ලාභ:
- භෞතික විද්යාවේ මායාවන් (ව්යාජ නියත, ව්යාජ නියමය, ඒකක දෝෂය, වැරදි ප්රතිඵලය, ව්යාජ ආරෝපණය) හඳුනාගෙන ඒවා සුදුසු ක්රමයට හසුකර ගැනීමේ හැකියාව.
- ප්රකාශයට පත් නොකළ, රහස්ය සහ පුද්ගලික දත්ත නිර්නාමිකකරණයෙන් සහ අනවසර මෙවලම්වලට ඇතුළු නොකිරීමෙන් අවම කිරීමෙන් ආරක්ෂා කිරීමේ හැකියාව
- දත්ත අලංකාර නොකර අවංකව වාර්තා කිරීමෙන් සහ කෘත්රිම බුද්ධිය භාවිතා කිරීම විනිවිද භාවයෙන් යුතුව ලේඛනගත කිරීමෙන් අවසාන වගකීම මිනිසාට පැවරෙන බව තේරුම් ගැනීමට හැකි වීම.
මෙම මොඩියුලය පුරාවටම, අපි සෑම ඒකකයකම එකම විනය ආවරණය කළෙමු: කෘතිම බුද්ධිය (AI) වේගවත් කරයි, මිනිසුන් සත්යාපනය කරයි. මෙම අවසාන ඒකකය තුළ, අපි භෞතික විද්යාවේ මූලිකම වටිනාකම වන විද්යාත්මක අඛණ්ඩතාවයේ කුඩය යටතේ මෙම සම්පූර්ණ සත්යාපන පරිචය එකට ගෙන එන්නෙමු. භෞතික විද්යාව යනු ස්වභාවධර්මය පිළිබඳ සත්යාපනය කළ හැකි දැනුමක් ලබා ගැනීමයි. මෙම උත්සාහයේ හදවතේ අඛණ්ඩතාව, පුනරාවර්තනය සහ වගකීම වේ. මෙම අගයන් ශක්තිමත් කිරීමට AI භාවිතා කළ හැක - නමුත් වැරදි ලෙස භාවිතා කරන විට, එය සියල්ලටම තර්ජනය කරයි. මෙම ඒකකය තුළ, අපි මායාවේ භෞතික ස්වරූපයන්, දත්ත සහ පෞද්ගලිකත්ව වගකීම්, සදාචාරාත්මක සීමාවන් සහ අවසාන වගකීම සැමවිටම මිනිසුන් සමඟ පවතින්නේ මන්දැයි සාකච්ඡා කරමු.
භෞතික විද්යාවේ මායාවේ ආකාර
Hallucination—AI හි විශ්වාසයෙන් ව්යාජ තොරතුරු නිෂ්පාදනය කිරීම—භෞතික විද්යාවේ අද්විතීය හා භයානක ආකාර ගනී. මේවා හඳුනා ගැනීම අල්ලා ගැනීමේ පළමු පියවරයි:
මායාවේ වර්ගය
උදාහරණයක්
අල්ලා ගැනීමේ ක්රමය
ස්ථාවර/දත්ත සවි කිරීම
වැරදි ද්රව්ය ඝනත්වය
විශ්වාසනීය යොමුවකින් තහවුරු කිරීම
ව්යාජ සූත්රය/නීතිය
නොපවතින "මූලධර්ම" නමකි
පෙළපොත්/SymPy ව්යුත්පන්න
ඒකක/ඇණවුම දෝෂය
eV J ලෙස වරදවා වටහා ගැනීම
මාන විශ්ලේෂණය, ඒකක පාලනය
වැරදි සංඛ්යාත්මක ප්රතිඵලයක්
වැරදි කේත ප්රතිදානය
කේතය ධාවනය කරන්න
apocryphal ආරෝපණය
නොපවතින ලිපිය
DOI සමඟ සත්යාපනය
වැරදි ලෙස වාර්තා කළ ප්රතිඵලය
සැබෑ ලිපිය විකෘති කිරීම
මුල් මූලාශ්රය කියවන්න
පොදු නූල මෙයයි: විශාල භාෂා ආකෘතියක් නිර්මාණය කර ඇත්තේ සත්යය පැවසීමට නොව, "හැකි පෙනෙන පෙළ" නිෂ්පාදනය කිරීමට ය. භෞතික විද්යාවේදී, "හැකි බව පෙනෙන" සහ "සත්ය" අතර වෙනස නිශ්චිතවම විද්යාවේ පැවැත්මට හේතුවයි.
දත්ත, පෞද්ගලිකත්වය සහ බුද්ධිමය දේපල වගකීම්
භෞතික විද්යාඥයින් බොහෝ විට සංවේදී දත්ත සමඟ ක්රියා කරයි: ප්රකාශයට පත් නොකළ පර්යේෂණාත්මක දත්ත, පූර්ව පේටන්ට් බලපත්ර සැලසුම්, කාර්මික සහයෝගීතාවයෙන් රහස්ය මිනුම්, පුද්ගලික සෞඛ්ය හෝ ආරක්ෂණ දත්ත ඇතුළත් පර්යේෂණ. එවැනි දත්ත සාමාන්ය AI මෙවලමකට ඇතුළු කිරීමෙන් එය තුන්වන පාර්ශ්වයන්ට සහ සමහර විට ආකෘතියේ පුහුණු දත්ත වෙත ප්රවේශ විය හැකිය - එයින් අදහස් කරන්නේ රහස්යභාවය කඩ කිරීම සහ විද්යාත්මක ප්රමුඛතාවය නැතිවීම (සොයාගැනීමක් කිරීමට ප්රථමයා වීමට ඇති අයිතිය) යන දෙකමයි. රීතිය පැහැදිලිය: ඔබේ සංවිධානය අනුමත නොකළ AI මෙවලමකට ප්රකාශනය නොකළ, රහස්ය හෝ පුද්ගලික දත්ත ඇතුළත් නොකරන්න. ඔබ ඇතුළු කිරීමට යන්නේ නම්, නිර්නාමික කරන්න, අවම කරන්න (අවශ්ය දේ පමණක් දෙන්න) සහ මෙවලමෙහි දත්ත කොන්දේසි කියවන්න.
