Gewinne:
- Fähigkeit, zwischen zufälliger und systematischer Unsicherheit zu unterscheiden und jedes Messergebnis mit seiner Unsicherheit auf der entsprechenden signifikanten Stelle anzugeben.
- Fähigkeit, die Fehlerausbreitung mit der richtigen Regel zu berechnen und die durch künstliche Intelligenz abgeleitete Formel unabhängig mit Monte Carlo zu vergleichen
- Fähigkeit, unter Berücksichtigung ihrer Unsicherheit zu entscheiden, ob zwei Ergebnisse kompatibel sind oder nicht
Keine Messung in der Physik ist perfekt. Bei der Längenmessung mit einem Lineal besteht eine Unsicherheit von ±0,5 mm und bei der Zeitmessung mit einer Stoppuhr ±0,1 s. Diese Unsicherheiten sind kein Fehler, sondern die Art der Messung – und die Anforderung wissenschaftlicher Integrität besteht darin, jedes Ergebnis mit seiner Unsicherheit anzugeben. Zu sagen: „Ich habe festgestellt, dass die Erdbeschleunigung 9,7 beträgt“ ist unvollständig; Wenn Sie sagen: „Ich habe 9,7 ± 0,3 m/s² gefunden“, erfahren Sie, wie zuverlässig das Ergebnis ist. In dieser Einheit erfahren Sie, wie Sie künstliche Intelligenz (KI) zur Unsicherheitsberechnung und Fehlerausbreitung nutzen (wie Messunsicherheiten von diesen Messungen auf das berechnete Ergebnis übertragen werden) und wie Sie diese Berechnungen überprüfen.
Arten von Unsicherheit und die Rolle der KI
Es gibt zwei grundlegende Arten von Unsicherheit. Zufällige Unsicherheit ist die Streuung der Ergebnisse bei wiederholten Messungen; Viele Messungen werden durchgeführt und um den Mittelwert und die Standardabweichung reduziert. Systematische Unsicherheit ist ein Fehler, der immer in die gleiche Richtung abweicht (wie eine falsch geeichte Waage); Es nimmt nicht durch Wiederholung ab, sondern wird durch die Suche nach der Ursache behoben. KI ist hilfreich bei der Erklärung dieser Konzepte, der Kodifizierung der Berechnung der Standardabweichung und des Mittelwerts und – insbesondere – der Ableitung komplexer Fehlerfortpflanzungsformeln. Sie müssen jedoch jede abgeleitete Formel überprüfen, da KI in Fehlerfortpflanzungsformeln häufig partielle Ableitungszeichen oder Quadratwurzelstrukturen mischt.
Status
Konto
Überprüfung
Wiederholte Messung
Mittelwert ± Standardfehler
Manuelle Standardabweichung / √N
Addition/Subtraktion (z = x ± y)
Unsicherheiten werden aus dem Quadrat summiert
Größen-/Einheitskontrolle
Multiplikation/Division (z = x·y)
Relative Unsicherheiten werden aus dem Quadrat summiert
Test mit Probennummer
Allgemeine Funktion
Ausbreitung durch partielle Ableitungen
Gegenprüfung mit Monte Carlo
Grundregeln der Fehlerausbreitung
Bei Addition und Subtraktion werden absolute Unsicherheiten durch Addition ihrer Quadrate kombiniert: Wenn z = x + y, wird die Unsicherheit von z zu √(δx² + δy²). Bei der Multiplikation und Division werden die relativen (prozentualen) Unsicherheiten aus ihren Quadraten summiert: Wenn z = x·y, (δz/z) = √((δx/x)² + (δy/y)²). Für komplexere Funktionen besteht die allgemeine Regel darin, partielle Ableitungen zu verwenden: Die Auswirkung jeder Variablen auf das Ergebnis wird durch die partielle Ableitung in Bezug auf diese Variable gemessen. KI kann diese Formeln ableiten, aber der sicherste Weg, das Ergebnis zu überprüfen, ist eine Monte-Carlo-Gegenprüfung: jede Eingabe wird zufällig auf ihre Unsicherheit verteilt, tausende Male berechnet und die Verteilung der Ausgabe betrachtet.
Tipp: Wenn Sie sich über die Genauigkeit einer Fehlerfortpflanzungsformel nicht sicher sind, geben Sie sie mit Monte Carlo an: Generieren Sie die Eingaben zufällig mit ihrer eigenen Unsicherheit und berechnen Sie die Funktion 10.000 Mal. Die Standardabweichung der Ausgabe muss mit der in der Formel angegebenen Unsicherheit übereinstimmen. Die Kombination dieser beiden unabhängigen Methoden erhöht Ihr Vertrauen in das Ergebnis erheblich.
