Kémiai adatok elemzése és Python: pandák, sztöchiometria és kalibrálás

Nyereség:

• Képes a numerikus eredményeket a végrehajtott Python-kódra alapozni, nem pedig a nyelvi modell szóbeli kitalálására
• Lehetőség a sztöchiometriai, kalibrációs és adattisztító kód mesterséges intelligenciára írására és ismert válaszokkal rendelkező mintákkal történő tesztelésére
• Lehetőség az adatelemzési hibák megelőzésére az egységek mindenkori megadásával és azok sorrendjének ellenőrzésével

A kémia tele van számokkal: mérések, térfogatok, abszorbancia értékek, hozamok, koncentrációk. Az adatok manuális feldolgozása lassú és hibás. Az AI két fő szolgáltatást nyújt itt: (1) Python kódot ír, amely feldolgozza az adatokat, (2) lefuttatja ezt a kódot (olyan környezetben, amely képes futtatni a kódot), és determinisztikus eredményt ad. A kritikus elv a következő: a számítást a végrehajtott kód kimenetére bízzuk, ne a nyelvi modell "verbális előrejelzésére". Nyelvi modell "Mi a 142 × 0,05?" néha helytelenül válaszol a kérdésre; de az általa írt Python sor mindig helyesen számol. Ebben az egységben kémiai adatelemzést tanulunk meg ezzel a filozófiával a mesterséges intelligencia segítségével.

Miért jobb a kód, mint a verbális találgatás?

A nyelvi modell a „lehetséges kimenetel előrejelzésével” aritmetikát végez; így nagy számokkal vagy többlépcsős számítással tévedhet. Míg a Pythonban a 142 * 0,05 kifejezés determinisztikus: mindig 7,1-et ad vissza. Tehát stratégia: ne az AI-vel végezze el a számítást, nyomtassa ki a számítás KÓDJÁT, és futtassa a kódot. Tehát használja az AI kreativitását (a kód felépítése), és letiltja a megbízhatatlan oldalt (fej aritmetika).

Tipp: Ha numerikus eredményt kap egy mesterséges intelligenciától, mondja azt, hogy „represent this with a line of Python”. Maga a kód ellenőrzi a fiókot, és lehetővé teszi annak futtatását és megerősítését. Ha nem lát kódot, ne bízzon a számban.

Jellemző adatelemzési feladatok a kémiában

• Sztöchiometria: mól, tömeg, korlátozó reagens, elméleti hozam, százalékos hozamszámítás.
• Koncentráció: molaritás, hígítás (M1V1 = M2V2), ppm konverziók.
• Kalibrálás: Kalibrációs vonal rajzolása a Beer-Lambert törvény alapján (abszorbancia ∝ koncentráció) és az ismeretlen kiszámítása.
• Adattisztítás: mérési táblázatok leolvasása pandákkal, kiugró értékek, átlag/szórás.
• Vizualizáció: kalibrációs görbe rajza, kinetikai grafikon, titrálási görbe.

Lépésről lépésre: Biztonságos adatelemzés mesterséges intelligencia segítségével

1. Adatok meghatározása: Tisztán adja meg az oszlopokat, mértékegységeket, mintasorokat. Ha nincs egység, az AI feltételezéseket tesz.
2. Kérjen kódot, ne eredményeket: mondja azt, hogy "Írjon pandákat/NumPy kódot, amely ezt kiszámítja".
3. Futtassa a kódot: Futtassa saját maga vagy olyan környezetben, amely képes kódot futtatni.
4. Teszt egyszerű esettel: Tesztelje a kódot egy kis példával, ahol tudja a választ.
5. Mértékegység és sorrend ellenőrzése: Fizikailag ésszerű-e az eredmény mértékegysége és nagysága?
6. Dokumentum: Adja hozzá a kódot és a kimenetet a kísérleti jegyzetfüzethez (8. egység).

Négy másolható sablon

1) Sztöchiometria és százalékos hozam:

Reakció: szalicilsav (MA 138.12) + ecetsavanhidrid -> aszpirin (MA 180.16). Adatok: 2,00 g szalicilsavat használtunk fel, ecetsavanhidrid volt feleslegben. Kapott aszpirin: 2,15 g. Feladat: Írja be a Python kódot, amely kiszámolja a moláris tömegszázalékot, nyomtatható hozamot. az eredmény mértékegységben.Ne fejben számoljon; csak adj meg futtatható kódot.

2) Beer-Lambert kalibráció:

Kalibrációs adatok (koncentráció mol/L -> abszorbancia): 0,00->0,02, 0,02->0,21, 0,04->0,40, 0,06->0,62, 0,08->0,79. Ismeretlen minta abszorbancia: 0,50. Feladat: Végezzen lineáris kalibrálást a numpy.polyfit, meredekség/metszés és R^2 számítással, keresse meg az ismeretlen koncentrációt. Ábrázolja az adatokat + illesztési vonalat a matplotlib segítségével.

3) mérési táblázat pandákkal:

Van egy CSV-m: oszlopok = minta, tömeg_g, térfogat_mL, abszorbancia. Feladat: olvassa le pandákkal, számolja ki a koncentrációt (g/L) minden mintára, jelölje meg a < 0 abszorbancia sorokat hibásnak, adjon kódot a csoportok átlagának és std eltérésének kinyomtatásához. Adja meg az egységeket megjegyzéssorral.

4) Hígítási számla ellenőrzése:

0,5 M törzsoldatból 100 ml 0,05 M oldatot szeretnék készíteni. Feladat: Írja meg a szükséges készletmennyiséget kiszámító Python sort M1V1=M2V2-vel. Nyomtassa ki az eredményt ml-ben, és megjegyzésként ellenőrizze, hogy a logikai ellenőrzéshez 10-szeres hígítás várható.