අවවාදයයි: "ඉක්මන් විශ්ලේෂණය සඳහා" AI මෙවලමකට රසායනාගාරයක ප්රකාශනය නොකළ මිනුම් හෝ සමාගමක රහස්ය සැලසුම් පරාමිතීන් ඇතුළත් කිරීම ආපසු හැරවිය නොහැකි වරදක් විය හැකිය. දත්ත හුවමාරු වූ පසු, එය නැවත කැඳවිය නොහැක. සැකයක් ඇත්නම්, දත්ත ඇතුළත් නොකරන්න; ඔබේ ආයතනයේ ප්රතිපත්තිය සහ මෙවලමෙහි රහස්යතා නියමයන් පළමුව පැහැදිලි කරන්න.
සදාචාරාත්මක සීමාවන් සහ විද්යාත්මක අඛණ්ඩතාව
භාවිතයක් තාක්ෂණික වශයෙන් කළ හැකි සහ නීත්යානුකූල විය හැකි නමුත්, තවමත් සදාචාර විරෝධී විය හැකිය. විද්යාත්මක අඛණ්ඩතාව ගැන සැලකිලිමත් වන භෞතික විද්යාවේ රතු රේඛා කිහිපයක් තිබේ:
දත්ත සැකසීම හෝ අලංකාර කිරීම. "අස්වැන්නට වඩාත් ගැලපෙන ලකුණු උත්පාදනය කරන්න" හෝ "ප්රස්තාරය වඩාත් ඒත්තු ගන්වන ලෙස කරන්න" AI වෙතින් ඉල්ලා සිටීම දත්ත වංචාවකි. දත්ත වාර්තා කර ඇති පරිදි; පිටස්තරයින් ඉවත් කරනු ලබන්නේ ලේඛනගත, නීත්යානුකූල හේතුවක් ඇතිව පමණි.
දායකත්වයේ විනිවිදභාවය. ඔබ අධ්යයනයකදී AI භාවිත කර ඇත්නම් — කේත ලිවීම, භාෂා නිවැරදි කිරීම, විශ්ලේෂණය — එය සුදුසු ස්ථානයේ දී පැහැදිලි කිරීම සාධාරණයි. බොහෝ සඟරා සහ ආයතන මෙය අවශ්ය වේ.
කර්තෘත්වය සහ වගකීම. AI ලේඛකයෙක් නොවේ; කෘතියක අන්තර්ගතයට වග කිව නොහැක. වගකීම සෑම විටම මානව ලේඛකයින් වෙත පැවරේ. AI විසින් නිපදවන ලද දෝෂයක් "වාහනය සෑදුවා" යැයි පැවසීමෙන් ආරක්ෂා කළ නොහැක.
ප්රතිනිෂ්පාදනය. විද්යාත්මක ප්රතිඵලයක් සඳහා ක්රමය (භාවිතා කරන කේතය, පරාමිති, AI ප්රේරක ඇතුළුව) පැහැදිලිව ලේඛනගත කිරීම අවශ්ය වන අතර එමඟින් අනෙක් අයට එය ප්රතිනිර්මාණය කළ හැකිය.
කුඩා නඩු තුනක්
නඩුව 1 - රහස්ය දත්ත කාන්දු වීම. එක් පර්යේෂකයෙක් සමාගමක් සමඟ හෙළිදරව් නොකරන ගිවිසුමක මිනුම් දත්ත “ඉක්මන් ප්රස්ථාරයක් සඳහා” සාමාන්ය AI මෙවලමකට අලවා ඇත. මෙම මෙවලමට යෙදවුම් ගබඩා කළ හැකි බව පසුව ඔහු තේරුම් ගත්තේය. කොන්ත්රාත්තුව උල්ලංඝනය කිරීමක් සහ ප්රමුඛත්වය අහිමි විය හැකි හානියක් සිදුවී ඇත. පාඩම: රහස්ය දත්ත කිසිවිටෙකත් අනුමත නොකළ මෙවලමකට ඇතුළත් නොකෙරේ.
නඩුව 2 - අලංකාර මුද්රණය. පර්යේෂණාත්මක දත්ත න්යායට සම්පුර්ණයෙන්ම නොගැලපෙන නිසා "දත්ත න්යායට සමීප කරවන" සංස්කරණයක් සඳහා එක් සිසුවෙක් AI වෙතින් ඉල්ලා සිටියේය. ඔහුගේ උපදේශකයා මෙය දැක ඔහුව නැවැත්වූයේය: විෂමතාවයක් යනු අත්හදා බැලීමේ ක්රමානුකූල දෝෂයක් හෝ රසවත් නව භෞතික විද්යාව - විමර්ශනය කළ යුතු දෙයක් මිස සැඟවිය යුතු දෙයක් නොවේ. දත්ත අවංකව වාර්තා කරන ලද අතර ක්රමානුකූල දෝෂයක් සොයා ගන්නා ලදී.
නඩුව 3 - විනිවිදභාවය ලබා ගැනීම. එක් කණ්ඩායමක් AI ආධාරයෙන් පත්රිකාවක් සඳහා දත්ත විශ්ලේෂණ කේතය ලියා ක්රම අංශයේ පැහැදිලිව සඳහන් කර ඇත; අතිරේක ගොනු ලෙස කේතය සහ විමසීම් බෙදාගෙන ඇත. විනිසුරුවරයෙක් කේතය සමාලෝචනය කර සුළු විසඳුමක් යෝජනා කළේය. විනිවිදභාවය ප්රකාශනයට පෙර දෝෂය අල්ලාගෙන අධ්යයනයේ විශ්වසනීයත්වය වැඩි කළේය.
