Ieguvumi:
- Spēja pielāgot eksperimentālos datus ar curve_fit, izvēloties modeli no fizikas un ziņot par parametriem ar to nenoteiktību
- Spēja godīgi novērtēt atbilstības kvalitāti, pārbaudot atlikumus, un izvairīties no pārmērīgas uzstādīšanas
- Spēja pārbaudīt atrasto parametru fizisko ticamību un atšķirt “labu izskatu” no “fiziski pareizas” atbilstības
Fizika galu galā ir atkarīga no eksperimentiem. Lai cik eleganta būtu teorija, ja tā nesakrīt ar izmērītajiem datiem, tā ir nederīga. Strādājot ar eksperimentāliem datiem, pamatā ir līknes pielāgošana: teorijā paredzētā modeļa (līnija, eksponenciāls, svārstības) pielāgošana trokšņainajiem mērījumu punktiem, kas jums ir pieejami, un modeļa parametru atrašana (slīpums, konstante, frekvence). Šajā nodaļā jūs uzzināsit, kā izmantot mākslīgo intelektu (AI) eksperimentu datu analīzē, kā pareizi iestatīt līknes pielāgošanu un, pats galvenais, kā atšķirt piemērotību “labi izskatās” un “ir fiziski pareizi”. Standarta rīks ir scipy.optimize.curve_fit (SciPy funkcija, kas pielāgo modeļa funkciju datiem).
Līknes pielāgošanas loģika un AI loma
Līknes pielāgošana dara to: jūs izvēlaties modeļa funkciju (piemēram, y = a·x + b), un algoritms atrod a un b vērtības, kas atbilst datiem ar vismazāko kļūdu. AI ātri kodē pareizo modeļa funkciju, iestata curve_fit zvanu un vizualizē rezultātu. Bet jūs varat pieņemt divus kritiskus lēmumus: (1) Kurš modelis ir fiziski pareizs? (2) Vai piemērotības kvalitāte patiešām ir laba? AI varētu arī pielāgot datiem 10. kārtas polinomu un uzzīmēt līkni, kas izskatās gandrīz ideāla, taču tā būtu fiziski bezjēdzīga pārmērīga pielāgošana.
fizisks notikums
paredzamais modelis
Atrasts parametrs
nemainīga ātruma kustība
y = a·x + b
slīpums = ātrums
radioaktīvā sabrukšana
N = N₀·e^(−λt)
λ = samazināšanās konstante
pavasara izlaidums
x = A·cos(ωt + φ)
ω = leņķiskā frekvence
Oma likums
V = R·I
R = pretestība (slīpums)
brīvais kritiens
y = ½·g·t²
g = gravitācijas paātrinājums
Soli pa solim: godīgas līknes uzstādīšana
1. Izvēlieties modeli no fizikas, nevis no datiem. Vispirms nosakiet, kurš fiziskais likums notikumam ir jāievēro. Izvēloties modeli, aplūkojot datus un izvēloties “kurš no tiem labi atbilst”, tiek mēģināts panākt, lai fizika atbilstu datiem — bīstami.
2. Ievadiet datus un nenoteiktību. Kopā ar mērījumu punktiem ievadiet arī katra punkta mērījuma kļūdu (sigmas parametru), ja tāda ir. Tas ir nepieciešams, lai precīzi aprēķinātu piemērotību un parametru nenoteiktību.
3. Izlasiet parametrus un to nenoteiktības. curve_fit atgriež gan parametru vērtības, gan to nenoteiktības, kas iegūtas no kovariācijas matricas. Parametra ziņošana bez tā nenoteiktības ir nepilnīga: pateikt "g = 9,7 ± 0,3 m/s²" ir daudz informatīvāk nekā vienkārši pateikt "9,7".
4. Novērtējiet atbilstību ar atlikumiem. Atlikums ir katra mērījuma punkta novirze no modeļa. Nejaušs atlikumu sadalījums ir labas atbilstības pazīme; sistemātiska līkne (piemēram, viss vienā vietā virs modeļa) norāda, ka modelis ir nepareizs.
