ਲਾਭ:
- ਸੋਲਵਰਜ਼ ਜਿਵੇਂ ਕਿ solve_ivp ਦੇ ਨਾਲ ਇੱਕ ਗਤੀਸ਼ੀਲ ਭੌਤਿਕ ਪ੍ਰਣਾਲੀ ਦੀ ਨਕਲ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਕੁੱਲ ਊਰਜਾ ਜਾਂ ਗਤੀ ਸੰਭਾਲ ਦੀ ਨਿਗਰਾਨੀ ਕਰਕੇ ਸਿਮੂਲੇਸ਼ਨ ਦੀ ਵੈਧਤਾ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਕਨਵਰਜੈਂਸ ਟੈਸਟ ਦੇ ਨਾਲ ਸਟੈਪ ਸਾਈਜ਼ ਦੀ ਚੋਣ ਕਰਕੇ ਅਸਲ ਭੌਤਿਕ ਵਿਗਿਆਨ ਤੋਂ ਸੰਖਿਆਤਮਕ ਕਲਾਤਮਕ ਚੀਜ਼ਾਂ ਨੂੰ ਵੱਖ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਜਾਣੀਆਂ-ਪਛਾਣੀਆਂ ਵਿਸ਼ਲੇਸ਼ਣੀ ਸਥਿਤੀਆਂ ਅਤੇ ਭੌਤਿਕ ਸੀਮਾ ਅਵਸਥਾਵਾਂ ਨਾਲ ਤੁਲਨਾ ਕਰਕੇ ਸਿਮੂਲੇਸ਼ਨ ਨਤੀਜੇ ਦੀ ਜਾਂਚ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
ਬਹੁਤਾ ਭੌਤਿਕ ਵਿਗਿਆਨ ਸਮਾਂ-ਵੱਖਰੇ ਸਿਸਟਮਾਂ ਨਾਲ ਸੰਬੰਧਿਤ ਹੈ: ਇੱਕ ਓਸੀਲੇਟਿੰਗ ਪੈਂਡੂਲਮ, ਇੱਕ ਚੱਕਰੀ ਗ੍ਰਹਿ, ਇੱਕ ਕੂਲਿੰਗ ਬਾਡੀ, ਇੱਕ ਪ੍ਰਸਾਰਿਤ ਲਹਿਰ। ਇਹਨਾਂ ਵਿੱਚੋਂ ਜ਼ਿਆਦਾਤਰ ਪ੍ਰਣਾਲੀਆਂ ਦਾ ਵਰਣਨ ਵਿਭਿੰਨ ਸਮੀਕਰਨਾਂ ਦੁਆਰਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ- ਯਾਨੀ ਉਹ ਸਮੀਕਰਨਾਂ ਜੋ ਕਿਸੇ ਮਾਤਰਾ (ਸਥਿਤੀ, ਤਾਪਮਾਨ) ਦੀ ਤਬਦੀਲੀ ਦੀ ਦਰ ਨੂੰ ਉਸ ਮਾਤਰਾ ਨਾਲ ਸਬੰਧਤ ਕਰਦੀਆਂ ਹਨ। ਇਹਨਾਂ ਸਮੀਕਰਨਾਂ ਦਾ ਅਕਸਰ ਕੋਈ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ (ਫਾਰਮੂਲਾ-ਸਹੀ) ਹੱਲ ਨਹੀਂ ਹੁੰਦਾ; ਇਸਦੀ ਬਜਾਏ ਅਸੀਂ ਸਿਮੂਲੇਟ ਕਰਦੇ ਹਾਂ: ਸਿਸਟਮ ਨੂੰ ਛੋਟੇ ਸਮੇਂ ਦੇ ਕਦਮਾਂ ਵਿੱਚ ਅੱਗੇ ਵਧਣਾ ਅਤੇ ਸੰਖਿਆਤਮਕ ਤੌਰ 'ਤੇ ਇਸਦੇ ਵਿਵਹਾਰ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨਾ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਤੁਸੀਂ ਸਿੱਖੋਗੇ ਕਿ ਸਿਮੂਲੇਸ਼ਨ ਕੋਡ ਬਣਾਉਣ ਲਈ ਆਰਟੀਫਿਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰਨੀ ਹੈ ਅਤੇ — ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ — ਸੁਰੱਖਿਆ ਕਾਨੂੰਨਾਂ ਨਾਲ ਕਿਵੇਂ ਤਸਦੀਕ ਕਰਨਾ ਹੈ ਕਿ ਕੀ ਸਿਮੂਲੇਸ਼ਨ ਸਹੀ ਢੰਗ ਨਾਲ ਭੌਤਿਕ ਵਿਗਿਆਨ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ।
