लाभ:
- भाषा मॉडल के मौखिक अनुमान के बजाय निष्पादित पायथन कोड पर संख्यात्मक परिणामों को आधार बनाने की क्षमता
- कृत्रिम बुद्धिमत्ता के लिए स्टोइकोमेट्री, अंशांकन और डेटा सफाई कोड लिखने और ज्ञात उत्तरों के साथ नमूनों के साथ इसका परीक्षण करने की क्षमता
- हमेशा इकाइयों को निर्दिष्ट करके और उनके क्रम की जाँच करके डेटा विश्लेषण त्रुटियों को रोकने की क्षमता
रसायन विज्ञान संख्याओं से भरा है: वजन, मात्रा, अवशोषण मूल्य, उपज, सांद्रता। इस डेटा को मैन्युअल रूप से संसाधित करना धीमा और त्रुटि-प्रवण है। एआई यहां दो प्रमुख सेवाएं प्रदान करता है: (1) पायथन कोड लिखता है जो डेटा को संसाधित करता है, (2) उस कोड को चलाता है (ऐसे वातावरण में जो कोड चला सकता है) और एक नियतात्मक परिणाम देता है। महत्वपूर्ण सिद्धांत यह है: गणना को निष्पादित कोड के आउटपुट पर छोड़ दें, न कि भाषा मॉडल की "मौखिक भविष्यवाणी" पर। भाषा मॉडल "142 × 0.05 क्या है?" कभी-कभी प्रश्न का उत्तर गलत हो सकता है; लेकिन वह जो पायथन लाइन लिखते हैं वह हमेशा सही गणना करती है। इस इकाई में, हम इस दर्शन के साथ एआई के साथ रासायनिक डेटा विश्लेषण सीखेंगे।
कोड मौखिक अनुमान लगाने से बेहतर क्यों है?
एक भाषा मॉडल "संभावित परिणाम की भविष्यवाणी" करके अंकगणित करता है; इसलिए यह बड़ी संख्याओं या बहु-चरणीय कलन के साथ गलत हो सकता है। जबकि पायथन में अभिव्यक्ति 142 * 0.05 नियतात्मक है: यह हमेशा 7.1 लौटाता है। तो रणनीति: एआई से गणना न कराएं, गणना का कोड प्रिंट करें और कोड चलाएं। तो आप एआई (कोड का निर्माण) की रचनात्मकता का उपयोग करें और अविश्वसनीय पक्ष (सिर अंकगणित) को अक्षम करें।
युक्ति: जब आपको एआई से संख्यात्मक परिणाम मिलता है, तो कहें "इसे पायथन की एक पंक्ति के साथ प्रस्तुत करें।" कोड स्वयं खाते को सत्यापित करता है और आपको इसे चलाने और इसकी पुष्टि करने की अनुमति देता है। यदि आपको कोई कोड नहीं दिखता है, तो नंबर पर भरोसा न करें।
रसायन विज्ञान में विशिष्ट डेटा विश्लेषण कार्य
- स्टोइकोमेट्री: मोल, द्रव्यमान, सीमित अभिकर्मक, सैद्धांतिक उपज, प्रतिशत उपज गणना।
- एकाग्रता: मोलरिटी, तनुकरण (M1V1 = M2V2), पीपीएम रूपांतरण।
- अंशांकन: बीयर-लैम्बर्ट नियम (अवशोषण ∝ एकाग्रता) के साथ एक अंशांकन रेखा खींचना और अज्ञात की गणना करना।
- डेटा सफ़ाई: पांडा के साथ माप तालिकाएँ पढ़ना, आउटलेर्स को फ़्लैग करना, माध्य/मानक विचलन।
- विज़ुअलाइज़ेशन: अंशांकन वक्र, गतिकी ग्राफ़, अनुमापन वक्र खींचना।
चरण दर चरण: एआई के साथ सुरक्षित डेटा विश्लेषण
- डेटा परिभाषित करें: स्पष्ट रूप से कॉलम, इकाइयाँ, नमूना पंक्तियाँ दें। यदि कोई इकाई नहीं है, तो AI अनुमान लगाता है।
- कोड मांगें, नतीजे नहीं: कहें "इसकी गणना करने वाले पांडा/न्यूमपी कोड लिखें"।
- कोड चलाएँ: इसे स्वयं चलाएँ या ऐसे वातावरण में चलाएँ जो कोड चला सके।
- सरल केस के साथ परीक्षण करें: एक छोटे उदाहरण के साथ कोड का परीक्षण करें जहां आपको उत्तर पता हो।
- इकाई और क्रम की जाँच: क्या परिणाम की इकाई और परिमाण भौतिक रूप से उचित है?