Schritt für Schritt: eine ehrliche Unsicherheitsanalyse
1. Bestimmen Sie die Unsicherheit jeder Messung. Geräteauflösung, Wiederholungsverteilung oder Herstellerdaten. Schreiben Sie auf, woher die Unsicherheit kommt.
2. Unterscheiden Sie zwischen zufällig und systematisch. Überlegen Sie separat, was bei Wiederholung abnimmt und was nicht.
3. Berechnen Sie den Spread mit der richtigen Formel. Addition, Multiplikation, allgemeine Funktion – wählen Sie die entsprechende Regel. Lassen Sie es von der KI ableiten, aber kontrollieren Sie es.
4. Vergleich mit Monte Carlo. Stellen Sie das Ergebnis in einer unabhängigen Methode bereit, insbesondere bei komplexen Formeln.
5. Berichten Sie mit den entsprechenden signifikanten Ziffern. Die Unsicherheit wird normalerweise auf 1-2 signifikante Stellen gerundet; Das Ergebnis stimmt mit der letzten Ziffer der Unsicherheit überein. Schreiben Sie „9,7 ± 0,4 m/s²“, nicht „9,73418 ± 0,4“.
drei Mini-Koffer
Fall 1 – Falsche Spread-Formel. Ein Student fragte AI nach der Unsicherheitsausbreitung für g = 4π²L/T². AI hat den Koeffizienten 2 vergessen, als er den Beitrag der Unsicherheit von T in Bezug auf T ableitete (seit T² hätte die relative Unsicherheit 2·δT/T betragen müssen). Beim Vergleich mit Monte Carlo stellte der Student fest, dass die KI-Formel die Unsicherheit auf etwa die Hälfte schätzte und korrigierte.
Fall 2 – Systematischer Fehler verschleiert. Ein Forscher nahm eine große Anzahl von Messungen vor, verringerte die zufällige Unsicherheit sehr und berichtete von einer beeindruckenden Genauigkeit von „±0,01 mm“. Aber seine Skala war um 0,2 mm vom Kaliber abweichend – ein systematischer Fehler. Berücksichtigt man diesen Fehler, der bei Wiederholung nicht abnahm, war die tatsächliche Unsicherheit viel größer. Lektion: Wiederholung reduziert zufällige Fehler, nicht systematische Fehler.
Fall 3 – Monte Carlo gerettet. Ein Lehrer führte eine Unsicherheit in eine Volumenrechnung ein (V = πr²h) und fand manuell ein Ergebnis. Allerdings bat er die KI um einen Monte-Carlo-Code; Er generierte zufällig r und h mit ihren Unsicherheiten und berechnete V 10.000 Mal. Die Standardabweichung der Verteilung stimmte mit dem manuell ermittelten Wert überein – die Analyse wurde validiert.
Vier kopierbare Vorlagen
1) Ableitung der Fehlerausbreitung + Überprüfung:
Leiten Sie für den Ausdruck z = [Formel] die Fehlerfortpflanzung von den Unsicherheiten der Variablen x und y zur Unsicherheit von z durch partielle Ableitungen SCHRITT FÜR SCHRITT ab. Zeigen Sie jede partielle Ableitung. Dann überprüfen Sie diese Formel mit SympY.Fitting; Markieren Sie den Schritt, bei dem Sie sich nicht sicher sind.
2) Monte-Carlo-Gegenprüfung:
Schreiben Sie einen Python-Code, der die Unsicherheit der folgenden Berechnung mithilfe von Monte Carlo ermittelt: z = [Formel]. Eingaben: x = [Wert ± Unsicherheit], y = [Wert ± Unsicherheit]. Stichproben Sie jede Eingabe 10.000 Mal aus einer Normalverteilung, berechnen Sie z, drucken Sie den Mittelwert und die Standardabweichung der Ausgabe aus. Vergleichen Sie dies mit dem Ergebnis der analytischen Diffusionsformel.
3) Messstatistik:
Schreiben Sie Code, der den Mittelwert, die Standardabweichung und den Standardfehler des Mittelwerts (std/√N) für die folgenden wiederholten Messdaten ([Werte]) berechnet. Drucken Sie das Ergebnis im Format „Wert ± Standardfehler (Einheiten)“ mit der entsprechenden signifikanten Ziffer aus. Erinnern Sie uns an die Unterscheidung zwischen zufälliger und systematischer Unsicherheit.