5. Pārbaudiet fizisko pamatotību. Vai g vērtība ir 9,8 vai 50? Vai rezistors kļuva negatīvs? Fiziski neiespējami parametri norāda uz problēmu, pat ja atbilstība “izskatās labi”.
Padoms: nevērtējiet piegulšanas kvalitāti, paļaujoties tikai uz redzi. Vienmēr attēlojiet atlikumus atsevišķā grafikā. Labā pielāgošanā atlikumi izkliedējas kā troksnis ap nulli; Ar sliktu piegulšanu parādās redzams raksts (vilnis, slīpums, U-forma). Šis modelis ir visgodīgākā pazīme, ka jūsu modelim ir fizisks trūkums.
trīs mini futrāļi
1. gadījums — pārlieku piestiprināšanas slazds. Viens students 8 datu punktiem uzstādīja mākslīgā intelekta ieteikto 7. pakāpes polinomu; līkne izgāja cauri visiem punktiem un izskatījās "perfekti". Bet starp abiem punktiem līkne absurdi svārstījās. Students pievērsās fizikai: tās bija lineāras attiecības. Kad viņš uzstādīja vienkāršu līniju, parametri ieguva fizisku nozīmi; augstākās kārtas polinoms tikko bija iegaumējis troksni.
2. gadījums — aizmirsta nenoteiktība. Pētnieks atrada un ziņoja par gravitācijas paātrinājumu g = 9,73 ar YZ uzrakstīto kodu. Viņa padomnieks jautāja par nenoteiktību. Pētnieks neizmantoja curve_fit kovariācijas izvadi; Aprēķinot, nenoteiktība izrādījās ±0,4, kas nozīmē, ka rezultāts atbilst standarta vērtībai 9,81. Bez neskaidrības rezultātu varētu nepareizi interpretēt kā "atšķiras no 9,81".
3. gadījums — atlikumi parādīja kļūdu. Skolotājs dzesēšanas eksperimentā ievietoja taisnu līniju, un tas šķita saprātīgi. Bet, kad viņš uzzīmēja lūžņus, parādījās izteikts izliekts raksts. Tas, kas patiesībā notika, bija eksponenciāla atdzišana. Kad viņš izmantoja pareizo modeli (eksponenciālo), atlikumi kļuva nejauši un atbilstība kļuva fiziski nozīmīga.
Četras kopējamas veidnes
1) Pielāgošana fiziskajam modelim:
Uzrakstiet curve_fit kodu, kas atbilst fiziskajam modelim = [modeļa funkcija] šādiem eksperimentālajiem datiem ([x un y vērtības, vienībās]). Izdrukājiet parametrus un 1 sigmas nenoteiktības, kas iegūtas no kovariācijas. Atzīmējiet datus, pielāgoto līkni un atlikumus Atsevišķā grafikā. Modeļa atlasi veicu no fizikas; jūs to vienkārši pielietojat.
2) Atbilstības novērtējuma kvalitāte:
Tālāk pievienojiet kodu, kas novērtē atbilstības kvalitāti: uzzīmējiet atlikumus, aprēķiniet mēru, piemēram, hī kvadrātu vai R², un rakstiski komentējiet, ja atlikumos ir sistemātisks modelis. Fit code: [šeit]
3) Modeļu salīdzinājums:
Uzrakstiet kodu, kas atbilst diviem dažādiem fiziskiem modeļiem un salīdzina ar tiem pašiem datiem: [modelis A] un [modelis B]. Parādiet abu parametrus, nenoteiktības un atlikušos modeļus. Man pašam jāizlemj, kurš no tiem ir FIZISKI piemērotāks; Vienkārši prezentējiet abus blakus. Atcerieties, ka ir jāizvairās no pārmērīgas aprīkošanas.
4) Ziņošana par nenoteiktību:
Pievienojiet kodu, kas izdrukā katru tālāk norādītā atbilstības parametru ar atbilstošu zīmīgo ciparu skaitu formātā "vērtība ± nenoteiktība (vienība)". Ietilpināt, ja parametram ir fiziski neiespējama vērtība (piemēram, negatīva masa). Kods: [šeit]
Vāja uzvedne / spēcīga uzvedne
Vāji: "Atrodiet līkni, kas vislabāk atbilst šiem datiem."
