Experimentální analýza dat a prokládání křivek

zisky:

• Schopnost přizpůsobit experimentální data pomocí curve_fit výběrem modelu z fyziky a reportovat parametry s jejich nejistotami
• Schopnost poctivě vyhodnotit kvalitu lícování zkoumáním zbytků a vyhnout se nadměrnému vybavení
• Schopnost zkontrolovat fyzickou věrohodnost nalezených parametrů a rozlišit „dobře vypadající“ přizpůsobení od „fyzicky správného“ přizpůsobení

Fyzika nakonec závisí na experimentování. Bez ohledu na to, jak je teorie elegantní, pokud nesouhlasí s naměřenými daty, je neplatná. Prokládání křivek je jádrem práce s experimentálními daty: přizpůsobení modelu předpovězeného teorií (přímka, exponenciála, oscilace) na hlučné měřicí body, které máte, nejlepším možným způsobem a nalezení parametrů modelu (sklon, konstanta, frekvence). V této lekci se naučíte, jak používat umělou inteligenci (AI) při analýze experimentálních dat, jak správně nastavit prokládání křivek a – což je nejdůležitější – jak rozpoznat rozdíl mezi fitem „vypadat dobře“ a „fyzicky správně“. Standardním nástrojem je scipy.optimize.curve_fit (funkce SciPy, která přizpůsobuje funkci modelu datům).

Logika prokládání křivek a role AI

Prokládání křivkou dělá toto: vyberete funkci modelu (např. y = a·x + b) a algoritmus najde hodnoty aab, které odpovídají datům s nejmenší chybou. Umělá inteligence je rychlá v kódování správné funkce modelu, nastavení volání curve_fit a vizualizaci výsledku. Ale dvě zásadní rozhodnutí jsou vaše: (1) Který model je fyzicky správný? (2) Je kvalita střihu opravdu dobrá? Umělá inteligence by také mohla přizpůsobit datům polynom 10. řádu a nakreslit křivku, která vypadá téměř dokonale – ale to by bylo fyzicky nesmyslné přemontování.

fyzická událost

očekávaný model

Nalezený parametr

konstantní rychlost pohybu

y = a·x + b

sklon = rychlost

radioaktivní rozpad

N = N₀·e^(−λt)

λ = rozpadová konstanta

uvolnění pružiny

x = A·cos(ωt + φ)

ω = úhlová frekvence

Ohmův zákon

V = R·I

R = odpor (sklon)

volný pád

y = ½·g·t2

g = gravitační zrychlení

Krok za krokem: montáž poctivé křivky

1. Vyberte model z fyziky, ne z dat. Nejprve určete, jakému fyzikálnímu zákonu se událost musí řídit. Výběr modelu podle dat a výběr „který se hodí dobře“ se snaží, aby fyzika odpovídala datům – nebezpečné.

2. Zadejte data a nejistotu. Spolu s body měření zadejte také chybu měření (parametr sigma) každého bodu, pokud existuje. To je nezbytné pro přesný výpočet shody a nejistoty parametrů.

3. Přečtěte si parametry a jejich nejistoty. curve_fit vrací jak hodnoty parametrů, tak jejich nejistoty odvozené z kovarianční matice. Hlášení parametru bez jeho nejistoty je neúplné: říci „g = 9,7 ± 0,3 m/s²“ je mnohem informativnější než jen říci „9,7“.

4. Vyhodnoťte lícování se zbytky. Zbytek je odchylka každého bodu měření od modelu. Náhodné rozložení zbytků je známkou dobré shody; systematická křivka (např. vše na jednom místě nad modelem) naznačuje, že model je špatný.

5. Zkontrolujte fyzickou přiměřenost. Je hodnota g nalezena v řádu 9,8 nebo 50? Byl odpor záporný? Fyzicky nemožné parametry naznačují problém, i když fit „vypadá dobře“.

Tip: Neposuzujte kvalitu střihu pouze podle zraku. Vždy zakreslete rezidua do samostatného grafu. V dobrém přizpůsobení se zbytky rozptylují jako hluk kolem nuly; Při špatném usazení se objeví viditelný vzor (vlna, sklon, tvar U). Tento vzor je nejupřímnější známkou toho, že váš model je fyzicky nedostatečný.

tři mini pouzdra

Případ 1 – Přepadová past. Jeden student proložil AI navržený polynom 7. stupně do 8 datových bodů; křivka procházela všemi body a vypadala "dokonale". Ale mezi těmito dvěma body křivka absurdně oscilovala. Student se obrátil k fyzice: byl to lineární vztah. Když nasadil jednoduchou čáru, parametry získaly fyzický význam; polynom vyššího řádu si právě zapamatoval šum.

Případ 2 – Zapomenutá nejistota. Výzkumník našel a uvedl gravitační zrychlení g = 9,73 s kódem napsaným YZ. Jeho poradce se zeptal na nejistotu. Výzkumník nepoužil kovarianční výstup curve_fit; Při výpočtu se nejistota ukázala jako ±0,4, což znamená, že výsledek byl v souladu se standardní hodnotou 9,81. Bez dvojznačnosti by výsledek mohl být chybně interpretován jako „odchylky od 9,81“.

