રાસાયણિક ડેટા વિશ્લેષણ અને પાયથોન: પાંડા, સ્ટોઇકોમેટ્રી અને કેલિબ્રેશન

નફો:

• ભાષાના મોડલના મૌખિક અનુમાનને બદલે એક્ઝિક્યુટેડ પાયથોન કોડ પર આંકડાકીય પરિણામોને બેઝ કરવાની ક્ષમતા
• આર્ટિફિશિયલ ઇન્ટેલિજન્સ માટે સ્ટોઇકિયોમેટ્રી, કેલિબ્રેશન અને ડેટા ક્લિનિંગ કોડ લખવાની અને જાણીતા જવાબો સાથેના નમૂનાઓ સાથે તેનું પરીક્ષણ કરવાની ક્ષમતા
• હંમેશા એકમોનો ઉલ્લેખ કરીને અને તેમના ઓર્ડરને તપાસીને ડેટા વિશ્લેષણની ભૂલોને રોકવાની ક્ષમતા

રસાયણશાસ્ત્ર સંખ્યાઓથી ભરેલું છે: વજન, વોલ્યુમ, શોષક મૂલ્યો, ઉપજ, સાંદ્રતા. આ ડેટાને મેન્યુઅલી પ્રક્રિયા કરવી ધીમી અને ભૂલથી ભરેલી છે. AI અહીં બે મુખ્ય સેવાઓ પ્રદાન કરે છે: (1) પાયથોન કોડ લખે છે જે ડેટા પર પ્રક્રિયા કરે છે, (2) તે કોડને ચલાવે છે (કોડ ચલાવી શકે તેવા વાતાવરણમાં) અને એક નિર્ણાયક પરિણામ આપે છે. નિર્ણાયક સિદ્ધાંત આ છે: ગણતરીને એક્ઝિક્યુટેડ કોડના આઉટપુટ પર છોડી દો, ભાષા મોડેલના "મૌખિક અનુમાન" પર નહીં. ભાષા મોડેલ "142 × 0.05 શું છે?" ક્યારેક પ્રશ્નનો ખોટો જવાબ આપી શકે છે; પરંતુ તે જે પાયથોન લાઇન લખે છે તે હંમેશા યોગ્ય રીતે ગણતરી કરે છે. આ એકમમાં, આપણે આ ફિલસૂફી સાથે AI સાથે રાસાયણિક ડેટા વિશ્લેષણ શીખીશું.

શા માટે કોડ મૌખિક અનુમાન કરતાં વધુ સારો છે?

ભાષા મોડેલ "સંભવિત પરિણામની આગાહી" કરીને અંકગણિત કરે છે; તેથી તે મોટી સંખ્યાઓ અથવા બહુ-પગલાની ગણતરી સાથે ખોટું હોઈ શકે છે. જ્યારે પાયથોનમાં અભિવ્યક્તિ 142 * 0.05 નિર્ણાયક છે: તે હંમેશા 7.1 પરત કરે છે. તેથી વ્યૂહરચના: એઆઈને ગણતરી કરવા ન દો, ગણતરીના કોડને છાપો અને કોડ ચલાવો. તેથી તમે AI ની સર્જનાત્મકતાનો ઉપયોગ કરો (કોડ બનાવવો) અને અવિશ્વસનીય બાજુ (હેડ અંકગણિત) ને અક્ષમ કરો.

ટિપ: જ્યારે તમે AI માંથી સંખ્યાત્મક પરિણામ મેળવો છો, ત્યારે કહો કે "Python ની લાઇન વડે આનું પ્રતિનિધિત્વ કરો." કોડ પોતે બંને એકાઉન્ટની ચકાસણી કરે છે અને તમને તેને ચલાવવા અને તેની પુષ્ટિ કરવાની મંજૂરી આપે છે. જો તમને કોડ દેખાતો નથી, તો નંબર પર વિશ્વાસ કરશો નહીં.

રસાયણશાસ્ત્રમાં લાક્ષણિક ડેટા વિશ્લેષણ કાર્યો

• સ્ટોઇકિયોમેટ્રી: મોલ, માસ, લિમિટીંગ રીએજન્ટ, સૈદ્ધાંતિક ઉપજ, ટકા ઉપજની ગણતરી.
• સાંદ્રતા: મોલેરિટી, મંદન (M1V1 = M2V2), ppm રૂપાંતરણ.
• માપાંકન: બીયર-લેમ્બર્ટ કાયદા (શોષક ∝ સાંદ્રતા) સાથે માપાંકન રેખા દોરવી અને અજાણ્યાની ગણતરી કરવી.
• ડેટા સફાઈ: પાંડાઓ સાથે માપન કોષ્ટકો વાંચવા, આઉટલીયર્સને ફ્લેગ કરવું, સરેરાશ/માનક વિચલન.
• વિઝ્યુલાઇઝેશન: ડ્રોઇંગ કેલિબ્રેશન કર્વ, ગતિશાસ્ત્ર ગ્રાફ, ટાઇટ્રેશન કર્વ.

