišite donje rezultate u obliku "vrijednost ± nesigurnost (jedinica)", zaokružujući nesigurnost na 1-2 značajne cifre i poravnavajući rezultat sa nesigurnošću. Ispravi lažnu preciznost. Rezultati: [ovdje]
Slaba prompt / Jaka prompt
Slab: "izračunajte nesigurnost za g."
Rezultat: Broj bez konteksta, čija formula nije provjerena i bez sistematske/slučajne razlike.
Snažno: "Za g = 4π²L/T², izvedite nesigurnost g parcijalnim derivatima iz mjerenja L = 1,00 ± 0,01 m i T = 2,00 ± 0,02 s, a zatim provjerite sa Monte Carlom. Napišite rezultat u obliku 'g/ ... ² ± cifra" sa odgovarajućom značajnom cifrom."
Rezultat: Izvedena, nezavisno verifikovana, ispravno prijavljena nesigurnost.
Uobičajene greške
- Uopšte ne izvještava o neizvjesnosti. Mjerenje bez nesigurnosti je naučna polutvrda.
- Ne provjerava se formula širenja. YZ često miješa parcijalne derivacijske koeficijente i strukturu kvadratnog korijena; Monte Carlo unakrsna provjera je obavezna.
- Pokušavamo da smanjimo sistematsku grešku kroz ponavljanje. Višestruko mjerenje samo smanjuje slučajnu grešku; greška kalibracije ostaje.
- Stvaranje lažne sigurnosti. Pisanje mnogo značajnijih cifara od neizvjesnosti je tvrdnja o preciznosti koja ne postoji.
- Direktno prikupljanje nesigurnosti. Nezavisne nesigurnosti nisu linearne, već kvadratne (u kvadratni korijen).
Oprez: Da li su dva fizička rezultata "različita" može se odlučiti samo gledanjem na njihovu nesigurnost. Vrijednosti od 9,7 do 9,81 su kompatibilne ako je nesigurnost ±0,3; ±0,02 je kontradiktorno. Ignoriranje neizvjesnosti i izgovaranje "moj rezultat odstupa od teorije" često je pogrešan zaključak. Obavezno provjerite izračun nesigurnosti koji je dala AI prije donošenja odluke.
Ukratko
Nesigurnost je sastavni dio fizičkog mjerenja i svaki rezultat treba izvesti sa svojom nesigurnošću. AI je od pomoći u kodiranju statistike nesigurnosti i izvođenju formula za širenje greške; ali ove formule sadrže česte greške i treba ih unakrsno provjeriti nezavisnom metodom kao što je Monte Carlo. Razlikovanje nasumične od sistematske nesigurnosti, izvještavanje na odgovarajuću značajnu cifru i poređenje rezultata sa njihovom nesigurnošću je osnova poštenog naučnog istraživanja. U sljedećoj cjelini prebacit ćemo fokus sa numeričke analize na izvođenje simboličkog modela.
Zadatak aplikacije
Odaberite proračun koji uključuje najmanje dvije izmjerene veličine (npr. V = πr²h ili g = 4π²L/T²). Dodijelite razumnu nesigurnost svakoj veličini. Neka AI izvede širenje greške sa šablonom 1, a zatim neka Monte Carlo unakrsno provjeri sa šablonom 2 i pokrenite ga. Da li se rezultati ove dvije metode slažu? Prijavite rezultat sa odgovarajućom značajnom znamenkom. Zapišite u 5-6 rečenica: postoji li greška u formuli ili neusklađenost?
kontrolna lista
- [ ] Odredio sam nesigurnost i izvor svakog mjerenja.
- [ ] Razlikovao sam slučajnu i sistematsku nesigurnost.
- [ ] Izračunao sam propagaciju greške sa ispravnim pravilom.
- [ ] Provjerio sam rezultat nezavisno sa Monte Carlom ili ručno.
- [ ] Prijavio sam rezultat sa odgovarajućom značajnom cifrom, usklađenom sa njegovom nesigurnošću.
- [ ] Uzeo sam u obzir nesigurnost prilikom poređenja rezultata.