Κέρδη:
- Δυνατότητα διάκρισης μεταξύ τυχαίας και συστηματικής αβεβαιότητας και αναφοράς κάθε αποτελέσματος μέτρησης με την αβεβαιότητά του στο κατάλληλο σημαντικό ψηφίο.
- Δυνατότητα υπολογισμού διάδοσης σφαλμάτων με τον σωστό κανόνα και ανεξάρτητος έλεγχος του τύπου που προκύπτει από την τεχνητή νοημοσύνη με το Μόντε Κάρλο
- Δυνατότητα να αποφασίζει εάν δύο αποτελέσματα είναι συμβατά ή όχι, λαμβάνοντας υπόψη την αβεβαιότητά τους
Καμία μέτρηση στη φυσική δεν είναι τέλεια. Υπάρχει αβεβαιότητα ±0,5 mm κατά τη μέτρηση μήκους με χάρακα και ±0,1 s κατά τη μέτρηση του χρόνου με χρονόμετρο. Αυτές οι αβεβαιότητες δεν είναι ελάττωμα, αλλά η φύση της μέτρησης — και η απαίτηση της επιστημονικής ακεραιότητας είναι να αναφέρεται κάθε αποτέλεσμα με την αβεβαιότητά του. Το να πούμε "Βρήκα ότι η επιτάχυνση της βαρύτητας είναι 9,7" είναι ατελές. Λέγοντας "Βρήκα 9,7 ± 0,3 m/s²" σας δείχνει πόσο αξιόπιστο είναι το αποτέλεσμα. Σε αυτή την ενότητα, θα μάθετε πώς να χρησιμοποιείτε την τεχνητή νοημοσύνη (AI) για τον υπολογισμό της αβεβαιότητας και τη διάδοση σφαλμάτων (πώς μεταφέρονται οι αβεβαιότητες των μετρήσεων από αυτές τις μετρήσεις στο υπολογισμένο αποτέλεσμα) και πώς να επαληθεύετε αυτούς τους υπολογισμούς.
Τύποι αβεβαιότητας και ο ρόλος του AI
Υπάρχουν δύο βασικοί τύποι αβεβαιότητας. Η τυχαία αβεβαιότητα είναι η διασπορά των αποτελεσμάτων σε επαναλαμβανόμενες μετρήσεις. Πολλές μετρήσεις λαμβάνονται και μειώνονται με τον μέσο όρο και την τυπική απόκλιση. Η συστηματική αβεβαιότητα είναι ένα σφάλμα που αποκλίνει πάντα προς την ίδια κατεύθυνση (όπως μια εσφαλμένη βαθμονομημένη ισορροπία). Δεν μειώνεται με την επανάληψη, αλλά διορθώνεται με την εύρεση της αιτίας. Η τεχνητή νοημοσύνη είναι χρήσιμη για την εξήγηση αυτών των εννοιών, κωδικοποιώντας τον υπολογισμό της τυπικής απόκλισης και του μέσου όρου και — ειδικά — για την εξαγωγή σύνθετων τύπων διάδοσης σφαλμάτων. Αλλά πρέπει να επαληθεύσετε κάθε παραγόμενο τύπο, επειδή η τεχνητή νοημοσύνη συχνά αναμειγνύει μερική παράγωγα σημεία ή δομή τετραγωνικής ρίζας σε τύπους διάδοσης σφαλμάτων.
Κατάσταση
λογαριασμός
επαλήθευση
Επαναλαμβανόμενη μέτρηση
Μέσος όρος ± τυπικό σφάλμα
Χειροκίνητη τυπική απόκλιση / √N
Πρόσθεση/αφαίρεση (z = x ± y)
Οι αβεβαιότητες αθροίζονται από το τετράγωνο
Έλεγχος μεγέθους/μονάδας
Πολλαπλασιασμός/διαίρεση (z = x·y)
Οι σχετικές αβεβαιότητες αθροίζονται από το τετράγωνο
Δοκιμή με αριθμό δείγματος
Γενική λειτουργία
Διάδοση με μερικά παράγωγα
Διασταύρωση με το Μόντε Κάρλο
Βασικοί κανόνες διάδοσης σφαλμάτων
Επιπλέον και αφαίρεση, οι απόλυτες αβεβαιότητες συνδυάζονται προσθέτοντας τα τετράγωνά τους: Αν z = x + y, η αβεβαιότητα του z γίνεται √(δx² + δy²). Στον πολλαπλασιασμό και τη διαίρεση, οι σχετικές (ποσοστό) αβεβαιότητες αθροίζονται από τα τετράγωνά τους: Αν z = x·y, (δz/z) = √((δx/x)² + (δy/y)²). Για πιο σύνθετες συναρτήσεις, ο γενικός κανόνας είναι η χρήση μερικών παραγώγων: η επίδραση κάθε μεταβλητής στο αποτέλεσμα μετράται από τη μερική παράγωγο σε σχέση με αυτήν τη μεταβλητή. Η τεχνητή νοημοσύνη μπορεί να εξαγάγει αυτούς τους τύπους, αλλά ο ασφαλέστερος τρόπος για να επαληθεύσετε το αποτέλεσμα είναι ένας διασταυρούμενος έλεγχος Monte Carlo: τυχαία διανομή κάθε εισόδου στην αβεβαιότητά της, υπολογισμός της χιλιάδες φορές και εξέταση της κατανομής της εξόδου.
