تجزیه و تحلیل داده های شیمیایی و پایتون: پانداها، استوکیومتری و کالیبراسیون

سود:

• توانایی پایه‌گذاری نتایج عددی بر اساس کد پایتون اجرا شده به جای حدس زدن کلامی مدل زبان
• امکان نوشتن استوکیومتری، کالیبراسیون و کد پاکسازی داده ها در هوش مصنوعی و آزمایش آن با نمونه هایی با پاسخ های شناخته شده
• امکان جلوگیری از خطاهای تجزیه و تحلیل داده ها با همیشه مشخص کردن واحدها و بررسی ترتیب آنها

شیمی پر از اعداد است: وزن، حجم، مقادیر جذب، بازده، غلظت. پردازش دستی این داده ها کند و مستعد خطا است. هوش مصنوعی در اینجا دو سرویس عمده ارائه می‌کند: (1) کد پایتون را می‌نویسد که داده‌ها را پردازش می‌کند، (2) آن کد را اجرا می‌کند (در محیطی که می‌تواند کد را اجرا کند) و یک نتیجه قطعی می‌دهد. اصل مهم این است: محاسبات را به خروجی کد اجرا شده بسپارید، نه به "پیش بینی کلامی" مدل زبان. مدل زبان "142 × 0.05 چیست؟" ممکن است گاهی اوقات به سوال پاسخ نادرست بدهد. اما خط پایتونی که او می نویسد همیشه درست محاسبه می کند. در این واحد، تجزیه و تحلیل داده های شیمیایی با هوش مصنوعی را با این فلسفه می آموزیم.

چرا کد بهتر از حدس زدن کلامی است؟

یک مدل زبان با «پیش‌بینی نتیجه ممکن» محاسبات را انجام می‌دهد. بنابراین ممکن است با اعداد بزرگ یا حساب چند مرحله ای اشتباه باشد. در حالی که در پایتون عبارت 142 * 0.05 قطعی است: همیشه 7.1 را برمی گرداند. بنابراین استراتژی: هوش مصنوعی را مجبور نکنید که محاسبه را انجام دهد، کد محاسبه را چاپ کنید و کد را اجرا کنید. بنابراین شما از خلاقیت هوش مصنوعی (ساخت کد) استفاده می کنید و سمت غیر قابل اعتماد (حساب سر) را غیرفعال می کنید.

نکته: وقتی یک نتیجه عددی از یک هوش مصنوعی دریافت می‌کنید، بگویید «این را با خطی از پایتون نشان دهید». خود کد هم حساب را تایید می کند و هم به شما اجازه می دهد آن را اجرا و تایید کنید. اگر کدی را نمی بینید، به شماره اعتماد نکنید.

وظایف تجزیه و تحلیل داده های معمولی در شیمی

• استوکیومتری: مول، جرم، معرف محدود کننده، بازده نظری، محاسبه درصد بازده.
• غلظت: مولاریته، رقت (M1V1 = M2V2)، تبدیل ppm.
• کالیبراسیون: رسم خط کالیبراسیون با قانون بیر-لامبرت (جذب ∝ غلظت) و محاسبه مجهول.
• پاکسازی داده ها: خواندن جداول اندازه گیری با پانداها، علامت گذاری برون، میانگین/انحراف استاندارد.
• تجسم: رسم منحنی کالیبراسیون، نمودار سینتیک، منحنی تیتراسیون.

گام به گام: تجزیه و تحلیل داده های ایمن با هوش مصنوعی

1. تعریف داده: به وضوح ستون ها، واحدها، ردیف های نمونه را ارائه دهید. اگر واحدی وجود نداشته باشد، هوش مصنوعی مفروضاتی را مطرح می کند.
2. کد بخواهید، نه نتیجه: بگویید «کد پاندا/NumPy که این را محاسبه می‌کند بنویس».
3. کد را اجرا کنید: خودتان یا در محیطی که می تواند کد را اجرا کند، آن را اجرا کنید.
4. تست با حروف ساده: کد را با یک مثال کوچک که در آن جواب را می دانید تست کنید.
5. بررسی واحد و ترتیب: آیا واحد و بزرگی نتیجه از نظر فیزیکی معقول است؟
6. سند: کد و خروجی را به دفترچه آزمایش (واحد 8) اضافه کنید.