- दस्तावेज़: प्रयोग नोटबुक (इकाई 8) में कोड और आउटपुट जोड़ें।
चार प्रतिलिपि योग्य टेम्पलेट
1) स्टोइकोमेट्री और प्रतिशत उपज:
प्रतिक्रिया: सैलिसिलिक एसिड (एमए 138.12) + एसिटिक एनहाइड्राइड -> एस्पिरिन (एमए 180.16)। डेटा: 2.00 ग्राम सैलिसिलिक एसिड का उपयोग किया गया था, एसिटिक एनहाइड्राइड अधिक मात्रा में था। एस्पिरिन प्राप्त: 2.15 ग्राम। कार्य: पायथन कोड लिखें जो सैद्धांतिक उपज और प्रतिशत उपज की गणना करता है। आणविक भार को चर के रूप में परिभाषित करें, परिणाम को इकाइयों में प्रिंट करें। सिर में गणना न करें; बस निष्पादन योग्य कोड दें।
2) बीयर-लैंबर्ट अंशांकन:
अंशांकन डेटा (एकाग्रता मोल/एल ->अवशोषण): 0.00->0.02, 0.02->0.21, 0.04->0.40, 0.06->0.62, 0.08->0.79। अज्ञात नमूना अवशोषण: 0.50। कार्य: numpy.polyfit, ढलान/अवरोधन के साथ रैखिक अंशांकन करें और R^2 की गणना करें, अज्ञात एकाग्रता का पता लगाएं। matplotlib के साथ डेटा + फ़िट लाइन प्लॉट करें।
3) पांडा के साथ माप चार्ट:
मेरे पास एक सीएसवी है: कॉलम = नमूना, वज़न_जी, वॉल्यूम_एमएल, अवशोषण। कार्य: पांडा के साथ पढ़ें, प्रत्येक नमूने के लिए एकाग्रता (जी/एल) की गणना करें, अवशोषण <0 वाली पंक्तियों को गलत के रूप में चिह्नित करें, समूहों के माध्य और एसटीडी विचलन को प्रिंट करने के लिए कोड दें। एक टिप्पणी पंक्ति के साथ इकाइयों को निर्दिष्ट करें।
4) कमजोर खाता सत्यापन:
मैं 0.5 एम स्टॉक समाधान से 0.05 एम समाधान का 100 एमएल तैयार करना चाहता हूं। कार्य: पायथन लाइन लिखें जो M1V1=M2V2 के साथ आवश्यक स्टॉक वॉल्यूम की गणना करती है। परिणाम को एमएल में प्रिंट करें और एक टिप्पणी के रूप में सत्यापित करें कि तर्क जांच के लिए 10 गुना कमजोर पड़ने की उम्मीद है।
कमजोर संकेत/मजबूत संकेत
कमज़ोर:
2 ग्राम सैलिसिलिक एसिड से कितनी एस्पिरिन बनती है?
एआई सिर से एक नंबर देता है; यदि यह आणविक भार को गलत तरीके से याद रखता है, तो परिणाम विकृत हो जाएगा और इसकी गणना कैसे की गई यह दिखाई नहीं देगा।
मजबूत:
मान लीजिए सैलिसिलिक एसिड MA=138.12, एस्पिरिन MA=180.16, द्रव्यमान=2.00 ग्राम, उपज 100%। कार्य: पायथन कोड लिखें जो एस्पिरिन के सैद्धांतिक द्रव्यमान की गणना करता है; प्रत्येक चरण पर टिप्पणी करें (मोल -> मोल -> द्रव्यमान), परिणाम को जी में प्रिंट करें।
अंतर: आणविक भार दिया गया, कोड का अनुरोध किया गया, चरणों पर टिप्पणी की गई, इकाई निर्दिष्ट की गई। परिणाम सटीक और श्रव्य दोनों है.