Συμβουλή: Εάν δεν είστε σίγουροι για την ακρίβεια ενός τύπου διάδοσης σφαλμάτων, δώστε του Monte Carlo: δημιουργήστε τυχαία τις εισόδους με τη δική τους αβεβαιότητα και υπολογίστε τη συνάρτηση 10.000 φορές. Η τυπική απόκλιση της εξόδου πρέπει να ταιριάζει με την αβεβαιότητα που δίνεται από τον τύπο. Ο συνδυασμός αυτών των δύο ανεξάρτητων μεθόδων αυξάνει σημαντικά την εμπιστοσύνη σας στο αποτέλεσμα.
Βήμα προς βήμα: μια ειλικρινής ανάλυση αβεβαιότητας
1. Προσδιορίστε την αβεβαιότητα κάθε μέτρησης. Ανάλυση οργάνου, κατανομή επαναλήψεων ή δεδομένα κατασκευαστή. Γράψτε από πού προέρχεται η αβεβαιότητα.
2. Διάκριση μεταξύ τυχαίου και συστηματικού. Σκεφτείτε ξεχωριστά τι θα μειωθεί με την επανάληψη και τι όχι.
3. Υπολογίστε το spread με τον σωστό τύπο. Πρόσθεση, πολλαπλασιασμός, γενική συνάρτηση — επιλέξτε τον κατάλληλο κανόνα. Βάλτε το AI να το αντλήσει, αλλά να το ελέγξετε.
4. Διασταύρωση με το Μόντε Κάρλο. Παρέχετε το αποτέλεσμα με μια ανεξάρτητη μέθοδο, ειδικά για σύνθετους τύπους.
5. Αναφορά με κατάλληλα σημαντικά ψηφία. Η αβεβαιότητα συνήθως στρογγυλοποιείται σε 1-2 σημαντικά ψηφία. το αποτέλεσμα ευθυγραμμίζεται με το τελευταίο ψηφίο της αβεβαιότητας. Γράψτε "9,7 ± 0,4 m/s²", όχι "9,73418 ± 0,4".
τρεις μίνι θήκες
Περίπτωση 1 — Λανθασμένη φόρμουλα διασποράς. Ένας μαθητής ρώτησε AI σχετικά με τη διάδοση της αβεβαιότητας για g = 4π²L/T². Το AI ξέχασε τον συντελεστή 2 όταν εξήγαγε τη συμβολή της αβεβαιότητας του T ως προς το T (καθώς το T² η σχετική αβεβαιότητα θα έπρεπε να ήταν 2·δT/T). Όταν ο μαθητής έκανε διασταύρωση με το Μόντε Κάρλο, διαπίστωσε ότι ο τύπος AI υπολόγισε την αβεβαιότητα περίπου στο μισό και τη διόρθωσε.
Περίπτωση 2 — Απόκρυψη συστηματικού σφάλματος. Ένας ερευνητής πραγματοποίησε μεγάλο αριθμό μετρήσεων, έκανε την τυχαία αβεβαιότητα πολύ μικρή και ανέφερε μια εντυπωσιακή ακρίβεια «±0,01 mm». Αλλά η κλίμακα του ήταν εκτός διαμετρήματος κατά 0,2 mm - ένα συστηματικό σφάλμα. Λαμβάνοντας υπόψη αυτό το σφάλμα, το οποίο δεν μειώθηκε με την επανάληψη, η πραγματική αβεβαιότητα ήταν πολύ μεγαλύτερη. Μάθημα: η επανάληψη μειώνει τα τυχαία σφάλματα, όχι τα συστηματικά σφάλματα.
