Nyereség:
- Képes különbséget tenni a véletlen és a szisztematikus bizonytalanság között, és minden mérési eredményt a bizonytalanságával együtt a megfelelő számjegyig jelenteni.
- Képes a hibaterjedés kiszámítására a megfelelő szabállyal és a mesterséges intelligencia által levezetett képlet önálló keresztellenőrzésére Monte Carlo-val
- Képes eldönteni, hogy két eredmény kompatibilis-e vagy sem, figyelembe véve azok bizonytalanságát
A fizikában egyetlen mérés sem tökéletes. A hossz vonalzóval történő mérésénél ±0,5 mm, stopperórás időmérésnél ±0,1 s bizonytalanság adódik. Ezek a bizonytalanságok nem hiba, hanem a mérés természete – és a tudományos integritás követelménye, hogy minden eredményt a bizonytalanságával együtt jelentsünk. Nem teljes az a mondás, hogy "9,7-esnek találtam a gravitációs gyorsulást"; Ha azt mondja, hogy "9,7 ± 0,3 m/s²-t találtam" - jelzi, mennyire megbízható az eredmény. Ebben az egységben megtudhatja, hogyan használhatja a mesterséges intelligenciát (AI) a bizonytalanság kiszámításához és a hibaterjedéshez (hogyan kerülnek át a mérési bizonytalanságok ezekből a mérésekből a számított eredményig), és hogyan ellenőrizheti ezeket a számításokat.
A bizonytalanság típusai és a mesterséges intelligencia szerepe
A bizonytalanságnak két alapvető típusa van. A véletlenszerű bizonytalanság az ismételt mérések eredményeinek szóródása; Sok mérést végeznek és csökkentik az átlaggal és a szórással. A szisztematikus bizonytalanság olyan hiba, amely mindig ugyanabba az irányba tér el (például egy rosszul kalibrált mérleg); Nem csökken az ismétléssel, hanem az ok megtalálásával korrigálódik. A mesterséges intelligencia segít ezeknek a fogalmaknak a magyarázatában, a szórás és az átlag számításának kódolásában, és – különösen – az összetett hibaterjedési képletek levezetésében. De minden származtatott képletet ellenőriznie kell, mert az AI gyakran keveri a részleges derivált előjeleket vagy a négyzetgyök szerkezetet a hibaterjedési képletekben.
Állapot
fiókot
ellenőrzése
Ismételt mérés
Átlag ± standard hiba
Kézi szórás / √N
Összeadás/kivonás (z = x ± y)
A bizonytalanságokat a négyzetből összegezzük
Méret/egység vezérlés
Szorzás/osztás (z = x·y)
A relatív bizonytalanságokat a négyzetből összegezzük
Teszt mintaszámmal
Általános funkció
Szaporítás parciális deriváltokkal
Keresztellenőrzés Monte Carlóval
A hibaterjedés alapszabályai
Az összeadás és kivonás mellett az abszolút bizonytalanságokat négyzeteik összeadásával kombináljuk: Ha z = x + y, akkor z bizonytalansága √(δx² + δy²) lesz. Szorzásnál és osztásnál a relatív (százalékos) bizonytalanságokat a négyzetükből összegezzük: Ha z = x·y, (δz/z) = √((δx/x)² + (δy/y)²). Bonyolultabb függvényeknél az általános szabály a parciális deriváltak használata: az egyes változók eredményre gyakorolt hatását az adott változóhoz viszonyított parciális derivált méri. A mesterséges intelligencia le tudja vezetni ezeket a képleteket, de az eredmény ellenőrzésének legbiztonságosabb módja egy Monte Carlo-i keresztellenőrzés: minden bemenetet véletlenszerűen elosztunk a bizonytalanságuk szerint, több ezerszer kiszámoljuk, és megnézzük a kimenet eloszlását.
Tipp: Ha nem biztos a hibaterjedési képlet pontosságában, adja meg Monte Carlóval: véletlenszerűen generálja a bemeneteket saját bizonytalanságukkal, és számítsa ki a függvényt 10 000-szeresen; A kimenet szórásának meg kell egyeznie a képlet által megadott bizonytalansággal. E két független módszer kombinációja nagyban növeli az eredménybe vetett bizalmat.
