Analyse de données expérimentales et ajustement de courbe

Gains :

• Possibilité d'ajuster les données expérimentales avec curve_fit en sélectionnant le modèle de la physique et de rapporter les paramètres avec leurs incertitudes
• Capacité à évaluer honnêtement la qualité de l'ajustement en examinant les résidus et en évitant le surajustement
• Capacité à vérifier la plausibilité physique des paramètres trouvés et à distinguer un ajustement « bon aspect » d'un ajustement « physiquement correct »

La physique dépend en fin de compte de l’expérimentation. Aussi élégante qu’une théorie soit, si elle ne concorde pas avec les données mesurées, elle est invalide. L'ajustement de courbe est au cœur du travail avec des données expérimentales : ajuster au mieux un modèle prédit par la théorie (une ligne, une exponentielle, une oscillation) aux points de mesure bruyants dont vous disposez et trouver les paramètres du modèle (pente, constante, fréquence). Dans cette unité, vous apprendrez à utiliser l'intelligence artificielle (IA) dans l'analyse des données expérimentales, à configurer correctement l'ajustement des courbes et, plus important encore, à faire la différence entre un ajustement « qui semble bon » et « être physiquement correct ». L'outil standard est scipy.optimize.curve_fit (fonction SciPy qui adapte une fonction de modèle aux données).

La logique de l’ajustement des courbes et le rôle de l’IA

L'ajustement de courbe fait ceci : vous choisissez une fonction modèle (par exemple y = a·x + b), et l'algorithme trouve les valeurs de a et b qui correspondent aux données avec le moins d'erreur. L'IA code rapidement la fonction de modèle correcte, configure l'appel curve_fit et visualise le résultat. Mais vous devez prendre deux décisions cruciales : (1) Quel modèle est physiquement correct ? (2) La qualité de l’ajustement est-elle vraiment bonne ? L’IA pourrait également adapter un polynôme d’ordre 10 aux données et tracer une courbe qui semble presque parfaite – mais cela constituerait un surapprentissage physiquement dénué de sens.

événement physique

modèle attendu

Paramètre trouvé

mouvement à vitesse constante

y = a·x + b

pente = vitesse

désintégration radioactive

N = N₀·e^(−λt)

λ = constante de désintégration

déclenchement à ressort

x = A·cos(ωt + φ)

ω = fréquence angulaire

La loi d'Ohm

V = R·I

R = résistance (pente)

chute libre

y = ½·g·t²

g = accélération gravitationnelle

Étape par étape : adopter une courbe honnête

1. Choisissez le modèle à partir de la physique et non à partir des données. Déterminez d’abord à quelle loi physique l’événement doit obéir. Choisir un modèle en examinant les données et en choisissant « celui qui correspond le mieux », c'est essayer d'adapter la physique aux données – ce qui est dangereux.

2. Saisissez les données et l'incertitude. En plus des points de mesure, entrez également l'erreur de mesure (paramètre sigma) de chaque point, le cas échéant. Ceci est nécessaire pour un calcul précis de l’ajustement et de l’incertitude des paramètres.

3. Lisez les paramètres et leurs incertitudes. Curve_fit renvoie les valeurs des paramètres et leurs incertitudes dérivées de la matrice de covariance. Signaler un paramètre sans son incertitude est incomplet : dire « g = 9,7 ± 0,3 m/s² » est bien plus informatif que simplement dire « 9,7 ».

4. Évaluez l'ajustement avec les résidus. Le résidu est l'écart de chaque point de mesure par rapport au modèle. La distribution aléatoire des résidus est un signe de bon ajustement ; une courbe systématique (par exemple tout au même endroit au-dessus du modèle) indique que le modèle est erroné.

5. Vérifiez le caractère raisonnable physique. La valeur g est-elle trouvée de l’ordre de 9,8 ou 50 ? Une résistance est devenue négative ? Des paramètres physiquement impossibles indiquent un problème, même si l’ajustement « semble bon ».

Astuce : Ne jugez pas la qualité de l'ajustement en vous fiant uniquement à la vue. Tracez toujours les résidus sur un graphique séparé. Dans un bon ajustement, les résidus se dispersent comme du bruit autour de zéro ; En cas de mauvais ajustement, un motif visible (vague, pente, forme en U) apparaît. Ce schéma est le signe le plus honnête que votre modèle est physiquement déficient.

trois mini-cases

Cas 1 — Le piège du surapprentissage. Un étudiant a ajusté un polynôme du 7e degré suggéré par l’IA à 8 points de données ; la courbe passait par tous les points et paraissait "parfaite". Mais entre les deux points, la courbe oscillait de façon absurde. L'étudiant s'est tourné vers la physique : c'était une relation linéaire. Lorsqu'il ajustait une ligne simple, les paramètres prenaient une signification physique ; le polynôme d'ordre supérieur venait de mémoriser le bruit.

Cas 2 — Incertitude oubliée. Un chercheur a trouvé et rapporté l'accélération gravitationnelle g = 9,73 avec le code écrit par YZ. Son conseiller s'est interrogé sur l'incertitude. Le chercheur n’a pas utilisé la sortie de covariance de Curve_fit ; Une fois calculée, l'incertitude s'est avérée être de ±0,4, ce qui signifie que le résultat était cohérent avec la valeur standard de 9,81. Sans ambiguïté, le résultat pourrait être interprété à tort comme « s’écarte de 9,81 ».

