利益:
- 物理学からモデルを選択することで実験データをcurve_fitに適合させ、パラメータとその不確実性をレポートする機能
- 残差を調べることで適合の品質を正直に評価し、過剰適合を回避する機能
- 見つかったパラメータの物理的な妥当性をチェックし、「見た目が良い」適合と「物理的に正しい」適合を区別する機能
物理学は最終的には実験に依存します。どんなに立派な理論でも、測定データと一致しなければ無効です。カーブ フィッティングは実験データの操作の中心にあります。理論によって予測されたモデル (直線、指数関数、振動) をノイズの多い測定点に可能な限り最良の方法でフィッティングし、モデルのパラメーター (傾き、定数、周波数) を見つけます。この単元では、実験データ分析で人工知能 (AI) を使用する方法、カーブ フィッティングを正しく設定する方法、そして最も重要なことに、フィッティングが「見た目が良い」か「物理的に正しい」かを区別する方法を学びます。標準ツールは scipy.optimize.curve_fit (モデル関数をデータに適合させる SciPy 関数) です。
カーブフィッティングのロジックとAIの役割
カーブ フィッティングはこれを行います。モデル関数 (例: y = a·x + b) を選択すると、アルゴリズムが最小の誤差でデータに適合する a と b の値を見つけます。 AI は、正しいモデル関数のコーディング、curve_fit 呼び出しの設定、および結果の視覚化を迅速に行います。ただし、次の 2 つの重要な決定を下す必要があります: (1) どのモデルが物理的に正しいか? (2) フィッティングの品質は本当に良いですか? AI は 10 次の多項式をデータに当てはめて、ほぼ完璧に見える曲線を描くこともできますが、これは物理的に無意味な過学習となります。
物理的な出来事
期待されるモデル
見つかったパラメータ
等速運動
y = a・x + b
勾配 = 速度
放射性崩壊
N = N₀・e^(−λt)
λ = 減衰定数
スプリングリリース
x = A・cos(ωt + φ)
ω = 角周波数
オームの法則
V = R・I
R = 抵抗 (傾き)
自由落下
y = 1/2・g・t²
g = 重力加速度
ステップバイステップ: 正直な曲線を当てはめる
1. データではなく物理学に基づいてモデルを選択します。まず、イベントがどの物理法則に従わなければならないかを決定します。データを見て「どれがよく適合するか」を選択してモデルを選択することは、物理学をデータに適合させようとすることになり、危険です。
2. データと不確実性を入力します。測定点とともに、各点の測定誤差 (シグマパラメータ) がある場合は、それも入力します。これは、適合性とパラメータの不確実性を正確に計算するために必要です。
3. パラメータとその不確実性を読み取ります。 Curve_fit は、共分散行列から導出されたパラメーター値とその不確実性の両方を返します。不確実性のないパラメータを報告することは不完全です。「g = 9.7 ± 0.3 m/s²」と言うほうが、単に「9.7」と言うよりもはるかに有益です。
4. 残差を使用して近似を評価します。残差は、モデルからの各測定点の偏差です。残基のランダムな分布は適合性が良好であることを示します。体系的な曲線 (例: モデルの上にすべてが 1 か所にある) は、モデルが間違っていることを示します。
5. 物理的な合理性をチェックします。 g 値は 9.8 または 50 程度でしょうか?抵抗がマイナスになったのでしょうか？物理的に不可能なパラメータは、たとえフィット感が「良好」であっても、問題があることを示します。
ヒント: 視力だけに頼ってフィット感の品質を判断しないでください。残差は常に別のグラフにプロットしてください。適切に適合すると、残差はゼロの周囲にノイズのように分散します。フィット感が悪いと、目に見えるパターン (波、傾斜、U 字型) が現れます。このパターンは、モデルが物理的に欠陥があることを示す最も正直な兆候です。
ミニケース3個
ケース 1 — 過剰適合の罠。ある学生は、AI が提案した 7 次多項式を 8 つのデータ ポイントに当てはめました。曲線はすべての点を通過し、「完璧」に見えました。しかし、その 2 つの点の間で曲線は異常に振動しました。学生は物理学に目を向けました。それは線形関係でした。彼が単純な線を当てはめると、パラメータは物理的な意味を持ちました。高次の多項式がノイズを記憶しただけです。
ケース 2 — 不確実性は忘れられました。研究者は、YZ によって書かれたコードで重力加速度 g = 9.73 を発見し、報告しました。彼の顧問はその不確実性について尋ねた。研究者は、curve_fit の共分散出力を使用しませんでした。計算すると不確かさは±0.4となり、基準値9.81と一致しました。曖昧さがないと、結果は「9.81 から逸脱している」と誤解される可能性があります。
