Experimentelle Datenanalyse und Kurvenanpassung

Gewinne:

• Möglichkeit, experimentelle Daten mit Curve_fit anzupassen, indem das Modell aus der Physik ausgewählt und die Parameter mit ihren Unsicherheiten angegeben werden
• Fähigkeit, die Anpassungsqualität durch die Untersuchung von Residuen ehrlich zu bewerten und eine Überanpassung zu vermeiden
• Fähigkeit, die gefundenen Parameter auf physikalische Plausibilität zu überprüfen und eine „gut aussehende“ Passform von einer „physikalisch korrekten“ Passform zu unterscheiden

Die Physik hängt letztlich vom Experimentieren ab. Egal wie elegant eine Theorie ist, wenn sie nicht mit den gemessenen Daten übereinstimmt, ist sie ungültig. Die Kurvenanpassung ist das Herzstück der Arbeit mit experimentellen Daten: die bestmögliche Anpassung eines theoretisch vorhergesagten Modells (eine Linie, eine Exponentialfunktion, eine Schwingung) an die vorhandenen verrauschten Messpunkte und die Ermittlung der Parameter des Modells (Steigung, Konstante, Frequenz). In dieser Einheit erfahren Sie, wie Sie künstliche Intelligenz (KI) bei der Analyse von Versuchsdaten einsetzen, wie Sie die Kurvenanpassung richtig einrichten und – was am wichtigsten ist – wie Sie den Unterschied zwischen einer „gut aussehenden“ und einer „physikalisch korrekten“ Passform erkennen. Das Standardtool ist scipy.optimize.curve_fit (SciPy-Funktion, die eine Modellfunktion an die Daten anpasst).

Die Logik der Kurvenanpassung und die Rolle der KI

Die Kurvenanpassung bewirkt Folgendes: Sie wählen eine Modellfunktion (z. B. y = a·x + b) und der Algorithmus findet die Werte von a und b, die mit dem geringsten Fehler zu den Daten passen. KI ist schnell dabei, die richtige Modellfunktion zu codieren, den Curve_fit-Aufruf einzurichten und das Ergebnis zu visualisieren. Aber zwei entscheidende Entscheidungen liegen bei Ihnen: (1) Welches Modell ist physikalisch korrekt? (2) Ist die Qualität der Passform wirklich gut? Die KI könnte auch ein Polynom 10. Ordnung an die Daten anpassen und eine Kurve zeichnen, die nahezu perfekt aussieht – aber das wäre eine physikalisch bedeutungslose Überanpassung.

physisches Ereignis

erwartetes Modell

Parameter gefunden

Bewegung mit konstanter Geschwindigkeit

y = a·x + b

Steigung = Geschwindigkeit

radioaktiver Zerfall

N = N₀·e^(−λt)

λ = Zerfallskonstante

Federfreigabe

x = A·cos(ωt + φ)

ω = Kreisfrequenz

Ohmsches Gesetz

V = R·I

R = Widerstand (Steigung)

freier Fall

y = ½·g·t²

g = Erdbeschleunigung

Schritt für Schritt: Eine ehrliche Kurve anpassen

1. Wählen Sie das Modell aus der Physik, nicht aus Daten. Bestimmen Sie zunächst, welchem ​​physikalischen Gesetz das Ereignis gehorchen muss. Bei der Auswahl eines Modells anhand der Daten und der Entscheidung, welches Modell gut passt, wird versucht, die Physik an die Daten anzupassen – gefährlich.

2. Geben Sie Daten und Unsicherheit ein. Geben Sie neben den Messpunkten auch den Messfehler (Sigma-Parameter) jedes Punkts ein, falls vorhanden. Dies ist für eine genaue Berechnung der Anpassung und Parameterunsicherheit erforderlich.

3. Lesen Sie die Parameter und ihre Unsicherheiten. Curve_fit gibt beide Parameterwerte und ihre aus der Kovarianzmatrix abgeleiteten Unsicherheiten zurück. Die Angabe eines Parameters ohne seine Unsicherheit ist unvollständig: „g = 9,7 ± 0,3 m/s²“ zu sagen ist viel aussagekräftiger als nur „9,7“.

4. Bewerten Sie die Anpassung mit Residuen. Das Residuum ist die Abweichung jedes Messpunkts vom Modell. Eine zufällige Verteilung der Residuen ist ein Zeichen für eine gute Anpassung; Eine systematische Kurve (z. B. alle an einer Stelle über dem Modell) zeigt an, dass das Modell falsch ist.