ਸਿਮੂਲੇਸ਼ਨ ਦਾ ਮੂਲ ਵਿਚਾਰ ਅਤੇ ਏਆਈ ਦੀ ਭੂਮਿਕਾ
ਇੱਕ ਸਿਮੂਲੇਸ਼ਨ ਵਿੱਚ ਇਹ ਚੱਕਰ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ: ਮੌਜੂਦਾ ਸਥਿਤੀ ਲਓ, ਤਬਦੀਲੀ ਦੀ ਸਮੀਕਰਨ ਲਾਗੂ ਕਰੋ, ਇੱਕ ਛੋਟੇ Δt ਦੁਆਰਾ ਅੱਗੇ ਵਧੋ, ਦੁਹਰਾਓ। AI ਇਸ ਲੂਪ ਨੂੰ ਬਣਾਉਣ ਵਿੱਚ ਬਹੁਤ ਤੇਜ਼ ਹੈ, ਸਹੀ ਹੱਲ ਕਰਨ ਵਾਲੇ ਦੀ ਚੋਣ ਕਰਦਾ ਹੈ — ਐਲਗੋਰਿਦਮ ਜੋ ਕਦਮ ਦਰ ਕਦਮ ਵਿਭਿੰਨ ਸਮੀਕਰਨਾਂ ਨੂੰ ਹੱਲ ਕਰਦਾ ਹੈ, ਅਤੇ ਕੋਡ ਨੂੰ ਸੰਪਾਦਿਤ ਕਰਦਾ ਹੈ। ਭੌਤਿਕ ਵਿਗਿਆਨੀ ਦਾ ਮਿਆਰੀ ਟੂਲ scipy.integrate.solve_ivp (SciPy ਫੰਕਸ਼ਨ ਜੋ ਸ਼ੁਰੂਆਤੀ ਮੁੱਲ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਦਾ ਹੈ) ਹੈ। ਪਰ ਇਸ ਤੋਂ ਪਹਿਲਾਂ ਕਿ ਤੁਸੀਂ AI ਦੁਆਰਾ ਬਣਾਏ ਸਿਮੂਲੇਸ਼ਨ 'ਤੇ ਭਰੋਸਾ ਕਰੋ, ਤੁਹਾਨੂੰ ਇਹ ਸਵਾਲ ਜ਼ਰੂਰ ਪੁੱਛਣਾ ਚਾਹੀਦਾ ਹੈ: ਕੀ ਇਹ ਸਿਮੂਲੇਸ਼ਨ ਭੌਤਿਕ ਮਾਤਰਾਵਾਂ (ਊਰਜਾ, ਮੋਮੈਂਟਮ, ਐਂਗੁਲਰ ਮੋਮੈਂਟਮ) ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਣ ਦੀ ਲੋੜ ਹੈ?
ਸਿਸਟਮ
ਸਮੀਕਰਨ ਦੀ ਕਿਸਮ
ਪ੍ਰਮਾਣਿਕਤਾ ਮਾਪਦੰਡ
ਪੈਂਡੂਲਮ, ਬਸੰਤ
ਦੂਜੀ ਡਿਗਰੀ ODE
ਕੁੱਲ ਊਰਜਾ ਦੀ ਸਥਿਰਤਾ
ਗ੍ਰਹਿ ਚੱਕਰ
ਨਿਊਟੋਨੀਅਨ ਗਰੈਵੀਟੇਸ਼ਨਲ ODE
ਐਂਗੁਲਰ ਮੋਮੈਂਟਮ + ਊਰਜਾ ਦੀ ਸੰਭਾਲ
ਠੰਡਾ/ਗਰਮੀ
ਪਹਿਲੀ ਡਿਗਰੀ ODE
ਸੰਤੁਲਨ ਤਾਪਮਾਨ ਨੂੰ ਕਨਵਰਜੈਂਸ
ਰੇਡੀਓਐਕਟਿਵ ਸੜਨ
ਘਾਤਕ ODE
ਅੱਧੀ-ਜੀਵਨ ਨਿਯੰਤਰਣ
ਮੋਂਟੇ ਕਾਰਲੋ (ਬੇਤਰਤੀਬ)
ਅੰਕੜਾ
ਜਾਣੇ-ਪਛਾਣੇ ਮੱਧਮਾਨ/ਵੰਡ ਲਈ ਕਨਵਰਜੈਂਸ
ਨੋਟ: ODE ਦਾ ਅਰਥ ਹੈ "ਆਮ ਵਿਭਿੰਨ ਸਮੀਕਰਨ" - ਇੱਕ ਸਮੀਕਰਨ ਜਿਸ ਵਿੱਚ ਇੱਕ ਸਿੰਗਲ ਵੇਰੀਏਬਲ (ਆਮ ਤੌਰ 'ਤੇ ਸਮਾਂ) ਦੇ ਸਬੰਧ ਵਿੱਚ ਇੱਕ ਡੈਰੀਵੇਟਿਵ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ।
