Winst:
- Vermogen om onderscheid te maken tussen willekeurige en systematische onzekerheid en elk meetresultaat met zijn onzekerheid te rapporteren in het juiste significante cijfer.
- Mogelijkheid om de voortplanting van fouten te berekenen met de juiste regel en onafhankelijk de door kunstmatige intelligentie afgeleide formule te vergelijken met Monte Carlo
- Vermogen om te beslissen of twee resultaten verenigbaar zijn of niet, rekening houdend met hun onzekerheid
Geen enkele meting in de natuurkunde is perfect. Er is een onzekerheid van ±0,5 mm bij het meten van de lengte met een liniaal, en ±0,1 s bij het meten van de tijd met een stopwatch. Deze onzekerheden zijn geen fout, maar de aard van de meting – en de vereiste van wetenschappelijke integriteit is om elk resultaat met zijn onzekerheid te rapporteren. Zeggen "Ik ontdekte dat de zwaartekrachtversnelling 9,7 was" is onvolledig; Als u zegt: "Ik heb 9,7 ± 0,3 m/s² gevonden", zegt u hoe betrouwbaar het resultaat is. In dit onderdeel leer je hoe je kunstmatige intelligentie (AI) kunt gebruiken voor de berekening van onzekerheid en de voortplanting van fouten (hoe meetonzekerheden worden overgedragen van die metingen naar het berekende resultaat) en hoe je deze berekeningen kunt verifiëren.
Soorten onzekerheid en de rol van AI
Er zijn twee basistypen van onzekerheid. Willekeurige onzekerheid is de verstrooiing van resultaten bij herhaalde metingen; Er worden veel metingen gedaan en verminderd met het gemiddelde en de standaarddeviatie. Systematische onzekerheid is een fout die altijd in dezelfde richting afwijkt (zoals een verkeerd gekalibreerde balans); Het neemt niet af bij herhaling, maar wordt gecorrigeerd door de oorzaak te vinden. AI is behulpzaam bij het uitleggen van deze concepten, het codificeren van de berekening van de standaardafwijking en het gemiddelde, en – vooral – bij het afleiden van complexe formules voor de voortplanting van fouten. Maar je moet elke afgeleide formule verifiëren, omdat AI vaak partiële afgeleide tekens of vierkantswortelstructuren combineert in formules voor het voortplanten van fouten.
Status
rekening
verificatie
Herhaalde meting
Gemiddelde ± standaardfout
Handmatige standaardafwijking / √N
Optellen/aftrekken (z = x ± y)
Onzekerheden worden opgeteld vanaf het kwadraat
Controle grootte/eenheid
Vermenigvuldigen/delen (z = x·y)
Relatieve onzekerheden worden opgeteld uit het kwadraat
Test met monsternummer
Algemene functie
Voortplanting door gedeeltelijke afgeleiden
Kruiscontrole met Monte Carlo
Basisregels voor het verspreiden van fouten
Optellen en aftrekken worden absolute onzekerheden gecombineerd door hun kwadraten op te tellen: Als z = x + y, wordt de onzekerheid van z √(δx² + δy²). Bij vermenigvuldigen en delen worden de relatieve (percentage) onzekerheden opgeteld uit hun kwadraten: Als z = x·y, (δz/z) = √((δx/x)² + (δy/y)²). Voor complexere functies is de algemene regel om partiële afgeleiden te gebruiken: het effect van elke variabele op het resultaat wordt gemeten door de partiële afgeleide met betrekking tot die variabele. AI kan deze formules afleiden, maar de veiligste manier om het resultaat te verifiëren is een Monte Carlo-kruiscontrole: elke invoer willekeurig verdelen over zijn onzekerheid, deze duizenden keren berekenen en kijken naar de verdeling van de uitvoer.
Tip: Als u niet zeker bent van de nauwkeurigheid van een formule voor het voortplanten van fouten, geef deze dan met Monte Carlo: genereer willekeurig de invoer met hun eigen onzekerheid en bereken de functie 10.000 keer; De standaardafwijking van de uitvoer moet overeenkomen met de onzekerheid die door de formule wordt gegeven. De combinatie van deze twee onafhankelijke methoden vergroot uw vertrouwen in het resultaat enorm.
