Κέρδη:
- Δυνατότητα βάσης αριθμητικών αποτελεσμάτων στον εκτελεσμένο κώδικα Python αντί για λεκτική εικασία του μοντέλου γλώσσας
- Δυνατότητα εγγραφής του κώδικα στοιχειομετρίας, βαθμονόμησης και καθαρισμού δεδομένων στην τεχνητή νοημοσύνη και δοκιμής με δείγματα με γνωστές απαντήσεις
- Δυνατότητα αποτροπής σφαλμάτων ανάλυσης δεδομένων καθορίζοντας πάντα τις μονάδες και ελέγχοντας τη σειρά τους
Η χημεία είναι γεμάτη αριθμούς: ζυγίσεις, όγκους, τιμές απορρόφησης, αποδόσεις, συγκεντρώσεις. Η μη αυτόματη επεξεργασία αυτών των δεδομένων είναι αργή και επιρρεπής σε σφάλματα. Το AI παρέχει δύο κύριες υπηρεσίες εδώ: (1) γράφει κώδικα Python που επεξεργάζεται τα δεδομένα, (2) εκτελεί αυτόν τον κώδικα (σε περιβάλλον που μπορεί να εκτελέσει τον κώδικα) και δίνει ένα ντετερμινιστικό αποτέλεσμα. Η κρίσιμη αρχή είναι η εξής: αφήστε τον υπολογισμό στην έξοδο του εκτελούμενου κώδικα, όχι στη «λεκτική πρόβλεψη» του γλωσσικού μοντέλου. Μοντέλο γλώσσας "Τι είναι 142 × 0,05;" μπορεί μερικές φορές να απαντήσει λανθασμένα στην ερώτηση. αλλά η γραμμή Python που γράφει υπολογίζει πάντα σωστά. Σε αυτή την ενότητα, θα μάθουμε ανάλυση χημικών δεδομένων με AI με αυτή τη φιλοσοφία.
Γιατί ο κώδικας είναι καλύτερος από τη λεκτική εικασία;
Ένα γλωσσικό μοντέλο κάνει αριθμητική «προβλέποντας το πιθανό αποτέλεσμα». οπότε μπορεί να είναι λάθος με μεγάλους αριθμούς ή λογισμό πολλαπλών βημάτων. Ενώ στην Python η έκφραση 142 * 0,05 είναι ντετερμινιστική: επιστρέφει πάντα 7,1. Στρατηγική λοιπόν: μην αναγκάσετε το AI να κάνει τον υπολογισμό, εκτυπώστε τον ΚΩΔΙΚΟ του υπολογισμού και εκτελέστε τον κώδικα. Χρησιμοποιείτε λοιπόν τη δημιουργικότητα του AI (δημιουργία του κώδικα) και απενεργοποιείτε την αναξιόπιστη πλευρά (κεφαλική αριθμητική).
Συμβουλή: Όταν λαμβάνετε ένα αριθμητικό αποτέλεσμα από μια τεχνητή νοημοσύνη, πείτε "αντιπροσωπεύστε αυτό με μια γραμμή Python". Ο ίδιος ο κωδικός επαληθεύει τον λογαριασμό και σας επιτρέπει να τον εκτελέσετε και να τον επιβεβαιώσετε. Εάν δεν βλέπετε κωδικό, μην εμπιστεύεστε τον αριθμό.
Τυπικές εργασίες ανάλυσης δεδομένων στη χημεία
- Στοιχειομετρία: mole, μάζα, περιοριστικό αντιδραστήριο, θεωρητική απόδοση, υπολογισμός ποσοστιαίας απόδοσης.
- Συγκέντρωση: μοριακότητα, αραίωση (M1V1 = M2V2), μετατροπές ppm.
- Βαθμονόμηση: Σχεδιασμός γραμμής βαθμονόμησης με τον νόμο Beer-Lambert (απορρόφηση ∝ συγκέντρωση) και υπολογισμός του αγνώστου.
