ලාභ:
- අහඹු සහ ක්රමානුකූල අවිනිශ්චිතතාවයන් අතර වෙනස හඳුනාගැනීමේ හැකියාව සහ එක් එක් මිනුම් ප්රතිඵලය එහි අවිනිශ්චිතතාවය සමඟ සුදුසු සැලකිය යුතු ඉලක්කම් වෙත වාර්තා කිරීම.
- නිවැරදි රීතිය සමඟ දෝෂ ප්රචාරණය ගණනය කිරීමේ හැකියාව සහ මොන්ටේ කාලෝ සමඟ කෘතිම බුද්ධිය මගින් ව්යුත්පන්න වූ සූත්රය ස්වාධීනව හරස් පරීක්ෂා කිරීම
- ඒවායේ අවිනිශ්චිතතාවය සැලකිල්ලට ගනිමින් ප්රතිඵල දෙකක් ගැලපෙනවාද නැද්ද යන්න තීරණය කිරීමේ හැකියාව
භෞතික විද්යාවේ කිසිදු මිනුමක් පරිපූර්ණ නොවේ. පාලකයෙකු සමඟ දිග මැනීමේදී ± 0.5 mm සහ නැවතුම් ඔරලෝසුවකින් කාලය මැනීමේදී ± 0.1 s අවිනිශ්චිතතාවයක් ඇත. මෙම අවිනිශ්චිතතාවයන් දෝෂයක් නොවේ, නමුත් මිනුම්වල ස්වභාවය - සහ විද්යාත්මක අඛණ්ඩතාවයේ අවශ්යතාවය වන්නේ සෑම ප්රතිඵලයක්ම එහි අවිනිශ්චිතතාවයෙන් වාර්තා කිරීමයි. "මම ගුරුත්වාකර්ෂණ ත්වරණය 9.7 ක් බව සොයාගත්තා" යැයි පැවසීම අසම්පූර්ණයි; "මම 9.7 ± 0.3 m/s² සොයාගත්තා" යැයි පැවසීමෙන් ප්රතිඵලය කෙතරම් විශ්වාසදායකද යන්න ඔබට කියයි. මෙම ඒකකයේදී, අවිනිශ්චිතතා ගණනය කිරීම සහ දෝෂ ප්රචාරණය සඳහා කෘතිම බුද්ධිය (AI) භාවිතා කරන ආකාරය (එම මිනුම්වල සිට ගණනය කළ ප්රතිඵලය දක්වා මිනුම් අවිනිශ්චිතතාවයන් ගෙන යන ආකාරය) සහ මෙම ගණනය කිරීම් සත්යාපනය කරන්නේ කෙසේදැයි ඔබ ඉගෙන ගනු ඇත.
අවිනිශ්චිතතාවයේ වර්ග සහ AI හි භූමිකාව
අවිනිශ්චිතතාවයේ මූලික වර්ග දෙකක් තිබේ. සසම්භාවී අවිනිශ්චිතතාවය යනු නැවත නැවත මැනීමේදී ප්රතිඵල විසිරීමයි; මධ්යන්ය සහ සම්මත අපගමනය මගින් බොහෝ මිනුම් ලබාගෙන අඩු කරනු ලැබේ. ක්රමානුකූල අවිනිශ්චිතතාවය යනු සෑම විටම එකම දිශාවකට අපගමනය වන දෝෂයකි (අවස්ථානුකූලව ක්රමාංකනය කළ ශේෂයක් වැනි); එය පුනරාවර්තනයෙන් අඩු නොවේ, නමුත් හේතුව සොයා ගැනීමෙන් නිවැරදි කරනු ලැබේ. මෙම සංකල්ප පැහැදිලි කිරීමට, සම්මත අපගමනය සහ මධ්යන්ය ගණනය කිරීම් කේතනය කිරීමට සහ - විශේෂයෙන් - සංකීර්ණ දෝෂ ප්රචාරණ සූත්ර ව්යුත්පන්න කිරීමට AI උපකාරී වේ. නමුත් ඔබ සෑම ව්යුත්පන්න සූත්රයක්ම සත්යාපනය කළ යුතුය, මන්ද AI බොහෝ විට දෝෂ ප්රචාරණ සූත්රවල අර්ධ ව්යුත්පන්න සංඥා හෝ වර්ග මූල ව්යුහය මිශ්ර කරයි.
