Kasu:
- Võimalus sobitada katseandmeid kõvera_sobivusega, valides mudeli füüsikast ja esitada parameetrid koos nende määramatustega
- Võimalus ausalt hinnata sobivuse kvaliteeti jääke uurides ja vältida liigsobivust
- Võimalus kontrollida leitud parameetrite füüsilist usutavust ja eristada "hea välimusega" sobivust "füüsiliselt õigest"
Füüsika sõltub lõpuks eksperimenteerimisest. Ükskõik kui elegantne teooria on, kui see ei ühti mõõdetud andmetega, on see kehtetu. Eksperimentaalsete andmetega töötamise keskmes on kõverate sobitamine: teooriaga ennustatud mudeli (joon, eksponentsiaal, võnkumine) sobitamine teie käsutuses olevate mürarikaste mõõtmispunktidega parimal võimalikul viisil ja mudeli parameetrite (kalle, konstant, sagedus) leidmine. Selles üksuses saate teada, kuidas kasutada tehisintellekti (AI) katseandmete analüüsimisel, kuidas seadistada kõvera õiget sobitamist ja – mis kõige kriitilisem – kuidas teha vahet sellel, kas sobivus näeb hea välja ja on füüsiliselt õige. Standardtööriist on scipy.optimize.curve_fit (SciPy funktsioon, mis sobitab mudelifunktsiooni andmetega).
Kõvera sobitamise loogika ja tehisintellekti roll
Kõvera sobitamine teeb seda: valite mudelifunktsiooni (nt y = a·x + b) ja algoritm leiab a ja b väärtused, mis sobivad andmetega väikseima veaga. AI on kiire õige mudeli funktsiooni kodeerimisel, curve_fit kõne seadistamisel ja tulemuse visualiseerimisel. Kuid kaks kriitilist otsust on teie teha: (1) Milline mudel on füüsiliselt õige? (2) Kas sobivuse kvaliteet on tõesti hea? Tehisintellekt võib andmetele sobitada ka 10. järgu polünoomi ja joonistada kõvera, mis näeb välja peaaegu täiuslik – kuid see oleks füüsiliselt mõttetu ülepaigutamine.
füüsiline sündmus
oodatud mudel
Leitud parameeter
pideva kiirusega liikumine
y = a·x + b
kalle = kiirus
radioaktiivne lagunemine
N = N₀·e^(−λt)
λ = lagunemiskonstant
kevadine vabastamine
x = A·cos(ωt + φ)
ω = nurksagedus
Ohmi seadus
V = R·I
R = takistus (kalle)
vabalangemine
y = ½·g·t²
g = gravitatsioonikiirendus
Samm-sammult: ausa kõvera sobitamine
1. Valige mudel füüsikast, mitte andmetest. Esmalt määrake kindlaks, millisele füüsilisele seadusele sündmus peab järgima. Mudeli valimine, vaadates andmeid ja valides "milline sobib hästi", üritab muuta füüsika andmetega sobivaks - ohtlik.
2. Sisesta andmed ja määramatus. Sisestage koos mõõtepunktidega ka iga punkti mõõtmisviga (sigma parameeter), kui see on olemas. See on vajalik sobivuse ja parameetrite määramatuse täpseks arvutamiseks.
3. Lugege parameetreid ja nende määramatusi. curve_fit tagastab nii parameetrite väärtused kui ka nende kovariatsioonimaatriksist tuletatud määramatused. Parameetri teatamine ilma selle määramatuseta on ebatäielik: "g = 9,7 ± 0,3 m/s²" on palju informatiivsem kui lihtsalt "9,7".
4. Hinnake sobivust jääkidega. Jääk on iga mõõtepunkti kõrvalekalle mudelist. Jääkide juhuslik jaotumine on hea sobivuse märk; süstemaatiline kõver (nt kõik ühes kohas mudeli kohal) näitab, et mudel on vale.
5. Kontrollige füüsilist mõistlikkust. Kas g väärtus on suurusjärgus 9,8 või 50? Kas takisti läks negatiivseks? Füüsiliselt võimatud parameetrid viitavad probleemile, isegi kui sobivus "näeb hea välja".
Näpunäide: ärge otsustage sobivuse kvaliteedi üle ainult nägemisele tuginedes. Joonistage jäägid alati eraldi graafikule. Hea sobivuse korral hajuvad jäägid nagu müra nulli ümber; Halva istuvuse korral tekib nähtav muster (laine, kalle, U-kuju). See muster on kõige ausam märk sellest, et teie mudelil on füüsiline puudus.
kolm minikarpi
Juhtum 1 – ülepaigutav lõks. Üks õpilane sobitas 8 andmepunktile tehisintellekti soovitatud 7. astme polünoomi; kõver läbis kõik punktid ja nägi "ideaalne". Kuid kahe punkti vahel kõikus kõver absurdselt. Õpilane pöördus füüsika poole: see oli lineaarne seos. Kui ta sobitas lihtsa joone, omandasid parameetrid füüsilise tähenduse; kõrgema järgu polünoom oli just müra pähe õppinud.
Juhtum 2 – määramatus on unustatud. Teadlane leidis ja teatas YZ kirjutatud koodiga gravitatsioonikiirenduse g = 9,73. Tema nõunik küsis ebakindluse kohta. Uurija ei kasutanud curve_fit kovariatsiooniväljundit; Arvutamisel osutus mõõtemääramatus ±0,4, mis tähendab, et tulemus oli kooskõlas standardväärtusega 9,81. Ilma ühemõttelisuseta võib tulemust valesti tõlgendada kui "lahkub 9,81-st".
