Enheder
1. Introduktion til kunstig intelligens i fysik: roller, grænser, enheds- og resultatvalidering, etik 2. Beregning og numeriske metoder med Python 3. Simulering af fysiske systemer 4. Eksperimentel dataanalyse og kurvetilpasning 5. Usikkerhed, fejludbredelse og måleanalyse 6. Symbolsk fysik: Modelafledning og analytisk løsning 7. Dimensionsanalyse, enhedskonvertering og resultatvalidering 8. Videnskabelig visualisering 9. Litteraturgennemgang, kildebekræftelse og videnskabelig skrivning 10. Fysikundervisning og misforståelser 11. Hallucination, etik, fortrolighed og videnskabelig integritet
Enhed 4 / 11

Eksperimentel dataanalyse og kurvetilpasning

Gevinster:

  • Evne til at tilpasse eksperimentelle data med curve_fit ved at vælge modellen fra fysik og rapportere parametrene med deres usikkerheder
  • Evne til ærligt at vurdere pasformskvaliteten ved at undersøge rester og undgå overfitting
  • Evne til at kontrollere den fysiske plausibilitet af de fundne parametre og skelne en 'god udseende' pasform fra en 'fysisk korrekt' pasform

Fysik afhænger i sidste ende af eksperimenter. Uanset hvor elegant en teori er, er den ugyldig, hvis den ikke stemmer overens med målte data. Kurvetilpasning er kernen i at arbejde med eksperimentelle data: at tilpasse en model forudsagt af teori (en linje, en eksponentiel, en svingning) til de støjende målepunkter, du har, på den bedst mulige måde og finde modellens parametre (hældning, konstant, frekvens). I denne enhed lærer du, hvordan du bruger kunstig intelligens (AI) i eksperimentdataanalyse, hvordan du opsætter kurvetilpasning korrekt, og - mest kritisk - hvordan du kan se forskel på en pasform, der "ser godt ud" og "at være fysisk korrekt." Standardværktøjet er scipy.optimize.curve_fit (SciPy-funktion, der tilpasser en modelfunktion til dataene).

Logikken bag kurvetilpasning og AI's rolle

Kurvetilpasning gør dette: du vælger en modelfunktion (f.eks. y = a·x + b), og algoritmen finder de værdier af a og b, der passer til dataene med mindst fejl. AI er hurtig til at kode den korrekte modelfunktion, opsætte curve_fit-kaldet og visualisere resultatet. Men to kritiske beslutninger er dine: (1) Hvilken model er fysisk korrekt? (2) Er kvaliteten af ​​pasformen rigtig god? AI'en kunne også passe et 10. ordens polynomium til dataene og tegne en kurve, der ser næsten perfekt ud - men dette ville være fysisk meningsløs overfitting.

fysisk begivenhed

forventet model

Fundet parameter

konstant hastighed bevægelse

y = a·x + b

hældning = hastighed

radioaktivt henfald

N = N₀·e^(−λt)

λ = henfaldskonstant

fjederudgivelse

x = A·cos(ωt + φ)

ω = vinkelfrekvens

Ohms lov

V = R·I

R = modstand (hældning)

frit fald

y = ½·g·t²

g = gravitationsacceleration

Trin for trin: montering af en ærlig kurve

1. Vælg modellen fra fysik, ikke fra data. Bestem først, hvilken fysisk lov begivenheden skal adlyde. At vælge en model ved at se på dataene og vælge "hvilken passer godt" forsøger at få fysikken til at passe til dataene - farligt.

2. Indtast data og usikkerhed. Sammen med målepunkterne skal du også indtaste målefejlen (sigma-parameter) for hvert punkt, hvis nogen. Dette er nødvendigt for nøjagtig beregning af tilpasning og parameterusikkerhed.

3. Læs parametrene og deres usikkerheder. curve_fit returnerer både parameterværdier og deres usikkerheder afledt af kovariansmatricen. At rapportere en parameter uden dens usikkerhed er ufuldstændig: at sige "g = 9,7 ± 0,3 m/s²" er meget mere informativt end blot at sige "9,7".

4. Evaluer pasformen med rester. Residualen er afvigelsen af ​​hvert målepunkt fra modellen. Tilfældig fordeling af rester er et tegn på god pasform; en systematisk kurve (fx alt på ét sted over modellen) indikerer, at modellen er forkert.

5. Tjek fysisk rimelighed. Findes g-værdien i størrelsesordenen 9,8 eller 50? Gik en modstand negativ? Fysisk umulige parametre indikerer et problem, selvom pasformen "ser godt ud".

Tip: Bedøm ikke pasformens kvalitet ved udelukkende at stole på synet. Plot altid resterne på en separat graf. I en god pasform spredes resterne som støj omkring nul; Ved dårlig pasform fremkommer et synligt mønster (bølge, hældning, U-form). Dette mønster er det mest ærlige tegn på, at din model er fysisk mangelfuld.

tre minisager

Tilfælde 1 — Overfittingsfælden. En elev tilpassede et AI-foreslået 7. grads polynomium til 8 datapunkter; kurven gik gennem alle punkterne og så "perfekt ud". Men mellem de to punkter svingede kurven absurd. Eleven vendte sig mod fysik: det var et lineært forhold. Når han tilpassede en simpel linje, fik parametrene fysisk betydning; det højere ordens polynomium havde lige husket støjen.