Lépésről lépésre: őszinte bizonytalanságelemzés
1. Határozza meg az egyes mérések bizonytalanságát! A műszer felbontása, az ismétlések elosztása vagy a gyártó adatai. Írd le, honnan ered a bizonytalanság!
2. Tegyen különbséget véletlenszerű és szisztematikus között. Külön fontolja meg, hogy mi fog csökkenni az ismétléssel és mi nem.
3. Számítsa ki a szórást a megfelelő képlettel! Összeadás, szorzás, általános függvény — válassza ki a megfelelő szabályt. Az AI származtassa, de irányítsa.
4. Ellenőrzés Monte Carlóval. Adja meg az eredményt független módszerrel, különösen összetett képleteknél.
5. Jelentés megfelelő számjegyekkel. A bizonytalanságot általában 1-2 jelentős számjegyre kerekítik; az eredmény igazodik a bizonytalanság utolsó számjegyéhez. Ezt írja be: „9,7 ± 0,4 m/s²”, ne „9,73418 ± 0,4”.
három mini tok
1. eset – Rossz szórási képlet. Egy diák megkérdezte az AI-t a bizonytalanság terjedéséről g = 4π²L/T² esetén. Az AI elfelejtette a 2-es együtthatót, amikor T-hez viszonyított T bizonytalanságának hozzájárulását származtatta (mivel T² a relatív bizonytalanságnak 2·δT/T-nek kellett volna lennie). Amikor a diák keresztellenőrzést végzett Monte Carlóval, azt találta, hogy az AI-képlet körülbelül a felére becsülte a bizonytalanságot, és korrigálta azt.
2. eset – Elrejtett szisztematikus hiba. Egy kutató nagyszámú mérést végzett, nagyon kicsivé tette a véletlenszerű bizonytalanságot, és lenyűgöző „±0,01 mm-es” pontosságról számolt be. A skálája azonban 0,2 mm-rel eltért a kalibrációtól – ez szisztematikus hiba. Figyelembe véve ezt a hibát, amely nem csökkent az ismétléssel, a valódi bizonytalanság sokkal nagyobb volt. Tanulság: az ismétlés csökkenti a véletlenszerű hibákat, nem a szisztematikus hibákat.
3. eset – Monte Carlo mentve. Egy tanár bizonytalanságot vezetett be egy térfogatszámításba (V = πr²h), és kézzel talált eredményt. Az biztos, hogy Monte Carlo kódot kért az AI-tól; Véletlenszerűen generálta r-t és h-t a bizonytalanságukkal együtt, és kiszámította a V-t 10 000-szeresen. Az eloszlás szórása megegyezett a kézzel talált értékkel – az elemzést validáltuk.
Négy másolható sablon
1) Hibaterjedés származtatás + ellenőrzés:
A z = [képlet] kifejezéshez az x és y változók bizonytalanságából a z bizonytalanságáig terjedő hibaterjedést parciális deriváltokkal, LÉPÉSRE LÉPÉSRE. Mutasson minden parciális deriváltot. Ezután ellenőrizze ezt a képletet a SympY.Fitting segítségével; Jelölje be azt a lépést, amelyben nem vagy biztos.
2) Monte Carlo keresztellenőrzés:
Írjon egy Python kódot, amely megtalálja a Monte Carlo segítségével végzett következő számítás bizonytalanságát: z = [képlet]. Bemenetek: x = [érték ± bizonytalanság], y = [érték ± bizonytalanság]. Minden bemenetről 10 000-szer mintát kell venni normál eloszlásból, kiszámítani a z-t, kinyomtatni a kimenet átlagát és szórását. Hasonlítsa össze ezt az analitikus diffúziós képlet eredményével.
3) Mérési statisztikák:
Írjon kódot, amely kiszámítja az átlagot, a szórást és az átlag hibáját (std/√N) a következő ismételt mérési adatokhoz ([értékek]). Nyomtassa ki az eredményt "érték ± standard hiba (egységek)" formátumban a megfelelő számjeggyel. Emlékeztessen minket a véletlenszerű és a szisztematikus bizonytalanság közötti különbségtételre.