5. Überprüfen Sie die körperliche Vernünftigkeit. Liegt der g-Wert in der Größenordnung von 9,8 oder 50? Ist ein Widerstand negativ geworden? Physikalisch unmögliche Parameter weisen auf ein Problem hin, auch wenn die Passform „gut aussieht“.

Tipp: Beurteilen Sie die Qualität der Passform nicht ausschließlich anhand Ihres Sehvermögens. Tragen Sie die Residuen immer in einem separaten Diagramm ein. Bei einer guten Anpassung verteilen sich die Residuen wie Rauschen um Null; Bei schlechter Passform entsteht ein sichtbares Muster (Welle, Steigung, U-Form). Dieses Muster ist das ehrlichste Zeichen dafür, dass Ihr Modell körperlich mangelhaft ist.

drei Mini-Koffer

Fall 1 – Die Überanpassungsfalle. Ein Student passte ein von der KI vorgeschlagenes Polynom 7. Grades an 8 Datenpunkte an; Die Kurve verlief durch alle Punkte und sah „perfekt“ aus. Aber zwischen den beiden Punkten schwankte die Kurve absurd. Der Student wandte sich der Physik zu: Es war ein linearer Zusammenhang. Als er eine einfache Linie anpasste, bekamen die Parameter eine physikalische Bedeutung; Das Polynom höherer Ordnung hatte sich gerade das Rauschen eingeprägt.

Fall 2 – Unsicherheit vergessen. Ein Forscher fand und berichtete mit dem von YZ geschriebenen Code die Gravitationsbeschleunigung g = 9,73. Sein Berater erkundigte sich nach der Unsicherheit. Der Forscher verwendete nicht die Kovarianzausgabe von Curve_fit; Bei der Berechnung ergab sich eine Unsicherheit von ±0,4, was bedeutet, dass das Ergebnis mit dem Standardwert von 9,81 übereinstimmte. Ohne Zweifel könnte das Ergebnis als „weicht von 9,81 ab“ fehlinterpretiert werden.

Fall 3 – Residuen zeigten den Fehler. Ein Lehrer fügte eine gerade Linie in ein Kühlexperiment ein und es schien vernünftig. Aber als er die Fetzen zeichnete, zeichnete sich ein deutlich geschwungenes Muster ab. Was tatsächlich geschah, war eine exponentielle Abkühlung. Als er das richtige Modell (exponentiell) verwendete, wurden die Residuen zufällig und die Anpassung erhielt physikalische Bedeutung.

Vier kopierbare Vorlagen

1) Anpassung an physikalisches Modell:

Schreiben Sie einen Curve_Fit-Code, der die physikalische Modellfunktion an die folgenden experimentellen Daten anpasst ([x- und y-Werte, in Einheiten]). Drucken Sie die aus der Kovarianz abgeleiteten Parameter und 1-Sigma-Unsicherheiten aus. Stellen Sie die Daten, die angepasste Kurve und die Residuen in einem SEPARATEN Diagramm dar. Die Modellauswahl habe ich aus der Physik getroffen; Sie wenden es einfach an.

2) Beurteilung der Eignungsqualität:

Fügen Sie unten Code hinzu, der die Qualität der Anpassung bewertet: Zeichnen Sie die Residuen auf, berechnen Sie ein Maß wie Chi-Quadrat oder R² und kommentieren Sie schriftlich, ob die Residuen ein systematisches Muster aufweisen. Passformcode: [hier]

3) Modellvergleich:

Schreiben Sie Code, der zwei verschiedene physikalische Modelle mit denselben Daten anpasst und vergleicht: [Modell A] und [Modell B]. Zeigen Sie die Parameter, Unsicherheiten und Restmuster beider an. Es liegt an mir zu entscheiden, welches KÖRPERLICH besser geeignet ist; Präsentieren Sie die beiden einfach nebeneinander. Denken Sie daran, eine Überanpassung zu vermeiden.

4) Unsicherheitsmeldung:

Fügen Sie Code hinzu, der jeden Parameter der folgenden Anpassung mit der entsprechenden Anzahl signifikanter Stellen im Format „Wert ± Unsicherheit (Einheit)“ ausgibt. Fit, wenn ein Parameter einen physikalisch unmöglichen Wert annimmt (z. B. negative Masse). Code: [hier]

Schwache Eingabeaufforderung / Starke Eingabeaufforderung

Schwach: „Finden Sie die Kurve, die am besten zu diesen Daten passt.“

Fazit: KI kann einem Polynom höherer Ordnung eine „perfekte“, aber physikalisch bedeutungslose Anpassung geben; Unsicherheit und nicht mehr.

