Добивки:
- Способност да се вклопат експериментални податоци со curve_fit со избирање на моделот од физика и известување на параметрите со нивните несигурности
- Способност искрено да се оцени квалитетот на вклопувањето со испитување на остатоците и да се избегне преоптоварување
- Способност да се провери физичката веродостојност на пронајдените параметри и да се разликува „доброто“ вклопување од „физички исправното“
Физиката на крајот зависи од експериментирањето. Колку и да е елегантна една теорија, ако не се согласува со измерените податоци, таа е невалидна. Поставувањето на кривата лежи во срцето на работата со експериментални податоци: на најдобар можен начин наместување на модел предвиден со теорија (линија, експоненцијална, осцилација) на бучните мерни точки што ги имате и наоѓање на параметрите на моделот (наклон, константа, фреквенција). Во оваа единица, ќе научите како да користите вештачка интелигенција (АИ) во анализата на податоците од експериментот, како правилно да поставите приспособување на кривата и - најкритично - како да ја разликувате спојувањето „добро да изгледате“ и „да се биде физички исправно“. Стандардна алатка е scipy.optimize.curve_fit (функција SciPy која одговара на функцијата модел на податоците).
Логиката на фитинг на кривата и улогата на вештачката интелигенција
Фитинг на крива го прави ова: избирате моделска функција (на пр. y = a·x + b), а алгоритмот ги наоѓа вредностите на a и b кои одговараат на податоците со најмала грешка. Вештачката интелигенција е брза во кодирање на правилната функција на моделот, поставување на повикот curve_fit и визуелизирање на резултатот. Но, две критични одлуки се ваши: (1) Кој модел е физички исправен? (2) Дали квалитетот на вклопувањето е навистина добар? Вештачката интелигенција, исто така, може да вклопи полином од 10-ти ред на податоците и да нацрта крива што изгледа речиси совршено - но ова би било физички бесмислено преоптоварување.
физички настан
очекуван модел
Пронајден параметар
движење со постојана брзина
y = a·x + b
наклон = брзина
радиоактивно распаѓање
N = N₀·e^(−λt)
λ = константа на распаѓање
пролетно ослободување
x = A·cos(ωt + φ)
ω = аголна фреквенција
Закон на Ом
V = R·I
R = отпор (наклон)
слободен пад
y = ½·g·t²
g = гравитациско забрзување
Чекор по чекор: поставување на искрена крива
1. Изберете го моделот од физика, а не од податоци. Прво одреди кој физички закон треба да го почитува настанот. Изборот на модел со гледање на податоците и избирање „кој добро одговара“ се обидува да ја направи физиката да одговара на податоците - опасно.
2. Внесете податоци и несигурност. Заедно со мерните точки, внесете ја и грешката во мерењето (сигма параметар) на секоја точка, доколку ја има. Ова е неопходно за точна пресметка на одговарањето и несигурноста на параметрите.
3. Прочитајте ги параметрите и нивните несигурности. curve_fit ги враќа и вредностите на параметрите и нивните несигурности добиени од матрицата на коваријанса. Пријавувањето на параметар без неговата несигурност е нецелосно: да се каже „g = 9,7 ± 0,3 m/s²“ е многу поинформативно отколку само да се каже „9,7“.
4. Оценете ја усогласеноста со остатоците. Остатокот е отстапување на секоја мерна точка од моделот. Случајната распределба на остатоци е знак за добро вклопување; систематска крива (на пр. сите на едно место над моделот) покажува дека моделот е погрешен.
5. Проверете ја физичката разумност. Дали вредноста на g се наоѓа во редот од 9,8 или 50? Дали отпорот стана негативен? Физички невозможните параметри укажуваат на проблем, дури и ако одговарањето „изгледа добро“.
Совет: Не го оценувајте квалитетот на вклопувањето потпирајќи се само на видот. Секогаш исцртувајте ги остатоците на посебен графикон. Во добро вклопување, остатоците се распрснуваат како бучава околу нула; Со лошо вклопување, се појавува видлива шема (бран, наклон, форма на буквата У). Овој модел е најискрен знак дека вашиот модел има физички недостаток.
три мини футроли
Случај 1 - Замка за преоптоварување. Еден студент постави полином од 7 степен предложен од вештачката интелигенција на 8 податочни точки; кривата помина низ сите точки и изгледаше „совршено“. Но, меѓу двете точки кривата осцилираше апсурдно. Студентот се сврте кон физиката: тоа беше линеарна врска. Кога постави едноставна линија, параметрите добија физичко значење; полиномот од повисок ред штотуку го меморираше шумот.
Случај 2 - заборавена неизвесност. Истражувач го пронашол и пријавил гравитациското забрзување g = 9,73 со кодот напишан од YZ. Неговиот советник праша за неизвесноста. Истражувачот не го користел излезот на коваријанса на curve_fit; Кога се пресмета, неизвесноста се покажа дека е ±0,4, што значи дека резултатот е конзистентен со стандардната вредност од 9,81. Без двосмисленост, резултатот може погрешно да се протолкува како „отстапува од 9,81“.
