Pelnas:
- Galimybė pritaikyti eksperimentinius duomenis su curve_fit pasirenkant modelį iš fizikos ir pateikti parametrus su jų neapibrėžtumais
- Gebėjimas sąžiningai įvertinti tinkamumo kokybę tiriant likučius ir išvengti per didelio pritaikymo
- Gebėjimas patikrinti fizinį rastų parametrų patikimumą ir atskirti „gerai atrodantį“ atitikimą nuo „fiziškai teisingo“ atitikimo
Fizika galiausiai priklauso nuo eksperimentų. Kad ir kokia elegantiška būtų teorija, jei ji nesutampa su išmatuotais duomenimis, ji negalioja. Kreivės pritaikymas yra darbo su eksperimentiniais duomenimis esmė: teorijos prognozuojamo modelio (tiesė, eksponentinis, svyravimas) priderinimas prie turimų triukšmingų matavimo taškų geriausiu įmanomu būdu ir modelio parametrų (nuolydis, konstanta, dažnis) nustatymas. Šiame skyriuje sužinosite, kaip naudoti dirbtinį intelektą (DI) atliekant eksperimento duomenų analizę, kaip teisingai nustatyti kreivės pritaikymą ir, svarbiausia, kaip atskirti, ar tinka „gerai atrodyti“ ir „būti fiziškai teisingam“. Standartinis įrankis yra scipy.optimize.curve_fit (funkcija SciPy, kuri modelio funkciją pritaiko prie duomenų).
Kreivės pritaikymo logika ir AI vaidmuo
Kreivės pritaikymas atlieka tai: pasirenkate modelio funkciją (pvz., y = a·x + b), o algoritmas suranda a ir b reikšmes, kurios atitinka duomenis su mažiausia klaida. AI greitai užkoduoja teisingą modelio funkciją, nustato curve_fit skambutį ir vizualizuoja rezultatą. Bet jūs turite priimti du svarbius sprendimus: (1) Kuris modelis yra fiziškai teisingas? (2) Ar prigludimo kokybė tikrai gera? AI taip pat galėtų pritaikyti duomenims 10-osios eilės daugianarį ir nubrėžti kreivę, kuri atrodo beveik tobula, tačiau tai būtų fiziškai beprasmis per didelis pritaikymas.
fizinis įvykis
laukiamas modelis
Rastas parametras
pastovaus greičio judėjimas
y = a·x + b
nuolydis = greitis
radioaktyvusis skilimas
N = N₀·e^(−λt)
λ = skilimo konstanta
pavasario išleidimas
x = A·cos(ωt + φ)
ω = kampinis dažnis
Omo dėsnis
V = R·I
R = pasipriešinimas (nuolydis)
laisvasis kritimas
y = ½·g·t²
g = gravitacinis pagreitis
Žingsnis po žingsnio: tiesios kreivės pritaikymas
1. Pasirinkite modelį iš fizikos, o ne iš duomenų. Pirmiausia nustatykite, kuriam fiziniam įstatymui įvykis turi paklusti. Pasirinkus modelį žiūrint į duomenis ir pasirinkus „kuris tinka“, bandoma, kad fizika atitiktų duomenis – pavojinga.
2. Įveskite duomenis ir neapibrėžtį. Kartu su matavimo taškais taip pat įveskite kiekvieno taško matavimo paklaidą (sigmos parametrą), jei tokia yra. Tai būtina norint tiksliai apskaičiuoti tinkamumą ir parametrų neapibrėžtį.
3. Perskaitykite parametrus ir jų neapibrėžtis. curve_fit pateikia ir parametrų reikšmes, ir jų neapibrėžtumus, gautus iš kovariacijos matricos. Pranešti apie parametrą be jo neapibrėžtumo yra neišsami: pasakymas "g = 9,7 ± 0,3 m/s²" yra daug informatyvesnis nei tiesiog "9,7".
4. Įvertinkite tinkamumą su likučiais. Likutis yra kiekvieno matavimo taško nuokrypis nuo modelio. Atsitiktinis likučių pasiskirstymas yra gero tinkamumo požymis; sisteminė kreivė (pvz., viskas vienoje vietoje virš modelio) rodo, kad modelis neteisingas.