Strong: „Schreiben Sie einen Curve_fit-Code, der das Modell des radioaktiven Zerfalls N = N₀·e^(−λt) an diese (t, N)-Daten anpasst. Drucken Sie λ und N₀ und ihre Unsicherheiten aus. Zeichnen Sie die Residuen in einem separaten Diagramm auf und kommentieren Sie, wenn es ein systematisches Muster gibt. Warnen Sie, wenn λ negativ ist.“

Ergebnis: Physikalisches Modell, unsichere Parameter, Restprüfung und Plausibilitätsprüfung.

Häufige Fehler

• Auswahl des Modells aus den Daten. Die Wahl der „besten Anpassung“ anstelle des physikalischen Gesetzes zwingt die Physik dazu, die Daten anzupassen, und führt zu einer Überanpassung.
• Unsicherheit wird nicht gemeldet. Ein Parameterwert ohne Unsicherheit ist wissenschaftlich unvollständig; Ob zwei Ergebnisse kompatibel sind oder nicht, kann nur durch Unsicherheit verstanden werden.
• Die Reste nicht zerkratzen. Die Deklaration der Compliance auf Augenhöhe mit „gut“ verbirgt systematische Abweichungen.
• Überschätzen Sie die signifikante Ziffer. Das Schreiben von g = 9,73418 ± 0,4 ist eine falsche Präzision; Die Unsicherheit bestimmt, wie viele Ziffern von Bedeutung sind.
• Umgehen der physischen Vernünftigkeit. Ignorieren unmöglicher Konsequenzen wie negativem Widerstand oder 50 m/s² Schwerkraft.

Achtung: Nur weil eine Kurve gut zu den Daten passt, beweist das nicht, dass die zugrunde liegende Physik korrekt ist. Mit genügend freien Parametern kann eine „gute“ Kurve an alle Daten angepasst werden. Wissenschaftliche Integrität erfordert die Auswahl des Modells aus der Physik, die Angabe von Unsicherheiten und die ehrliche Untersuchung der Residuen. Eine schöne KI-generierte Grafik ist kein Ersatz für diese Steuerelemente.

Zusammenfassend

Bei der Analyse von Versuchsdaten erstellt die KI schnell Code und Visualisierung für die Kurvenanpassung. Es liegt jedoch in der Verantwortung des Physikers, das physikalische Modell auszuwählen, Unsicherheiten genau anzugeben und die Qualität der Anpassung ehrlich zu bewerten. Eine gute Analyse übernimmt das Modell aus der Physik, gibt die Parameter mit ihren Unsicherheiten an, untersucht die Residuen und prüft die physikalische Plausibilität des Ergebnisses. In der nächsten Einheit werden wir dieses Konzept der Unsicherheit ausführlicher diskutieren – Messfehler und Fehlerausbreitung.

Anwendungsaufgabe

Passen Sie ein physikalisches Modell an einen kleinen Satz experimenteller Daten an, die Sie haben oder erstellt haben (z. B. Längen-Perioden-Messungen eines Pendels oder Strom-Spannungs-Daten eines Widerstands). Drucken Sie den Code mit der ersten Vorlage an die KI aus und führen Sie ihn aus. Lesen Sie die Parameter mit ihrer Unsicherheit ab und zeichnen Sie die Residuen auf. Überprüfen Sie, ob ein systematisches Muster in den Residuen vorliegt und ob die Parameter physikalisch sinnvoll sind. Schreiben Sie in 5-6 Sätzen auf: War die Passform wirklich gut, was hat die Unsicherheit gesagt?

Checkliste

• [ ] Ich habe das Modell aus der Physik ausgewählt, nicht aus Daten.
• [ ] Ich habe etwaige Messunsicherheiten in die Anpassung einbezogen.
• [ ] Ich habe die Parameter mit ihrer Unsicherheit und der entsprechenden signifikanten Ziffer angegeben.
• [ ] Ich habe die Residuen in einem separaten Diagramm dargestellt und nach systematischen Mustern gesucht.
• [ ] Ich habe überprüft, ob die Parameter physikalisch sinnvoll sind.
• [ ] Ich habe eine Überanpassung (unnötig hohe Freiheit) vermieden.