Juhtum 3 – jäägid näitasid viga. Õpetaja sobitas jahutuskatsesse sirge ja see tundus mõistlik. Kuid kui ta sissekannet joonistas, tekkis selge kõver muster. See, mis tegelikult juhtus, oli eksponentsiaalne jahtumine. Kui ta kasutas õiget mudelit (eksponentsiaalne), muutusid jäägid juhuslikeks ja sobivus muutus füüsiliselt tähendusrikkaks.
Neli kopeeritavat malli
1) Sobivus füüsilise mudeliga:
Kirjutage curve_fit kood, mis sobib füüsilise modely = [mudeli funktsioon] järgmiste katseandmetega ([x ja y väärtused, ühikutes]). Printige kovariatsioonist tuletatud parameetrid ja 1-sigma määramatused. Joonistage andmed, sobitatud kõver ja jäägid ERALDI graafikule. Mudelivaliku tegin füüsikast; sa lihtsalt rakendad seda.
2) Sobivuse hindamise kvaliteet:
Lisage allpool sobivuse kvaliteeti hindav kood: joonistage jäägid, arvutage mõõt, nagu hii-ruut või R², ja kommenteerige kirjalikult, kas jääkides on süstemaatiline muster. Sobitav kood: [siin]
3) Mudeli võrdlus:
Kirjutage kood, mis sobib ja võrdleb kahte erinevat füüsilist mudelit samade andmetega: [mudel A] ja [mudel B]. Näidake mõlema parameetrid, määramatused ja jääkmustrid. See on minu otsustada, kumb on FÜÜSILISELT sobivam; Esitage need kaks lihtsalt kõrvuti. Ärge unustage vältida ülepaigutamist.
4) Ebakindluse aruandlus:
Lisage kood, mis prindib iga järgmise sobivuse parameetri sobiva arvu oluliste numbritega vormingus "väärtus ± määramatus (ühik)". Sobitage, kui parameeter võtab füüsiliselt võimatu väärtuse (nt negatiivne mass). Kood: [siin]
Nõrk viip / Tugev viip
Nõrk: "Leidke kõver, mis nende andmetega kõige paremini sobib."
Järeldus: AI võib anda "täiusliku", kuid füüsiliselt mõttetu sobivuse kõrget järku polünoomile; ebakindlus ja mitte rohkem.
Tugev: "Kirjutage kõvera_sobituskood, mis sobitab radioaktiivse lagunemise mudeli N = N₀·e^(−λt) nendele (t, N) andmetele. Trüki λ ja N₀ ning nende määramatused. Joonistage jäägid eraldi graafikule ja kommenteerige, kui on süstemaatiline muster. Hoiatage, kui λ on negatiivne."
Tulemus: füüsiline mudel, ebakindlad parameetrid, jääkkontroll ja usutavuse kontroll.
Levinud vead
- Mudeli valimine andmete hulgast. Füüsikalise seaduse asemel "parima sobivuse" valimine sunnib füüsikat andmeid sobitama ja viib ülepaigutamiseni.
- Ei teata ebakindlusest. Parameetri väärtus ilma määramatuseta on teaduslikult ebatäielik; Seda, kas kaks tulemust on ühilduvad või mitte, saab mõista ainult ebakindluse kaudu.
- Ei kriimusta jääke. Nõuetele vastavuse "heaks" kuulutamine silma vaadates peidab süstemaatilisi kõrvalekaldeid.
- Ülehinnake olulist numbrit. Kirjutamine g = 9,73418 ± 0,4 on vale täpsus; Määramatus määrab, mitu numbrit on olulised.
- Füüsilisest mõistlikkusest mööda minnes. Eirates võimatuid tagajärgi, nagu negatiivne takistus või 50 m/s² gravitatsioon.
Tähelepanu. See, et kõver sobib hästi andmetega, ei tõenda, et selle aluseks olev füüsika on õige. Piisavalt vabade parameetritega saab "hea" kõvera sobitada mis tahes andmetega. Teaduslik terviklikkus nõuab mudeli valimist füüsikast, ebakindlusest teatamist ja jääkide ausat uurimist. Kena AI-ga loodud graafika ei asenda neid juhtnuppe.
Kokkuvõttes
Katseandmete analüüsimisel loob AI kiiresti kõvera sobitamise koodi ja visualiseerimise; kuid füüsiku ülesanne on valida füüsiline mudel, täpselt teatada ebakindlusest ja ausalt hinnata sobivuse kvaliteeti. Hea analüüs võtab mudeli füüsikast, esitab parameetrid koos nende määramatustega, uurib jääke ja testib tulemuse füüsilist usutavust. Järgmises üksuses käsitleme seda määramatuse mõistet põhjalikumalt – mõõtmisviga ja vea levikut.
Rakenduse ülesanne
Sobitage füüsiline mudel väikesele eksperimentaalsetele andmetele, mille olete või olete koostanud (näiteks pendli pikkuse perioodi mõõtmised või takisti voolu-pinge andmed). Printige kood 1. malliga AI-sse, käivitage see; Lugege parameetreid koos nende määramatusega ja joonistage jäägid. Kontrollige, kas jääkides on süstemaatiline muster, kas parameetrid on füüsiliselt mõistlikud. Kirjutage 5-6 lausega: kas sobivus oli tõesti hea, mida ütles ebakindlus?
kontrollnimekiri
- [ ] Valisin mudeli füüsikast, mitte andmetest.
- [ ] Lisasin sobivusse mõõtemääramatuse, kui see on olemas.
- [ ] Esitasin parameetrid nende määramatuse ja sobiva olulise numbriga.
- [ ] Joonistasin jäägid eraldi graafikule ja otsisin süstemaatilisi mustreid.
- [ ] Kontrollisin, et parameetrid oleksid füüsiliselt mõistlikud.
- [ ] Vältisin overfitting’i (tarbetult suur vabadus).