5. Patikrinkite fizinį pagrįstumą. Ar g reikšmė yra 9,8 arba 50? Ar rezistorius buvo neigiamas? Fiziškai neįmanomi parametrai rodo problemą, net jei tinka „gerai“.
Patarimas: nespręskite apie prigludimo kokybę pasikliaudami vien tik regėjimu. Visada atvaizduokite likučius atskirame grafike. Tinkamai priderinus, likučiai išsisklaido kaip triukšmas apie nulį; Blogai prigludus, atsiranda matomas raštas (banga, nuolydis, U forma). Šis modelis yra pats nuoširdžiausias ženklas, kad jūsų modelis turi fizinį trūkumą.
trys mini dėklai
1 atvejis – perpildymo gaudyklė. Vienas studentas pritaikė dirbtinio intelekto siūlomą 7 laipsnio daugianarį 8 duomenų taškams; kreivė praėjo per visus taškus ir atrodė „tobulai“. Tačiau tarp dviejų taškų kreivė absurdiškai svyravo. Studentas pasuko į fiziką: tai buvo tiesinis ryšys. Kai jis pritaikė paprastą liniją, parametrai įgavo fizinę reikšmę; aukštesnio laipsnio daugianomas ką tik įsiminė triukšmą.
2 atvejis – užmirštas netikrumas. Tyrėjas rado ir pranešė apie gravitacinį pagreitį g = 9,73, naudodamas YZ parašytą kodą. Jo patarėjas paklausė apie netikrumą. Tyrėjas nenaudojo curve_fit kovariacijos išvesties; Apskaičiavus neapibrėžtis pasirodė esanti ±0,4, o tai reiškia, kad rezultatas atitiko standartinę 9,81 vertę. Be dviprasmybių, rezultatas gali būti klaidingai interpretuojamas kaip „nukrypsta nuo 9,81“.
3 atvejis – likučiai parodė klaidą. Mokytojas pritaikė tiesią liniją į vėsinimo eksperimentą ir atrodė pagrįsta. Bet kai jis nubraižė iškarpas, išryškėjo aiškus lenktas raštas. Tai, kas iš tikrųjų atsitiko, buvo eksponentinis atšalimas. Kai jis panaudojo teisingą modelį (eksponentinį), likučiai tapo atsitiktiniai, o atitikimas tapo fiziškai reikšmingas.
Keturi kopijuojami šablonai
1) Pritaikymas prie fizinio modelio:
Parašykite curve_fit kodą, atitinkantį fizinį modelį = [modelio funkcija] su toliau nurodytais eksperimentiniais duomenimis ([x ir y reikšmės, vienetais]). Išspausdinkite parametrus ir 1 sigmos neapibrėžtis, gautus iš kovariacijos. Nubraižykite duomenis, pritaikytą kreivę ir likučius ATSKIRJE grafike. Modelį pasirinkau iš fizikos; tiesiog taikykite.
2) Tinkamumo įvertinimo kokybė:
Toliau pridėkite kodą, įvertinantį atitikimo kokybę: nubraižykite likučius, apskaičiuokite matą, pvz., chi kvadratą arba R², ir pakomentuokite raštu, jei liekanose yra sistemingo rašto. Tinkamas kodas: [čia]
3) Modelių palyginimas:
Parašykite kodą, kuris tinka ir palygina du skirtingus fizinius modelius su tais pačiais duomenimis: [modelis A] ir [modelis B]. Parodykite abiejų parametrus, neapibrėžtumus ir likutinius modelius. Aš turiu nuspręsti, kuris iš jų yra fiziškai tinkamesnis; Tiesiog pateikite abu vienas šalia kito. Nepamirškite, kad nepersirenkite.
4) Neapibrėžtumo ataskaitos:
Pridėkite kodą, kuris atspausdina kiekvieną toliau nurodyto atitikimo parametrą su atitinkamu reikšmingų skaitmenų skaičiumi formatu „vertė ± neapibrėžtis (vienetas)“. Suderinti, jei parametro reikšmė yra fiziškai neįmanoma (pvz., neigiama masė). Kodas: [čia]
Silpnas raginimas / Stiprus raginimas
Silpnas: „Raskite kreivę, kuri geriausiai atitinka šiuos duomenis“.