පිටපත් කළ හැකි සැකිලි හතරක්
1) මායාවන් පිරික්සීම:
මායාවන් සඳහා පහත භෞතික විද්යා ප්රතිදානය පරිලෝකනය කරන්න: කිසියම් ව්යාජ නියතයන්, ව්යාජ සූත්ර/නීති නම්, ඒකක/ඇණවුම් දෝෂ, සත්යාපනය නොකළ සංඛ්යාත්මක ප්රතිඵල සහ තහවුරු නොකළ ගුණාංග තිබේද? සෑම සැක සහිත අයිතමයක්ම සලකුණු කර එය සත්යාපනය කරන්නේ කෙසේදැයි සඳහන් කරන්න (යොමු, කේතය, DOI). ප්රතිදානය: [මෙහි]
2) දත්ත රහස්යතා පූර්ව පරීක්ෂාව:
AI මෙවලමකට ඇතුළු කිරීමට පෙර පහත දත්ත/පෙළ ඇගයීම: එහි ප්රකාශනය නොකළ, රහස්ය, පුද්ගලික හෝ ගිවිසුම්ගතව ආරක්ෂිත තොරතුරු තිබේද? එසේ නම්, මට එය නිර්නාමික කිරීමට හෝ අවම කිරීමට හැකි ආකාරය යෝජනා කරන්න. විශ්වාස නැතිනම්, "ආයතනික ප්රතිපත්තිය පරීක්ෂා කරන්න" යැයි පවසන්න. අන්තර්ගතය: [මෙහි]
3) කෙටුම්පත් විනිවිදභාවය/දායකත්ව ප්රකාශය:
එක් අධ්යයනයක දී, මම AI භාවිතා කළේ: [කේතකරණය / භාෂා නිවැරදි කිරීම / විශ්ලේෂණය, ආදිය]. මෙය අවංකව ලේඛනගත කරන "AI භාවිත ප්රකාශය" කෙටි කෙටුම්පතක් ලියන්න. මිනිසුන් විසින් සත්යාපනය කර ඇත්තේ කුමන කොටස්ද යන්න ද සඳහන් කළ යුතුය.
4) විද්යාත්මක අඛණ්ඩතාව සහතික කිරීම:
පහත විශ්ලේෂණ/ප්රතිඵලය සඳහා අඛණ්ඩතා පරීක්ෂණයක් සිදු කරන්න: දත්ත ලෙස වාර්තා කර ඇත (අලංකාර කිරීමක් නැත), අවිනිශ්චිතතා වාර්තා වී තිබේද, ක්රමය ප්රතිනිෂ්පාදනය කළ හැකි ආකාරයෙන් ලේඛනගත කර තිබේද, AI භාවිතය විනිවිද පෙනෙනද? කිසියම් අඩුපාඩු ලැයිස්තුගත කරන්න. අන්තර්ගතය: [මෙහි]
දුර්වල ක්ෂණික / ශක්තිමත් විමසුම
දුර්වල: "න්යායට වඩා හොඳින් ගැළපෙන පරිදි අස්වැන්න සංස්කරණය කරන්න සහ ප්රස්තාරය ඒත්තු ගන්වන්න."
ප්රතිඵලය: දත්ත වංචාව; විද්යාත්මක අඛණ්ඩතාව සෘජුවම උල්ලංඝනය කිරීම, ආපසු හැරවිය නොහැකි කීර්ති නාමය අහිමි වීම.
ශක්තිමත්: "අස්වැන්න න්යාය සමඟ සම්පුර්ණයෙන්ම එකඟ නොවේ. මෙම විෂමතාවයේ ඇති විය හැකි හේතු විශ්ලේෂණය කිරීමට මට උදවු කරන්න (ක්රමානුකූල දෝෂයක්, සංඛ්යානමය උච්චාවචනය, නැතිවූ ආකෘතිය, හෝ නව බලපෑමක්); දත්ත වෙනස් නොකර අවංකව විෂමතාව වාර්තා කරන ආකාරය යෝජනා කරන්න."
ප්රතිඵලය: විද්යාත්මක අඛණ්ඩතාව සඳහා අවංක, විමර්ශනාත්මක සහ විශ්වාසවන්ත ප්රවේශයක්; ගැටුම සොයාගැනීමේ අවස්ථාවක් බවට පත්වේ.
පොදු වැරදි
- ව්යාකූල මායාව සහ ආත්ම විශ්වාසය. AI විශ්වාසයෙන් කථා කරන නිසාම නිරවද්යතාවය සහතික නොවේ; වඩාත් නිවැරදි වාක්ය පවා ගොතන ලද ඒවා විය හැක.
- අවසරයකින් තොරව රහසිගත දත්ත වාහනයට ඇතුල් කිරීම. බෙදාගත් පසු, දත්ත ලබා ගත නොහැක; ප්රමුඛතාවය සහ රහස්යභාවය නැති වී යයි.
- දත්ත අලංකාර කිරීම. දත්ත "සුදුසු න්යාය" ලෙස වෙනස් කිරීම බරපතලම විද්යාත්මක අපරාධ වලින් එකකි.
- AI භාවිතය සැඟවීම. විනිවිදභාවය අවංකභාවයේ අවශ්යතාවයක් වන අතර බොහෝ ආයතනවල අනිවාර්ය වේ.
- වගකීම වාහනය මත පැටවීම. "AI එය කළා" යනු ආරක්ෂාවක් නොවේ; අවසාන වගකීම සෑම විටම මිනිසාට පැවරේ.
ඉඟිය: සෑම AI-බලගන්වන ලද අධ්යයනයක් අවසානයේම, ඔබෙන්ම ප්රශ්න තුනක් අසන්න: (1) මෙම ප්රතිදානයේ සෑම කරුණක්ම, සංඛ්යාවක් සහ ආරෝපණයක් ස්වාධීනව සත්යාපනය කර තිබේද? (2) මා භාවිතා කළ දත්තවල මා ඇතුළත් නොකළ යුතු රහස්ය/පෞද්ගලික තොරතුරු අඩංගු වූයේද? (3) මම මගේ AI භාවිතය සහ ක්රමවේදය වෙනත් අයෙකුට ප්රතිනිර්මාණය කිරීමට තරම් විනිවිද පෙනෙන ලෙස ලේඛනගත කර තිබේද? ඔබට මෙම ප්රශ්න තුනට පැහැදිලි "ඔව්" පිළිතුරු දීමට නොහැකි නම්, අධ්යයනය තවම අවසන් වී නැත.