- Καθαρισμός δεδομένων: ανάγνωση πινάκων μέτρησης με panda, επισήμανση ακραίων σημείων, μέση/τυπική απόκλιση.
- Οπτικοποίηση: σχεδίαση καμπύλης βαθμονόμησης, γράφημα κινητικής, καμπύλη ογκομέτρησης.
Βήμα προς βήμα: Ασφαλής ανάλυση δεδομένων με AI
- Ορισμός δεδομένων: Δώστε ξεκάθαρα στήλες, μονάδες, δείγματα σειρών. Εάν δεν υπάρχει μονάδα, το AI κάνει υποθέσεις.
- Ζητήστε κωδικό, όχι αποτελέσματα: πείτε "Γράψτε τον κωδικό panda/NumPy που το υπολογίζει".
- Εκτελέστε τον κώδικα: Εκτελέστε τον μόνοι σας ή σε περιβάλλον που μπορεί να εκτελέσει κώδικα.
- Δοκιμή με απλή υπόθεση: Δοκιμάστε τον κώδικα με ένα μικρό παράδειγμα όπου γνωρίζετε την απάντηση.
- Έλεγχος μονάδας και παραγγελίας: Είναι η μονάδα και το μέγεθος του αποτελέσματος λογικά;
- Έγγραφο: Προσθέστε τον κώδικα και την έξοδο στο σημειωματάριο πειράματος (ενότητα 8).
Τέσσερα πρότυπα με δυνατότητα αντιγραφής
1) Στοιχειομετρία και ποσοστιαία απόδοση:
Αντίδραση: σαλικυλικό οξύ (MA 138,12) + οξικός ανυδρίτης -> ασπιρίνη (MA 180,16). Δεδομένα: Χρησιμοποιήθηκαν 2,00 g σαλικυλικού οξέος, ο οξικός ανυδρίτης ήταν σε περίσσεια. Λήφθηκε ασπιρίνη: 2,15 g. Εργασία: Γράψτε τον κώδικα Python που υπολογίζει την μοριακή απόδοση και την εκατοστιαία απόδοσηD μεταβλητές, εκτυπώστε το αποτέλεσμα σε μονάδες. Μην υπολογίζετε σε κεφαλή. απλά δώστε εκτελέσιμο κώδικα.
2) Βαθμονόμηση Beer-Lambert:
Δεδομένα βαθμονόμησης (συγκέντρωση mol/L -> απορρόφηση): 0,00->0,02, 0,02->0,21, 0,04->0,40, 0,06->0,62, 0,08->0,79. Άγνωστη απορρόφηση δείγματος: 0,50. Εργασία: Εκτελέστε γραμμική βαθμονόμηση με numpy.polyfit, κλίση/τομή και Υπολογίστε το R^2, βρείτε την άγνωστη συγκέντρωση. Σχεδιάστε τα δεδομένα + γραμμή προσαρμογής με το matplotlib.
3) διάγραμμα μέτρησης με πάντα:
Έχω ένα CSV: στήλες = δείγμα, ζύγιση_g, όγκο_mL, απορρόφηση. Εργασία: διαβάστε με panda, υπολογίστε τη συγκέντρωση (g/L) για κάθε δείγμα, σημειώστε σειρές με απορρόφηση < 0 ως λανθασμένες, δώστε κωδικό για να εκτυπώσετε τη μέση και την απόκλιση std των ομάδων. Καθορίστε τις μονάδες με μια γραμμή σχολίων.
4) Επαλήθευση λογαριασμού αραίωσης:
Θέλω να παρασκευάσω 100 mL διαλύματος 0,05 M από μητρικό διάλυμα 0,5 M. Εργασία: Γράψτε τη γραμμή Python που υπολογίζει τον απαιτούμενο όγκο αποθέματος με M1V1=M2V2. Εκτυπώστε το αποτέλεσμα σε mL και επαληθεύστε ως σχόλιο ότι αναμένεται 10πλάσια αραίωση για λογικό έλεγχο.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμο:
Πόση ασπιρίνη προέρχεται από 2 γραμμάρια σαλικυλικού οξέος;
Το AI δίνει έναν αριθμό από το κεφάλι. Εάν θυμάται λανθασμένα τα μοριακά βάρη, το αποτέλεσμα θα παραμορφωθεί και ο τρόπος υπολογισμού του δεν θα είναι ορατό.