Išvada: dirbtinis intelektas gali suteikti „tobulą“, bet fiziškai beprasmišką atitikimą aukštos eilės daugianariui; netikrumas ir ne daugiau.
Stiprus: "Parašykite kreivės_tilpimo kodą, kuris pritaiko radioaktyvaus skilimo modelį N = N₀·e^(−λt) prie šių (t, N) duomenų. Atspausdinkite λ ir N₀ bei jų neapibrėžtumus. Likučius nubraižykite atskirame grafike ir pakomentuokite, jei yra sisteminis modelis. Įspėkite, jei λ yra neigiamas."
Rezultatas: fizinis modelis, neapibrėžti parametrai, likutinis patikrinimas ir patikimumo patikrinimas.
Dažnos klaidos
- Modelio pasirinkimas iš duomenų. Pasirinkus „geriausią tinkamumą“, o ne fizinį dėsnį, fizika priverčiama suderinti duomenis ir sukelia perteklinį pritaikymą.
- Nepraneša apie netikrumą. Parametro vertė be neapibrėžtumo yra moksliškai neišsami; Ar du rezultatai yra suderinami, ar ne, galima suprasti tik iš netikrumo.
- Nebraižydamas likučių. Atitikties paskelbimas „geru“ žiūrint į akis paslepia sistemingus nukrypimus.
- Pervertinkite reikšmingąjį skaitmenį. Rašant g = 9,73418 ± 0,4 yra klaidingas tikslumas; Neapibrėžtis nustato, kiek skaitmenų yra reikšmingi.
- Apeinant fizinį pagrįstumą. Nepaisydami neįmanomų pasekmių, tokių kaip neigiamas pasipriešinimas arba 50 m/s² gravitacija.
Dėmesio: tai, kad kreivė gerai atitinka duomenis, neįrodo, kad pagrindinė fizika yra teisinga. Turint pakankamai laisvų parametrų, „gera“ kreivė gali būti pritaikyta bet kokiems duomenims. Norint užtikrinti mokslinį vientisumą, reikia pasirinkti modelį iš fizikos, pranešti apie neapibrėžtumą ir sąžiningai išnagrinėti likučius. Graži AI sukurta grafika nepakeičia šių valdiklių.
Apibendrinant
Eksperimento duomenų analizėje AI greitai nustato kreivės pritaikymo kodą ir vizualizaciją; tačiau fiziko pareiga yra pasirinkti fizinį modelį, tiksliai pranešti apie neapibrėžtumą ir sąžiningai įvertinti tinkamumo kokybę. Gera analizė paima modelį iš fizikos, pateikia parametrus su jų neapibrėžtumu, ištiria likučius ir patikrina fizinį rezultato patikimumą. Kitame skyriuje mes išsamiau aptarsime šią neapibrėžtumo sąvoką – matavimo paklaidą ir klaidų plitimą.
Taikymo užduotis
Pritaikykite fizinį modelį prie nedidelio eksperimentinių duomenų rinkinio, kurį turite arba sukūrėte (pavyzdžiui, švytuoklės ilgio matavimų arba rezistoriaus srovės įtampos duomenų). Išspausdinkite kodą su 1-uoju šablonu į AI, paleiskite jį; Perskaitykite parametrus su jų neapibrėžtumu ir nubraižykite likučius. Patikrinkite, ar likučiuose nėra sistemingo modelio, ar parametrai yra fiziškai pagrįsti. Užrašykite 5-6 sakiniais: ar tikrai tinka, ką pasakė netikrumas?
kontrolinis sąrašas
- [ ] Modelį pasirinkau iš fizikos, o ne iš duomenų.
- [ ] Į montavimą įtraukiau matavimo neapibrėžtį, jei yra.
- [ ] Pateikiau parametrus su jų neapibrėžtumu ir atitinkamu reikšmingu skaitmeniu.
- [ ] Atskirame grafike nubraižiau likučius ir ieškojau sisteminių šablonų.
- [ ] Patikrinau, ar parametrai yra fiziškai pagrįsti.
- [ ] Vengiau persirengti (be reikalo didelės laisvės).