સ્ટેપ બાય સ્ટેપ: AI સાથે સુરક્ષિત ડેટા વિશ્લેષણ

1. ડેટા વ્યાખ્યાયિત કરો: સ્પષ્ટપણે કૉલમ, એકમો, નમૂના પંક્તિઓ આપો. જો ત્યાં કોઈ એકમ નથી, તો AI ધારણાઓ બનાવે છે.
2. કોડ માટે પૂછો, પરિણામો નહીં: કહો કે "આની ગણતરી કરતા પાંડા/નમ્પાય કોડ લખો".
3. કોડ ચલાવો: તેને જાતે ચલાવો અથવા કોડ ચલાવી શકે તેવા વાતાવરણમાં.
4. સરળ કેસ સાથે પરીક્ષણ કરો: એક નાના ઉદાહરણ સાથે કોડનું પરીક્ષણ કરો જ્યાં તમે જવાબ જાણો છો.
5. એકમ અને ક્રમની તપાસ: શું પરિણામનું એકમ અને તીવ્રતા ભૌતિક રીતે વાજબી છે?
6. દસ્તાવેજ: પ્રયોગ નોટબુકમાં કોડ અને આઉટપુટ ઉમેરો (એકમ 8).

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) સ્ટોઇકોમેટ્રી અને ટકા ઉપજ:

પ્રતિક્રિયા: સેલિસિલિક એસિડ (MA 138.12) + એસિટિક એનહાઇડ્રાઇડ -> એસ્પિરિન (MA 180.16). ડેટા: 2.00 ગ્રામ સેલિસિલિક એસિડનો ઉપયોગ કરવામાં આવ્યો હતો, એસિટિક એનહાઇડ્રાઇડ વધુ પડતો હતો. એસ્પિરિન મેળવ્યું હતું: 2.15 ગ્રામ. કાર્ય: પાયથોન કોડ લખો કે જે ટકાવારી અને ટકાવારી ધરાવે છે. ચલ તરીકે પરમાણુ વજન, પરિણામને એકમોમાં છાપો. માથામાં ગણતરી કરશો નહીં; માત્ર એક્ઝેક્યુટેબલ કોડ આપો.

2) બીયર-લેમ્બર્ટ કેલિબ્રેશન:

કેલિબ્રેશન ડેટા (એકાગ્રતા/L -> શોષણ): 0.00->0.02, 0.02->0.21, 0.04->0.40, 0.06->0.62, 0.08->0.79. અજ્ઞાત નમૂના શોષણ: 0.50. કાર્ય: numpy.polyfit, સ્લોપ/ઇન્ટરસેપ્ટ સાથે રેખીય માપાંકન કરો અને R^2 ની ગણતરી કરો, અજાણી સાંદ્રતા શોધો. matplotlib સાથે ડેટા + ફીટ લાઇન પ્લોટ કરો.

3) પાંડા સાથે માપન ચાર્ટ:

મારી પાસે CSV છે: કૉલમ = નમૂના, weigh_g, વોલ્યુમ_mL, શોષણ. કાર્ય: પાંડા સાથે વાંચો, દરેક નમૂના માટે એકાગ્રતા (g/L) ની ગણતરી કરો, શોષણ < 0 સાથે પંક્તિઓને ખોટા તરીકે ચિહ્નિત કરો, જૂથોના સરેરાશ અને ધોરણ વિચલનને છાપવા માટે કોડ આપો. ટિપ્પણી રેખા સાથે એકમોનો ઉલ્લેખ કરો.

4) ડિલ્યુશન એકાઉન્ટ વેરિફિકેશન:

હું 0.5 M સ્ટોક સોલ્યુશનમાંથી 100 mL 0.05 M દ્રાવણ તૈયાર કરવા માંગુ છું. કાર્ય: Python લાઇન લખો જે M1V1=M2V2 સાથે જરૂરી સ્ટોક વોલ્યુમની ગણતરી કરે છે. પરિણામને mL માં છાપો અને ટિપ્પણી તરીકે ચકાસો કે તર્ક તપાસ માટે 10-ગણો મંદન અપેક્ષિત છે.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા:

2 ગ્રામ સેલિસિલિક એસિડમાંથી કેટલી એસ્પિરિન મળે છે?