Případ 3 – Zbytky vykazovaly chybu. Učitel vložil do experimentu chlazení rovnou čáru a zdálo se to rozumné. Ale když vykreslil útržky, objevil se zřetelný zakřivený vzor. To, co se ve skutečnosti stalo, bylo exponenciální ochlazení. Když použil správný model (exponenciální), rezidua se stala náhodná a fit se stalo fyzicky smysluplným.

Čtyři kopírovatelné šablony

1) Přizpůsobení fyzickému modelu:

Napište kód curve_fit, který odpovídá fyzikálním modelům = [funkce modelu] k následujícím experimentálním datům ([hodnoty x a y, v jednotkách]). Vytiskněte parametry a 1-sigma nejistoty odvozené z kovariance. Vyneste data, proloženou křivku a rezidua do SAMOSTATNÉHO grafu. Výběr modelu jsem provedl z fyziky; stačí to aplikovat.

2) Posouzení kvality způsobilosti:

Níže přidejte kód, který vyhodnocuje kvalitu proložení: vykreslete rezidua, vypočítejte míru, jako je chí-kvadrát nebo R², a písemně komentujte, zda rezidua obsahují systematický vzor. Fit kód: [zde]

3) Porovnání modelů:

Napište kód, který se hodí a porovná dva různé fyzické modely se stejnými daty: [model A] a [model B]. Ukažte parametry, nejistoty a zbytkové vzory obou. Je na mně, abych se rozhodl, který z nich je FYZICKY vhodnější; Stačí představit dva vedle sebe. Nezapomeňte se vyvarovat nadměrného vybavení.

4) Hlášení nejistoty:

Přidejte kód, který vytiskne každý parametr následující shody s příslušným počtem platných číslic ve formátu „hodnota ± nejistota (jednotka)“. Přizpůsobit, pokud parametr nabývá fyzicky nemožné hodnoty (např. záporná hmotnost). Kód: [zde]

Slabá výzva / Silná výzva

Slabý: "Najděte křivku, která nejlépe odpovídá těmto datům."

Závěr: Umělá inteligence může poskytnout „dokonalé“, ale fyzicky nesmyslné přizpůsobení polynomu vysokého řádu; nejistota a nic víc.

Strong: "Napište kód pro proložení křivky, který odpovídá modelu radioaktivního rozpadu N = N₀·e^(−λt) k těmto (t, N) datům. Vytiskněte λ a N₀ a jejich nejistoty. Vykreslete rezidua do samostatného grafu a okomentujte, pokud existuje systematický vzorec. Varujte, pokud je λ záporné."

Výsledek: Fyzikální model, nejisté parametry, kontrola zbytků a kontrola věrohodnosti.

Časté chyby

• Výběr modelu z dat. Volba „nejlepšího přizpůsobení“ namísto fyzikálního zákona nutí fyziku, aby odpovídala datům, a vede k nadměrnému přizpůsobení.
• Neuvádí nejistotu. Hodnota parametru bez nejistoty je vědecky neúplná; Zda jsou dva výsledky kompatibilní nebo ne, lze pochopit pouze pomocí nejistoty.
• Neškrábat zbytky. Prohlášení shody za „dobrou“ pohledem do oka skrývá systematické odchylky.
• Nadhodnoťte významnou číslici. Zápis g = 9,73418 ± 0,4 je chybná přesnost; Nejistota určuje, kolik číslic je významných.
• Obcházení fyzické rozumnosti. Ignorování nemožných důsledků, jako je negativní odpor nebo gravitace 50 m/s².

Pozor: To, že křivka dobře odpovídá datům, nedokazuje, že základní fyzika je správná. S dostatkem volných parametrů lze "dobrou" křivku přizpůsobit jakýmkoliv datům. Vědecká integrita vyžaduje výběr modelu z fyziky, hlášení nejistoty a poctivé zkoumání reziduí. Pěkná grafika generovaná AI tyto ovládací prvky nenahradí.

V souhrnu

Při analýze experimentálních dat umělá inteligence rychle vytvoří kód pro prokládání křivek a vizualizaci; ale je odpovědností fyzika vybrat fyzikální model, přesně hlásit nejistotu a poctivě vyhodnotit kvalitu přizpůsobení. Dobrá analýza přebírá model z fyziky, uvádí parametry s jejich nejistotami, zkoumá rezidua a testuje fyzikální věrohodnost výsledku. V další části probereme tento koncept nejistoty hlouběji – chyba měření a šíření chyb.

Aplikační úkol

Přizpůsobte fyzický model malé sadě experimentálních dat, která máte nebo jste vytvořili (například měření délky a periody kyvadla nebo data proudu a napětí rezistoru). Vytiskněte kód s 1. šablonou do AI, spusťte jej; Přečtěte parametry s jejich nejistotou a vykreslete rezidua. Zkontrolujte, zda je ve zbytcích systematický vzor, ​​zda jsou parametry fyzicky přiměřené. Zapište 5-6 větami: byl fit opravdu dobrý, co říkala nejistota?

kontrolní seznam

• [ ] Model jsem vybral z fyziky, ne z dat.
• [ ] Do tvarovky jsem zahrnul nejistotu měření, pokud existuje.
• [ ] Parametry jsem uvedl s jejich nejistotou a příslušnou platnou číslicí.
• [ ] Zbytky jsem vynesl do samostatného grafu a hledal systematické vzorce.
• [ ] Zkontroloval jsem, že parametry jsou fyzicky přiměřené.
• [ ] Vyvaroval jsem se overfittingu (zbytečně vysoké volnosti).