Case 2 — Usikkerhed glemt. En forsker fandt og rapporterede gravitationsaccelerationen g = 9,73 med koden skrevet af YZ. Hans rådgiver spurgte til usikkerheden. Forskeren brugte ikke curve_fit's kovariansoutput; Når den blev beregnet, viste usikkerheden sig at være ±0,4, hvilket betyder, at resultatet var i overensstemmelse med standardværdien på 9,81. Uden tvetydighed kan resultatet misfortolkes som "afviger fra 9,81".

Tilfælde 3 — Rester viste fejlen. En lærer tilpassede en lige linje i et køleeksperiment, og det virkede fornuftigt. Men da han plottede resterne, dukkede et tydeligt buet mønster op. Det, der faktisk skete, var en eksponentiel afkøling. Når han brugte den korrekte model (eksponentiel), blev residualerne tilfældige, og tilpasningen blev fysisk meningsfuld.

Fire kopierbare skabeloner

1) Tilpasning til fysisk model:

Skriv en kurvetilpasningskode, der passer til den fysiske model = [modelfunktion] til følgende eksperimentelle data ([x- og y-værdier, i enheder]). Udskriv parametrene og 1-sigma usikkerheder afledt af kovariansen. Plot dataene, den tilpassede kurve og residualerne på en SEPARAT graf. Jeg foretog modelvalget fra fysik; du bare anvender det.

2) Kvalitetsvurdering af pasform:

Tilføj kode, der evaluerer kvaliteten af tilpasningen nedenfor: plot residualerne, beregn et mål som chi-square eller R², og kommenter skriftligt, hvis der er et systematisk mønster i residualerne. Fit kode: [her]

3) Modelsammenligning:

Skriv kode, der passer til og sammenligner to forskellige fysiske modeller med de samme data: [model A] og [model B]. Vis begges parametre, usikkerheder og resterende mønstre. Det er op til mig at afgøre, hvilken der er FYSISK mere egnet; Bare præsentere de to side om side. Husk at undgå overfitting.

4) Usikkerhedsrapportering:

Tilføj kode, der udskriver hver parameter af følgende pasform med det passende antal signifikante cifre i formatet "værdi ± usikkerhed (enhed)". Tilpas, hvis en parameter tager en fysisk umulig værdi (f.eks. negativ masse). Kode: [her]

Svag prompt / Stærk prompt

Svag: "Find den kurve, der passer bedst til disse data."
Konklusion: AI kan give en "perfekt" men fysisk meningsløs tilpasning til et højordens polynomium; usikkerhed og ikke mere.
Strong: "Skriv en curve_fit-kode, der passer til den radioaktive henfaldsmodel N = N₀·e^(−λt) til disse (t, N) data. Udskriv λ og N₀ og deres usikkerheder. Plot resterne i en separat graf og kommenter, om der er et systematisk mønster. Advar, hvis λ er negativ."
Resultat: Fysisk model, usikre parametre, restkontrol og plausibilitetskontrol.

Almindelige fejl

  • Valg af model fra dataene. At vælge den "bedste pasform" i stedet for den fysiske lov tvinger fysikken til at passe til dataene og fører til overtilpasning.
  • Rapporterer ikke usikkerhed. En parameterværdi uden usikkerhed er videnskabeligt ufuldstændig; Hvorvidt to resultater er kompatible eller ej, kan kun forstås gennem usikkerhed.
  • Ikke ridser resterne. At erklære overholdelse "god" ved at se på øjet skjuler systematiske afvigelser.
  • Overvurder det signifikante ciffer. At skrive g = 9,73418 ± 0,4 er en falsk præcision; Usikkerhed afgør, hvor mange cifre der er signifikante.
  • Omgå fysisk rimelighed. Ignorerer umulige konsekvenser som negativ modstand eller 50 m/s² tyngdekraft.
Bemærk: Bare fordi en kurve passer godt til dataene, beviser det ikke, at den underliggende fysik er korrekt. Med nok ledige parametre kan en "god" kurve tilpasses til enhver data. Videnskabelig integritet kræver, at man vælger modellen fra fysik, rapporterer usikkerhed og undersøger resterne ærligt. En flot AI-genereret grafik er ingen erstatning for disse kontroller.

Sammenfattende

I eksperimentdataanalyse etablerer AI hurtigt kurvetilpasningskode og visualisering; men det er fysikerens ansvar at vælge den fysiske model, præcist rapportere usikkerhed og ærligt vurdere kvaliteten af ​​pasformen. En god analyse tager modellen fra fysikken, rapporterer parametrene med deres usikkerheder, undersøger residualerne og tester resultatets fysiske plausibilitet. I den næste enhed vil vi diskutere dette usikkerhedsbegreb mere i dybden - målefejl og fejludbredelse.

Ansøgningsopgave

Tilpas en fysisk model til et lille sæt eksperimentelle data, du har eller har produceret (for eksempel længde-periodemålinger af et pendul eller strømspændingsdata for en modstand). Udskriv koden med 1. skabelon til AI, kør den; Læs parametrene med deres usikkerhed og plot residualerne. Tjek om der er et systematisk mønster i residualerne, om parametrene er fysisk fornuftige. Skriv ned i 5-6 sætninger: var pasformen rigtig god, hvad sagde usikkerheden?

tjekliste

  • [ ] Jeg valgte modellen fra fysik, ikke fra data.
  • [ ] Jeg inkluderede måleusikkerhed, hvis nogen, i fittingen.
  • [ ] Jeg rapporterede parametrene med deres usikkerhed og passende signifikante ciffer.
  • [ ] Jeg plottede resterne på en separat graf og ledte efter systematiske mønstre.
  • [ ] Jeg tjekkede, at parametrene er fysisk rimelige.
  • [ ] Jeg undgik overfitting (unødigt høj frihed).
Tidligere Næste