Secinājums: AI var nodrošināt "perfektu", bet fiziski bezjēdzīgu atbilstību augstas kārtas polinomam; nenoteiktība un ne vairāk.
Strong: "Uzrakstiet curve_fit kodu, kas pielāgo radioaktīvās sabrukšanas modeli N = N₀·e^(−λt) šiem (t, N) datiem. Drukājiet λ un N₀ un to nenoteiktības. Atzīmējiet atlikumus atsevišķā grafikā un komentējiet, ja ir sistemātisks modelis. Brīdiniet, ja λ ir negatīvs."
Rezultāts: fiziskais modelis, nenoteikti parametri, atlikuma pārbaude un ticamības pārbaude.
Biežas kļūdas
- Modeļa izvēle no datiem. Izvēloties "vislabāko piemērotību", nevis fizisko likumu, fizika ir jāpielāgo datiem, un tas noved pie pārmērības.
- Neziņo par nenoteiktību. Parametra vērtība bez nenoteiktības ir zinātniski nepilnīga; To, vai divi rezultāti ir saderīgi, var saprast tikai ar nenoteiktību.
- Nesaskrāpējot pārpalikumus. Atbilstības pasludināšana par "labu", skatoties uz aci, slēpj sistemātiskas novirzes.
- Pārvērtējiet zīmīgo ciparu. Rakstot g = 9,73418 ± 0,4, ir kļūdaina precizitāte; Nenoteiktība nosaka, cik ciparu ir nozīmīgi.
- Fiziskā saprātīguma apiešana. Ignorējot neiespējamas sekas, piemēram, negatīvu pretestību vai 50 m/s² smagumu.
Uzmanību: tas, ka līkne labi atbilst datiem, nepierāda, ka pamatā esošā fizika ir pareiza. Ja ir pietiekami daudz brīvu parametru, "labu" līkni var piemērot jebkuriem datiem. Zinātniskā integritāte prasa izvēlēties modeli no fizikas, ziņot par nenoteiktību un godīgi pārbaudīt atlikumus. Jauka AI ģenerēta grafika nevar aizstāt šīs vadīklas.
Rezumējot
Eksperimenta datu analīzē AI ātri izveido līknes pielāgošanas kodu un vizualizāciju; bet fiziķa pienākums ir izvēlēties fizisko modeli, precīzi ziņot par nenoteiktību un godīgi novērtēt piemērotības kvalitāti. Laba analīze ņem modeli no fizikas, ziņo par parametriem ar to nenoteiktību, pārbauda atlikumus un pārbauda rezultāta fizisko ticamību. Nākamajā nodaļā mēs padziļināti apspriedīsim šo nenoteiktības jēdzienu — mērījumu kļūdu un kļūdu izplatīšanos.
Lietojumprogrammas uzdevums
Pielāgojiet fizisko modeli nelielai eksperimentālo datu kopai, ko esat vai esat sagatavojis (piemēram, svārsta garuma perioda mērījumi vai rezistora strāvas-sprieguma dati). Izdrukājiet kodu ar 1. veidni AI, palaidiet to; Izlasiet parametrus ar to nenoteiktību un uzzīmējiet atlikumus. Pārbaudiet, vai atlikumos ir sistemātisks modelis, vai parametri ir fiziski pamatoti. Pierakstiet 5-6 teikumos: vai tiešām bija labi, ko teica nenoteiktība?
kontrolsaraksts
- [ ] Es izvēlējos modeli no fizikas, nevis no datiem.
- [ ] Mērījumu nenoteiktību, ja tāda ir, iekļāvu montāžā.
- [ ] Es ziņoju par parametriem ar to nenoteiktību un atbilstošu zīmīgo ciparu.
- [ ] Es uzzīmēju atlikumus atsevišķā grafikā un meklēju sistemātiskus modeļus.
- [ ] Es pārbaudīju, vai parametri ir fiziski pamatoti.
- [ ] Es izvairījos no pārmērības (nevajadzīgi liela brīvība).