Stap voor stap: een eerlijke onzekerheidsanalyse
1. Bepaal de onzekerheid van elke meting. Instrumentresolutie, distributie van herhalingen of gegevens van de fabrikant. Schrijf op waar de onzekerheid vandaan komt.
2. Maak onderscheid tussen willekeurig en systematisch. Overweeg afzonderlijk wat zal afnemen bij herhaling en wat niet.
3. Bereken de spreiding met de juiste formule. Optellen, vermenigvuldigen, algemene functie — kies de juiste regel. Laat AI het afleiden, maar beheer het.
4. Kruiscontrole met Monte Carlo. Geef het resultaat op een onafhankelijke manier weer, vooral bij complexe formules.
5. Rapporteer met de juiste significante cijfers. De onzekerheid wordt gewoonlijk afgerond op 1-2 significante cijfers; het resultaat komt overeen met het laatste cijfer van de onzekerheid. Schrijf "9,7 ± 0,4 m/s²", niet "9,73418 ± 0,4".
drie minikoffers
Geval 1 — Verkeerde spreadformule. Een student vroeg AI naar de onzekerheidsvoortplanting voor g = 4π²L/T². AI vergat de coëfficiënt van 2 bij het afleiden van de bijdrage van de onzekerheid van T ten opzichte van T (aangezien T² de relatieve onzekerheid 2·δT/T had moeten zijn). Toen de student een kruiscontrole met Monte Carlo uitvoerde, ontdekte hij dat de AI-formule de onzekerheid met ongeveer de helft schatte en corrigeerde.
Geval 2 — Systematische fout verborgen. Eén onderzoeker deed een groot aantal metingen, maakte de willekeurige onzekerheid zeer klein en rapporteerde een indrukwekkende nauwkeurigheid van “±0,01 mm.” Maar de schaal was 0,2 mm afwijkend – een systematische fout. Rekening houdend met deze fout, die niet afnam bij herhaling, was de werkelijke onzekerheid veel groter. Les: herhaling vermindert willekeurige fouten, niet systematische fouten.
Geval 3 — Monte Carlo gered. Een leraar introduceerde onzekerheid in een volumerekening (V = πr²h) en vond met de hand een resultaat. Voor de zekerheid vroeg hij de AI om een Monte Carlo-code; Hij genereerde willekeurig r en h met hun onzekerheden en berekende V 10.000 keer. De standaardafwijking van de verdeling kwam overeen met de handmatig gevonden waarde: de analyse werd gevalideerd.
Vier kopieerbare sjablonen
1) Afleiding van foutvoortplanting + verificatie:
Leid voor de uitdrukking z = [formule] de foutvoortplanting af van de onzekerheden van de variabelen x en y naar de onzekerheid van z door middel van gedeeltelijke afgeleiden, STAP VOOR STAP. Toon elke partiële afgeleide. Controleer deze formule vervolgens met SympY.Fitting; Markeer de stap waarvan u niet zeker bent.
2) Kruiscontrole in Monte Carlo:
Schrijf een Python-code die de onzekerheid van de volgende berekening met Monte Carlo berekent: z = [formule]. Invoer: x = [waarde ± onzekerheid], y = [waarde ± onzekerheid]. Steek elke invoer 10.000 keer uit een normale verdeling, bereken z, druk het gemiddelde en de standaardafwijking van de uitvoer af. Vergelijk dit met het resultaat van de analytische diffusieformule.
3) Meetstatistieken:
Schrijf code die het gemiddelde, de standaardafwijking en de standaardfout van het gemiddelde (std/√N) berekent voor de volgende herhaalde meetgegevens ([waarden]). Druk het resultaat af in het formaat "waarde ± standaardfout (eenheden)" met het juiste significante cijfer. Herinner ons aan het onderscheid tussen willekeurige en systematische onzekerheid.
