تجزیه و تحلیل داده های تجربی و برازش منحنی

سود:

• امکان برازش داده های تجربی با curve_fit با انتخاب مدل از فیزیک و گزارش پارامترها با عدم قطعیت آنها
• توانایی ارزیابی صادقانه کیفیت تناسب با بررسی باقیمانده ها و جلوگیری از برازش بیش از حد
• امکان بررسی معقول بودن فیزیکی پارامترهای یافت شده و تمایز تناسب «به‌نظر خوب» از «از لحاظ فیزیکی صحیح»

فیزیک در نهایت به آزمایش بستگی دارد. هر چقدر هم که یک نظریه ظریف باشد، اگر با داده های اندازه گیری شده مطابقت نداشته باشد، نامعتبر است. برازش منحنی در قلب کار با داده های تجربی قرار دارد: برازش یک مدل پیش بینی شده توسط تئوری (خط، نمایی، نوسان) به نقاط اندازه گیری پر سر و صدا که دارید به بهترین شکل ممکن و یافتن پارامترهای مدل (شیب، ثابت، فرکانس). در این بخش، نحوه استفاده از هوش مصنوعی (AI) در تجزیه و تحلیل داده‌های آزمایشی، نحوه تنظیم صحیح برازش منحنی، و از همه مهم‌تر، نحوه تشخیص تفاوت بین تناسب «خوب به نظر رسیدن» و «از نظر فیزیکی صحیح» را خواهید آموخت. ابزار استاندارد scipy.optimize.curve_fit است (عملکرد SciPy که تابع مدل را با داده ها مطابقت می دهد).

منطق برازش منحنی و نقش هوش مصنوعی

برازش منحنی این کار را انجام می دهد: شما یک تابع مدل را انتخاب می کنید (به عنوان مثال y = a·x + b)، و الگوریتم مقادیر a و b را پیدا می کند که با کمترین خطا متناسب با داده ها هستند. هوش مصنوعی در کدنویسی عملکرد صحیح مدل، تنظیم فراخوانی curve_fit و تجسم نتیجه سریع است. اما دو تصمیم مهم با شماست: (1) کدام مدل از نظر فیزیکی صحیح است؟ (2) آیا کیفیت تناسب واقعا خوب است؟ هوش مصنوعی همچنین می‌تواند چند جمله‌ای مرتبه 10 را با داده‌ها تطبیق دهد و منحنی تقریباً بی‌نقص را ترسیم کند - اما این از نظر فیزیکی بیش از حد بی‌معنی است.

رویداد فیزیکی

مدل مورد انتظار

پارامتر پیدا شد

حرکت با سرعت ثابت

y = a·x + b

شیب = سرعت

تجزیه رادیواکتیو

N = N₀·e^(-λt)

λ = ثابت فروپاشی

انتشار بهار

x = A·cos(ωt + φ)

ω = فرکانس زاویه ای

قانون اهم

V = R·I

R = مقاومت (شیب)

سقوط آزاد

y = ½·g·t²

g = شتاب گرانشی

گام به گام: برازش منحنی صادقانه

1. مدل را از فیزیک انتخاب کنید، نه از داده ها. ابتدا مشخص کنید که رویداد باید از کدام قانون فیزیکی پیروی کند. انتخاب یک مدل با نگاه کردن به داده‌ها و انتخاب «کدامیک مناسب است» تلاش می‌کند تا فیزیک را با داده‌ها مطابقت دهد - خطرناک.

2. داده ها و عدم قطعیت را وارد کنید. به همراه نقاط اندازه گیری، خطای اندازه گیری (پارامتر سیگما) هر نقطه را نیز در صورت وجود وارد کنید. این برای محاسبه دقیق تناسب و عدم قطعیت پارامتر ضروری است.

3. پارامترها و عدم قطعیت آنها را بخوانید. curve_fit هم مقادیر پارامتر و هم عدم قطعیت آنها را که از ماتریس کوواریانس به دست می‌آیند، برمی‌گرداند. گزارش یک پارامتر بدون عدم قطعیت آن ناقص است: گفتن "g = 9.7 ± 0.3 m/s²" بسیار آموزنده تر از گفتن "9.7" است.

4. تناسب را با باقیمانده ها ارزیابی کنید. باقیمانده انحراف هر نقطه اندازه گیری از مدل است. توزیع تصادفی باقیمانده ها نشانه برازش خوب است. یک منحنی سیستماتیک (به عنوان مثال همه در یک مکان بالای مدل) نشان می دهد که مدل اشتباه است.

