ניתוח נתונים ניסיוני והתאמת עקומה

רווחים:

• יכולת להתאים נתונים ניסויים ל-curve_fit על ידי בחירת המודל מהפיסיקה ודיווח על הפרמטרים עם אי הוודאות שלהם
• יכולת להעריך בכנות את איכות ההתאמה על ידי בחינת שאריות ולהימנע מהתאמה יתר
• יכולת לבדוק את הסבירות הפיזית של הפרמטרים שנמצאו ולהבחין בין התאמה 'נראית טוב' להתאמה 'נכונה פיזית'

הפיזיקה תלויה בסופו של דבר בניסויים. לא משנה עד כמה תיאוריה אלגנטית, אם היא לא מסכימה עם נתונים מדודים, היא לא חוקית. התאמת עקומה נמצאת בלב העבודה עם נתונים ניסיוניים: התאמת מודל חזוי על ידי תיאוריה (קו, מעריכי, תנודה) לנקודות המדידה הרועשות שיש לך בצורה הטובה ביותר ומציאת הפרמטרים של המודל (שיפוע, קבוע, תדירות). ביחידה זו תלמדו כיצד להשתמש בבינה מלאכותית (AI) בניתוח נתוני ניסוי, כיצד להגדיר התאמה נכונה של עקומה, ובעיקר - כיצד להבחין בין התאמה "נראית טוב" ל"להיות נכונה פיזית". הכלי הסטנדרטי הוא scipy.optimize.curve_fit (פונקציית SciPy שמתאימה פונקציית מודל לנתונים).

ההיגיון של התאמת עקומה ותפקיד הבינה המלאכותית

התאמת עקומה עושה זאת: אתה בוחר פונקציית מודל (למשל y = a·x + b), והאלגוריתם מוצא את הערכים של a ו-b שמתאימים לנתונים עם השגיאה הקטנה ביותר. בינה מלאכותית מהירה בקידוד פונקציית המודל הנכונה, הגדרת הקריאה curve_fit והצגה חזותית של התוצאה. אבל שתי החלטות קריטיות הן שלך: (1) איזה מודל נכון פיזית? (2) האם איכות ההתאמה באמת טובה? ה-AI יכול גם להתאים פולינום מסדר 10 לנתונים ולצייר עקומה שנראית כמעט מושלמת - אבל זה יהיה התאמה פיזית חסרת משמעות.

אירוע פיזי

דגם צפוי

נמצא פרמטר

תנועה במהירות קבועה

y = a·x + b

שיפוע = מהירות

ריקבון רדיואקטיבי

N = N₀·e^(−λt)

λ = קבוע דעיכה

שחרור קפיץ

x = A·cos(ωt + φ)

ω = תדר זוויתי

חוק אוהם

V = R·I

R = התנגדות (שיפוע)

נפילה חופשית

y = ½·g·t²

g = תאוצת כבידה

צעד אחר צעד: התאמת עקומה כנה

1. בחרו את המודל מהפיסיקה, לא מהנתונים. תחילה קבע לאיזה חוק פיזיקלי האירוע חייב לציית. בחירת מודל על ידי התבוננות בנתונים ובחירה ב"איזה מהם מתאים היטב" מנסה להפוך את הפיזיקה להתאים לנתונים - מסוכן.

2. הזן נתונים ואי ודאות. יחד עם נקודות המדידה, הזינו גם את שגיאת המדידה (פרמטר סיגמא) של כל נקודה, אם בכלל. זה הכרחי לחישוב מדויק של התאמה ואי ודאות פרמטרים.

3. קרא את הפרמטרים ואי הוודאות שלהם. curve_fit מחזירה את שני ערכי הפרמטרים ואת אי הוודאות שלהם הנגזרת ממטריצת השונות. דיווח על פרמטר ללא אי הוודאות שלו אינו שלם: אמירת "g = 9.7 ± 0.3 m/s²" היא הרבה יותר אינפורמטיבית מאשר רק אמירת "9.7".

4. הערך את ההתאמה עם שאריות. השארית היא הסטייה של כל נקודת מדידה מהמודל. חלוקה אקראית של שאריות היא סימן להתאמה טובה; עקומה שיטתית (למשל הכל במקום אחד מעל המודל) מצביעה על כך שהמודל שגוי.