4) Significant cijfer / rapportagecontrole:
Herschrijf de onderstaande resultaten in de vorm "waarde ± onzekerheid (eenheid)", rond de onzekerheid af op 1-2 significante cijfers en breng het resultaat in lijn met de onzekerheid. Corrigeer valse precisie. Resultaten: [hier]
Zwakke prompt/sterke prompt
Zwak: "bereken de onzekerheid voor g."
Resultaat: een getal zonder context, waarvan de formule niet is geverifieerd, en zonder systematisch/willekeurig onderscheid.
Sterk: "Voor g = 4π²L/T², leid de onzekerheid van g af door partiële afgeleiden uit metingen van L = 1,00 ± 0,01 m en T = 2,00 ± 0,02 s, en controleer vervolgens met Monte Carlo. Schrijf het resultaat in de vorm 'g = ... ± ... m/s²' met het juiste significante cijfer."
Resultaat: Een afgeleide, onafhankelijk geverifieerde, correct gerapporteerde onzekerheid.
Veel voorkomende fouten
- Ik rapporteer helemaal geen onzekerheid. Een meting zonder onzekerheid is een wetenschappelijke halve verklaring.
- De spreidingsformule niet verifiëren. YZ combineert vaak partiële afgeleide coëfficiënten en vierkantswortelstructuur; Kruiscontroles in Monte Carlo zijn een must.
- Proberen systematische fouten te verminderen door herhaling. Multi-meting vermindert alleen willekeurige fouten; kalibratiefout blijft bestaan.
- Het creëren van valse zekerheid. Het schrijven van veel significantere cijfers dan de onzekerheid is een claim van nauwkeurigheid die niet bestaat.
- Onzekerheden direct opvangen. De onafhankelijke onzekerheden zijn niet lineair, maar kwadratisch (in de vierkantswortel).
Let op: of twee fysieke resultaten "verschillend" zijn, kan alleen worden bepaald door naar hun onzekerheid te kijken. Waarden 9,7 tot 9,81 zijn compatibel als de onzekerheid ±0,3 bedraagt; ±0,02 is tegenstrijdig. Het negeren van de onzekerheid en zeggen ‘mijn resultaat wijkt af van de theorie’ is vaak een onjuiste conclusie. Zorg ervoor dat u de onzekerheidsberekening van de AI verifieert voordat u een beslissing neemt.
Samengevat
Onzekerheid is een integraal onderdeel van fysieke metingen en elk resultaat moet met de bijbehorende onzekerheid worden gerapporteerd. AI is nuttig bij het coderen van onzekerheidsstatistieken en het afleiden van formules voor het voortplanten van fouten; maar deze formules bevatten frequente fouten en moeten worden gecontroleerd door een onafhankelijke methode zoals Monte Carlo. Het onderscheiden van willekeurige van systematische onzekerheid, het rapporteren met het juiste significante cijfer en het vergelijken van resultaten met hun onzekerheid is de basis van eerlijk wetenschappelijk onderzoek. In de volgende unit zullen we de focus verleggen van numerieke analyse naar symbolische modelafleiding.
Applicatie taak
Kies een berekening die minimaal twee gemeten grootheden omvat (bijvoorbeeld V = πr²h of g = 4π²L/T²). Ken aan elke maat een redelijke onzekerheid toe. Laat de AI de foutvoortplanting afleiden met sjabloon 1, laat vervolgens de Monte Carlo een kruiscontrole uitvoeren met sjabloon 2 en voer deze uit. Komen de resultaten van de twee methoden overeen? Rapporteer het resultaat met het juiste significante cijfer. Schrijf op in 5-6 zinnen: is er een formulefout of komt deze niet overeen?
controlelijst
- [ ] Van elke meting heb ik de onzekerheid en de bron bepaald.
- [ ] Ik heb willekeurige en systematische onzekerheid onderscheiden.
- [ ] Ik heb de foutvoortplanting met de juiste regel berekend.
- [ ] Ik heb het resultaat onafhankelijk gecontroleerd met Monte Carlo of met de hand.
- [ ] Ik rapporteerde het resultaat met het juiste significante cijfer, in lijn met de onzekerheid ervan.
- [ ] Bij het vergelijken van de resultaten heb ik rekening gehouden met onzekerheid.