Gyenge felszólítás / Erős felszólítás

Gyenge:

Mennyi aszpirin származik 2 gramm szalicilsavból?

Az AI a fejből ad egy számot; Ha helytelenül emlékszik a molekulasúlyokra, az eredmény torz lesz, és a számítás módja nem lesz látható.

Erős:

Tegyük fel, hogy szalicilsav MA=138,12, aszpirin MA=180,16, tömeg=2,00 g, hozam 100%.Feladat: Írjon Python kódot, amely kiszámítja az aszpirin elméleti tömegét; megjegyzéssel minden lépést (mol -> mol -> tömeg), nyomtassa ki az eredményt g-ben.

Különbség: adott molekulatömeg, kért kód, lépések megjegyzéssel, mértékegység megadva. Az eredmény pontos és ellenőrizhető.

Verbális előrejelzés stb. végrehajtott kód

Méret

Nyelvi modell verbális előrejelzés

Python futás

Aritmetikai pontosság

Változó, hiba léphet fel

Determinisztikus, biztos

Audithatóság

Vetélés (nem világos, hogyan jött ki)

Magas (a kód látható)

ismételhetőség

alacsony

magas

Egységkövetés

gyenge

Kódban nyitva tartható

Megfelelő használat

Ötlet, épületszerkezet

Végső számszerű eredmény

mini tokok

1. eset – Szóbeli aritmetikai hiba. Egy diák megkérdezi az AI-t: „0,0145 mol × 180,16 g/mol?” kérdezte; "2,72 g" - mondta az AI. Valójában 2,61 g. Amikor a tanuló azt mondta, hogy „mutassa ezt Pythonban”, YZ 0,0145 * 180,16-ot írt, és ez 2612 lett; Az első szóbeli válasz helytelen volt. Tanulság: részesítsd előnyben a kódot még nagyon egyszerű szorzásnál is.

2. eset – R²-ellenőrzés a kalibrációban. Egy felhasználó Beer-Lambert kalibrációt végzett; Kiderült, hogy R² = 0,981. Az AI azt mondta, hogy "lineáris, megbízható", de a legmagasabb koncentráció pontja a vonal alatt volt (telítettség). Amikor a felhasználó meglátta a grafikont, az kimozdította a lineáris tartomány legmagasabb pontját, az R² 0,999-re nőtt. Tanulság: Az R² önmagában nem elég; lásd maradványok/telek.

3. eset – Egységzavar. Az egyik elemzésben nem volt világos, hogy a koncentráció mg/l vagy g/l volt; Az AI g/l-t feltételezett, és az eredmények 1000-szeres hibásak voltak. Javításra került, amikor a felhasználó kifejezetten megadta az oszlop egységét. Tanulság: mindig cserélje le az egységet, feltételezve, hogy az AI drága.

Gyakori hibák

• A verbális számra támaszkodva. Mindig kérjen és futtasson kódot, ahelyett, hogy fejben számolna.
• Nem adja meg az egységet. Ha mg/l-t g/l-rel, ml-t L-rel keverünk, 1000-szeres hibát okozunk.
• Nem teszteli a kódot. Alkalmazás nagy adatokra tesztelés nélkül egy kis példával, ahol a válasz ismert.
• Az R²-t tekintve egyedüli kritériumnak. Bízunk a nemlinearitási pontokban anélkül, hogy grafikusan látnánk őket.
• Hagyja ki a teszter reagenst. Az elméleti hozam kiszámítása a korlátozó reagens sztöchiometriai meghatározása nélkül.
• Jelentős lépés kiáradás. Az eredmény 8 számjegyű jelentése, ha a mérés 3 számjegyű.

Figyelem: Még az AI által írt kód is hibás lehet (rossz oszlopnév, rossz képlet). A kód futtatása determinisztikussá teszi az eredményt, de egy ismert példával meg kell erősítenie, hogy a kód helyesen számítja ki.

Összefoglalva

• Hagyja a numerikus eredményeket a végrehajtott Python-kódra, ne a nyelvi modell verbális tippjére.
• A mesterséges intelligencia gyorsan kódot ír a sztöchiometriához, a kalibrációhoz, az adatok tisztításához és a kémiai adatelemzésben történő megjelenítéshez.
• Mindig tegye fel az egységeket; Az egységzavar a legdrágább hiba.
• Vizsgálja meg a maradékokat és a grafikont az R² mellett a kalibrációban.
• Tesztelje a kódot egy egyszerű példával, ismert válasz mellett; Az ember ellenőrzi a kód pontosságát.

Pályázati feladat

Rendelkezzen kalibrációs vagy sztöchiometriai adatkészlettel (ha nem, használja a fenti Beer-Lambert adatokat). Kérje meg az AI-tól az elemzést végző Python-kódot (a kódot, nem az eredményt). Futtassa a kódot; majd tesztelje az ismert válaszok egy kis mintájával. Kérdezze meg szóban az AI-t ugyanazért a számításért, és hasonlítsa össze a két eredményt: van különbség? Értelmezze az R² és a maradék kalibrálási görbéjét. Helyezze a kódot, a kimenetet és a rövid megjegyzést egy dokumentumba.

ellenőrző lista

• [ ] A számszerű eredményeket a kódból kapom, nem a szóbeli találgatásból.
• [ ] Az egyes adatoszlopok mértékegységét egyértelműen feltüntetem.
• [ ] A kódot egy kis mintával tesztelem, amelynek a válasza ismert.
• [ ] A kalibrálásnál R² mellett maradék/grafikon elemzést végzek.
• [ ] A korlátozó reagenst sztöchiometriában határozom meg.
• [ ] Az eredményeket a megfelelő jelentős számjeggyel közlöm.