Gevinster:
- Evne til å skille mellom tilfeldig og systematisk usikkerhet og rapportere hvert måleresultat med dets usikkerhet til riktig signifikant siffer.
- Evne til å beregne feilutbredelse med riktig regel og uavhengig krysssjekke formelen utledet av kunstig intelligens med Monte Carlo
- Evne til å bestemme om to resultater er kompatible eller ikke, under hensyntagen til deres usikkerhet
Ingen måling i fysikk er perfekt. Det er en usikkerhet på ±0,5 mm ved lengdemåling med linjal, og ±0,1 s ved måling av tid med stoppeklokke. Disse usikkerhetene er ikke en feil, men målingens natur – og kravet til vitenskapelig integritet er å rapportere hvert resultat med dets usikkerhet. Å si "Jeg fant at gravitasjonsakselerasjonen var 9,7" er ufullstendig; Å si "Jeg fant 9,7 ± 0,3 m/s²" forteller deg hvor pålitelig resultatet er. I denne enheten lærer du hvordan du bruker kunstig intelligens (AI) for usikkerhetsberegning og feilutbredelse (hvordan måleusikkerheter overføres fra disse målingene til det beregnede resultatet) og hvordan du verifiserer disse beregningene.
Typer usikkerhet og rollen til AI
Det er to grunnleggende typer usikkerhet. Tilfeldig usikkerhet er spredning av resultater ved gjentatte målinger; Mange målinger er tatt og redusert med gjennomsnittet og standardavviket. Systematisk usikkerhet er en feil som alltid avviker i samme retning (som en feilkalibrert balanse); Den avtar ikke ved repetisjon, men korrigeres ved å finne årsaken. AI er nyttig med å forklare disse konseptene, kodifisere beregningen av standardavvik og gjennomsnitt, og - spesielt - utlede komplekse feilutbredelsesformler. Men du må verifisere hver avledet formel, fordi AI ofte blander partielle deriverte tegn eller kvadratrotstruktur i feilutbredelsesformler.
Status
konto
verifisering
Gjentatt måling
Gjennomsnitt ± standardfeil
Manuelt standardavvik / √N
Addisjon/subtraksjon (z = x ± y)
Usikkerheter summeres fra torget
Størrelse/enhetskontroll
Multiplikasjon/divisjon (z = x·y)
Relative usikkerheter summeres fra kvadratet
Test med prøvenummer
Generell funksjon
Formering med partielle derivater
Krysssjekking med Monte Carlo
Grunnleggende regler for forplantning av feil
I tillegg og subtraksjon kombineres absolutte usikkerheter ved å addere kvadratene deres: Hvis z = x + y, blir usikkerheten til z √(δx² + δy²). Ved multiplikasjon og divisjon summeres de relative (prosent) usikkerhetene fra kvadratene deres: Hvis z = x·y, (δz/z) = √((δx/x)² + (δy/y)²). For mer komplekse funksjoner er den generelle regelen å bruke partielle deriverte: effekten av hver variabel på resultatet måles av den partielle deriverte i forhold til den variabelen. AI kan utlede disse formlene, men den sikreste måten å verifisere resultatet på er en Monte Carlo-krysssjekk: å tilfeldig distribuere hver input til dens usikkerhet, beregne den tusenvis av ganger og se på fordelingen av output.
Tips: Hvis du er usikker på nøyaktigheten til en feilutbredelsesformel, oppgi den med Monte Carlo: generer tilfeldig inngangene med sin egen usikkerhet og beregn funksjonen 10 000 ganger; Standardavviket til utgangen må samsvare med usikkerheten gitt av formelen. Kombinasjonen av disse to uavhengige metodene øker i stor grad din tillit til resultatet.
Steg for steg: en ærlig usikkerhetsanalyse
1. Bestem usikkerheten for hver måling. Instrumentoppløsning, distribusjon av repetisjoner eller produsentdata. Skriv ned hvor usikkerheten kommer fra.
2. Skille mellom tilfeldig og systematisk. Vurder hver for seg hva som vil avta med repetisjon og hva som ikke vil.
3. Beregn spredningen med riktig formel. Addisjon, multiplikasjon, generell funksjon — velg riktig regel. Få AI til å utlede det, men kontroller det.
4. Krysssjekk med Monte Carlo. Gi resultatet i en uavhengig metode, spesielt for komplekse formler.
5. Rapporter med passende signifikante sifre. Usikkerhet er vanligvis avrundet til 1-2 signifikante sifre; resultatet stemmer overens med det siste sifferet i usikkerheten. Skriv "9,7 ± 0,4 m/s²", ikke "9,73418 ± 0,4".
tre minisaker
Tilfelle 1 – Feil spredningsformel. En student spurte AI om usikkerhetsforplantningen for g = 4π²L/T². AI glemte koeffisienten til 2 da han utledet bidraget til usikkerheten til T med hensyn til T (siden T² burde den relative usikkerheten vært 2·δT/T). Da studenten krysssjekket med Monte Carlo, fant han ut at AI-formelen estimerte usikkerheten med omtrent halvparten og korrigerte den.
Sak 2 — Systematisk feil skjult. En forsker tok et stort antall målinger, gjorde den tilfeldige usikkerheten veldig liten og rapporterte en imponerende presisjon på "±0,01 mm." Men skalaen var off-kaliber med 0,2 mm - en systematisk feil. Tatt i betraktning denne feilen, som ikke avtok med gjentakelse, var den sanne usikkerheten mye større. Leksjon: repetisjon reduserer tilfeldig feil, ikke systematisk feil.