Δυνατό:
Υποθέστε σαλικυλικό οξύ ΜΑ=138,12, ασπιρίνη ΜΑ=180,16, μάζα=2,00 g, απόδοση 100%. Εργασία: Γράψτε κώδικα Python που υπολογίζει τη θεωρητική μάζα της ασπιρίνης. σχολιάστε κάθε βήμα (mole -> mol -> mass), εκτυπώστε το αποτέλεσμα σε g.
Διαφορά: δοσμένα μοριακά βάρη, ζητούμενος κωδικός, σχολιασμένα βήματα, καθορισμένη μονάδα. Το αποτέλεσμα είναι ακριβές και ελεγχόμενο.
Λεκτική πρόβλεψη κλπ. εκτελεσμένος κώδικας
Μέγεθος
Λεκτική πρόβλεψη γλωσσικού μοντέλου
Python run
Αριθμητική ακρίβεια
Μεταβλητή, ενδέχεται να προκύψει σφάλμα
Ντετερμινιστικό, βέβαιο
Ακουστικότητα
Αποβολή (δεν είναι σαφές πώς προέκυψε)
Υψηλό (ορατός κωδικός)
επαναληψιμότητα
χαμηλά
ψηλά
Παρακολούθηση μονάδας
αδύναμος
Μπορεί να διατηρηθεί ανοιχτό σε κώδικα
Σωστή χρήση
Ιδέα, δομή κτιρίου
Τελικό αριθμητικό αποτέλεσμα
μίνι θήκες
Περίπτωση 1 — Λεκτικό αριθμητικό λάθος. Ένας μαθητής ρωτά AI «0,0145 mol × 180,16 g/mol;» ρώτησε? «2,72 g», είπε η AI. Στην πραγματικότητα είναι 2,61 γρ. Όταν ο μαθητής είπε "δείξε αυτό στην Python", ο YZ έγραψε 0,0145 * 180,16 και βγήκε ως 2,612. Η πρώτη λεκτική απάντηση ήταν λανθασμένη. Μάθημα: προτιμήστε τον κώδικα ακόμα και για πολύ απλό πολλαπλασιασμό.
Περίπτωση 2 — Βαθμονόμηση ελέγχου R². Ένας χρήστης έκανε μια βαθμονόμηση Beer-Lambert. Αποδεικνύεται R² = 0,981. Το AI είπε "γραμμικό, αξιόπιστο", αλλά το σημείο στην υψηλότερη συγκέντρωση ήταν κάτω από τη γραμμή (κορεσμός). Όταν ο χρήστης είδε το γράφημα, μετακινήθηκε το υψηλότερο σημείο εκτός του γραμμικού εύρους, το R² αυξήθηκε στο 0,999. Μάθημα: Το R² μόνο δεν αρκεί. βλέπε υπολείμματα/οικόπεδο.
Περίπτωση 3 — Σύγχυση μονάδων. Σε μια ανάλυση δεν ήταν σαφές εάν η συγκέντρωση ήταν mg/L ή g/L. Το AI υπέθεσε g/L και τα αποτελέσματα ήταν 1000 φορές λάθος. Διορθώθηκε όταν ο χρήστης καθόρισε ρητά τη μονάδα στήλης. Μάθημα: αλλάζετε πάντα τη μονάδα, υποθέτοντας ότι το AI είναι ακριβό.
Συνήθη λάθη
- Βασιζόμενος στον λεκτικό αριθμό. Πάντα να ζητάτε και να εκτελείτε κώδικα αντί να κάνετε νοητική αριθμητική.
