Dobici:
- Sposobnost razlikovanja između slučajne i sustavne nesigurnosti i izvješćivanja o svakom rezultatu mjerenja s njegovom nesigurnošću do odgovarajuće značajne znamenke.
- Sposobnost izračuna širenja pogreške s ispravnim pravilom i neovisna unakrsna provjera formule izvedene umjetnom inteligencijom s Monte Carlom
- Sposobnost odlučivanja jesu li dva rezultata kompatibilna ili ne, uzimajući u obzir njihovu nesigurnost
Nijedno mjerenje u fizici nije savršeno. Kod mjerenja duljine ravnalom postoji nesigurnost od ±0,5 mm, a kod mjerenja vremena štopericom ±0,1 s. Ove nesigurnosti nisu greška, već priroda mjerenja—a zahtjev znanstvenog integriteta je da se o svakom rezultatu izvješćuje njegova nesigurnost. Reći "Otkrio sam da je gravitacijsko ubrzanje 9,7" je nepotpuno; Reći "Pronašao sam 9,7 ± 0,3 m/s²" govori vam koliko je rezultat pouzdan. U ovoj ćete jedinici naučiti kako koristiti umjetnu inteligenciju (AI) za izračun nesigurnosti i širenje pogreške (kako se nesigurnosti mjerenja prenose iz tih mjerenja u izračunati rezultat) i kako provjeriti te izračune.
Vrste neizvjesnosti i uloga umjetne inteligencije
Postoje dvije osnovne vrste neizvjesnosti. Slučajna nesigurnost je raspršenje rezultata u ponovljenim mjerenjima; Mnoga mjerenja se uzimaju i reduciraju za srednju vrijednost i standardnu devijaciju. Sustavna nesigurnost je greška koja uvijek odstupa u istom smjeru (poput pogrešno kalibrirane vage); Ne smanjuje se ponavljanjem, već se ispravlja pronalaskom uzroka. Umjetna inteligencija je korisna u objašnjavanju ovih koncepata, kodificiranju izračuna standardne devijacije i srednje vrijednosti, i — posebno — izvođenju složenih formula za širenje pogreške. Ali morate provjeriti svaku izvedenu formulu, jer umjetna inteligencija često miješa predznake djelomične derivacije ili strukturu kvadratnog korijena u formulama za širenje pogreške.
Status
račun
provjera
Ponovljeno mjerenje
Srednja vrijednost ± standardna pogreška
Ručna standardna devijacija / √N
Zbrajanje/oduzimanje (z = x ± y)
Neizvjesnosti se zbrajaju iz kvadrata
Kontrola veličine/jedinice
Množenje/dijeljenje (z = x·y)
Relativne nesigurnosti zbrajaju se iz kvadrata
Test s brojem uzorka
Opća funkcija
Propagacija parcijalnim derivacijama
Unakrsna provjera s Monte Carlom
Osnovna pravila širenja pogreške
Uz zbrajanje i oduzimanje, apsolutne nesigurnosti kombiniraju se zbrajanjem njihovih kvadrata: Ako je z = x + y, nesigurnost z postaje √(δx² + δy²). U množenju i dijeljenju, relativne (postotne) nesigurnosti zbrajaju se iz njihovih kvadrata: Ako je z = x·y, (δz/z) = √((δx/x)² + (δy/y)²). Za složenije funkcije, opće je pravilo da se koriste parcijalne derivacije: učinak svake varijable na rezultat mjeri se parcijalnom derivacijom u odnosu na tu varijablu. AI može izvesti ove formule, ali najsigurniji način za provjeru rezultata je Monte Carlo unakrsna provjera: nasumična raspodjela svakog ulaza na njegovu nesigurnost, izračunavanje tisućama puta i gledanje distribucije izlaza.
Savjet: Ako niste sigurni u točnost formule za širenje pogreške, dostavite je pomoću Monte Carla: nasumično generirajte ulaze s njihovom vlastitom nesigurnošću i izračunajte funkciju 10 000 puta; Standardna devijacija izlaza mora odgovarati nesigurnosti danoj formulom. Kombinacija ove dvije neovisne metode uvelike povećava vaše povjerenje u rezultat.