मौखिक भविष्यवाणी आदि निष्पादित कोड
आकार
भाषा मॉडल मौखिक भविष्यवाणी
पायथन रन
अंकगणितीय सटीकता
परिवर्तनीय, त्रुटि हो सकती है
नियतिवादी, निश्चित
लेखापरीक्षा
गर्भपात (यह स्पष्ट नहीं है कि यह कैसे हुआ)
उच्च (कोड दृश्यमान)
पुनरावृत्ति
कम
उच्च
यूनिट ट्रैकिंग
कमजोर
कोड में खुला रखा जा सकता है
उचित उपयोग
विचार, भवन संरचना
अंतिम संख्यात्मक परिणाम
छोटे मामले
केस 1 - मौखिक अंकगणितीय त्रुटि। एक छात्र AI से पूछता है "0.0145 mol × 180.16 g/mol?" उसने पूछा; “2.72 ग्राम,” एआई ने कहा। असल में यह 2.61 ग्राम है. जब छात्र ने कहा "इसे पायथन में दिखाओ", YZ ने 0.0145 * 180.16 लिखा और यह 2,612 निकला; पहली मौखिक प्रतिक्रिया ग़लत थी. पाठ: बहुत सरल गुणन के लिए भी कोड को प्राथमिकता दें।
केस 2 - आर² अंशांकन में जाँच करें। एक उपयोगकर्ता ने बियर-लैम्बर्ट अंशांकन करवाया था; यह R² = 0.981 निकला। एआई ने कहा "रैखिक, विश्वसनीय" लेकिन उच्चतम एकाग्रता पर बिंदु रेखा (संतृप्ति) से नीचे था। जब उपयोगकर्ता ने ग्राफ़ देखा, तो यह उच्चतम बिंदु को रैखिक सीमा से बाहर ले गया, R² बढ़कर 0.999 हो गया। पाठ: R² अकेला पर्याप्त नहीं है; अवशेष/भूखंड देखें।
केस 3 - इकाई भ्रम। एक विश्लेषण में यह स्पष्ट नहीं था कि सांद्रता mg/L थी या g/L; एआई ने जी/एल मान लिया और परिणाम 1000 गुना गलत थे। इसे तब ठीक किया गया जब उपयोगकर्ता ने कॉलम इकाई को स्पष्ट रूप से निर्दिष्ट किया। सबक: यह मानते हुए कि एआई महंगा है, यूनिट को हमेशा छोटा रखें।
सामान्य गलतियां
- मौखिक संख्या पर भरोसा करना। मानसिक अंकगणित करने के बजाय हमेशा कोड का अनुरोध करें और चलाएं।
- इकाई निर्दिष्ट नहीं कर रहा हूँ. एमजी/एल को जी/एल के साथ, एमएल को एल के साथ मिलाने से 1000 गुना त्रुटि होती है।
- कोड का परीक्षण नहीं किया जा रहा है. एक छोटे उदाहरण के साथ परीक्षण किए बिना बड़े डेटा पर लागू करना जहां उत्तर ज्ञात है।
- R² को एकमात्र मानदंड मानना। ग्राफ़िक रूप से देखे बिना गैर-रैखिकता बिंदुओं पर भरोसा करना।
- परीक्षक अभिकर्मक छोड़ें. स्टोइकोमेट्री में सीमित अभिकर्मक का निर्धारण किए बिना सैद्धांतिक उपज की गणना करना।
- महत्वपूर्ण कदम। जब माप 3 महत्वपूर्ण अंक हो तो परिणाम को 8 अंकों में रिपोर्ट करना।
सावधानी: यहां तक कि एआई द्वारा लिखा गया कोड भी दोषपूर्ण हो सकता है (गलत कॉलम नाम, गलत फॉर्मूला)। कोड चलाने से परिणाम नियतात्मक हो जाता है, लेकिन आपको एक ज्ञात उदाहरण से पुष्टि करनी होगी कि कोड सही चीज़ की गणना करता है।
संक्षेप में
- संख्यात्मक परिणामों को निष्पादित पायथन कोड पर छोड़ दें, न कि भाषा मॉडल के मौखिक अनुमान पर।
- एआई रासायनिक डेटा विश्लेषण में स्टोइकोमेट्री, अंशांकन, डेटा सफाई और विज़ुअलाइज़ेशन के लिए तुरंत कोड लिखता है।
- हमेशा इकाइयाँ लगाएँ; यूनिट कन्फ्यूजन सबसे महंगी गलती है.
- अंशांकन में R² के अतिरिक्त अवशेषों और ग्राफ़ की जाँच करें।
- ज्ञात उत्तर के साथ एक सरल उदाहरण के साथ कोड का परीक्षण करें; मानव कोड की सटीकता की पुष्टि करता है।
आवेदन कार्य
एक अंशांकन या स्टोइकोमेट्री डेटा सेट रखें (यदि नहीं, तो ऊपर बीयर-लैंबर्ट डेटा का उपयोग करें)। एआई से पायथन कोड के लिए पूछें जो विश्लेषण करता है (कोड, परिणाम नहीं)। कोड चलाएँ; फिर ज्ञात उत्तरों के एक छोटे नमूने के साथ इसका परीक्षण करें। समान गणना के लिए एआई से मौखिक रूप से पूछें और दोनों परिणामों की तुलना करें: क्या कोई अंतर है? अंशांकन में R² और अवशिष्ट के आलेख की व्याख्या करें। किसी दस्तावेज़ में कोड, आउटपुट और संक्षिप्त टिप्पणी डालें।
चेकलिस्ट
- [ ] मुझे संख्यात्मक परिणाम कोड से मिलते हैं, मौखिक अनुमान से नहीं।
- [ ] मैं प्रत्येक डेटा कॉलम की इकाई को स्पष्ट रूप से इंगित करता हूं।
- [ ] मैं एक छोटे नमूने के साथ कोड का परीक्षण करता हूं जिसका उत्तर ज्ञात है।
- [ ] मैं अंशांकन में R² के बगल में अवशिष्ट/ग्राफ विश्लेषण करता हूं।
- [ ] मैं स्टोइकोमेट्री में सीमित अभिकर्मक निर्धारित करता हूं।
- [ ] मैं उचित महत्वपूर्ण अंक के साथ परिणामों की रिपोर्ट करता हूं।