4) Signifikante Ziffer / Meldeprüfung:
Schreiben Sie die Ergebnisse unten in die Form „Wert ± Unsicherheit (Einheit)“ um, runden Sie die Unsicherheit auf 1–2 signifikante Stellen auf und richten Sie das Ergebnis an der Unsicherheit aus. Korrigieren Sie falsche Präzision. Ergebnisse: [hier]
Schwache Eingabeaufforderung / Starke Eingabeaufforderung
Schwach: „Berechnen Sie die Unsicherheit für g.“
Ergebnis: Eine Zahl ohne Kontext, deren Formel nicht verifiziert ist und ohne systematische/zufällige Unterscheidung.
Strong: „Leiten Sie für g = 4π²L/T² die Unsicherheit von g durch partielle Ableitungen aus Messungen von L = 1,00 ± 0,01 m und T = 2,00 ± 0,02 s ab und vergleichen Sie sie dann mit Monte Carlo. Schreiben Sie das Ergebnis in der Form „g = ... ± ... m/s²“ mit der entsprechenden signifikanten Ziffer.“
Ergebnis: Eine abgeleitete, unabhängig verifizierte, korrekt gemeldete Unsicherheit.
Häufige Fehler
- Ich melde überhaupt keine Unsicherheit. Eine Messung ohne Unsicherheit ist eine wissenschaftliche Halbaussage.
- Die Spread-Formel wird nicht überprüft. YZ vermischt häufig partielle Ableitungskoeffizienten und Quadratwurzelstrukturen; Eine Monte-Carlo-Gegenprüfung ist ein Muss.
- Versuch, systematische Fehler durch Wiederholung zu reduzieren. Durch die Mehrfachmessung werden nur Zufallsfehler reduziert. Der Kalibrierungsfehler bleibt bestehen.
- Falsche Gewissheit schaffen. Das Schreiben viel bedeutenderer Ziffern als der Unsicherheit ist ein Anspruch auf Präzision, den es nicht gibt.
- Unsicherheiten direkt erfassen. Die unabhängigen Unsicherheiten sind nicht linear, sondern quadriert (in die Quadratwurzel).
Achtung: Ob zwei physikalische Ergebnisse „verschieden“ sind, kann nur anhand ihrer Unsicherheit entschieden werden. Die Werte 9,7 bis 9,81 sind kompatibel, wenn die Unsicherheit ±0,3 beträgt; ±0,02 ist widersprüchlich. Die Unsicherheit zu ignorieren und zu sagen: „Mein Ergebnis weicht von der Theorie ab“, ist oft eine falsche Schlussfolgerung. Überprüfen Sie unbedingt die von der KI bereitgestellte Unsicherheitsberechnung, bevor Sie eine Entscheidung treffen.
Zusammenfassend
Unsicherheit ist ein wesentlicher Bestandteil physikalischer Messungen und jedes Ergebnis sollte mit seiner Unsicherheit angegeben werden. KI ist hilfreich bei der Kodierung von Unsicherheitsstatistiken und der Ableitung von Formeln zur Fehlerausbreitung. Diese Formeln enthalten jedoch häufig Fehler und sollten mit einer unabhängigen Methode wie Monte Carlo überprüft werden. Die Unterscheidung zwischen zufälliger und systematischer Unsicherheit, die Angabe der entsprechenden signifikanten Ziffer und der Vergleich der Ergebnisse mit ihrer Unsicherheit sind die Grundlage ehrlicher wissenschaftlicher Studien. In der nächsten Einheit werden wir den Schwerpunkt von der numerischen Analyse auf die Ableitung symbolischer Modelle verlagern.
Anwendungsaufgabe
Wählen Sie eine Berechnung, die mindestens zwei Messgrößen umfasst (z. B. V = πr²h oder g = 4π²L/T²). Weisen Sie jeder Größe eine angemessene Unsicherheit zu. Lassen Sie die KI die Fehlerausbreitung mit Vorlage 1 ableiten, führen Sie dann den Monte-Carlo-Gegenvergleich mit Vorlage 2 durch und führen Sie ihn aus. Stimmen die Ergebnisse der beiden Methoden überein? Geben Sie das Ergebnis mit der entsprechenden signifikanten Ziffer an. Schreiben Sie in 5-6 Sätzen auf: Liegt ein Formelfehler oder eine Nichtübereinstimmung vor?
Checkliste
- [ ] Ich habe die Unsicherheit und Quelle jeder Messung bestimmt.
- [ ] Ich habe zufällige und systematische Unsicherheit unterschieden.
- [ ] Ich habe die Fehlerausbreitung mit der richtigen Regel berechnet.
- [ ] Ich habe das Ergebnis unabhängig mit Monte Carlo oder von Hand überprüft.
- [ ] Ich habe das Ergebnis mit der entsprechenden signifikanten Ziffer angegeben, abgestimmt auf seine Unsicherheit.
- [ ] Beim Vergleich der Ergebnisse habe ich die Unsicherheit berücksichtigt.