සාරාංශයකින්
විද්යාත්මක අඛණ්ඩතාව භෞතික විද්යාවේ පැවැත්මේ පදනම වන අතර එය AI යුගයේදී වඩාත් වැදගත් වේ. ව්යාජ නියතයන්, ව්යාජ නීති, ඒකක දෝෂ, ව්යාජ නිගමන සහ ව්යාජ යොමු කිරීම් ආකාරයෙන් භෞතික විද්යාවේ මායාවන් පෙනේ; සෑම එකක්ම එයටම ආවේණික වූ සත්යාපන ක්රමයකින් අල්ලා ගනු ලැබේ. රහසිගත සහ පුද්ගලික දත්ත අනවසර මෙවලම්වලට ඇතුල් නොකෙරේ; දත්ත කිසි විටෙකත් අලංකාර නොවේ; AI භාවිතය විනිවිද පෙනෙන ලෙස ලේඛනගත කර ඇත; සහ අවසාන වගකීම සෑම විටම මිනිසා මත පවතී. මෙම මොඩියුලය පුරා ඔබ ඉගෙන ගන්නේ එක් විනයක් පමණි: AI යනු ප්රබල ත්වරකයකි, නමුත් සත්යාපනය, අඛණ්ඩතාව සහ වගකීම දක්ෂ භෞතික විද්යාඥයාගේ උරහිස් මත පවතී - එනම් ඔබ. සත්යාපනය නොකළ AI ප්රතිදානයක් කිසිවිටෙක භෞතික විද්යාඥයෙකුගේ තහවුරු කිරීම සඳහා ආදේශකයක් නොවේ.
යෙදුම් කාර්යය
ඔබ මෙම මොඩියුලය තුළ නිපදවූ AI ප්රතිදානයක් (ගිණුමක්, විශ්ලේෂණයක් හෝ පෙළක්) තෝරන්න. 1. අච්චුව සහිත මායාවන් සඳහා තිරය: කිසියම් ව්යාජ නියතයන්, ව්යාජ සූත්ර, ඒකක දෝෂ හෝ සත්යාපනය නොකළ ගුණාංග තිබේද? සැකිල්ල 2 සමඟින්, ඔබ භාවිතා කරන දත්ත පුද්ගලිකත්වයට හිතකරද යන්න තක්සේරු කරන්න. අවසාන වශයෙන්, සැකිල්ල 3 සමඟ කෙටි AI භාවිතය/විනිවිදභාවය පිළිබඳ ප්රකාශයක් කෙටුම්පත් කරන්න. වාක්ය 5-6කින් ලියන්න: ස්කෑන් කිරීමෙන් හෙළි වූයේ කුමක්ද, ඔබ ගත් සත්යාපන පියවර මොනවාද?
පිරික්සුම් ලැයිස්තුව
- [ ] මම ප්රතිදානයේ සෑම නියතයක්ම, සූත්රයක්ම සහ ප්රතිඵලයක්ම ස්වාධීනව සත්යාපනය කළෙමි.
- [ ] මම DOI/මූලාශ්රය සමඟ එක් එක් උපුටා දැක්වීම තහවුරු කර ඇත.
- [ ] මම අනුමැතියකින් තොරව මෙවලම තුළට රහස්ය/පුද්ගලික දත්ත ඇතුළත් කර නොමැති බව පරීක්ෂා කර ඇත.
- [ ] මම දත්ත අලංකාර කිරීමකින් තොරව වාර්තා කළෙමි.
- [ ] මම මගේ AI භාවිතය විනිවිදභාවයෙන් සහ ප්රතිනිෂ්පාදනය කළ හැකි ආකාරයෙන් ලේඛනගත කර ඇත.
- [ ] අවසාන වගකීම මගේ බව මම පිළිගත්තා; මම වාහනයේ කිසිම වරදක් කළේ නැහැ.
මොඩියුල විභාගය
1. භෞතික විද්යාවේ කෘත්රිම බුද්ධිය සඳහා වඩාත් නිවැරදි ස්ථානගත කිරීම පහත ඒවායින් කුමක් ද?
- A) කෘතිම බුද්ධිය යනු කේතයක්, කෙටුම්පතක් සහ සංස්කරණ සහායකයකි; ඒකකය, තරාතිරම, සත්යාපනය සහ සදාචාරාත්මක තීරණ සඳහා වගකීම මිනිසා සතුය ✔
- B) කෘතිම බුද්ධිය යනු ගණක යන්ත්රයක් වන අතර එය ලබා දෙන සංඛ්යාත්මක ප්රතිඵල සෑම විටම නිවැරදි වේ
- C) කෘතිම බුද්ධිය ක්රියාත්මක වන්නේ ගණනය කිරීමේදී පමණි, එය අත්හදා බැලීම් විශ්ලේෂණය සහ ඉගැන්වීම සමඟ කිසිදු සම්බන්ධයක් නැත
- D) කෘත්රිම බුද්ධිය මිනිසුන්ට වඩා අපක්ෂපාතී බැවින් ඒකක සහ ප්රතිඵල තීරණ එයට පැවරිය යුතුය.
විස්තරය: කෘතිම බුද්ධිය; එය කේතය ලියන, කෙටුම්පත් නිෂ්පාදනය කරන, ව්යුත්පන්න රාමු නිර්මාණය කරන සහ සංවිධානය කරන සහායකයෙකි. කෙසේ වෙතත්, ප්රති result ලය ඒකක සහ ඇණවුම් සත්යාපනය සඳහා අවසාන වගකීම, සංරක්ෂණ නීති සමඟ එය සහතික කිරීම, නියත සහ යොමු තහවුරු කිරීම දක්ෂ භෞතික විද්යාඥයාට අයත් වේ. විශාල භාෂා ආකෘතිය ගණක යන්ත්රයක් හෝ භෞතික විද්යා එන්ජිමක් නොවේ; යනු 'ඊළඟ බොහෝ දුරට ඉඩ ඇති වචනය' නිපදවන පෙළ උත්පාදකයක් වන අතර එහි සත්යාපනය නොකළ ප්රතිදානය වැරදි අගයකට, සැලසුමකට හෝ ප්රතිඵලයකට හේතු විය හැක.
2. ඔබ විශාල භාෂා ආකෘතියකට මුද්රණය කරන පරිගණක කේතයක සංඛ්යාත්මක ප්රතිඵලය සඳහා වඩාත්ම නිවැරදි ආසන්න අගය කුමක්ද?