තත්ත්වය
ගිණුම
සත්යාපනය
නැවත නැවත මැනීම
මධ්යන්ය ± සම්මත දෝෂය
අතින් සම්මත අපගමනය / √N
එකතු කිරීම/අඩු කිරීම (z = x ± y)
අවිනිශ්චිතතාවයන් චතුරස්රයේ සිට සාරාංශ කර ඇත
ප්රමාණය / ඒකක පාලනය
ගුණ කිරීම/බෙදීම (z = x·y)
සාපේක්ෂ අවිනිශ්චිතතාවයන් චතුරස්රයේ සිට සාරාංශ කර ඇත
නියැදි අංකය සමඟ පරීක්ෂා කරන්න
පොදු කාර්යය
අර්ධ ව්යුත්පන්න මගින් ප්රචාරණය කිරීම
මොන්ටේ කාලෝ සමඟ හරස් පරීක්ෂා කිරීම
දෝෂ පැතිරීමේ මූලික නීති
අමතරව සහ අඩුකිරීම් වලට අමතරව, නිරපේක්ෂ අවිනිශ්චිතතාවයන් ඒවායේ වර්ග එකතු කිරීම මගින් ඒකාබද්ධ කෙරේ: z = x + y නම්, z හි අවිනිශ්චිතතාවය √(δx² + δy²) බවට පත් වේ. ගුණ කිරීමේදී සහ බෙදීමේදී, සාපේක්ෂ (ප්රතිශතය) අවිනිශ්චිතතාවයන් ඒවායේ වර්ග වලින් සාරාංශ කරනු ලැබේ: z = x·y නම්, (δz/z) = √((δx/x)² + (δy/y)²). වඩාත් සංකීර්ණ ශ්රිත සඳහා, සාමාන්ය රීතිය වන්නේ අර්ධ ව්යුත්පන්නයන් භාවිතා කිරීමයි: ප්රතිඵලය මත එක් එක් විචල්යයේ බලපෑම එම විචල්යයට අදාළව අර්ධ ව්යුත්පන්නයෙන් මනිනු ලැබේ. AI හට මෙම සූත්ර ව්යුත්පන්න කළ හැක, නමුත් ප්රතිඵලය සත්යාපනය කිරීමට ඇති ආරක්ෂිතම ක්රමය Monte Carlo හරස් පරීක්ෂණයකි: එක් එක් ආදානය එහි අවිනිශ්චිතතාවයට අහඹු ලෙස බෙදා හැරීම, දහස් වාරයක් ගණනය කිරීම සහ ප්රතිදානයේ බෙදා හැරීම දෙස බැලීම.
ඉඟිය: දෝෂ ප්රචාරණ සූත්රයක නිරවද්යතාවය ගැන ඔබට විශ්වාසයක් නොමැති නම්, එය Monte Carlo සමඟ ලබා දෙන්න: අහඹු ලෙස ආදාන ඔවුන්ගේම අවිනිශ්චිතතාවයෙන් ජනනය කර ශ්රිතය 10,000 වාරයක් ගණනය කරන්න; නිමැවුමේ සම්මත අපගමනය සූත්රය මගින් ලබා දෙන අවිනිශ්චිතතාවයට ගැළපිය යුතුය. මෙම ස්වාධීන ක්රම දෙකේ සංයෝජනය ප්රතිඵලය පිළිබඳ ඔබේ විශ්වාසය බෙහෙවින් වැඩි කරයි.
පියවරෙන් පියවර: අවංක අවිනිශ්චිත විශ්ලේෂණයක්
1. එක් එක් මිනුම්වල අවිනිශ්චිතතාවය තීරණය කරන්න. උපකරණ විභේදනය, පුනරාවර්තන බෙදා හැරීම හෝ නිෂ්පාදක දත්ත. අවිනිශ්චිතතාවය පැමිණෙන්නේ කොතැනින්ද යන්න ලියන්න.
2. අහඹු සහ ක්රමානුකූල අතර වෙනස හඳුනා ගන්න. පුනරාවර්තනයෙන් අඩු වන්නේ කුමක්ද සහ නොවන්නේ කුමක්ද යන්න වෙන වෙනම සලකා බලන්න.
3. නිවැරදි සූත්රය සමඟ පැතිරීම ගණනය කරන්න. එකතු කිරීම, ගුණ කිරීම, පොදු කාර්යය - සුදුසු රීතිය තෝරන්න. AI එය ව්යුත්පන්න කර ගන්න, නමුත් එය පාලනය කරන්න.