5. בדקו סבירות פיזית. האם ערך g נמצא בסדר גודל של 9.8 או 50? האם הנגד עבר שלילי? פרמטרים בלתי אפשריים מבחינה פיזית מצביעים על בעיה, גם אם ההתאמה "נראית טוב".

טיפ: אל תשפוט את איכות ההתאמה על ידי הסתמכות על הראייה בלבד. שרטו תמיד את השאריות על גרף נפרד. בהתאמה טובה, השאריות מתפזרות כמו רעש סביב האפס; עם התאמה גרועה, מופיעה דפוס גלוי (גל, שיפוע, צורת U). דפוס זה הוא הסימן הכי כנה לכך שהדגם שלך לוקה בחסר פיזי.

שלושה מיני תיקים

מקרה 1 - מלכודת התאמת יתר. תלמיד אחד התאים פולינום מדרגה 7 המוצעת על ידי AI ל-8 נקודות נתונים; העקומה עברה דרך כל הנקודות ונראתה "מושלמת". אבל בין שתי הנקודות העקומה התנדנדה בצורה אבסורדית. התלמיד פנה לפיזיקה: זה היה קשר ליניארי. כאשר התאים קו פשוט, הפרמטרים קיבלו משמעות פיזית; הפולינום מסדר גבוה שינן את הרעש זה עתה.

מקרה 2 - אי הוודאות נשכחה. חוקר מצא ודיווח על תאוצת הכבידה g = 9.73 עם הקוד שנכתב על ידי YZ. היועץ שלו שאל על חוסר הוודאות. החוקר לא השתמש בתפוקת ה-covariance של curve_fit; בחישוב, אי הוודאות התבררה כ-±0.4, כלומר התוצאה תואמת את הערך הסטנדרטי של 9.81. ללא אי בהירות, התוצאה עלולה להתפרש כ"חורגת מ-9.81".

מקרה 3 - שאריות הראו את השגיאה. מורה התאים קו ישר לניסוי קירור וזה נראה סביר. אבל כשהוא תכנן את הגרוטאות, הופיע דפוס מעוקל מובהק. מה שקרה בפועל היה התקררות אקספוננציאלית. כאשר הוא השתמש במודל הנכון (מעריכי), השאריות הפכו אקראיות וההתאמה הפכה למשמעותית פיזית.

ארבע תבניות הניתנות להעתקה

1) התאמה לדגם פיזי:

כתוב קוד curve_fit שמתאים למודל הפיזי = [פונקציית מודל] לנתוני הניסוי הבאים ([ערכי x ו-y, ביחידות]). הדפס את הפרמטרים ואי הוודאות של 1-sigma הנגזרות מה-covariance. שרטו את הנתונים, את העקומה המותאמת והשאריות על גרף נפרד. עשיתי את בחירת המודל מהפיסיקה; אתה פשוט מיישם את זה.

2) הערכת איכות התאמה:

הוסף קוד שמעריך את איכות ההתאמה למטה: שרטט את השאריות, חשב מידה כגון chi-square או R², והגיב בכתב אם יש דפוס שיטתי בשאריות. קוד התאמה: [כאן]

3) השוואת מודלים:

כתוב קוד שמתאים ומשווה שני מודלים פיזיים שונים לאותם נתונים: [דגם A] ו-[מודל B]. הצג את הפרמטרים, אי הוודאות והדפוסים הנותרים של שניהם. זה תלוי בי להחליט איזה מהם מתאים יותר מבחינה פיזית; פשוט הצג את השניים זה לצד זה. זכור להימנע מהתאמה יתר.

4) דיווח על אי ודאות:

הוסף קוד שמדפיס כל פרמטר של ההתאמה הבאה עם המספר המתאים של ספרות משמעותיות בפורמט "ערך ± אי ודאות (יחידה)". התאם אם פרמטר מקבל ערך בלתי אפשרי מבחינה פיזית (למשל מסה שלילית). קוד: [כאן]

הנחיה חלשה / הנחיה חזקה

חלש: "מצא את העקומה המתאימה ביותר לנתונים האלה."