ਕਦਮ ਦਰ ਕਦਮ: ਇੱਕ ਭਰੋਸੇਯੋਗ ਸਿਮੂਲੇਸ਼ਨ
1. ਭੌਤਿਕ ਵਿਗਿਆਨ ਅਤੇ ਸ਼ੁਰੂਆਤੀ ਸਥਿਤੀਆਂ ਨੂੰ ਸਪਸ਼ਟ ਕਰੋ। ਸਿਸਟਮ ਦਾ ਸਮੀਕਰਨ ਕੀ ਹੈ? ਸ਼ੁਰੂਆਤੀ ਸਥਿਤੀ, ਗਤੀ, ਤਾਪਮਾਨ ਕੀ ਹੈ? ਇਕਾਈਆਂ ਕੀ ਹਨ? ਇਨ੍ਹਾਂ ਨੂੰ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ AI ਨੂੰ ਦਿਓ।
2. ਢੁਕਵੇਂ ਹੱਲ ਕਰਨ ਵਾਲੇ ਅਤੇ ਕਦਮ ਦਾ ਆਕਾਰ ਚੁਣੋ। ਬਹੁਤ ਵੱਡਾ ਸਮਾਂ ਕਦਮ ਸਿਮੂਲੇਸ਼ਨ ਨੂੰ ਅਸਥਿਰ ਬਣਾਉਂਦਾ ਹੈ (ਨਤੀਜਾ ਫਟਦਾ ਹੈ ਜਾਂ ਭੌਤਿਕ ਵਿਗਿਆਨ ਟੁੱਟ ਜਾਂਦਾ ਹੈ); ਬਹੁਤ ਛੋਟਾ ਇੱਕ ਕਦਮ ਬੇਲੋੜਾ ਹੌਲੀ ਹੋ ਜਾਂਦਾ ਹੈ। AI ਸੁਝਾਅ ਦੇ ਸਕਦਾ ਹੈ, ਪਰ ਫੈਸਲੇ 'ਤੇ ਨਿਯੰਤਰਣ ਪਾ ਸਕਦਾ ਹੈ।
3. ਕੋਡ ਵਿੱਚ ਸੁਰੱਖਿਆ ਕਾਨੂੰਨ ਦੀ ਪਾਲਣਾ ਕਰੋ। ਪੂਰੇ ਸਿਮੂਲੇਸ਼ਨ ਦੌਰਾਨ ਕੁੱਲ ਊਰਜਾ (ਜਾਂ ਗਤੀ) ਦੀ ਗਣਨਾ ਕਰੋ ਅਤੇ ਪ੍ਰਿੰਟ ਕਰੋ। ਜੇ ਇਹ ਇੱਕ ਵਿਸ਼ਾਲਤਾ ਨੂੰ ਵਹਿ ਜਾਂਦਾ ਹੈ ਜੋ ਸਥਿਰ ਰਹਿਣਾ ਚਾਹੀਦਾ ਹੈ, ਤਾਂ ਸਿਮੂਲੇਸ਼ਨ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹੈ।
4. ਕਿਸੇ ਜਾਣੇ-ਪਛਾਣੇ ਹੱਲ ਨਾਲ ਤੁਲਨਾ ਕਰੋ। ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਛੋਟੇ ਐਂਪਲੀਟਿਊਡ ਪੈਂਡੂਲਮ ਦੀ ਮਿਆਦ ਨੂੰ ਫਾਰਮੂਲੇ T = 2π√(L/g) ਦੁਆਰਾ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ; ਸਿਮੂਲੇਸ਼ਨ ਦੁਆਰਾ ਦਿੱਤੀ ਗਈ ਮਿਆਦ ਦੀ ਇਸ ਨਾਲ ਤੁਲਨਾ ਕਰੋ।
5. ਪੈਰਾਮੀਟਰ ਬਦਲੋ, ਟੈਸਟ ਵਿਹਾਰ। ਜਦੋਂ ਰਗੜ ਜੋੜਿਆ ਜਾਂਦਾ ਹੈ ਤਾਂ ਕੀ ਓਸਿਲੇਸ਼ਨ ਗਿੱਲਾ ਹੋ ਜਾਂਦਾ ਹੈ? ਜਦੋਂ ਪੁੰਜ ਵਧਦਾ ਹੈ ਤਾਂ ਕੀ ਔਰਬਿਟ ਉਮੀਦ ਅਨੁਸਾਰ ਬਦਲਦਾ ਹੈ? ਸਰੀਰਕ ਅਨੁਭਵ ਨਾਲ ਟੈਸਟ ਕਰੋ।
ਸੰਕੇਤ: ਹਰੇਕ ਸਿਮੂਲੇਸ਼ਨ ਵਿੱਚ ਇੱਕ "ਊਰਜਾ ਟਰੈਕਰ" ਸ਼ਾਮਲ ਕਰੋ: ਹਰੇਕ ਪੜਾਅ 'ਤੇ ਕੁੱਲ ਊਰਜਾ ਦੀ ਗਣਨਾ ਕਰੋ ਅਤੇ ਇਸਨੂੰ ਸ਼ੁਰੂਆਤੀ ਊਰਜਾ ਦੇ ਅਨੁਪਾਤ ਦੇ ਰੂਪ ਵਿੱਚ ਪਲਾਟ ਕਰੋ। ਇੱਕ ਰਗੜ-ਰਹਿਤ ਪ੍ਰਣਾਲੀ ਵਿੱਚ, ਇਹ ਅਨੁਪਾਤ 1 ਦੇ ਨੇੜੇ ਸਥਿਰ ਰਹਿਣਾ ਚਾਹੀਦਾ ਹੈ। 