5. منطقی بودن فیزیکی را بررسی کنید. آیا مقدار g در مرتبه 9.8 یا 50 یافت می شود؟ آیا یک مقاومت منفی شد؟ پارامترهای غیرممکن فیزیکی نشان دهنده یک مشکل هستند، حتی اگر تناسب "خوب به نظر برسد".

نکته: کیفیت تناسب را فقط با تکیه بر بینایی قضاوت نکنید. همیشه باقیمانده ها را روی یک نمودار جداگانه رسم کنید. در یک تناسب خوب، باقیمانده ها مانند نویز در اطراف صفر پراکنده می شوند. با تناسب بد، یک الگوی قابل مشاهده (موج، شیب، U شکل) ظاهر می شود. این الگو صادقانه ترین نشانه این است که مدل شما از نظر فیزیکی کمبود دارد.

سه کیف کوچک

مورد 1 - تله بیش از حد مناسب. یک دانش آموز چند جمله ای درجه 7 پیشنهادی هوش مصنوعی را به 8 نقطه داده برازش داد. منحنی از تمام نقاط عبور کرد و "عالی" به نظر رسید. اما بین این دو نقطه، منحنی به طرز پوچی در نوسان بود. دانش آموز به فیزیک روی آورد: این یک رابطه خطی بود. هنگامی که او یک خط ساده را نصب کرد، پارامترها معنای فیزیکی پیدا کردند. چند جمله ای مرتبه بالاتر نویز را به خاطر سپرده بود.

مورد 2 - عدم قطعیت فراموش شده است. یک محقق شتاب گرانشی g = 9.73 را با کد نوشته شده توسط YZ پیدا و گزارش کرد. مشاور او در مورد عدم اطمینان پرسید. محقق از خروجی کوواریانس curve_fit استفاده نکرد. وقتی محاسبه شد، عدم قطعیت 0.4 ± بود، به این معنی که نتیجه با مقدار استاندارد 9.81 سازگار بود. بدون ابهام، نتیجه می تواند به اشتباه به عنوان "انحراف از 9.81" تفسیر شود.

مورد 3 - باقیمانده ها خطا را نشان دادند. معلمی یک خط مستقیم را در یک آزمایش خنک سازی قرار داد و منطقی به نظر می رسید. اما زمانی که او تکه ها را ترسیم کرد، یک الگوی منحنی مشخص ظاهر شد. آنچه در واقع اتفاق افتاد یک خنک کننده نمایی بود. وقتی او از مدل صحیح (نمایی) استفاده کرد، باقیمانده ها تصادفی شدند و تناسب از نظر فیزیکی معنادار شد.

چهار قالب قابل کپی

1) تناسب با مدل فیزیکی:

یک کد curve_fit بنویسید که با مدل فیزیکی = [ تابع مدل] با داده های تجربی زیر (مقادیر x و y، بر حسب واحد]) مطابقت داشته باشد. چاپ پارامترها و عدم قطعیت های 1 سیگما به دست آمده از کوواریانس. داده ها، منحنی برازش شده و باقیمانده ها را روی یک نمودار مجزا رسم کنید. من انتخاب مدل را از فیزیک انجام دادم. شما فقط آن را اعمال کنید

2) کیفیت ارزیابی تناسب:

کدی را اضافه کنید که کیفیت تناسب را در زیر ارزیابی می‌کند: باقیمانده‌ها را رسم کنید، اندازه‌گیری مانند chi-square یا R² را محاسبه کنید، و اگر یک الگوی سیستماتیک در باقیمانده‌ها وجود دارد، به صورت کتبی نظر دهید. کد تناسب: [اینجا]

3) مقایسه مدل:

کدی بنویسید که دو مدل فیزیکی مختلف را با داده های مشابه مطابقت و مقایسه کند: [model A] و [model B]. پارامترها، عدم قطعیت ها و الگوهای باقیمانده هر دو را نشان دهید. این به من بستگی دارد که تصمیم بگیرم کدام یک از نظر فیزیکی مناسب تر است. فقط این دو را در کنار هم معرفی کنید. به یاد داشته باشید که از نصب بیش از حد خودداری کنید.

4) گزارش عدم قطعیت:

کدی را اضافه کنید که هر پارامتر تناسب زیر را با تعداد مناسب ارقام مهم در قالب "مقدار ± عدم قطعیت (واحد)" چاپ می کند. اگر پارامتری یک مقدار فیزیکی غیرممکن (مثلاً جرم منفی) بگیرد، مناسب است. کد: [اینجا]

اعلان ضعیف / اعلان قوی

ضعیف: "منحنی را پیدا کنید که به بهترین وجه با این داده ها مطابقت دارد."