- Δεν προσδιορίζεται η μονάδα. Η ανάμειξη mg/L με g/L, mL με L, προκαλεί 1000πλάσιο σφάλμα.
- Δεν γίνεται δοκιμή του κώδικα. Εφαρμογή σε μεγάλα δεδομένα χωρίς δοκιμή με ένα μικρό παράδειγμα όπου η απάντηση είναι γνωστή.
- Θεωρώντας το R² ως το μόνο κριτήριο. Εμπιστεύεστε τα σημεία μη γραμμικότητας χωρίς να τα βλέπετε γραφικά.
- Παραλείψτε το αντιδραστήριο δοκιμής. Υπολογισμός θεωρητικής απόδοσης χωρίς προσδιορισμό του περιοριστικού αντιδραστηρίου στη στοιχειομετρία.
- Σημαντική έκρηξη βήματος. Αναφορά του αποτελέσματος σε 8 ψηφία όταν η μέτρηση είναι 3 σημαντικά ψηφία.
Προσοχή: Ακόμη και ο κωδικός που γράφει το AI μπορεί να είναι ελαττωματικός (λάθος όνομα στήλης, λάθος τύπος). Η εκτέλεση του κώδικα καθιστά το αποτέλεσμα ντετερμινιστικό, αλλά πρέπει να επιβεβαιώσετε με ένα γνωστό παράδειγμα ότι ο κώδικας υπολογίζει το σωστό.
Συνοπτικά
- Αφήστε τα αριθμητικά αποτελέσματα στον εκτελεσμένο κώδικα Python, όχι στη λεκτική εικασία του γλωσσικού μοντέλου.
- Η τεχνητή νοημοσύνη γράφει γρήγορα κώδικα για στοιχειομετρία, βαθμονόμηση, καθαρισμό δεδομένων και οπτικοποίηση στην ανάλυση χημικών δεδομένων.
- Να βάζετε πάντα τις μονάδες. Η σύγχυση μονάδων είναι το πιο ακριβό λάθος.
- Εξετάστε τα υπολείμματα και τη γραφική παράσταση επιπλέον του R² στη βαθμονόμηση.
- Δοκιμάστε τον κώδικα με ένα απλό παράδειγμα με μια γνωστή απάντηση. Ο άνθρωπος επαληθεύει την ακρίβεια του κώδικα.
Εργασία εφαρμογής
Έχετε ένα σύνολο δεδομένων βαθμονόμησης ή στοιχειομετρίας (εάν όχι, χρησιμοποιήστε τα παραπάνω δεδομένα Beer-Lambert). Ρωτήστε το AI για τον κώδικα Python που κάνει την ανάλυση (τον κώδικα, όχι το αποτέλεσμα). Εκτελέστε τον κωδικό. στη συνέχεια δοκιμάστε το με ένα μικρό δείγμα γνωστών απαντήσεων. Ρωτήστε το AI προφορικά για τον ίδιο υπολογισμό και συγκρίνετε τα δύο αποτελέσματα: υπάρχει διαφορά; Ερμηνεύστε την γραφική παράσταση του R² και του υπολειπόμενου στη βαθμονόμηση. Τοποθετήστε τον κώδικα, την έξοδο και το σύντομο σχόλιο σε ένα έγγραφο.
λίστα ελέγχου
- [ ] Παίρνω τα αριθμητικά αποτελέσματα από τον κώδικα, όχι από τη λεκτική εικασία.
- [ ] Υποδεικνύω ξεκάθαρα τη μονάδα κάθε στήλης δεδομένων.
- [ ] Δοκιμάζω τον κώδικα με ένα μικρό δείγμα του οποίου η απάντηση είναι γνωστή.
- [ ] Εκτελώ ανάλυση υπολειμμάτων/γραφήματος δίπλα στο R² στη βαθμονόμηση.
- [ ] Προσδιορίζω το περιοριστικό αντιδραστήριο στη στοιχειομετρία.
- [ ] Αναφέρω τα αποτελέσματα με το κατάλληλο σημαντικό ψηφίο.