1% ਤੋਂ ਵੱਧ ਦਾ ਵਹਾਅ ਇੱਕ ਸੰਕੇਤ ਹੈ ਕਿ ਤੁਹਾਨੂੰ ਸਟੈਪ ਦਾ ਆਕਾਰ ਘਟਾਉਣ ਜਾਂ ਹੱਲ ਕਰਨ ਵਾਲੇ ਨੂੰ ਬਦਲਣ ਦੀ ਲੋੜ ਹੈ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 - ਊਰਜਾ ਦਾ ਫਟਣਾ। ਇੱਕ ਵਿਦਿਆਰਥੀ ਨੇ AI ਦੁਆਰਾ ਲਿਖੀ ਇੱਕ ਸਧਾਰਨ ਯੂਲਰ ਵਿਧੀ (ਸਭ ਤੋਂ ਮੁੱਢਲੀ ਪੜਾਅ ਵਿਧੀ) ਨਾਲ ਇੱਕ ਗ੍ਰਹਿ ਚੱਕਰ ਦੀ ਨਕਲ ਕੀਤੀ। ਸਮੇਂ ਦੇ ਨਾਲ-ਨਾਲ ਚੱਕਰ ਹੌਲੀ-ਹੌਲੀ ਚੌੜਾ ਹੁੰਦਾ ਗਿਆ ਅਤੇ ਗ੍ਰਹਿ "ਉੱਡ ਗਿਆ"। ਜਿਵੇਂ ਕਿ ਵਿਦਿਆਰਥੀ ਨੇ ਕੁੱਲ ਊਰਜਾ ਦੀ ਨਿਗਰਾਨੀ ਕੀਤੀ, ਉਸਨੇ ਦੇਖਿਆ ਕਿ ਇਹ ਲਗਾਤਾਰ ਵਧ ਰਹੀ ਹੈ - ਯੂਲਰ ਦੀ ਵਿਧੀ ਦਾ ਇੱਕ ਜਾਣਿਆ-ਪਛਾਣਿਆ ਨੁਕਸ। ਉਸਨੇ AI ਨੂੰ ਇੱਕ ਹੱਲ ਕਰਨ ਲਈ ਕਿਹਾ ਜੋ ਊਰਜਾ ਦੀ ਬਿਹਤਰ ਬਚਤ ਕਰਦਾ ਹੈ (sol_ivp ਨਾਲ ਇੱਕ ਵਧੇਰੇ ਢੁਕਵਾਂ ਤਰੀਕਾ) ਅਤੇ ਔਰਬਿਟ ਇੱਕ ਸਥਿਰ ਅੰਡਾਕਾਰ ਵਿੱਚ ਸੈਟਲ ਹੋ ਜਾਂਦਾ ਹੈ।
ਕੇਸ 2 - ਗਲਤ ਇਕਾਈ, ਗਲਤ ਮਿਆਦ। ਇੱਕ ਅਧਿਆਪਕ ਨੇ ਪੈਂਡੂਲਮ ਸਿਮੂਲੇਸ਼ਨ ਵਿੱਚ ਪੀਰੀਅਡ 0.2 s ਪਾਇਆ, ਪਰ ਅਨੁਮਾਨਿਤ ਮੁੱਲ 2 s ਸੀ। ਜਦੋਂ ਉਸਨੇ ਇਸਦੀ ਜਾਂਚ ਕੀਤੀ, ਤਾਂ ਉਸਨੇ ਮਹਿਸੂਸ ਕੀਤਾ ਕਿ ਏਆਈ ਨੇ ਲੰਬਾਈ ਨੂੰ ਸੈਂਟੀਮੀਟਰ ਵਿੱਚ ਦਾਖਲ ਕੀਤਾ ਹੈ ਅਤੇ ਇਸਨੂੰ ਫਾਰਮੂਲੇ ਵਿੱਚ ਇੱਕ ਮੀਟਰ ਦੇ ਰੂਪ ਵਿੱਚ ਵਰਤਿਆ ਹੈ। ਯੂਨਿਟ ਸੁਧਾਰ ਦੇ ਨਾਲ, ਸਿਮੂਲੇਸ਼ਨ T = 2π√(L/g) ਦੇ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਮੁੱਲ ਨਾਲ ਸਹਿਮਤ ਹੈ।
ਕੇਸ 3 — ਮੋਂਟੇ ਕਾਰਲੋ ਤਸਦੀਕ। ਇੱਕ ਖੋਜਕਰਤਾ ਨੇ ਏਆਈ ਨੂੰ ਇੱਕ ਕੋਡ ਲਈ ਕਿਹਾ ਜੋ ਬੇਤਰਤੀਬ ਢੰਗ ਨਾਲ ਨਮੂਨੇ (ਮੋਂਟੇ ਕਾਰਲੋ - ਬੇਤਰਤੀਬ ਸੰਖਿਆਵਾਂ ਦੇ ਨਾਲ ਅੰਕੜਾ ਸਿਮੂਲੇਸ਼ਨ) ਇੱਕ ਡਿਟੈਕਟਰ ਨੂੰ ਮਾਰਦੇ ਹੋਏ ਕਣਾਂ ਲਈ। ਨਤੀਜੇ ਦੀ ਤਸਦੀਕ ਕਰਨ ਲਈ, ਉਸਨੇ ਇੱਕੋ ਵਿਧੀ ਦੁਆਰਾ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਤੌਰ 'ਤੇ ਜਾਣੇ ਜਾਂਦੇ ਇੱਕ ਸਧਾਰਨ ਕੇਸ (ਜਿਵੇਂ ਕਿ ਇੱਕ ਚੱਕਰ ਦੇ ਖੇਤਰ ਦੇ ਅਨੁਪਾਤ ਦੁਆਰਾ π ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣਾ) ਚਲਾਇਆ; ਜਦੋਂ ਕੋਡ ਨੇ π ਦੀ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ, ਤਾਂ ਅਸਲ ਸਿਮੂਲੇਸ਼ਨ ਵਿੱਚ ਇਸਦਾ ਭਰੋਸਾ ਵਧ ਗਿਆ। ਉਸਨੇ ਇਹ ਵੀ ਦੇਖਿਆ ਕਿ ਜਿਵੇਂ-ਜਿਵੇਂ ਨਮੂਨਿਆਂ ਦੀ ਗਿਣਤੀ ਵਧਦੀ ਗਈ, ਨਤੀਜਾ ਸੰਕੁਚਿਤ ਅਤੇ ਅਸਲ ਮੁੱਲ ਵਿੱਚ ਬਦਲ ਗਿਆ।
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ
1) ਸੰਭਾਲ-ਨਿਗਰਾਨੀ ਸਿਮੂਲੇਸ਼ਨ:
Python ਕੋਡ ਲਿਖੋ ਜੋ ਹੱਲ_ivp ਨਾਲ ਨਿਮਨਲਿਖਤ ਭੌਤਿਕ ਪ੍ਰਣਾਲੀ ਦੀ ਨਕਲ ਕਰਦਾ ਹੈ: [ਸਿਸਟਮ, ਸਮੀਕਰਨ, ਸ਼ੁਰੂਆਤੀ ਸਥਿਤੀਆਂ, ਇਕਾਈਆਂ]। ਸਮੁੱਚੀ ਸਿਮੂਲੇਸ਼ਨ ਦੌਰਾਨ, ਹਰੇਕ ਪੜਾਅ 'ਤੇ ਕੁੱਲ ਊਰਜਾ (ਅਤੇ ਮੋਮੈਂਟਮ, ਜੇਕਰ ਕੋਈ ਹੋਵੇ) ਦੀ ਗਣਨਾ ਕਰੋ ਅਤੇ ਸਮੇਂ ਦੇ ਨਾਲ ਇਸਦੇ ਸ਼ੁਰੂਆਤੀ ਮੁੱਲ ਦੇ ਅਨੁਪਾਤ ਨੂੰ ਪਲਾਟ ਕਰੋ। ਨੋਟ ਕਰੋ ਕਿ ਰਗੜ ਰਹਿਤ ਕੇਸ ਵਿੱਚ, ਇਹ ਅਨੁਪਾਤ ~1 ਸਥਿਰ ਰਹਿਣਾ ਚਾਹੀਦਾ ਹੈ।
2) ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਤੁਲਨਾ:
ਕੋਡ ਸ਼ਾਮਲ ਕਰੋ ਜੋ ਹੇਠਾਂ ਦਿੱਤੇ ਸਿਮੂਲੇਸ਼ਨ ਦੇ ਨਤੀਜੇ ਦੀ ਤੁਲਨਾ ਇਸ ਸਿਸਟਮ ([ਫਾਰਮੂਲਾ]) ਦੇ ਜਾਣੇ ਜਾਂਦੇ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਹੱਲ ਨਾਲ ਕਰਦਾ ਹੈ। ਦੋਵਾਂ ਨੂੰ ਇੱਕੋ ਗ੍ਰਾਫ਼ 'ਤੇ ਪਲਾਟ ਕਰੋ ਅਤੇ ਸੰਖਿਆਤਮਕ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਵਿਚਕਾਰ ਵੱਧ ਤੋਂ ਵੱਧ ਅੰਤਰ ਨੂੰ ਛਾਪੋ। ਸਿਮੂਲੇਸ਼ਨ ਕੋਡ: [ਇੱਥੇ]
3) ਕਦਮ ਦਾ ਆਕਾਰ / ਸਥਿਰਤਾ ਟੈਸਟ:
ਕੋਡ ਲਿਖੋ ਜੋ ਹੇਠਾਂ ਦਿੱਤੇ ਸਿਮੂਲੇਸ਼ਨ ਨੂੰ ਵੱਖ-ਵੱਖ ਸਮੇਂ ਦੇ ਕਦਮਾਂ ਨਾਲ ਚਲਾਉਂਦਾ ਹੈ (ਉਦਾਹਰਨ ਲਈ dt = 0.1, 0.01, 0.001) ਅਤੇ ਇਹ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਨਤੀਜੇ ਕਿਵੇਂ ਬਦਲਦੇ ਹਨ। ਦੱਸੋ ਕਿ ਕਿਹੜੇ ਪੜਾਅ ਦੇ ਆਕਾਰ ਤੋਂ ਬਾਅਦ ਨਤੀਜਾ ਸਥਿਰ ਹੁੰਦਾ ਹੈ (ਇਕਸਾਰ ਹੁੰਦਾ ਹੈ)। ਕੋਡ: [ਇੱਥੇ]