نتیجه‌گیری: هوش مصنوعی می‌تواند یک تناسب «کامل» اما از نظر فیزیکی بی‌معنا به یک چند جمله‌ای مرتبه بالا بدهد. عدم قطعیت و نه بیشتر

قوی: "یک کد curve_fit بنویسید که با مدل واپاشی رادیواکتیو N = N₀·e^(−λt) به این داده (t, N) تناسب داشته باشد. λ و N₀ و عدم قطعیت آنها را چاپ کنید. باقیمانده ها را در یک نمودار جداگانه رسم کنید و اگر یک الگوی سیستماتیک وجود دارد نظر دهید. اگر λ منفی است هشدار دهید."

نتیجه: مدل فیزیکی، پارامترهای نامشخص، بررسی باقیمانده و بررسی احتمال پذیری.

اشتباهات رایج

• انتخاب مدل از داده ها انتخاب «بهترین تناسب» به جای قانون فیزیکی، فیزیک را مجبور به تناسب داده ها می کند و منجر به بیش از حد برازش می شود.
• عدم گزارش عدم قطعیت یک مقدار پارامتر بدون عدم قطعیت از نظر علمی ناقص است. اینکه آیا دو نتیجه با هم سازگار هستند یا نه، تنها از طریق عدم قطعیت قابل درک است.
• خراش ندادن باقی مانده ها. اعلام انطباق "خوب" با نگاه کردن به چشم، انحرافات سیستماتیک را پنهان می کند.
• رقم قابل توجه را بیش از حد برآورد کنید. نوشتن g = 0.4 ± 9.73418 یک دقت نادرست است. عدم قطعیت تعیین می کند که چند رقم مهم هستند.
• دور زدن عقلانیت فیزیکی نادیده گرفتن پیامدهای غیرممکن مانند مقاومت منفی یا گرانش 50 متر بر ثانیه.

توجه: فقط به این دلیل که یک منحنی به خوبی با داده ها مطابقت دارد، ثابت نمی کند که فیزیک زیربنایی درست است. با پارامترهای آزاد کافی، یک منحنی "خوب" می تواند برای هر داده ای مناسب باشد. یکپارچگی علمی مستلزم انتخاب مدل از فیزیک، گزارش عدم قطعیت و بررسی صادقانه باقیمانده ها است. یک گرافیک خوب تولید شده با هوش مصنوعی جایگزین این کنترل ها نیست.

به طور خلاصه

در تجزیه و تحلیل داده های آزمایشی، هوش مصنوعی به سرعت کد برازش منحنی و تجسم را ایجاد می کند. اما این مسئولیت فیزیکدان است که مدل فیزیکی را انتخاب کند، عدم قطعیت را به طور دقیق گزارش کند، و صادقانه کیفیت تناسب را ارزیابی کند. یک تحلیل خوب مدل را از فیزیک می گیرد، پارامترها را با عدم قطعیت آنها گزارش می کند، باقیمانده ها را بررسی می کند و قابل قبول بودن فیزیکی نتیجه را آزمایش می کند. در بخش بعدی، این مفهوم عدم قطعیت را با عمق بیشتری مورد بحث قرار خواهیم داد - خطای اندازه‌گیری و انتشار خطا.

وظیفه کاربردی

یک مدل فیزیکی را به مجموعه کوچکی از داده‌های آزمایشی که دارید یا تولید کرده‌اید (مثلاً اندازه‌گیری‌های طول دوره یک آونگ یا داده‌های جریان-ولتاژ یک مقاومت) قرار دهید. کد را با الگوی اول در هوش مصنوعی چاپ کنید، آن را اجرا کنید. پارامترها را با عدم قطعیت آنها بخوانید و باقیمانده ها را رسم کنید. بررسی کنید که آیا یک الگوی سیستماتیک در باقیمانده ها وجود دارد، آیا پارامترها از نظر فیزیکی معقول هستند یا خیر. در 5-6 جمله بنویسید: آیا تناسب واقعاً خوب بود، عدم قطعیت چه گفت؟

چک لیست

• [ ] من مدل را از روی فیزیک انتخاب کردم، نه از روی داده.
• [ ] من عدم قطعیت اندازه گیری را، در صورت وجود، در برازش گنجانده ام.
• [ ] من پارامترها را با عدم قطعیت و رقم معنی دار مناسب گزارش کردم.
• [ ] من باقیمانده ها را روی یک نمودار جداگانه رسم کردم و به دنبال الگوهای سیستماتیک گشتم.
• [ ] من بررسی کردم که پارامترها از نظر فیزیکی معقول هستند.
• [ ] از تطبیق بیش از حد (آزادی غیر ضروری بالا) اجتناب کردم.