એઆઈ માથામાંથી નંબર આપે છે; જો તે પરમાણુ વજનને ખોટી રીતે યાદ રાખે છે, તો પરિણામ વિકૃત થશે અને તેની ગણતરી કેવી રીતે કરવામાં આવી હતી તે દેખાશે નહીં.

મજબૂત:

સેલિસિલિક એસિડ MA=138.12, એસ્પિરિન MA=180.16, માસ=2.00 ગ્રામ, 100% ઉપજ ધારો. કાર્ય: પાયથોન કોડ લખો જે એસ્પિરિનના સૈદ્ધાંતિક સમૂહની ગણતરી કરે છે; દરેક પગલા પર ટિપ્પણી કરો (મોલ -> મોલ -> માસ), પરિણામ g માં છાપો.

તફાવત: આપેલ પરમાણુ વજન, વિનંતી કરેલ કોડ, ટિપ્પણી કરેલ પગલાં, એકમ ઉલ્લેખિત. પરિણામ સચોટ અને ઓડિટેબલ બંને છે.

મૌખિક આગાહી વગેરે. એક્ઝિક્યુટેડ કોડ

કદ

ભાષા મોડેલ મૌખિક આગાહી

પાયથોન રન

અંકગણિત ચોકસાઈ

ચલ, ભૂલ આવી શકે છે

નિશ્ચિત, નિશ્ચિત

ઓડિટેબિલિટી

કસુવાવડ (તે કેવી રીતે બહાર આવ્યું તે અસ્પષ્ટ છે)

ઉચ્ચ (કોડ દૃશ્યમાન)

પુનરાવર્તિતતા

નીચું

ઉચ્ચ

એકમ ટ્રેકિંગ

નબળા

કોડમાં ખુલ્લું રાખી શકાય છે

યોગ્ય ઉપયોગ

આઈડિયા, બિલ્ડિંગ સ્ટ્રક્ચર

અંતિમ સંખ્યાત્મક પરિણામ

નાના કેસો

કેસ 1 - મૌખિક અંકગણિત ભૂલ. એક વિદ્યાર્થી એઆઈને પૂછે છે "0.0145 mol × 180.16 g/mol?" તેણે પૂછ્યું; "2.72 ગ્રામ," એઆઈએ કહ્યું. વાસ્તવમાં તે 2.61 ગ્રામ છે. જ્યારે વિદ્યાર્થીએ "આને પાયથોનમાં બતાવો" કહ્યું, ત્યારે YZ એ 0.0145 * 180.16 લખ્યું અને તે 2,612 તરીકે બહાર આવ્યું; પ્રથમ મૌખિક પ્રતિભાવ ખોટો હતો. પાઠ: ખૂબ જ સરળ ગુણાકાર માટે પણ કોડ પસંદ કરો.

કેસ 2 — કેલિબ્રેશનમાં R² ચેક. એક વપરાશકર્તાએ બીયર-લેમ્બર્ટ કેલિબ્રેશન કરાવ્યું હતું; તે R² = 0.981 બહાર આવ્યું છે. AI એ "રેખીય, વિશ્વસનીય" કહ્યું પરંતુ સૌથી વધુ સાંદ્રતા પરનો બિંદુ રેખા (સંતૃપ્તિ) ની નીચે હતો. જ્યારે વપરાશકર્તાએ ગ્રાફ જોયો, ત્યારે તે રેખીય શ્રેણીની બહાર સૌથી વધુ બિંદુ ખસેડ્યું, R² વધીને 0.999 થયો. પાઠ: એકલા R² પૂરતું નથી; અવશેષો/પ્લોટ જુઓ.

કેસ 3 - એકમ મૂંઝવણ. એક વિશ્લેષણમાં તે અસ્પષ્ટ હતું કે સાંદ્રતા mg/L હતી કે g/L; AI એ g/L ધાર્યું અને પરિણામો 1000 વખત ખોટા હતા. જ્યારે વપરાશકર્તા સ્પષ્ટપણે કૉલમ એકમનો ઉલ્લેખ કરે ત્યારે તે નિશ્ચિત કરવામાં આવ્યું હતું. પાઠ: AI ખર્ચાળ છે એમ માનીને હંમેશા એકમને શોર્ટ ચેન્જ કરો.