Sak 3 - Monte Carlo reddet. En lærer introduserte usikkerhet i en volumberegning (V = πr²h) og fant et resultat for hånd. For å være sikker, ba han AI om en Monte Carlo-kode; Han genererte tilfeldig r og h med deres usikkerheter og beregnet V 10 000 ganger. Standardavviket til fordelingen stemte overens med verdien funnet for hånd - analysen ble validert.
Fire kopierbare maler
1) Utledning av feilutbredelse + bekreftelse:
For uttrykket z = [formel], utled feilutbredelsen fra usikkerheten til variablene x og y til usikkerheten til z ved partielle deriverte, STEG FOR TRINN. Vis hver partiell deriverte. Bekreft deretter denne formelen med SympY.Fitting; Merk trinnet du ikke er sikker på.
2) Monte Carlo krysssjekk:
Skriv en Python-kode som finner usikkerheten til følgende beregning ved å bruke Monte Carlo: z = [formel]. Inndata: x = [verdi ± usikkerhet], y = [verdi ± usikkerhet]. Prøv hver inngang 10 000 ganger fra en normalfordeling, beregn z, skriv ut gjennomsnittet og standardavviket for utgangen. Sammenlign dette med resultatet av den analytiske diffusjonsformelen.
3) Målestatistikk:
Skriv kode som beregner gjennomsnittet, standardavviket og standardfeilen for gjennomsnittet (std/√N) for følgende gjentatte måledata ([verdier]). Skriv ut resultatet i formatet "verdi ± standardfeil (enheter)" med riktig signifikant siffer. Minn oss på skillet mellom tilfeldig og systematisk usikkerhet.
4) Betydelig siffer-/rapporteringssjekk:
Omskriv resultatene nedenfor i formen "verdi ± usikkerhet (enhet)", avrund usikkerheten til 1-2 signifikante sifre og samkjør resultatet med usikkerheten. Fiks feil presisjon. Resultater: [her]
Svak forespørsel / Sterk forespørsel
Svak: "beregn usikkerheten for g."
Resultat: Et tall uten kontekst, hvis formel ikke er verifisert, og uten et systematisk/tilfeldig skille.
Sterk: "For g = 4π²L/T², utled usikkerheten til g ved partielle derivater fra målinger av L = 1,00 ± 0,01 m og T = 2,00 ± 0,02 s, krysssjekk deretter med Monte Carlo. Skriv resultatet på formen 'g = ... ± ... m/s² signifikant'."
Resultat: En utledet, uavhengig verifisert, korrekt rapportert usikkerhet.
Vanlige feil
- Rapporterer ikke usikkerhet i det hele tatt. En måling uten usikkerhet er et vitenskapelig halvt utsagn.
- Verifiserer ikke spredningsformelen. YZ blander ofte partielle deriverte koeffisienter og kvadratrotstruktur; Monte Carlo krysssjekking er et must.
- Prøver å redusere systematiske feil gjennom repetisjon. Multimåling reduserer bare tilfeldige feil; kalibreringsfeil gjenstår.
- Skaper falsk sikkerhet. Å skrive mange mer betydningsfulle sifre enn usikkerhet er et presisjonskrav som ikke eksisterer.
- Samle usikkerhet direkte. De uavhengige usikkerhetene er ikke lineære, men kvadratiske (inn i kvadratroten).
Forsiktig: Hvorvidt to fysiske resultater er "forskjellige" kan bare avgjøres ved å se på deres usikkerhet. Verdiene 9,7 til 9,81 er kompatible hvis usikkerheten er ±0,3; ±0,02 er motstridende. Å ignorere usikkerheten og si «mitt resultat avviker fra teorien» er ofte en feilaktig konklusjon. Sørg for å verifisere usikkerhetsberegningen gitt av AI før du tar en beslutning.
Oppsummert
Usikkerhet er integrert i fysisk måling, og hvert resultat bør rapporteres med sin usikkerhet. AI er nyttig for å kode usikkerhetsstatistikk og utlede formler for utbredelse av feil; men disse formlene inneholder hyppige feil og bør krysssjekkes med en uavhengig metode som Monte Carlo. Å skille tilfeldig fra systematisk usikkerhet, rapportere til riktig signifikant siffer og sammenligne resultater med deres usikkerhet er grunnlaget for ærlig vitenskapelig studie. I neste enhet vil vi flytte fokus fra numerisk analyse til symbolsk modellavledning.
Søknadsoppgave
Velg en beregning som inkluderer minst to målte størrelser (f.eks. V = πr²h eller g = 4π²L/T²). Tilordne en rimelig usikkerhet til hver størrelse. Få AI-en til å utlede feilutbredelsen med mal 1, få deretter Monte Carlo-krysssjekken med mal 2 og kjør den. Stemmer resultatene av de to metodene? Rapporter resultatet med riktig signifikant siffer. Skriv ned i 5-6 setninger: er det en formelfeil eller mismatch?
sjekkliste
- [ ] Jeg bestemte usikkerheten og kilden til hver måling.
- [ ] Jeg skilte tilfeldig og systematisk usikkerhet.
- [ ] Jeg beregnet feilutbredelsen med riktig regel.
- [ ] Jeg krysssjekket resultatet uavhengig med Monte Carlo eller for hånd.
- [ ] Jeg rapporterte resultatet med det passende signifikante sifferet, på linje med dets usikkerhet.
- [ ] Jeg tok hensyn til usikkerhet når jeg sammenlignet resultatene.