מסקנה: AI יכול לתת התאמה "מושלמת" אך חסרת משמעות פיזית לפולינום מסדר גבוה; אי ודאות ולא יותר.

Strong: "כתוב קוד curve_fit שמתאים למודל ההתפרקות הרדיואקטיבי N = N₀·e^(−λt) לנתונים האלה (t, N). הדפס את λ ו-N₀ ואי הוודאות שלהם. שרטטו את השאריות בגרף נפרד והעיר אם יש תבנית שיטתית. הזהר אם λ שלילי."

תוצאה: מודל פיזי, פרמטרים לא ודאיים, בדיקת שאריות ובדיקת סבירות.

טעויות נפוצות

• בחירת הדגם מתוך הנתונים. בחירת "ההתאמה הטובה ביותר" במקום החוק הפיזיקלי מאלצת את הפיזיקה להתאים את הנתונים ומובילה להתאמת יתר.
• לא מדווח על אי ודאות. ערך פרמטר ללא אי ודאות אינו שלם מבחינה מדעית; אם שתי תוצאות תואמות או לא ניתן להבין רק באמצעות אי ודאות.
• לא לגרד את השאריות. הכרזת הציות "טובה" על ידי הסתכלות בעין מסתירה סטיות שיטתיות.
• הערכת יתר של הספרה המשמעותית. כתיבת g = 9.73418 ± 0.4 היא דיוק שגוי; חוסר הוודאות קובע כמה ספרות משמעותיות.
• עקיפת הסבירות הפיזית. התעלמות מהשלכות בלתי אפשריות כמו התנגדות שלילית או כוח משיכה של 50 מ"ר.

שימו לב: רק בגלל שעקומה מתאימה לנתונים לא מוכיחה שהפיסיקה הבסיסית נכונה. עם מספיק פרמטרים פנויים, עקומה "טובה" יכולה להתאים לכל נתונים. יושרה מדעית מחייבת לבחור את המודל מהפיסיקה, לדווח על אי ודאות ולבחון את השאריות בכנות. גרפיקה נחמדה שנוצרת בינה מלאכותית אינה תחליף לפקדים הללו.

לסיכום

בניתוח נתוני ניסוי, בינה מלאכותית מבססת במהירות קוד התאמת עקומה והדמיה; אך באחריותו של הפיזיקאי לבחור את המודל הפיזי, לדווח במדויק על אי ודאות ולהעריך ביושר את איכות ההתאמה. ניתוח טוב לוקח את המודל מהפיסיקה, מדווח על הפרמטרים עם אי הוודאות שלהם, בוחן את השאריות ובודק את הסבירות הפיזיקלית של התוצאה. ביחידה הבאה, נדון במושג זה של אי ודאות ביתר עומק - טעות מדידה והפצת שגיאות.

משימת יישום

התאם מודל פיזי לקבוצה קטנה של נתונים ניסיוניים שיש לך או שיצרת (לדוגמה, מדידות אורך תקופתיות של מטוטלת או נתוני מתח זרם של נגד). הדפס את הקוד עם התבנית הראשונה ל-AI, הפעל אותו; קראו את הפרמטרים עם אי הוודאות שלהם ותארו את השאריות. בדקו אם יש דפוס שיטתי בשאריות, האם הפרמטרים סבירים מבחינה פיזית. רשום ב-5-6 משפטים: האם ההתאמה הייתה טובה באמת, מה אמרה חוסר הוודאות?

רשימת בדיקה

• [ ] בחרתי את המודל מהפיסיקה, לא מהנתונים.
• [ ] כללתי אי ודאות מדידה, אם בכלל, בהתאמה.
• [ ] דיווחתי על הפרמטרים עם אי הוודאות שלהם והספרה המשמעותית המתאימה.
• [ ] שרטטתי את השאריות על גרף נפרד וחיפשתי תבניות שיטתיות.
• [ ] בדקתי שהפרמטרים סבירים מבחינה פיזית.
• [ ] נמנעתי מהתאמה יתר (חופש גבוה שלא לצורך).