4. Monte Carlo සමඟ හරස් පරීක්ෂා කරන්න. විශේෂයෙන්ම සංකීර්ණ සූත්ර සඳහා ස්වාධීන ක්රමයක් තුළ ප්රතිඵලය ලබා දෙන්න.
5. සුදුසු සැලකිය යුතු ඉලක්කම් සමඟ වාර්තා කරන්න. අවිනිශ්චිතතාවය සාමාන්යයෙන් සැලකිය යුතු ඉලක්කම් 1-2 දක්වා වට කර ඇත; ප්රතිඵලය අවිනිශ්චිතතාවයේ අවසාන ඉලක්කම් සමඟ සමපාත වේ. "9.73418 ± 0.4" නොව "9.7 ± 0.4 m/s²" ලියන්න.
කුඩා නඩු තුනක්
නඩුව 1 - වැරදි පැතිරීමේ සූත්රය. g = 4π²L/T² සඳහා අවිනිශ්චිත ප්රචාරණය ගැන ශිෂ්යයෙක් AI ගෙන් විමසීය. T ට සාපේක්ෂව T හි අවිනිශ්චිතතාවයේ දායකත්වය ව්යුත්පන්න කිරීමේදී AI ට 2 හි සංගුණකය අමතක විය (T² සාපේක්ෂ අවිනිශ්චිතතාවය 2·δT/T විය යුතු බැවින්). ශිෂ්යයා මොන්ටේ කාලෝ සමඟ හරස් පරීක්ෂා කළ විට, AI සූත්රය අඩකින් පමණ අවිනිශ්චිත බව තක්සේරු කර එය නිවැරදි කළ බව ඔහු සොයා ගත්තේය.
නඩුව 2 - ක්රමානුකූල දෝෂයක් සැඟවී ඇත. එක් පර්යේෂකයෙක් මිනුම් විශාල සංඛ්යාවක් ගෙන, අහඹු අවිනිශ්චිතතාවය ඉතා කුඩා කර, "± 0.01 mm" හි ආකර්ෂණීය නිරවද්යතාවයක් වාර්තා කළේය. නමුත් එහි පරිමාණය 0.2 mm කින් ක්රමාංකනය නොවීය - ක්රමානුකූල දෝෂයකි. පුනරාවර්තනයෙන් අඩු නොවූ මෙම දෝෂය සැලකිල්ලට ගත් විට, සැබෑ අවිනිශ්චිතතාවය බොහෝ සෙයින් වැඩි විය. පාඩම: පුනරාවර්තනය අහඹු දෝෂයක් අඩු කරයි, ක්රමානුකූල දෝෂයක් නොවේ.
නඩුව 3 - මොන්ටේ කාලෝ සුරකින ලදී. ගුරුවරයෙකු විසින් පරිමා කලනයක (V = πr²h) අවිනිශ්චිතතාවය හඳුන්වා දුන් අතර අතින් ප්රතිඵලයක් සොයා ගන්නා ලදී. නිසැකවම, ඔහු AI වෙතින් Monte Carlo කේතයක් ඉල්ලා සිටියේය; ඔහු r සහ h ඒවායේ අවිනිශ්චිතතාවයන් සමඟ අහඹු ලෙස ජනනය කර V 10,000 වාරයක් ගණනය කළේය. බෙදාහැරීමේ සම්මත අපගමනය අතින් සොයාගත් අගය සමඟ එකඟ විය - විශ්ලේෂණය වලංගු විය.
පිටපත් කළ හැකි සැකිලි හතරක්
1) දෝෂ ප්රචාරණ ව්යුත්පන්න + සත්යාපනය:
z = [සූත්රය] ප්රකාශනය සඳහා, x සහ y විචල්යවල අවිනිශ්චිතතාවයේ සිට z හි අවිනිශ්චිතතාවය දක්වා අර්ධ ව්යුත්පන්නයන්, STEP BY STEP දක්වා දෝෂ ප්රචාරණය ලබා ගන්න. එක් එක් අර්ධ ව්යුත්පන්න පෙන්වන්න. ඉන්පසු SympY.Fitting සමඟ මෙම සූත්රය සත්යාපනය කරන්න; ඔබට විශ්වාස නැති පියවර සලකුණු කරන්න.