4) Jelentős számjegy/jelentés ellenőrzése:
Írja át az alábbi eredményeket "érték ± bizonytalanság (egység)" alakban, kerekítse a bizonytalanságot 1-2 szignifikáns számjegyre, és igazítsa az eredményt a bizonytalansághoz. Javítsa ki a hamis pontosságot. Eredmények: [itt]
Gyenge felszólítás / Erős felszólítás
Gyenge: "számítsa ki g bizonytalanságát."
Eredmény: Kontextus nélküli szám, amelynek képlete nincs ellenőrizve, és szisztematikus/véletlenszerű megkülönböztetés nélkül.
Erős: "g = 4π²L/T² esetén adja le g bizonytalanságát L = 1,00 ± 0,01 m és T = 2,00 ± 0,02 s mérésekből származó parciális deriváltokkal, majd ellenőrizze Monte Carlóval. Írja az eredményt 'g = ...² számjegy alakban, a megfelelő m/s értékkel."
Eredmény: származtatott, függetlenül ellenőrzött, helyesen jelentett bizonytalanság.
Gyakori hibák
- Egyáltalán nem jelenti a bizonytalanságot. A bizonytalanság nélküli mérés tudományos félállítás.
- Nem ellenőrzi a terjedési képletet. YZ gyakran keveri a parciális derivált együtthatókat és a négyzetgyök szerkezetet; Monte Carlo keresztellenőrzése kötelező.
- Megpróbálja csökkenteni a szisztematikus hibákat az ismétléssel. A többszörös mérés csak a véletlenszerű hibákat csökkenti; kalibrálási hiba marad.
- Hamis bizonyosság megteremtése. A bizonytalanságnál sokkal jelentősebb számjegyek írása a pontosság igénye, amely nem létezik.
- A bizonytalanságok közvetlen gyűjtése. A független bizonytalanságok nem lineárisak, hanem négyzetesek (a négyzetgyökbe).
Vigyázat: Azt, hogy két fizikai eredmény "különböző-e", csak a bizonytalanságuk alapján lehet eldönteni. A 9,7 és 9,81 közötti értékek kompatibilisek, ha a bizonytalanság ±0,3; ±0,02 ellentmondásos. Ha figyelmen kívül hagyjuk a bizonytalanságot, és azt mondjuk, hogy „eredményem eltér az elmélettől” – gyakran téves következtetés. Mielőtt döntést hozna, ellenőrizze az AI által megadott bizonytalansági számítást.
Összefoglalva
A bizonytalanság a fizikai mérés szerves része, és minden eredményt a bizonytalanságával együtt kell jelenteni. A mesterséges intelligencia segít a bizonytalansági statisztikák kódolásában és a hibaterjedési képletek származtatásában; de ezek a képletek gyakori hibákat tartalmaznak, és egy független módszerrel, például Monte Carlo-val kell összevetni őket. A véletlenszerűség megkülönböztetése a szisztematikus bizonytalanságtól, a megfelelő szignifikáns számjegyre történő jelentés, és az eredmények összehasonlítása a bizonytalanságukkal az őszinte tudományos tanulmányozás alapja. A következő részben a numerikus elemzésről a szimbolikus modelllevezetésre helyezzük át a hangsúlyt.
Pályázati feladat
Válasszon olyan számítást, amely legalább két mért mennyiséget tartalmaz (pl. V = πr²h vagy g = 4π²L/T²). Minden mérethez rendeljen egy ésszerű bizonytalanságot. A mesterséges intelligencia származtassa a hibaterjedést az 1. sablonnal, majd a Monte Carlo-t ellenőrizze a 2. sablonnal, és futtassa azt. A két módszer eredménye megegyezik? Jelentse az eredményt a megfelelő számjeggyel. Írd le 5-6 mondatban: van-e képlethiba vagy eltérés?
ellenőrző lista
- [ ] Meghatároztam az egyes mérések bizonytalanságát és forrását.
- [ ] Megkülönböztettem a véletlenszerű és a szisztematikus bizonytalanságot.
- [ ] A hibaterjedést a helyes szabállyal számoltam ki.
- [ ] Az eredményt függetlenül, Monte Carlóval vagy kézzel kereszteztem.
- [ ] Az eredményt a megfelelő szignifikáns számjeggyel közöltem, annak bizonytalanságához igazítva.
- [ ] Az eredmények összehasonlításakor figyelembe vettem a bizonytalanságot.