Случај 3 - Остатоците ја покажаа грешката. Еден наставник постави права линија во експериментот за ладење и се чинеше разумно. Но, кога ги исцрта белешките, се појави посебна заоблена шема. Она што всушност се случи беше експоненцијално ладење. Кога го користел правилниот модел (експоненцијален), остатоците станале случајни, а вклопувањето станало физички значајно.
Четири шаблони за копирање
1) Монтирање со физички модел:
Напишете шифра curve_fit што одговара на физичката modely = [модел функција] на следните експериментални податоци ([x и y вредности, во единици]). Испечатете ги параметрите и 1-сигма несигурностите добиени од коваријансата. Подгответе ги податоците, вградената крива и остатоците на ПОСЕБЕН график. Изборот на моделот го направив од физика; вие само го применувате.
2) Квалитет на проценка на соодветноста:
Додајте код што го оценува квалитетот на вклопувањето подолу: нацртајте ги остатоците, пресметајте мерка како што е хи-квадрат или R² и коментирајте писмено ако постои систематска шема во остатоците. Fit код: [тука]
3) Споредба на модели:
Напишете код кој одговара и споредува два различни физички модели со исти податоци: [модел А] и [модел Б]. Прикажи ги параметрите, несигурностите и преостанатите обрасци на двете. На мене е да одлучам кој е ФИЗИЧКИ посоодветен; Само претстави ги двете рамо до рамо. Запомнете да избегнете прекумерно поставување.
4) Известување за несигурност:
Додадете код кој го печати секој параметар од следново одговара со соодветен број значајни цифри во формат „вредност ± неизвесност (единица)“. Се вклопува ако параметарот зема физички невозможна вредност (на пр. негативна маса). Код: [тука]
Слаб промпт / Силен промпт
Слабо: „Најдете ја кривата што најдобро одговара на овие податоци“.
Заклучок: вештачката интелигенција може да даде „совршено“ но физички бесмислено вклопување на полином од висок ред; неизвесност и нема повеќе.
Strong: "Напишете крива_фит код кој одговара на моделот на радиоактивното распаѓање N = N₀·e^(−λt) на овие (t, N) податоци. Отпечатете ги λ и N₀ и нивните несигурности. Нацртајте ги остатоците во посебен графикон и коментирајте ако постои систематска шема. Предупредете ако λ е негативен."
Резултат: Физички модел, неизвесни параметри, резидуална проверка и проверка на веродостојност.
Вообичаени грешки
- Избор на модел од податоците. Изборот на „најдобро одговара“ наместо физичкиот закон ја принудува физиката да ги вклопи податоците и води до прекумерно вклопување.
- Не известување за неизвесност. Вредноста на параметарот без несигурност е научно нецелосна; Дали два резултати се компатибилни или не, може да се разбере само преку несигурност.
- Не гребење на остатоците. Прогласувањето на усогласеноста за „добро“ со гледање во окото крие систематски отстапувања.
- Прецени ја значајната цифра. Пишувањето g = 9,73418 ± 0,4 е лажна прецизност; Несигурноста одредува колку цифри се значајни.
- Заобиколувајќи ја физичката разумност. Игнорирање на невозможните последици како негативен отпор или гравитација од 50 m/s².
Внимание: Само затоа што кривата добро одговара на податоците не докажува дека основната физика е точна. Со доволно слободни параметри, „добрата“ крива може да одговара на сите податоци. Научниот интегритет бара избор на моделот од физиката, известување за несигурност и искрено испитување на остатоците. Убавата графика генерирана со вештачка интелигенција не е замена за овие контроли.
Сумирано
Во анализата на податоците од експериментот, вештачката интелигенција брзо воспоставува код и визуелизација на фитинг на кривата; но одговорноста на физичарот е да го избере физичкиот модел, точно да пријави несигурност и искрено да го процени квалитетот на вклопувањето. Добрата анализа го зема моделот од физиката, ги известува параметрите со нивните несигурности, ги испитува остатоците и ја тестира физичката веродостојност на резултатот. Во следната единица, ќе разговараме за овој концепт на несигурност подлабоко - грешка при мерење и ширење на грешка.
Задача за апликација
Поставете физички модел на мал сет на експериментални податоци што ги имате или сте ги произвеле (на пример, мерења на должина-период на нишало или податоци за струја-напон на отпорник). Испечатете го кодот со првиот шаблон на вештачката интелигенција, стартувајте го; Прочитајте ги параметрите со нивната несигурност и нацртајте ги остатоците. Проверете дали има систематска шема во остатоците, дали параметрите се физички разумни. Запишете во 5-6 реченици: дали одговарањето навистина беше добро, што кажа неизвесноста?
листа за проверка
- [ ] Моделот го избрав од физика, а не од податоци.
- [ ] Вклучив мерна несигурност, доколку ја има, во монтирањето.
- [ ] Ги пријавив параметрите со нивната несигурност и соодветна значајна цифра.
- [ ] Ги исцртав остатоците на посебен график и барав систематски обрасци.
- [ ] Проверив дали параметрите се физички разумни.
- [ ] Избегнав прекумерно поставување (непотребно голема слобода).