- A) අංකය විශ්වාස කරමින් ආකෘතිය පවසන්නේ 'මෙම කේතය එය ලබා දෙයි', ඔහු කේතය ලිවූ බැවිනි
- B) කේතය ඔබම ධාවනය කර ප්රතිදානය බලන්න; ✔ ආකෘතියේ වාචික සංඛ්යාත්මක පුරෝකථනය මත රඳා නොසිටීම
- C) කේතය කිසිසේත් ධාවනය නොකර එය කියවන ආකාරය දෙස බැලීමෙන් එය නිවැරදි යැයි පිළිගැනීම
- D) ප්රති result ලය නැවතත් ආකෘතියෙන් කෙලින්ම විමසා එය එම අංකයම පැවසුවහොත් එය නිවැරදි යැයි සැලකේ.
පැහැදිලි කිරීම: LLM වරයෙකු තම හිසෙහි ලියා ඇති කේතයේ ප්රතිදානය 'ගණනය' කර වැරදි අංකයක් ලබා දිය හැක; එම කේතය ක්රියාත්මක කරන විට එය නිවැරදි ප්රතිඵලය ලබා දෙයි. නිර්ණායක යනු ක්රියාත්මක වන කේතයයි; එය ආකෘතියේ වාචික අනාවැකියක් නොවේ. එමනිසා, කේතය සැමවිටම ඔබගේ පරිසරය තුළ ධාවනය කළ යුතු අතර ප්රතිදානය දැකිය යුතුය.
3. ඝර්ෂණ රහිත ගතික පද්ධතියක අනුකරණය භෞතික විද්යාව නිවැරදිව පිලිබිඹු කරයිද යන්න පරීක්ෂා කිරීමට ඇති බලවත්ම ක්රමය කුමක්ද?
- A) ප්රස්ථාරය දෘශ්යමය වශයෙන් පිළිවෙලට සහ ඒත්තු ගැන්වෙන බව දැකීම
- B) තනි කාල පියවරකින් පමණක් අනුකරණය ධාවනය කිරීම සහ ප්රතිඵලය විශ්වාස කිරීම
- C) සම්පූර්ණ ශක්තිය හෝ ගම්යතාවය වැනි සංරක්ෂණය කළ යුතු ප්රමාණයක් නිරීක්ෂණය කිරීම සහ එය නියතව පවතින්නේ දැයි පරීක්ෂා කිරීම ✔
- D) අනුකරණය කෙතරම් වේගයෙන් ක්රියාත්මක වේද යන්නෙන් ඇගයීම
පැහැදිලි කිරීම: ඝර්ෂණ රහිත පද්ධතියක, සම්පූර්ණ ශක්තිය (සහ ගම්යතාව, ඇත්නම්) සංරක්ෂණය කළ යුතුය. සමාකරණය පුරාවට මෙම විශාලත්වය නිරීක්ෂණය කිරීම සහ එය නියතව පවතීදැයි බැලීම සංඛ්යාත්මක දෝෂ හෙළි කරයි (උදා: ප්රාථමික ඉයුලර් ක්රමය නිරන්තරයෙන් ශක්තිය වැඩි කරයි). ශක්තිය ප්ලාවනය වන්නේ නම්, අනුකරණය විශ්වාස කළ නොහැකි ය; එය ලස්සන ග්රැෆික් නිපදවන නිසා එය නිවැරදි යැයි අදහස් නොවේ.
4. පර්යේෂණාත්මක දත්ත සඳහා ආකෘතියක් සවි කිරීමේදී පහත සඳහන් දේවලින් නිවැරදි ප්රවේශය කුමක්ද?
- A) සියලු ලක්ෂ්ය හරහා ගමන් කරන බැවින් දත්තවලට වඩාත් ගැලපෙන උසස් බහුපද තෝරා ගැනීම
- B) අපැහැදිලි බවකින් තොරව තනි අංකයක් ලෙස පරාමිති ලබා දීම
- C) වක්රය කෙතරම් ලස්සනදැයි බැලීමෙන් සරලව ගැළපුමේ ගුණාත්මකභාවය ප්රකාශ කිරීම.
- D) භෞතික විද්යාවෙන් ආකෘතිය තෝරාගැනීම, ඒවායේ අවිනිශ්චිතතාවයන් සමඟ පරාමිති වාර්තා කිරීම සහ අවශේෂ සමඟ ගැළපීම ඇගයීම ✔
පැහැදිලි කිරීම: ආකෘතිය තෝරා ගත යුත්තේ සිද්ධියට අවනත විය යුතු භෞතික නීතියෙන් මිස දත්ත දෙස බලා 'වඩා සුදුසු වන්නේ කුමක්ද' කියා කල්පනා කිරීමෙන් නොවේ. ප්රමාණවත් තරම් නිදහස් පරාමිති සමඟින් (උදා: ඉහළ මට්ටමේ බහුපදයක්) ඕනෑම දත්තයකට 'පරිපූර්ණ' නමුත් භෞතිකව අර්ථ විරහිත යෝග්යතාවයක් (අධික යෝග්යතාවයක්) සෑදිය හැක. පරාමිති ඒවායේ අවිනිශ්චිතභාවය සමඟ වාර්තා කළ යුතු අතර, යෝග්යතාවයේ ගුණාත්මකභාවය අවශේෂ සමඟ ඇගයීමට ලක් කළ යුතු අතර භෞතික විශ්වසනීයත්වය පරීක්ෂා කළ යුතුය.
5. මිනුමක් බොහෝ වාරයක් පුනරාවර්තනය කිරීම කුමන ආකාරයේ අවිනිශ්චිතතාවය අඩු කරයිද?
- A) අහඹු අවිනිශ්චිතතාවය; ක්රමානුකූල අවිනිශ්චිතතාවය පුනරාවර්තනය වීමත් සමඟ අඩු නොවේ, හේතුව සොයාගෙන නිවැරදි කළ යුතුය ✔
- B) ක්රමානුකූල අවිනිශ්චිතතාව; මන්ද එය නැවත ක්රමාංකනය කිරීමේ දෝෂය ඉවත් කරයි
- C) අපැහැදිලි දෙකම සම්පූර්ණයෙන්ම ඉවත් කරයි
- D) ඒවායින් කිසිවක් අඩු නොකරයි; අවිනිශ්චිතතාවය මිනුම් ගණනින් ස්වාධීන වේ
පැහැදිලි කිරීම: නැවත නැවත මැනීම අහඹු අවිනිශ්චිතතාවය අඩු කරයි (මධ්යන්ය std/√N හි සම්මත දෝෂයක් සමඟ) ප්රතිඵල අහඹු ලෙස බෙදා හැරීම හේතුවෙන්. අනෙක් අතට, ක්රමානුකූල අවිනිශ්චිතතාවය යනු සෑම විටම එකම දිශාවට අපගමනය වන දෝෂයකි (උදාහරණයක් ලෙස, වැරදි ලෙස ක්රමාංකනය කරන ලද ශේෂයක්) සහ පුනරාවර්තනය සමඟ අඩු නොවේ; කෙසේ වෙතත්, හේතුව සොයාගෙන නිවැරදි කළ හැකිය. බහුවිධ මිනුම් සහිත 'ඉතා කුඩා' අවිනිශ්චිතතාවයක් වාර්තා කිරීම යටින් පවතින ක්රමානුකූල දෝෂයක් සැඟවිය හැක.