چهار قالب قابل کپی

1) استوکیومتری و درصد بازده:

واکنش: اسید سالیسیلیک (MA 138.12) + انیدرید استیک -> آسپرین (MA 180.16). داده ها: 2.00 گرم اسید سالیسیلیک استفاده شد، انیدرید استیک بیش از حد بود. آسپرین به دست آمد: 2.15 گرم. وظیفه: کد پایتون را بنویسید که بازده مولی و درصد را محاسبه می کند. متغیرها، نتیجه را بر حسب واحد چاپ کنید. فقط کد اجرایی بدید

2) کالیبراسیون بیر-لامبرت:

داده های کالیبراسیون (غلظت mol/L -> جذب): 0.00->0.02، 0.02->0.21، 0.04->0.40، 0.06->0.62، 0.08->0.79. جذب نمونه ناشناخته: 0.50. وظیفه: کالیبراسیون خطی را با numpy.polyfit، slope/intercept و محاسبه R^2 انجام دهید، غلظت مجهول را پیدا کنید. داده ها + خط مناسب را با matplotlib رسم کنید.

3) نمودار اندازه گیری با پانداها:

من یک CSV دارم: ستون ها = نمونه، وزن_گرم، حجم_میلی لیتر، جذب. وظیفه: خواندن با پانداها، محاسبه غلظت (g/L) برای هر نمونه، علامت گذاری ردیف هایی با جذب کمتر از 0 به عنوان نادرست، دادن کد برای چاپ میانگین و انحراف std گروه ها. واحدها را با خط نظر مشخص کنید.

4) تأیید حساب رقیق سازی:

من می خواهم 100 میلی لیتر محلول 0.05 M از محلول استوک 0.5 M تهیه کنم. وظیفه: خط پایتون را بنویسید که حجم سهام مورد نیاز را با M1V1=M2V2 محاسبه می کند. نتیجه را در میلی لیتر چاپ کنید و به عنوان نظر تأیید کنید که برای بررسی منطقی رقت 10 برابری مورد انتظار است.

اعلان ضعیف / اعلان قوی

ضعیف:

چه مقدار آسپرین از 2 گرم سالیسیلیک اسید بدست می آید؟

هوش مصنوعی یک عدد از سر می دهد. اگر وزن های مولکولی را اشتباه به خاطر بسپارد، نتیجه مخدوش می شود و نحوه محاسبه آن قابل مشاهده نخواهد بود.

قوی:

فرض کنید سالیسیلیک اسید MA=138.12، آسپرین MA=180.16، جرم=2.00 گرم، بازده 100%. وظیفه: کد پایتون بنویسید که جرم نظری آسپرین را محاسبه کند. هر مرحله را نظر دهید (مول -> مول -> جرم)، نتیجه را در g چاپ کنید.

تفاوت: وزن های مولکولی داده شده، کد درخواستی، مراحل توضیح داده شده، واحد مشخص شده. نتیجه هم دقیق و هم قابل بازرسی است.

پیش بینی کلامی و غیره کد اجرا شده

اندازه

پیش بینی کلامی مدل زبان

اجرای پایتون

دقت حسابی

متغیر، ممکن است خطا رخ دهد

قطعی، قطعی

قابلیت حسابرسی

سقط جنین (معلوم نیست چطور شد)

بالا (کد قابل مشاهده است)

تکرارپذیری

پایین

بالا

ردیابی واحد

ضعیف

را می توان در کد باز نگه داشت

استفاده مناسب

ایده، ساختار ساختمان

نتیجه عددی نهایی

موارد کوچک

مورد 1 - خطای حسابی کلامی. دانش‌آموزی از هوش مصنوعی می‌پرسد: «۰.۰۱۴۵ مول × ۱۸۰.۱۶ گرم بر مول؟» او پرسید؛ هوش مصنوعی گفت: 2.72 گرم. در واقع 2.61 گرم است. وقتی دانش آموز گفت "این را در پایتون نشان دهید"، YZ 0.0145 * 180.16 را نوشت و به عنوان 2612 ظاهر شد. اولین پاسخ شفاهی نادرست بود. درس: کد را حتی برای ضرب بسیار ساده ترجیح دهید.