Υπόθεση 3 — Το Μόντε Κάρλο σώθηκε. Ένας δάσκαλος εισήγαγε την αβεβαιότητα σε έναν λογισμό όγκου (V = πr²h) και βρήκε ένα αποτέλεσμα με το χέρι. Για να είναι σίγουρος, ζήτησε από το AI έναν κωδικό Monte Carlo. Παρήγαγε τυχαία τα r και h με τις αβεβαιότητες τους και υπολόγισε το V 10.000 φορές. Η τυπική απόκλιση της κατανομής συμφωνήθηκε με την τιμή που βρέθηκε με το χέρι — η ανάλυση επικυρώθηκε.
Τέσσερα πρότυπα με δυνατότητα αντιγραφής
1) Παραγωγή διάδοσης σφάλματος + επαλήθευση:
Για την έκφραση z = [τύπος], εξάγετε τη διάδοση του σφάλματος από τις αβεβαιότητες των μεταβλητών x και y στην αβεβαιότητα του z με μερικές παραγώγους, ΒΗΜΑ ΒΗΜΑ. Δείξτε κάθε μερική παράγωγο. Στη συνέχεια, επαληθεύστε αυτόν τον τύπο με το SympY.Fitting. Σημειώστε το βήμα για το οποίο δεν είστε σίγουροι.
2) Διασταυρούμενος έλεγχος Monte Carlo:
Γράψτε έναν κώδικα Python που να βρίσκει την αβεβαιότητα του παρακάτω υπολογισμού χρησιμοποιώντας το Μόντε Κάρλο: z = [τύπος]. Είσοδοι: x = [τιμή ± αβεβαιότητα], y = [τιμή ± αβεβαιότητα]. Δείξτε κάθε είσοδο 10.000 φορές από μια κανονική κατανομή, υπολογίστε το z, εκτυπώστε τη μέση και τυπική απόκλιση της εξόδου. Συγκρίνετε αυτό με το αποτέλεσμα του αναλυτικού τύπου διάχυσης.
3) Στατιστικά στοιχεία μέτρησης:
Γράψτε κώδικα που υπολογίζει τη μέση τιμή, την τυπική απόκλιση και το τυπικό σφάλμα του μέσου όρου (std/√N) για τα ακόλουθα δεδομένα επαναλαμβανόμενων μετρήσεων ([τιμές]). Εκτυπώστε το αποτέλεσμα στη μορφή "τιμή ± τυπικό σφάλμα (μονάδες)" με το κατάλληλο σημαντικό ψηφίο. Θυμίστε μας τη διάκριση μεταξύ τυχαίας και συστηματικής αβεβαιότητας.
4) Σημαντικό ψηφίο / έλεγχος αναφοράς:
Ξαναγράψτε τα παρακάτω αποτελέσματα με τη μορφή "τιμή ± αβεβαιότητα (μονάδα)", στρογγυλοποιώντας την αβεβαιότητα σε 1-2 σημαντικά ψηφία και ευθυγραμμίζοντας το αποτέλεσμα με την αβεβαιότητα. Διορθώστε την ψευδή ακρίβεια. Αποτελέσματα: [εδώ]
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμο: "υπολογίστε την αβεβαιότητα για το g."
Αποτέλεσμα: Ένας αριθμός χωρίς πλαίσιο, του οποίου ο τύπος δεν επαληθεύεται και χωρίς συστηματική/τυχαία διάκριση.
Ισχυρό: "Για g = 4π²L/T², εξάγετε την αβεβαιότητα του g με μερικές παραγώγους από μετρήσεις L = 1,00 ± 0,01 m και T = 2,00 ± 0,02 s, στη συνέχεια διασταυρώστε τον έλεγχο με το Μόντε Κάρλο. Γράψτε το αποτέλεσμα με τη μορφή 'g/σημαντικό ψηφίο²' με το κατάλληλο ψηφίο g/σημαντικό²."
Αποτέλεσμα: Μια προκύπτουσα, ανεξάρτητα επαληθευμένη, σωστά αναφερόμενη αβεβαιότητα.
Συνήθη λάθη
- Δεν αναφέρω καθόλου την αβεβαιότητα. Μια μέτρηση χωρίς αβεβαιότητα είναι μια επιστημονική μισή δήλωση.