ケース 3 — 残差にエラーが表示されました。教師が冷却実験に直線を当てはめましたが、それは合理的であるように思えました。しかし、彼がスクラップをプロットすると、はっきりとした曲線のパターンが現れました。実際に起こったのは指数関数的な寒冷化でした。彼が正しいモデル (指数関数) を使用すると、残差はランダムになり、適合は物理的に意味のあるものになりました。
コピー可能な 4 つのテンプレート
1) 物理モデルによるフィッティング:
物理モデル = [モデル関数] を次の実験データ ([x および y の値、単位]) に適合させる Curve_fit コードを作成します。共分散から導出されたパラメーターと 1 シグマの不確実性を出力します。データ、近似曲線、残差を SEPARATE グラフにプロットします。私は物理学からモデルを選択しました。それを適用するだけです。
2) 適合性の評価:
以下に近似の品質を評価するコードを追加します。残差をプロットし、カイ二乗や R² などの尺度を計算し、残差に体系的なパターンがある場合は書面でコメントします。適合コード: [ここ]
3) モデルの比較:
2 つの異なる物理モデル [モデル A] と [モデル B] を同じデータに適合させて比較するコードを作成します。両方のパラメータ、不確実性、および残差パターンを表示します。どちらが物理的により適切であるかを決めるのは私次第です。 2つを並べて提示するだけです。過学習を避けることを忘れないでください。
4) 不確実性の報告:
次の近似の各パラメーターを適切な有効桁数で「値 ± 不確実性 (単位)」の形式で出力するコードを追加します。パラメータが物理的に不可能な値 (負の質量など) を取る場合に適合します。コード: [ここ]
弱いプロンプト / 強いプロンプト
弱: 「これらのデータに最もよく適合する曲線を見つけてください。」
結論: AI は高次多項式に対して「完璧」ではあるが物理的に意味のない適合を与えることができます。不確実性、そしてそれ以上はありません。
Strong: 「この (t, N) データに放射性崩壊モデル N = N₀・e^(−λt) を当てはめる Curve_fit コードを書きます。λ と N₀ とその不確実性を出力します。残差を別のグラフにプロットし、体系的なパターンがあるかどうかコメントします。λ が負の場合は警告します。」
結果: 物理モデル、不確実なパラメータ、残差チェック、および妥当性チェック。
よくある間違い
- データからモデルを選択します。物理法則ではなく「最適な適合」を選択すると、物理学を強制的にデータに適合させることになり、過剰適合につながります。
- 不確実性を報告しない。不確実性のないパラメータ値は科学的に不完全です。 2 つの結果に互換性があるかどうかは、不確実性を通じてのみ理解できます。
- 残り物を傷つけません。目を見てコンプライアンスを「良好」と宣言すると、組織的な逸脱が隠蔽されます。
- 有効数字を過大評価します。 g = 9.73418 ± 0.4 と書くのは誤った精度です。不確実性によって、有効な桁数が決まります。
- 物理的な合理性を回避する。負の抵抗や 50 m/s² の重力など、ありえない結果は無視します。
注意: 曲線がデータによく適合するからといって、基礎となる物理学が正しいことは証明されません。十分な自由パラメータがあれば、「良好な」曲線をあらゆるデータに適合させることができます。科学的完全性には、物理学からモデルを選択し、不確実性を報告し、残差を正直に検査することが必要です。 AI によって生成された優れたグラフィックは、これらのコントロールの代わりにはなりません。
要約すれば
実験データ分析では、AI がカーブフィッティングコードと視覚化を迅速に確立します。しかし、物理モデルを選択し、不確実性を正確に報告し、適合の質を正直に評価するのは物理学者の責任です。優れた分析では、物理学からモデルを取得し、パラメータとその不確実性を報告し、残差を調べ、結果の物理的な妥当性をテストします。次の単元では、この不確実性の概念、つまり測定誤差と誤差伝播についてさらに詳しく説明します。
アプリケーションタスク
物理モデルを、所有または作成した小規模な実験データ (たとえば、振り子の長さ - 周期の測定値や抵抗器の電流 - 電圧データ) に適合させます。 1 番目のテンプレートを含むコードを AI に出力し、実行します。不確実性を含むパラメーターを読み取り、残差をプロットします。残差に体系的なパターンがあるかどうか、パラメーターが物理的に妥当であるかどうかを確認します。 5 ～ 6 文で書き留めてください: 適合は本当に良好でしたか、不確実性は何を示しましたか?
チェックリスト
- [ ] データからではなく、物理学からモデルを選択しました。
- [ ] 測定の不確実性があれば、フィッティングに含めました。
- [ ] パラメータをその不確実性と適切な有効数字とともに報告しました。
- [ ] 残差を別のグラフにプロットし、体系的なパターンを探しました。
- [ ] パラメータが物理的に妥当であることを確認しました。
- [ ] 過剰適合（不必要に高い自由度）を避けました。