સામાન્ય ભૂલો

• મૌખિક નંબર પર આધાર રાખવો. માનસિક અંકગણિત કરવાને બદલે હંમેશા કોડની વિનંતી કરો અને ચલાવો.
• એકમનો ઉલ્લેખ નથી. g/L સાથે mg/L, L સાથે mL, મિશ્રણ કરવાથી 1000-ગણી ભૂલ થાય છે.
• કોડનું પરીક્ષણ કરતું નથી. નાના ઉદાહરણ સાથે પરીક્ષણ કર્યા વિના મોટા ડેટા પર અરજી કરવી જ્યાં જવાબ જાણીતો છે.
• R² ને એકમાત્ર માપદંડ તરીકે ધ્યાનમાં લેવું. બિન-રેખીયતા બિંદુઓને ગ્રાફિકલી જોયા વિના વિશ્વાસ કરવો.
• ટેસ્ટર રીએજન્ટને છોડો. સ્ટોઇકોમેટ્રીમાં મર્યાદિત રીએજન્ટને નિર્ધારિત કર્યા વિના સૈદ્ધાંતિક ઉપજની ગણતરી.
• નોંધપાત્ર પગલું આઉટપૉરિંગ. જ્યારે માપ 3 નોંધપાત્ર અંકો હોય ત્યારે પરિણામની જાણ 8 અંકોમાં કરવી.

સાવધાન: એઆઈ લખે છે તે કોડ પણ ખામીયુક્ત હોઈ શકે છે (ખોટા કૉલમનું નામ, ખોટું સૂત્ર). કોડ ચલાવવાથી પરિણામ નિર્ણાયક બને છે, પરંતુ તમારે જાણીતા ઉદાહરણ સાથે પુષ્ટિ કરવી જોઈએ કે કોડ યોગ્ય વસ્તુની ગણતરી કરે છે.

સારાંશમાં

• સંખ્યાત્મક પરિણામોને એક્ઝિક્યુટેડ પાયથોન કોડ પર છોડી દો, ભાષાના મૌખિક અનુમાન પર નહીં.
• AI ઝડપથી રાસાયણિક ડેટા વિશ્લેષણમાં સ્ટોઇકોમેટ્રી, કેલિબ્રેશન, ડેટા ક્લિનિંગ અને વિઝ્યુલાઇઝેશન માટે કોડ લખે છે.
• હંમેશા એકમો મૂકો; એકમની મૂંઝવણ એ સૌથી ખર્ચાળ ભૂલ છે.
• કેલિબ્રેશનમાં R² ઉપરાંત અવશેષો અને ગ્રાફની તપાસ કરો.
• જાણીતા જવાબ સાથે એક સરળ ઉદાહરણ સાથે કોડનું પરીક્ષણ કરો; માનવ કોડની ચોકસાઈની ચકાસણી કરે છે.

એપ્લિકેશન કાર્ય

કેલિબ્રેશન અથવા સ્ટોઇકિયોમેટ્રી ડેટા સેટ રાખો (જો નહીં, તો ઉપરના બીયર-લેમ્બર્ટ ડેટાનો ઉપયોગ કરો). પાયથોન કોડ માટે AI ને પૂછો જે વિશ્લેષણ કરે છે (કોડ, પરિણામ નહીં). કોડ ચલાવો; પછી જાણીતા જવાબોના નાના નમૂના સાથે તેનું પરીક્ષણ કરો. એઆઈને મૌખિક રીતે સમાન ગણતરી માટે પૂછો અને બે પરિણામોની તુલના કરો: શું કોઈ તફાવત છે? કેલિબ્રેશનમાં R² અને શેષના પ્લોટનું અર્થઘટન કરો. દસ્તાવેજમાં કોડ, આઉટપુટ અને ટૂંકી ટિપ્પણી મૂકો.

ચેકલિસ્ટ

• [ ] મને કોડમાંથી સંખ્યાત્મક પરિણામો મળે છે, મૌખિક અનુમાનથી નહીં.
• [ ] હું દરેક ડેટા કૉલમનું એકમ સ્પષ્ટપણે સૂચવું છું.
• [ ] હું એક નાના નમૂના સાથે કોડનું પરીક્ષણ કરું છું જેનો જવાબ જાણીતો છે.
• [ ] હું કેલિબ્રેશનમાં R² ની બાજુમાં શેષ/ગ્રાફ વિશ્લેષણ કરું છું.
• [ ] હું સ્ટોઇકોમેટ્રીમાં મર્યાદિત રીએજન્ટ નક્કી કરું છું.
• [ ] હું યોગ્ય નોંધપાત્ર અંક સાથે પરિણામોની જાણ કરું છું.