6. AI මගින් ව්යුත්පන්න වූ දෝෂ ප්රචාරණ සූත්රයක් සත්යාපනය කිරීමට වඩාත්ම විශ්වාසදායක ස්වාධීන ක්රමය කුමක්ද?
- A) දියර සහ ඒත්තු ගැන්වීමට සූත්රය මත රඳා සිටීම
- B) Monte Carlo ගණනය කිරීමකින් හරස් පරීක්ෂා කිරීම, ඒවායේ අවිනිශ්චිතතාවය සමඟ අහඹු ලෙස යෙදවුම් සාම්පල ලබා ගැනීම ✔
- C) නැවතත් එම සූත්රයම කෘත්රිම බුද්ධිය වෙත ඉල්ලා එය එම ප්රතිඵලය ලබා දෙනු ඇතැයි අපේක්ෂා කිරීම
- D) අවිනිශ්චිතතාවයන් සෘජුවම එකතු කිරීම සහ ප්රතිඵලය සමඟ සංසන්දනය කිරීම
පැහැදිලි කිරීම: AI බොහෝ විට දෝෂ ප්රචාරණ සූත්රවල අර්ධ ව්යුත්පන්න සංගුණක සහ වර්ග මූල ව්යුහය මිශ්ර කරයි. මෙය ස්වාධීනව සාක්ෂාත් කර ගැනීම සඳහා ප්රබල ක්රමයක් වන්නේ Monte Carlo හරස් පරීක්ෂාවයි: අහඹු ලෙස එක් එක් ආදානය එහි අවිනිශ්චිතතාවයෙන් නියැදීම, ශ්රිතය දහස් වාරයක් ගණනය කිරීම සහ ප්රතිදානයේ සම්මත අපගමනය සූත්රය මගින් ලබා දෙන අවිනිශ්චිතතාවයට සංසන්දනය කිරීම. ස්වාධීන ක්රම දෙකක් හමුවීම විශ්වාසය වැඩි කරයි.
7. සංකේතාත්මක භෞතික විද්යාවේ දීර්ඝ ව්යුත්පන්නයක් තුළ AI සහ SymPy අතර නිවැරදි ශ්රමය බෙදීම කුමක්ද?
- A) SymPy ව්යුත්පන්නයේ අදහස ජනනය කරයි, AI සෑම පියවරක්ම නිශ්චිතව සත්යාපනය කරයි
- B) දෙකම අනවශ්ය ය; දිගු ව්යුත්පන්නයන් අතින් පමණක් සිදු කළ යුතුය
- C) AI ව්යුත්පන්න රාමුව ගොඩනඟයි, SymPy සෑම වීජීය පියවරක්ම නිශ්චිතව සත්යාපනය කරයි ✔
- D) කෘතිම බුද්ධිය ව්යුත්පන්නය තනිවම කරයි, එය චතුර ලෙස පෙනෙන නිසා සත්යාපනය අවශ්ය නොවේ
පැහැදිලි කිරීම: AI ව්යුත්පන්න උපාය මාර්ගික කර මාර්ගය පැහැදිලි කරයි, නමුත් දිගු වීජ ගණිතයේදී එය සංඥා දෝෂ, පැන ගිය නියමයන් සහ වැරදි සරල කිරීම් සිදු කරයි. අනෙක් අතට, SymPy නීතිරීති අනුව ක්රියා කරන අතර එක් එක් වීජීය පියවර නිශ්චිතව සත්යාපනය කරයි. වඩාත්ම බලගතු කාර්ය ප්රවාහය මේ දෙක ඒකාබද්ධ කරයි: AI වෙතින් ඇටසැකිල්ල ලබා ගැනීම, SymPy සමඟ එක් එක් පියවර මූලාශ්රය, ව්යුත්පන්න-අනුකලිත ප්රතිලෝම සහ මායිම් නඩුව සමඟ ප්රතිඵලය පරීක්ෂා කරන්න.
8. භෞතික සූත්රයක නිරවද්යතාවය ගැන මාන විශ්ලේෂණය පවසන්නේ කුමක්ද?
- A) මාන විශ්ලේෂණය සෑම විටම සූත්රයක් නිවැරදි බව නිශ්චිතවම ඔප්පු කරයි
- B) මාන විශ්ලේෂණයට භෞතික විද්යාවේ ප්රායෝගික වටිනාකමක් නොමැත
- C) Dimensional analysis ලබා දෙන්නේ සූත්රයේ නියත සාධකය මිස එහි අනුකූලතාව නොවේ
- D) මාන වශයෙන් නොපැවැත්වෙන සූත්රයක් සම්පූර්ණයෙන්ම වැරදියි; මාන විශ්ලේෂණය අංක ගණන් කිරීමකින් තොරව දෝෂයක් අල්ලා ගනී ✔
පැහැදිලි කිරීම: භෞතික සමීකරණයක පැති දෙක සංඛ්යාත්මකව සමාන වීමට පෙර මානයන් සමාන විය යුතුය. මාන වශයෙන් නොපැවැත්වෙන සූත්රයක් සරලවම වැරදියි; මෙය ගණනය කිරීම් වලින් අල්ලා ගනු ලැබේ. Dimensional analysis මගින් සූත්රයක් නිවැරදි බව ස්ථිරවම ඔප්පු නොකරයි (එය මානයකින් තොර නියත සාධකයක් හෝ කෝණයක් මග හැරිය හැක), නමුත් එය එය වැරදි බව ස්ථිරවම ඔප්පු කරයි; එබැවින් එය සෑම ගිණුමකම පළමු සහ ලාභම විගණනය වේ.
9. 36 km/h වේගයෙන් ගමන් කරන වස්තුවක චාලක ශක්තිය ගණනය කිරීමේදී වඩාත්ම තීරණාත්මක පළමු පියවර කුමක්ද?
- A) සියලුම යෙදවුම් ඒකක ඒකක පද්ධතියක් (SI) බවට පරිවර්තනය කිරීම; 36 km/h 10 m/s දක්වා පරිවර්තනය කිරීම ✔
- B) km/h හි වේගය m/s බවට පරිවර්තනය නොකර කෙලින්ම සූත්රයට දැමීම
- C) ඒකක සැලකිල්ලට නොගෙන සංඛ්යා පමණක් ගුණ කිරීම
- D) ප්රතිඵලය ගණනය කිරීමෙන් පසු ඇණවුම පරීක්ෂා කිරීම අවශ්ය නොවේ යැයි උපකල්පනය කිරීම
පැහැදිලි කිරීම: SI පදනම් සූත්ර (E = ½mv²) m/s හි වේගය අපේක්ෂා කරයි. ගණනය කිරීමකදී km/h m සමඟ හෝ පැය තත්පර සමඟ ව්යාකූල කිරීම භෞතික විද්යාවේ බහුලව දක්නට ලැබෙන වැරදි වලින් එකකි. මුලින්ම සියලුම යෙදවුම් ඒකක ඒකක පද්ධතියක් (SI) බවට පරිවර්තනය කළ යුතුය: 36 km/h = 10 m/s. සංයුක්ත ඒකක පරිවර්තන වලදී AI හට නිහඬ දෝෂ ඇති කළ හැකි බැවින්, මෙම පරිවර්තනය අතින් හෝ ඒකක දැනුවත් කිරීමේ මෙවලමක් සමඟින් සත්යාපනය කළ යුතුය.
10. විද්යාත්මක ප්රස්ථාරයක 'අවංකභාවය' අනුව නිවැරදි භාවිතාව කුමක්ද?
- A) දෝෂ තීරු ප්රස්ථාරය අවුල් කරන නිසා අවිනිශ්චිතතාවය සැඟවීම
- B) අක්ෂ ඒකක සමඟ ලේබල් කරන්න, විකෘති කිරීමකින් තොරව පරිමාණය තෝරන්න, සහ දෝෂ තීරු සමඟ අවිනිශ්චිතතාවය පෙන්වන්න ✔
- C) සෑම විටම වඩාත්ම නාටකාකාර වෙනස පෙන්වන පරාසයේ y-අක්ෂය ආරම්භ කරන්න
- D) පාඨකයාට ඒකකය අනුමාන කළ හැකි නිසා ඒකක නොමැතිව අක්ෂ තැබීම
විස්තරය: අවංක විද්යාත්මක ප්රස්ථාරයක්; එය විශාලත්වය සහ ඒකක සහිත අක්ෂ ලේබල් කරයි, සවිඥානිකව සහ විකෘතියකින් තොරව පරිමාණය තෝරා ගනී (අතිශයෝක්තිය සඳහා y-අක්ෂය ශුන්යයෙන් ආරම්භ කිරීම නොමඟ යවන සුළුය), සහ මිනුම් අවිනිශ්චිතතාවය දෝෂ තීරු සමඟ දෘශ්යමාන කරයි. අවිනිශ්චිතභාවය සැඟවීම දත්ත නිශ්චිත බවක් පෙනෙන අතර පක්ෂග්රාහී හෝ එකඟතාව පිළිබඳ වැරදි හැඟීමක් ඇති කරයි. ග්රැෆික් එකක් වඩාත් ඒත්තු ගැන්වෙන තරමට, අඛණ්ඩතාව පරීක්ෂා කිරීම වඩාත් වැදගත් වේ.
11. කෘත්රිම බුද්ධියෙන් සාහිත්ය සහ උපුටා දැක්වීම් සහය ලබා ගැනීමේදී ඇති ලොකුම අවදානම සහ නිවැරදි විනය කුමක්ද?
- A) කෘතිම බුද්ධිය ඉතා සෙමින් උපුටා දැක්වීම් නිපදවන නිසා කාලය නාස්ති කරයි
- B) කෘත්රිම බුද්ධිය මගින් යෝජනා කරන ලද මූලාශ්ර සෑම විටම සත්ය වේ, සත්යාපනය කිරීම අවශ්ය නොවේ
- C) කෘතිම බුද්ධියට සැබෑ ලෙස පෙනෙන නමුත් නොපවතින ගුණාංග ඇති කළ හැකිය; සෑම උපුටා දැක්වීමක්ම DOI/මූලාශ්රය සමඟින් සත්යාපනය කළ යුතු අතර සත්ය දත්ත ගබඩාවෙන් සාහිත්යය සොයා ගත යුතුය ✔
- D) සාදන ලද උපුටා දැක්වීම් පහසුවෙන් හඳුනා ගත හැක්කේ ඒවා සෑම විටම සැබෑ නොවන සඟරා නම් භාවිතා කරන බැවිනි
පැහැදිලි කිරීම: විශාල භාෂා ආකෘතියක් සැබෑ දත්ත ගබඩාවකට සම්බන්ධ නොවේ; උපුටා දැක්වීම් රටා අනුකරණය කිරීමෙන්, එය සැබෑ සඟරාවේ නම, විශ්වසනීය කතුවරුන් සහ සාධාරණ වසරක් සහිත නමුත් සම්පූර්ණයෙන්ම නොපවතින ලිපි නිෂ්පාදනය කළ හැකිය. එබැවින්, සාහිත්යය සැබෑ දත්ත සමුදායන්ගෙන් සොයා ගත යුතු අතර, AI භාවිතා කළ යුත්තේ අතේ ඇති සත්ය පෙළ සාරාංශ කිරීමට/පරිවර්තනය කිරීමට පමණක් වන අතර, එක් එක් උපුටා දැක්වීම DOI හෝ මාතෘකාව මගින් ස්වාධීනව සත්යාපනය කළ යුතුය. තහවුරු නොකළ උපුටා දැක්වීමක් ශාස්ත්රීය අඛණ්ඩතාව උල්ලංඝනය කිරීමකි.