2) Monte Carlo හරස් පරීක්ෂාව:
Monte Carlo: z = [සූත්රය] භාවිතයෙන් පහත ගණනය කිරීමේ අවිනිශ්චිතතාවය සොයා ගන්නා පයිතන් කේතයක් ලියන්න. ආදාන: x = [අගය ± අවිනිශ්චිතතාවය], y = [අගය ± අවිනිශ්චිතතාවය]. එක් එක් ආදානය සාමාන්ය ව්යාප්තියකින් 10,000 වාරයක් නියැදි කරන්න, z ගණනය කරන්න, ප්රතිදානයේ මධ්යන්ය සහ සම්මත අපගමනය මුද්රණය කරන්න. මෙය විශ්ලේෂණාත්මක විසරණ සූත්රයේ ප්රතිඵලය සමඟ සසඳන්න.
3) මිනුම් සංඛ්යාලේඛන:
පහත පුනරාවර්තන මිනුම් දත්ත ([අගය]) සඳහා මධ්යන්ය (std/√N) හි මධ්යන්ය, සම්මත අපගමනය සහ සම්මත දෝෂය ගණනය කරන කේතය ලියන්න. "අගය ± සම්මත දෝෂය (ඒකක)" ආකෘතියෙන් ප්රතිඵලය සුදුසු සැලකිය යුතු ඉලක්කම් සමඟ මුද්රණය කරන්න. අහඹු සහ ක්රමානුකූල අවිනිශ්චිතතාවය අතර වෙනස අපට මතක් කරන්න.
4) සැලකිය යුතු ඉලක්කම් / වාර්තා පරීක්ෂාව:
පහත ප්රතිඵල "අගය ± අවිනිශ්චිතතාවය (ඒකකය)" ආකාරයෙන් නැවත ලියන්න, අවිනිශ්චිතතාවය සැලකිය යුතු ඉලක්කම් 1-2 දක්වා වට කර ප්රතිඵලය අවිනිශ්චිතතාවය සමඟ පෙළගස්වන්න. වැරදි නිරවද්යතාවය නිවැරදි කරන්න. ප්රතිඵල: [මෙහි]
දුර්වල ක්ෂණික / ශක්තිමත් විමසුම
දුර්වල: "g සඳහා අවිනිශ්චිතතාවය ගණනය කරන්න."
ප්රතිඵලය: සන්දර්භය නොමැති, සූත්රය සත්යාපනය කර නොමැති සහ ක්රමානුකූල/අහඹු වෙනසක් නොමැතිව අංකයක්.
ප්රබල: "g = 4π²L/T² සඳහා, L = 1.00 ± 0.01 m සහ T = 2.00 ± 0.02 s හි මිනුම් වලින් අර්ධ ව්යුත්පන්නයන් මගින් g හි අවිනිශ්චිතතාවය ලබා ගන්න, ඉන්පසු Monte Carlo සමඟ හරස් පරීක්ෂා කරන්න. යෝග්ය ඉලක්කම් සමඟ m ... ±' ප්රතිඵලය ලියන්න.
ප්රතිඵලය: ව්යුත්පන්න, ස්වාධීනව සත්යාපිත, නිවැරදිව වාර්තා කළ අවිනිශ්චිතතාවයක්.
පොදු වැරදි
- කිසිසේත්ම අවිනිශ්චිතභාවය වාර්තා නොකරයි. අවිනිශ්චිතතාවයෙන් තොර මිනුමක් යනු විද්යාත්මක අර්ධ ප්රකාශයකි.
- පැතිරීමේ සූත්රය සත්යාපනය නොකරයි. YZ නිතරම අර්ධ ව්යුත්පන්න සංගුණක සහ වර්ග මූල ව්යුහය මිශ්ර කරයි; මොන්ටේ කාලෝ හරස් පරීක්ෂා කිරීම අත්යවශ්ය වේ.
- පුනරාවර්තනය හරහා ක්රමානුකූල දෝෂ අඩු කිරීමට උත්සාහ කිරීම. බහු-මිනුම් අහඹු දෝෂය පමණක් අඩු කරයි; ක්රමාංකන දෝෂය ඉතිරිව ඇත.
- ව්යාජ සහතිකයක් ඇති කිරීම. අවිනිශ්චිතතාවයට වඩා බොහෝ වැදගත් ඉලක්කම් ලිවීම නොපවතින නිරවද්යතාවයේ ප්රකාශයකි.
- අවිනිශ්චිතතාවයන් සෘජුව එකතු කිරීම. ස්වාධීන අවිනිශ්චිතතාවයන් රේඛීය නොවන නමුත් වර්ග (වර්ග මූලයට) ඇත.