مورد 2 - بررسی R² در کالیبراسیون. یک کاربر کالیبراسیون Beer-Lambert را انجام داد. معلوم می شود R² = 0.981. هوش مصنوعی گفت "خطی، قابل اعتماد" اما نقطه در بالاترین غلظت زیر خط (اشباع) بود. وقتی کاربر نمودار را دید، بالاترین نقطه را از محدوده خطی خارج کرد، R² به 0.999 افزایش یافت. درس: R² به تنهایی کافی نیست. باقیمانده ها/قطعه را ببینید.

مورد 3 - سردرگمی واحد. در یک تجزیه و تحلیل مشخص نبود که غلظت mg/L یا g/L بود. هوش مصنوعی g/L را فرض کرد و نتایج 1000 برابر اشتباه بود. زمانی که کاربر به صراحت واحد ستون را مشخص کرد، رفع شد. درس: با فرض اینکه هوش مصنوعی گران است، همیشه واحد را کوتاه کنید.

اشتباهات رایج

• تکیه بر عدد لفظی. همیشه به جای انجام محاسبات ذهنی، کد را درخواست و اجرا کنید.
• واحد را مشخص نکرده است. مخلوط mg/L با g/L، mL با L، خطای 1000 برابری ایجاد می کند.
• تست نکردن کد اعمال بر روی داده های بزرگ بدون آزمایش با یک مثال کوچک که پاسخ آن مشخص است.
• در نظر گرفتن R² به عنوان تنها معیار. اعتماد به نقاط غیر خطی بدون دیدن آنها به صورت گرافیکی.
• از معرف تستر صرفنظر کنید. محاسبه بازده نظری بدون تعیین معرف محدود کننده در استوکیومتری.
• ریزش پلکانی قابل توجه گزارش نتیجه به 8 رقم زمانی که اندازه گیری 3 رقم قابل توجه است.

احتیاط: حتی کدی که AI می نویسد ممکن است معیوب باشد (نام ستون اشتباه، فرمول اشتباه). اجرای کد نتیجه را قطعی می کند، اما باید با یک مثال شناخته شده تأیید کنید که کد چیز درستی را محاسبه می کند.

به طور خلاصه

• نتایج عددی را به کد پایتون اجرا شده بسپارید نه به حدس کلامی مدل زبان.
• هوش مصنوعی به سرعت کدهایی را برای استوکیومتری، کالیبراسیون، تمیز کردن داده ها و تجسم در تجزیه و تحلیل داده های شیمیایی می نویسد.
• همیشه واحدها را روشن کنید. سردرگمی واحد گران ترین اشتباه است.
• باقیمانده ها و نمودار را علاوه بر R² در کالیبراسیون بررسی کنید.
• کد را با یک مثال ساده با پاسخ مشخص تست کنید. انسان صحت کد را تأیید می کند.

وظیفه کاربردی

یک مجموعه داده کالیبراسیون یا استوکیومتری داشته باشید (اگر نه، از داده های Beer-Lambert در بالا استفاده کنید). از هوش مصنوعی کد پایتونی که تجزیه و تحلیل را انجام می دهد بخواهید (کد، نه نتیجه). کد را اجرا کنید؛ سپس آن را با نمونه کوچکی از پاسخ های شناخته شده تست کنید. از هوش مصنوعی به صورت شفاهی برای محاسبه یکسان بپرسید و دو نتیجه را با هم مقایسه کنید: آیا تفاوتی وجود دارد؟ نمودار R2 و باقیمانده را در کالیبراسیون تفسیر کنید. کد، خروجی و نظر کوتاه را در یک سند قرار دهید.

چک لیست

• [ ] من نتایج عددی را از کد دریافت می کنم، نه از حدس کلامی.
• [ ] من به وضوح واحد هر ستون داده را نشان می دهم.
• [ ] من کد را با نمونه کوچکی که پاسخ آن مشخص است تست می کنم.
• [ ] من آنالیز باقیمانده/گراف را در کنار R² در کالیبراسیون انجام می دهم.
• [ ] من معرف محدود کننده را در استوکیومتری تعیین می کنم.
• [ ] من نتایج را با رقم معنی دار مناسب گزارش می کنم.