4) ਸਰੀਰਕ ਸੀਮਾ ਸਟੇਟ ਟੈਸਟਿੰਗ:
ਨਿਮਨਲਿਖਤ ਸਿਮੂਲੇਸ਼ਨ ਲਈ 3 ਭੌਤਿਕ ਸੀਮਾ ਸਥਿਤੀ ਟੈਸਟਾਂ ਦਾ ਸੁਝਾਅ ਦਿਓ: (ਉਦਾਹਰਣ ਲਈ ਜਦੋਂ ਰਗੜ ਜ਼ੀਰੋ ਹੋਵੇ ਤਾਂ ਊਰਜਾ ਨੂੰ ਸੁਰੱਖਿਅਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਜਦੋਂ ਰਗੜ ਵੱਡਾ ਹੁੰਦਾ ਹੈ ਤਾਂ ਤੇਜ਼ੀ ਨਾਲ ਰੁਕਣਾ, ਜਦੋਂ ਪੁੰਜ ਦੁੱਗਣਾ ਹੁੰਦਾ ਹੈ ਤਾਂ ਮਿਆਦ ਕਿਵੇਂ ਬਦਲਣੀ ਚਾਹੀਦੀ ਹੈ)। ਹਰੇਕ ਟੈਸਟ ਦੇ ਸੰਭਾਵਿਤ ਨਤੀਜੇ ਨੂੰ ਇੱਕ ਵਾਕ ਵਿੱਚ ਲਿਖੋ। ਕੋਡ: [ਇੱਥੇ]
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ: "ਇੱਕ ਪੈਂਡੂਲਮ ਸਿਮੂਲੇਸ਼ਨ ਲਿਖੋ।"
ਨਤੀਜਾ: ਬਿਨਾਂ ਇਕਾਈਆਂ ਵਾਲਾ ਕੋਡ, ਕੋਈ ਪ੍ਰਮਾਣਿਕਤਾ, ਕੋਈ ਸੁਰੱਖਿਆ ਜਾਂਚਾਂ ਨਹੀਂ; ਇਹ ਅਸਪਸ਼ਟ ਹੈ ਕਿ ਇਹ ਭੌਤਿਕ ਵਿਗਿਆਨ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜਾਂ ਨਹੀਂ।
ਮਜਬੂਤ: "ਇੱਕ solve_ivp ਕੋਡ ਲਿਖੋ ਜੋ ਲੰਬਾਈ L = 1 m, ਸ਼ੁਰੂਆਤੀ ਕੋਣ 10° ਦੇ ਇੱਕ ਸਧਾਰਨ ਪੈਂਡੂਲਮ ਦੀ ਨਕਲ ਕਰਦਾ ਹੈ, g = 9.81 m/s² ਦੇ ਨਾਲ 10 ਸਕਿੰਟਾਂ ਲਈ। ਹਰੇਕ ਪੜਾਅ 'ਤੇ ਕੁੱਲ ਊਰਜਾ ਦੀ ਨਿਗਰਾਨੀ ਕਰੋ ਅਤੇ ਸ਼ੁਰੂਆਤ ਦੇ ਅਨੁਪਾਤ ਨੂੰ ਪਲਾਟ ਕਰੋ। ਛੋਟੇ ਐਪਲੀਟਿਊਡ ਅਤੇ T2√ ਪ੍ਰਿੰਟ ਫਾਰਮੂਲੇ ਨਾਲ ਮਾਪੀ ਗਈ ਮਿਆਦ ਦੀ ਤੁਲਨਾ ਕਰੋ।
ਨਤੀਜਾ: ਇਕਾਈਆਂ ਦੇ ਨਾਲ ਇੱਕ ਭਰੋਸੇਯੋਗ ਸਿਮੂਲੇਸ਼ਨ, ਸੁਰੱਖਿਆ ਨਿਗਰਾਨੀ, ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਮੁੱਲ ਨਾਲ ਤੁਲਨਾ।
ਆਮ ਗਲਤੀਆਂ
- ਸੰਭਾਲ ਦੇ ਕਾਨੂੰਨ ਦੀ ਪਾਲਣਾ ਨਾ ਕਰਨਾ. ਜੇਕਰ ਊਰਜਾ ਜਾਂ ਮੋਮੈਂਟਮ ਵਹਿ ਰਿਹਾ ਹੈ, ਤਾਂ ਸਿਮੂਲੇਸ਼ਨ ਗਲਤ ਹੈ; ਇਸ ਨੂੰ ਦੇਖੇ ਬਿਨਾਂ ਨਤੀਜੇ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ ਸਭ ਤੋਂ ਆਮ ਗਲਤੀ ਹੈ।
- ਕਦਮ ਦਾ ਆਕਾਰ ਆਪਹੁਦਰੇ ਢੰਗ ਨਾਲ ਚੁਣਨਾ। ਬਹੁਤ ਵੱਡਾ ਕਦਮ ਬੇਲੋੜਾ ਖਰਚਾ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਬਹੁਤ ਛੋਟਾ ਕਦਮ ਬੇਲੋੜੇ ਖਰਚੇ ਪੈਦਾ ਕਰਦਾ ਹੈ; ਕਨਵਰਜੈਂਸ ਟੈਸਟਿੰਗ ਜ਼ਰੂਰੀ ਹੈ।
- ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਤੁਲਨਾਵਾਂ ਨਹੀਂ ਕਰ ਰਿਹਾ। ਕਿਸੇ ਜਾਣੇ-ਪਛਾਣੇ ਵਿਸ਼ੇਸ਼ ਕੇਸ (ਛੋਟੇ ਐਪਲੀਟਿਊਡ, ਰਗੜ ਰਹਿਤ ਅਵਸਥਾ) ਨਾਲ ਇਸਦੀ ਤੁਲਨਾ ਕੀਤੇ ਬਿਨਾਂ, ਸਿਮੂਲੇਸ਼ਨ ਦੀ ਨਿਗਰਾਨੀ ਨਹੀਂ ਕੀਤੀ ਜਾਂਦੀ।
- ਭੌਤਿਕ ਵਿਗਿਆਨ ਲਈ ਇੱਕ ਸੰਖਿਆਤਮਕ ਨੁਕਸ ਨੂੰ ਗਲਤ ਕਰਨਾ. ਵਿਹਾਰ ਜਿਵੇਂ ਕਿ ਔਰਬਿਟਲ ਵਿਸਤਾਰ ਅਕਸਰ ਵਿਧੀ ਦਾ ਇੱਕ ਨੁਕਸ ਹੁੰਦਾ ਹੈ, ਅਸਲ ਭੌਤਿਕ ਵਿਗਿਆਨ ਨਹੀਂ।
- ਬੇਤਰਤੀਬ ਸਿਮੂਲੇਸ਼ਨ ਵਿੱਚ ਨਮੂਨਿਆਂ ਦੀ ਗਿਣਤੀ ਨੂੰ ਫਿਕਸ ਕਰਨਾ। ਮੋਂਟੇ ਕਾਰਲੋ ਵਿੱਚ ਨਮੂਨਿਆਂ ਦੀ ਗਿਣਤੀ ਵਧਾਉਣਾ ਅਤੇ ਕਨਵਰਜੈਂਸ ਨੂੰ ਦੇਖੇ ਬਿਨਾਂ ਇੱਕ ਸਿੰਗਲ ਨਤੀਜੇ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ ਗੁੰਮਰਾਹਕੁੰਨ ਹੈ।
ਸਾਵਧਾਨ: ਕੇਵਲ ਇੱਕ ਸਿਮੂਲੇਸ਼ਨ ਇੱਕ "ਚੰਗਾ ਗ੍ਰਾਫ" ਪੈਦਾ ਕਰਨ ਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਹੈ ਕਿ ਇਹ ਸਹੀ ਹੈ। ਵਿਜ਼ੂਅਲ ਯਕੀਨਨ ਹੈ ਪਰ ਧੋਖਾ ਦੇਣ ਵਾਲਾ ਹੈ. ਸਿਮੂਲੇਸ਼ਨ 'ਤੇ ਭਰੋਸਾ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਇੱਕ ਸੁਰੱਖਿਆ ਕਾਨੂੰਨ ਦੀ ਪਾਲਣਾ ਕਰਨਾ ਯਕੀਨੀ ਬਣਾਓ ਅਤੇ ਇੱਕ ਜਾਣੀ-ਪਛਾਣੀ ਸਥਿਤੀ ਨਾਲ ਇਸਦੀ ਤੁਲਨਾ ਕਰੋ। ਇੱਕ ਅਪ੍ਰਮਾਣਿਤ ਸਿਮੂਲੇਸ਼ਨ ਭੌਤਿਕ ਸਬੂਤ ਨਹੀਂ ਹੈ।
ਸੰਖੇਪ ਵਿੱਚ
ਸਿਮੂਲੇਸ਼ਨ ਗਤੀਸ਼ੀਲ ਭੌਤਿਕ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਸਮਝਣ ਦਾ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਤਰੀਕਾ ਹੈ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਹੱਲਾਂ ਦੀ ਘਾਟ ਹੈ ਅਤੇ ਤੇਜ਼ੀ ਨਾਲ AI ਸਿਮੂਲੇਸ਼ਨ ਕੋਡ ਬਣਾਉਂਦੇ ਹਨ। ਪਰ ਸਿਮੂਲੇਸ਼ਨ ਦਾ ਮੁੱਲ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਇਹ ਭੌਤਿਕ ਵਿਗਿਆਨ ਨੂੰ ਸਹੀ ਰੂਪ ਵਿੱਚ ਦਰਸਾਉਂਦਾ ਹੈ ਜਾਂ ਨਹੀਂ। ਇਸ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਦਾ ਤਰੀਕਾ ਹੈ ਸੁਰੱਖਿਆ ਕਾਨੂੰਨਾਂ ਦੀ ਪਾਲਣਾ ਕਰਨਾ, ਕਨਵਰਜੈਂਸ ਟੈਸਟਿੰਗ ਦੁਆਰਾ ਢੁਕਵੇਂ ਪੜਾਅ ਦਾ ਆਕਾਰ ਚੁਣਨਾ, ਜਾਣੇ-ਪਛਾਣੇ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਮਾਮਲਿਆਂ ਨਾਲ ਨਤੀਜਿਆਂ ਦੀ ਤੁਲਨਾ ਕਰਨਾ, ਅਤੇ ਸਰੀਰਕ ਸੀਮਾ ਦੇ ਕੇਸਾਂ ਦੀ ਜਾਂਚ ਕਰਨਾ। ਅਗਲੀ ਇਕਾਈ ਵਿੱਚ ਅਸੀਂ ਫੋਕਸ ਨੂੰ ਉਤਪੰਨ ਕੀਤੇ ਡੇਟਾ ਤੋਂ ਅਸਲ ਪ੍ਰਯੋਗਾਤਮਕ ਡੇਟਾ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਵੱਲ ਬਦਲਾਂਗੇ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਇੱਕ ਸਧਾਰਨ ਗਤੀਸ਼ੀਲ ਸਿਸਟਮ (ਪੈਂਡੂਲਮ, ਫ੍ਰੀ ਫਾਲ + ਹਵਾ ਪ੍ਰਤੀਰੋਧ ਜਾਂ ਕੂਲਿੰਗ) ਚੁਣੋ। ਟੈਮਪਲੇਟ 1 ਦੇ ਨਾਲ, ਇੱਕ ਸਿਮੂਲੇਸ਼ਨ ਕੋਡ ਪ੍ਰਿੰਟ ਕਰੋ ਅਤੇ ਚਲਾਓ ਜਿਸ ਵਿੱਚ AI ਵਿੱਚ ਇੱਕ ਸੰਭਾਲ ਜਾਂ ਸੰਤੁਲਨ ਜਾਂਚ ਸ਼ਾਮਲ ਹੈ। ਜਾਂਚ ਕਰੋ ਕਿ ਕੀ ਨਿਗਰਾਨੀ ਕੀਤੀ ਮਾਤਰਾ (ਊਰਜਾ ਜਾਂ ਤਾਪਮਾਨ) ਉਮੀਦ ਅਨੁਸਾਰ ਵਿਹਾਰ ਕਰਦੀ ਹੈ। ਫਿਰ ਇੱਕ ਪੈਰਾਮੀਟਰ (ਰਘੜ, ਪੁੰਜ, ਕਦਮ ਦਾ ਆਕਾਰ) ਬਦਲੋ ਅਤੇ ਵੇਖੋ ਕਿ ਕੀ ਵਿਹਾਰ ਵਿੱਚ ਤਬਦੀਲੀ ਤੁਹਾਡੀ ਸਰੀਰਕ ਸੂਝ ਨਾਲ ਸਹਿਮਤ ਹੈ। ਇਸਨੂੰ 5-6 ਵਾਕਾਂ ਵਿੱਚ ਲਿਖੋ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਸਿਸਟਮ ਦੀਆਂ ਸਮੀਕਰਨਾਂ, ਸ਼ੁਰੂਆਤੀ ਸਥਿਤੀਆਂ ਅਤੇ ਇਕਾਈਆਂ ਨੂੰ ਸਪਸ਼ਟ ਕੀਤਾ।
- [ ] ਮੈਂ ਸਿਮੂਲੇਸ਼ਨ ਵਿੱਚ ਇੱਕ ਸੁਰੱਖਿਆ ਕਾਨੂੰਨ (ਊਰਜਾ/ਮੋਮੈਂਟਮ) ਦੀ ਪਾਲਣਾ ਕੀਤੀ।
- [ ] ਮੈਂ ਇੱਕ ਕਨਵਰਜੈਂਸ ਟੈਸਟ ਨਾਲ ਸਟੈਪ ਸਾਈਜ਼ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ।
- [ ] ਮੈਂ ਨਤੀਜੇ ਦੀ ਤੁਲਨਾ ਇੱਕ ਜਾਣੀ-ਪਛਾਣੀ ਵਿਸ਼ਲੇਸ਼ਣੀ ਸਥਿਤੀ ਨਾਲ ਕੀਤੀ।
- [ ] ਮੈਂ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਸਰੀਰਕ ਸੀਮਾ ਸਟੇਟ ਟੈਸਟ ਕੀਤਾ ਹੈ।
- [ ] ਮੈਂ ਸੰਖਿਆਤਮਕ ਨੁਕਸ ਨੂੰ ਅਸਲ ਭੌਤਿਕ ਵਿਗਿਆਨ ਤੋਂ ਵੱਖ ਕੀਤਾ।