12. AI මඟින් ලිපියක් සාරාංශ කිරීමේදී විශ්වාසදායක ප්රතිඵල ලබා ගැනීමට අවශ්ය වන්නේ කුමක්ද?
- A) ලිපියේ මාතෘකාව ලබා දීම පමණක් ප්රමාණවත්ය, ආකෘතිය අන්තර්ගතය දනී
- B) සාරාංශය කිසිසේත්ම පරීක්ෂා නොකර කෙලින්ම භාවිතා කිරීම, එය දියර ලෙස පෙනෙන නිසා
- C) එකම සාරාංශය සඳහා ආදර්ශය දෙවරක් ඉල්ලා සිටීම සහ එය සමාන නම් එය නිවැරදි බව පිළිගැනීම.
- D) කිසිවක් එකතු කර හෝ විකෘති කර නොමැති බව පරීක්ෂා කිරීම සඳහා මුල් පිටපත ආකෘතියට ලබා දීම සහ නිෂ්පාදිත සාරාංශය මුල් පිටපත සමඟ සංසන්දනය කිරීම ✔
පැහැදිලි කිරීම: AI වෙත ලිපියක මාතෘකාව ලබා දී සාරාංශයක් ඉල්ලා සිටීමෙන් ආකෘතිය කිසිදා ලිපිය නොදැක 'පිළිගත හැකි සාරාංශයක්' ඉදිරිපත් කරයි; මෙම සාරාංශය සත්යයට විරුද්ධ විය හැකිය. විශ්වසනීය සාරාංශයක් ලබා ගත හැක්කේ මුල් පිටපත ආකෘතියට ලබා දී ජනනය කරන ලද සාරාංශය මුල් පිටපත සමඟ සංසන්දනය කළ විට පමණි. අතිරේකව, සාරාංශය පෙළෙහි නොමැති ප්රතිඵල හෝ සංඛ්යා එකතු නොකරන බව පරීක්ෂා කළ යුතුය.
13. භෞතික විද්යා පාඨමාලා ද්රව්ය නිෂ්පාදනයේදී කෘතිම බුද්ධියේ ප්රතිදානය සඳහා සත්ය වන්නේ කුමක්ද?
- A) සෑම විසඳුමක්ම ස්වාධීනව සත්යාපනය කළ යුතුය, සාදෘශ්යවල සීමාවන් නියම කළ යුතුය, සහ බාධා කරන්නන් සැබෑ වැරදි වැටහීම් ඉලක්ක කළ යුතුය ✔
- B) කෘත්රිම බුද්ධියෙන් නිපදවන පිළිතුරු යතුර සෑම විටම නිවැරදියි, විගණනය අවශ්ය නොවේ
- C) සෑම අවස්ථාවකදීම ප්රතිසමයන් පරිපූර්ණයි, ඒවායේ සීමාවන් නියම කිරීමට අවශ්ය නොවේ.
- D) වැරදි තේරීමේ ස්වභාවය නොවැදගත් බැවින්, බාධා කරන්නන් සම්පූර්ණයෙන්ම අහඹු ලෙස තෝරා ගත යුතුය.
විස්තරය: ප්රශ්න, උදාහරණ සහ සාදෘශ්ය උත්පාදනය කිරීමේදී AI වේගවත් වේ, නමුත් කරුණු තුනක් මත පරීක්ෂා කිරීම අත්යවශ්ය වේ: එක් එක් ගැටලුවට විසඳුම ස්වාධීනව (අතින් හෝ කේතය සමඟ) සත්යාපනය කළ යුතුය, මන්ද ආකෘතිය විසඳුමේ සංඥා/ඒකක දෝෂ ඇති කළ හැකි බැවිනි; සෑම සාදෘශ්යයක්ම එය බිඳ වැටෙන තැන සඳහන් කළ යුතුය, එසේ නොවුවහොත් එය නව දෝෂයක් ඇති කරයි; බාධා කරන්නන් සැබෑ වැරදි වැටහීම් ඉලක්ක කළ යුතුය. වගකීම ගුරුවරයා සතු ය; වැරදි පිළිතුරු යතුරක් සිසුන්ට නිවැරදි කිරීමට අපහසු වැරදි වැටහීම් ඇති කරයි.
14. පර්යේෂණාත්මක දත්ත න්යාය සමඟ සම්පුර්ණයෙන්ම එකඟ නොවන විට විද්යාත්මක අඛණ්ඩතාවයට අනුකූල හැසිරීම කුමක්ද?
- A) කෘත්රිම බුද්ධියක් තිබීම න්යායට ගැලපෙන පරිදි දත්ත සංවිධානය කර ප්රස්ථාරය ඒත්තු ගැන්වෙන ලෙස පෙන්වයි
- B) විෂමතාවයට හේතු විමර්ශනය කිරීම (ක්රමානුකූල දෝෂයක්, ආකෘතියක් නොමැතිකම, නව බලපෑම) සහ දත්ත වෙනස් නොකර අවංකව වාර්තා කිරීම ✔
- C) එකඟ නොවීම් නොසලකා හැරීම සහ ගැලපෙන කරුණු පමණක් වාර්තා කිරීම
- D) දත්ත මකා දැමීම සහ නව අත්හදා බැලීමේ ප්රතිඵලය සවි කිරීම
පැහැදිලි කිරීම: න්යායට වඩා හොඳින් ගැලපෙන පරිදි දත්ත සකස් කරන ලෙස AI ගෙන් ඉල්ලා සිටීම දත්ත වංචාවක් වන අතර විද්යාත්මක අඛණ්ඩතාව බරපතල ලෙස උල්ලංඝනය කිරීමකි. එකඟ නොවීම යනු විමර්ශනය කළ යුතු දෙයක් මිස සැඟවිය යුතු දෙයක් නොවේ: එය ක්රමානුකූල දෝෂයක්, සංඛ්යානමය උච්චාවචනයක්, රටාවක් නොමැතිකම හෝ රසවත් නව බලපෑමක් පෙන්නුම් කරයි. අවිනිශ්චිතතාවයෙන් යුතුව දත්ත වාර්තා කරනු ලැබේ; අවසාන වගකීම පුද්ගලයා සතු වන අතර 'මෙවලම එය කළා' යනු ආරක්ෂාවක් නොවේ.