අවවාදයයි: භෞතික ප්රතිඵල දෙකක් "වෙනස්" ද යන්න තීරණය කළ හැක්කේ ඒවායේ අවිනිශ්චිතභාවය දෙස බැලීමෙන් පමණි. අවිනිශ්චිතතාවය ± 0.3 නම් 9.7 සිට 9.81 දක්වා අගයන් අනුකූල වේ; ± 0.02 පරස්පර විරෝධී වේ. අවිනිශ්චිතතාවය නොසලකා හැර "මගේ ප්රතිඵලය න්යායෙන් බැහැර වේ" යැයි පැවසීම බොහෝ විට වැරදි නිගමනයකි. තීරණයක් ගැනීමට පෙර AI විසින් ලබා දී ඇති අවිනිශ්චිතතා ගණනය තහවුරු කිරීමට වග බලා ගන්න.
සාරාංශයක් ලෙස
අවිනිශ්චිතතාවය භෞතික මිනුම් සඳහා අත්යවශ්ය වන අතර සෑම ප්රතිඵලයක්ම එහි අවිනිශ්චිතතාවයෙන් වාර්තා කළ යුතුය. AI අවිනිශ්චිතතා සංඛ්යාලේඛන කේතනය කිරීමට සහ දෝෂ ප්රචාරණ සූත්ර ව්යුත්පන්න කිරීමට උපකාරී වේ; නමුත් මෙම සූත්රවල නිතර දෝෂ ඇති අතර Monte Carlo වැනි ස්වාධීන ක්රමයකින් හරස් පරීක්ෂා කළ යුතුය. ක්රමානුකූල අවිනිශ්චිතතාවයෙන් අහඹු ලෙස වෙන්කර හඳුනා ගැනීම, සුදුසු සැලකිය යුතු ඉලක්කම් වෙත වාර්තා කිරීම සහ ප්රතිඵල ඔවුන්ගේ අවිනිශ්චිතතාවයට සංසන්දනය කිරීම අවංක විද්යාත්මක අධ්යයනයේ පදනම වේ. මීළඟ ඒකකයේදී අපි ඉලක්කම් විශ්ලේෂණයේ සිට සංකේතාත්මක ආකෘති ව්යුත්පන්න වෙත අවධානය යොමු කරමු.
යෙදුම් කාර්යය
අවම වශයෙන් මනින ලද ප්රමාණ දෙකක් ඇතුළත් ගණනය කිරීමක් තෝරන්න (උදා. V = πr²h හෝ g = 4π²L/T²). එක් එක් ප්රමාණයට සාධාරණ අවිනිශ්චිතතාවයක් පවරන්න. AI හට සැකිල්ල 1 සමඟ දෝෂ ප්රචාරණය ලබා ගැනීමට සලස්වන්න, ඉන්පසු අච්චු 2 සමඟ Monte Carlo හරස් පරීක්ෂා කර එය ක්රියාත්මක කරන්න. ක්රම දෙකේ ප්රතිඵල එකඟද? සුදුසු සැලකිය යුතු ඉලක්කම් සමඟ ප්රතිඵලය වාර්තා කරන්න. වාක්ය 5-6 කින් ලියන්න: සූත්ර දෝෂයක් හෝ නොගැලපීමක් තිබේද?
පිරික්සුම් ලැයිස්තුව
- [ ] මම එක් එක් මිනුමෙහි අවිනිශ්චිතතාවය සහ මූලාශ්රය තීරණය කළෙමි.
- [ ] මම අහඹු සහ ක්රමානුකූල අවිනිශ්චිතතාවයන් වෙන්කර හඳුනා ගත්තෙමි.
- [ ] මම නිවැරදි රීතිය සමඟ දෝෂ ප්රචාරණය ගණනය කළෙමි.
- [ ] මම ප්රතිඵලය ස්වාධීනව Monte Carlo හෝ අතින් පරීක්ෂා කළෙමි.
- [ ] මම ප්රතිඵලය එහි අවිනිශ්චිතතාවය සමඟ සමපාත වූ සුදුසු සැලකිය යුතු ඉලක්කම් සමඟ වාර්තා කළෙමි.
- [ ] ප්රතිඵල සංසන්දනය කිරීමේදී මම අවිනිශ්චිතතාවය සැලකිල්ලට ගත්තෙමි.