Cas 3 — Les résidus ont montré l'erreur. Un enseignant a intégré une ligne droite dans une expérience de refroidissement et cela semblait raisonnable. Mais lorsqu’il a tracé les fragments, un motif incurvé distinct est apparu. Ce qui s’est réellement produit, c’est un refroidissement exponentiel. Lorsqu’il utilisait le bon modèle (exponentiel), les résidus devenaient aléatoires et l’ajustement devenait physiquement significatif.

Quatre modèles copiables

1) Ajustement avec le modèle physique :

Écrivez un code curve_fit qui ajuste le modèle physique = [fonction du modèle] aux données expérimentales suivantes ([valeurs x et y, en unités]). Imprimez les paramètres et les incertitudes 1-sigma dérivées de la covariance. Tracez les données, la courbe ajustée et les résidus sur un graphique SÉPARÉ. J'ai fait la sélection du modèle à partir de la physique ; vous venez de l'appliquer.

2) Évaluation de la qualité de l’ajustement :

Ajoutez du code qui évalue la qualité de l'ajustement ci-dessous : tracez les résidus, calculez une mesure telle que le chi carré ou le R² et commentez par écrit s'il existe une tendance systématique dans les résidus. Code d'ajustement : [ici]

3) Comparaison des modèles :

Écrivez du code qui correspond et compare deux modèles physiques différents aux mêmes données : [modèle A] et [modèle B]. Montrez les paramètres, les incertitudes et les modèles résiduels des deux. C'est à moi de décider lequel est PHYSIQUEMENT le plus adapté ; Présentez simplement les deux côte à côte. N'oubliez pas d'éviter le surapprentissage.

4) Rapport d'incertitude :

Ajoutez un code qui imprime chaque paramètre de l'ajustement suivant avec le nombre approprié de chiffres significatifs au format "valeur ± incertitude (unité)". Ajuster si un paramètre prend une valeur physiquement impossible (par exemple une masse négative). Code : [ici]

Invite faible/Invite forte

Faible : "Trouvez la courbe qui correspond le mieux à ces données."

Conclusion : l'IA peut donner un ajustement « parfait » mais physiquement dénué de sens à un polynôme d'ordre élevé ; l'incertitude et rien de plus.

Strong : "Écrivez un code curve_fit qui ajuste le modèle de désintégration radioactive N = N₀·e^(−λt) à ces données (t, N). Imprimez λ et N₀ et leurs incertitudes. Tracez les résidus dans un graphique séparé et commentez s'il existe un modèle systématique. Avertissez si λ est négatif. "

Résultat : Modèle physique, paramètres incertains, vérification résiduelle et vérification de plausibilité.

Erreurs courantes

• Sélection du modèle à partir des données. Choisir le « meilleur ajustement » au lieu de la loi physique oblige la physique à ajuster les données et conduit à un surajustement.
• Ne pas signaler l’incertitude. Une valeur de paramètre sans incertitude est scientifiquement incomplète ; La compatibilité ou non de deux résultats ne peut être comprise que dans l’incertitude.
• Ne grattez pas les restes. Déclarer la conformité « bonne » en regardant à l’œil cache des écarts systématiques.
• Surestimez le chiffre significatif. Écrire g = 9,73418 ± 0,4 est une fausse précision ; L'incertitude détermine le nombre de chiffres significatifs.
• Contourner le raisonnable physique. Ignorer les conséquences impossibles comme une résistance négative ou une gravité de 50 m/s².

Attention : Ce n'est pas parce qu'une courbe s'ajuste bien aux données que la physique sous-jacente est correcte. Avec suffisamment de paramètres libres, une « bonne » courbe peut être adaptée à n’importe quelle donnée. L’intégrité scientifique nécessite de choisir le modèle issu de la physique, de signaler l’incertitude et d’examiner honnêtement les résidus. Un joli graphique généré par l’IA ne remplace pas ces contrôles.

En résumé

Dans l’analyse des données expérimentales, l’IA établit rapidement un code d’ajustement de courbe et une visualisation ; mais il est de la responsabilité du physicien de choisir le modèle physique, de rapporter avec précision l'incertitude et d'évaluer honnêtement la qualité de l'ajustement. Une bonne analyse prend le modèle de la physique, rapporte les paramètres avec leurs incertitudes, examine les résidus et teste la plausibilité physique du résultat. Dans l’unité suivante, nous discuterons plus en profondeur de ce concept d’incertitude : erreur de mesure et propagation des erreurs.

Tâche de candidature

Adaptez un modèle physique à un petit ensemble de données expérimentales que vous possédez ou avez produites (par exemple, des mesures longueur-période d'un pendule ou des données courant-tension d'une résistance). Imprimez le code avec le 1er modèle sur l'IA, exécutez-le ; Lisez les paramètres avec leur incertitude et tracez les résidus. Vérifiez s'il existe une tendance systématique dans les résidus, si les paramètres sont physiquement raisonnables. Écrivez en 5 à 6 phrases : l'ajustement était-il vraiment bon, que disait l'incertitude ?

liste de contrôle

• [ ] J'ai choisi le modèle à partir de la physique, pas à partir de données.
• [ ] J'ai inclus l'incertitude de mesure, le cas échéant, dans l'ajustement.
• [ ] J'ai rapporté les paramètres avec leur incertitude et leur chiffre significatif approprié.
• [ ] J'ai tracé les résidus sur un graphique séparé et j'ai recherché des modèles systématiques.
• [ ] J'ai vérifié que les paramètres sont physiquement raisonnables.
• [ ] J'ai évité le surajustement (liberté inutilement élevée).