- Δεν επαληθεύεται ο τύπος εξάπλωσης. Το YZ αναμιγνύει συχνά συντελεστές μερικής παραγώγου και δομή τετραγωνικής ρίζας. Ο διασταυρωτικός έλεγχος στο Μόντε Κάρλο είναι απαραίτητος.
- Προσπάθεια μείωσης του συστηματικού λάθους μέσω της επανάληψης. Η πολλαπλή μέτρηση μειώνει μόνο το τυχαίο σφάλμα. το σφάλμα βαθμονόμησης παραμένει.
- Δημιουργία ψευδούς βεβαιότητας. Η εγγραφή πολλών πιο σημαντικών ψηφίων από την αβεβαιότητα είναι ένας ισχυρισμός ακρίβειας που δεν υπάρχει.
- Άμεση συλλογή αβεβαιοτήτων. Οι ανεξάρτητες αβεβαιότητες δεν είναι γραμμικές αλλά τετραγωνισμένες (στην τετραγωνική ρίζα).
Προσοχή: Το εάν δύο φυσικά αποτελέσματα είναι «διαφορετικά» μπορεί να αποφασιστεί μόνο εξετάζοντας την αβεβαιότητά τους. Οι τιμές 9,7 έως 9,81 είναι συμβατές εάν η αβεβαιότητα είναι ±0,3. ±0,02 είναι αντιφατικό. Το να αγνοείς την αβεβαιότητα και να πεις «το αποτέλεσμα μου αποκλίνει από τη θεωρία» είναι συχνά ένα εσφαλμένο συμπέρασμα. Βεβαιωθείτε ότι έχετε επαληθεύσει τον υπολογισμό της αβεβαιότητας που δίνεται από το AI πριν λάβετε μια απόφαση.
Συνοπτικά
Η αβεβαιότητα είναι αναπόσπαστο μέρος της φυσικής μέτρησης και κάθε αποτέλεσμα πρέπει να αναφέρεται με την αβεβαιότητά του. Το AI είναι χρήσιμο στην κωδικοποίηση στατιστικών στοιχείων αβεβαιότητας και στην εξαγωγή τύπων διάδοσης σφαλμάτων. αλλά αυτοί οι τύποι περιέχουν συχνά σφάλματα και θα πρέπει να διασταυρώνονται με μια ανεξάρτητη μέθοδο όπως το Μόντε Κάρλο. Η διάκριση της τυχαίας από τη συστηματική αβεβαιότητα, η αναφορά στο κατάλληλο σημαντικό ψηφίο και η σύγκριση των αποτελεσμάτων με την αβεβαιότητά τους είναι η βάση μιας ειλικρινούς επιστημονικής μελέτης. Στην επόμενη ενότητα θα μετατοπίσουμε την εστίαση από την αριθμητική ανάλυση στη συμβολική παραγωγή μοντέλων.
Εργασία εφαρμογής
Επιλέξτε έναν υπολογισμό που περιλαμβάνει τουλάχιστον δύο μετρούμενες ποσότητες (π.χ. V = πr²h ή g = 4π²L/T²). Εκχωρήστε μια λογική αβεβαιότητα σε κάθε μέγεθος. Ζητήστε από το AI να εξαγάγει τη διάδοση του σφάλματος με το πρότυπο 1 και, στη συνέχεια, κάντε διασταύρωση του Monte Carlo με το πρότυπο 2 και εκτελέστε το. Συμφωνούν τα αποτελέσματα των δύο μεθόδων; Αναφέρετε το αποτέλεσμα με το κατάλληλο σημαντικό ψηφίο. Γράψτε σε 5-6 προτάσεις: υπάρχει σφάλμα τύπου ή αναντιστοιχία;
λίστα ελέγχου
- [ ] Προσδιόρισα την αβεβαιότητα και την πηγή κάθε μέτρησης.
- [ ] Διέκρινα την τυχαία και συστηματική αβεβαιότητα.
- [ ] Υπολόγισα τη διάδοση του σφάλματος με τον σωστό κανόνα.
- [ ] Έλεγξα το αποτέλεσμα ανεξάρτητα με το Μόντε Κάρλο ή με το χέρι.
- [ ] Ανέφερα το αποτέλεσμα με το κατάλληλο σημαντικό ψηφίο, ευθυγραμμισμένο με την αβεβαιότητά του.
- [ ] Έλαβα υπόψη την αβεβαιότητα κατά τη σύγκριση των αποτελεσμάτων.