Korak po korak: iskrena analiza neizvjesnosti
1. Odredite nesigurnost svakog mjerenja. Razlučivost instrumenta, distribucija ponavljanja ili podaci proizvođača. Napiši odakle dolazi nesigurnost.
2. Razlikujte slučajno i sustavno. Razmotrite zasebno što će se smanjiti ponavljanjem, a što ne.
3. Izračunajte širenje s ispravnom formulom. Zbrajanje, množenje, opća funkcija — odaberite odgovarajuće pravilo. Neka AI to izvede, ali kontrolirajte ga.
4. Unakrsna provjera s Monte Carlom. Pružite rezultat neovisnom metodom, posebno za složene formule.
5. Izvješće s odgovarajućim značajnim znamenkama. Nesigurnost se obično zaokružuje na 1-2 značajne znamenke; rezultat je usklađen s posljednjom znamenkom nesigurnosti. Napišite "9,7 ± 0,4 m/s²", a ne "9,73418 ± 0,4".
tri mini kućišta
Slučaj 1 — Pogrešna formula za nanošenje. Student je pitao AI o širenju nesigurnosti za g = 4π²L/T². AI je zaboravio koeficijent 2 pri izvođenju doprinosa nesigurnosti T u odnosu na T (budući da je T² relativna nesigurnost trebala biti 2·δT/T). Kada je student unakrsno provjerio s Monte Carlom, otkrio je da AI formula procjenjuje nesigurnost za otprilike polovicu i ispravlja je.
Slučaj 2 — Sustavna pogreška prikrivena. Jedan je istraživač izvršio veliki broj mjerenja, učinio slučajnu nesigurnost vrlo malom i izvijestio o impresivnoj preciznosti od "±0,01 mm". Ali njegova je skala bila izvan kalibra za 0,2 mm - sustavna pogreška. Uzimajući u obzir ovu pogrešku, koja se nije smanjivala ponavljanjem, stvarna je nesigurnost bila puno veća. Lekcija: ponavljanje smanjuje slučajnu pogrešku, a ne sustavnu pogrešku.
Slučaj 3 — Monte Carlo spašen. Učitelj je uveo nesigurnost u proračun volumena (V = πr²h) i ručno pronašao rezultat. Kako bi bio siguran, tražio je AI Monte Carlo kod; Nasumično je generirao r i h s njihovim nesigurnostima i izračunao V 10 000 puta. Standardna devijacija distribucije slagala se s ručno utvrđenom vrijednošću — analiza je potvrđena.
Četiri predloška za kopiranje
1) Izvođenje širenja pogreške + provjera:
Za izraz z = [formula], izvedite širenje pogreške od nesigurnosti varijabli x i y do nesigurnosti z pomoću parcijalnih derivacija, KORAK PO KORAK. Prikaži svaku parcijalnu derivaciju. Zatim provjerite ovu formulu sa SympY.Fitting; Označite korak za koji niste sigurni.
2) Monte Carlo unakrsna provjera:
Napišite Python kod koji pronalazi nesigurnost sljedećeg izračuna koristeći Monte Carlo: z = [formula]. Ulazi: x = [vrijednost ± nesigurnost], y = [vrijednost ± nesigurnost]. Uzorkujte svaki ulaz 10 000 puta iz normalne distribucije, izračunajte z, ispišite srednju vrijednost i standardnu devijaciju izlaza. Usporedite to s rezultatom formule analitičke difuzije.
3) Statistika mjerenja:
Napišite kod koji izračunava srednju vrijednost, standardnu devijaciju i standardnu pogrešku srednje vrijednosti (std/√N) za sljedeće ponovljene podatke mjerenja ([vrijednosti]). Ispišite rezultat u formatu "vrijednost ± standardna pogreška (jedinice)" s odgovarajućom značajnom znamenkom. Podsjetite nas na razliku između slučajne i sustavne nesigurnosti.
4) Značajna znamenka / provjera izvješća:
Prepišite donje rezultate u obliku "vrijednost ± nesigurnost (jedinica)", zaokružujući nesigurnost na 1-2 značajne znamenke i poravnavajući rezultat s nesigurnošću. Ispravite lažnu preciznost. Rezultati: [ovdje]
Slab upit / Jak upit
Slab: "izračunajte nesigurnost za g."
Rezultat: Broj bez konteksta, čija formula nije provjerena i bez sustavne/slučajne razlike.
Jako: "Za g = 4π²L/T², izvedite nesigurnost g parcijalnim derivatima iz mjerenja L = 1,00 ± 0,01 m i T = 2,00 ± 0,02 s, zatim provjerite Monte Carlo. Zapišite rezultat u obliku 'g = ... ± ... m/s²' s odgovarajućom značajnom znamenkom."
Rezultat: Izvedena, neovisno verificirana, točno prijavljena nesigurnost.
Uobičajene greške
- Uopće ne izvještava o nesigurnosti. Mjerenje bez nesigurnosti je znanstvena polu-izjava.
- Ne provjeravam formulu za širenje. YZ često miješa koeficijente parcijalnih derivacija i strukturu kvadratnog korijena; Monte Carlo provjera je obavezna.
- Pokušaj smanjenja sustavne pogreške kroz ponavljanje. Višestruko mjerenje samo smanjuje slučajnu pogrešku; pogreška kalibracije ostaje.
- Stvaranje lažne sigurnosti. Pisanje mnogo značajnijih znamenki od neizvjesnosti zahtjev je za preciznošću koji ne postoji.
- Izravno prikupljanje neizvjesnosti. Neovisne nesigurnosti nisu linearne nego kvadratne (u kvadratni korijen).
Oprez: jesu li dva fizikalna rezultata "različita" može se odlučiti samo promatranjem njihove nesigurnosti. Vrijednosti od 9,7 do 9,81 su kompatibilne ako je nesigurnost ±0,3; ±0,02 je kontradiktorno. Ignoriranje neizvjesnosti i izricanje "moj rezultat odstupa od teorije" često je pogrešan zaključak. Obavezno provjerite izračun nesigurnosti koji daje AI prije donošenja odluke.
Ukratko
Nesigurnost je sastavni dio fizičkog mjerenja i svaki rezultat treba prijaviti sa svojom nesigurnošću. AI je od pomoći u kodiranju statistike nesigurnosti i izvođenju formula za širenje pogreške; ali te formule sadrže česte pogreške i treba ih unakrsno provjeriti neovisnom metodom kao što je Monte Carlo. Razlikovanje nasumične od sustavne nesigurnosti, izvještavanje do odgovarajuće značajne znamenke i usporedba rezultata s njihovom nesigurnošću temelj je poštenog znanstvenog istraživanja. U sljedećoj cjelini pomaknut ćemo fokus s numeričke analize na simboličko izvođenje modela.
Zadatak aplikacije
Odaberite izračun koji uključuje najmanje dvije izmjerene veličine (npr. V = πr²h ili g = 4π²L/T²). Dodijelite razumnu nesigurnost svakoj veličini. Neka AI izvede širenje pogreške s predloškom 1, zatim neka Monte Carlo unakrsna provjera s predloškom 2 i pokrene ga. Slažu li se rezultati dviju metoda? Prijavite rezultat s odgovarajućom značajnom znamenkom. Zapišite u 5-6 rečenica: postoji li pogreška ili nepodudaranje formule?
popis za provjeru
- [ ] Odredio sam nesigurnost i izvor svakog mjerenja.
- [ ] Razlikovao sam slučajnu i sustavnu nesigurnost.
- [ ] Izračunao sam širenje pogreške s točnim pravilom.
- [ ] Rezultat sam provjerio neovisno Monte Carlom ili ručno.
- [ ] Prijavio sam rezultat s odgovarajućom značajnom znamenkom, usklađenom s njegovom nesigurnošću.
- [ ] Uzeo sam u obzir nesigurnost pri usporedbi rezultata.