ලාභ:
- භාෂා ආකෘතියේ වාචික අනුමාන කිරීමට වඩා ක්රියාත්මක කරන ලද පයිතන් කේතය මත සංඛ්යාත්මක ප්රතිඵල පදනම් කර ගැනීමේ හැකියාව
- ස්ටෝචියෝමිතිය, ක්රමාංකනය සහ දත්ත පිරිසිදු කිරීමේ කේතය කෘතිම බුද්ධියට ලිවීමට සහ දන්නා පිළිතුරු සහිත සාම්පල සමඟ එය පරීක්ෂා කිරීමට හැකියාව
- සෑම විටම ඒකක නියම කිරීම සහ ඒවායේ අනුපිළිවෙල පරීක්ෂා කිරීම මගින් දත්ත විශ්ලේෂණ දෝෂ වැළැක්වීමේ හැකියාව
රසායන විද්යාව සංඛ්යා වලින් පිරී ඇත: බර, පරිමාව, අවශෝෂණ අගයන්, අස්වැන්න, සාන්ද්රණය. මෙම දත්ත අතින් සැකසීම මන්දගාමී වන අතර දෝෂ සහිත වේ. AI මෙහි ප්රධාන සේවා දෙකක් සපයයි: (1) දත්ත සකසන Python කේතය ලියයි, (2) එම කේතය ධාවනය කරයි (කේතය ක්රියාත්මක කළ හැකි පරිසරයක) සහ නියත ප්රතිඵලයක් ලබා දෙයි. තීරනාත්මක මූලධර්මය මෙයයි: භාෂා ආකෘතියේ "වාචික පුරෝකථනය" වෙත නොව, ක්රියාත්මක කරන ලද කේතයේ ප්රතිදානය වෙත ගණනය කිරීම තබන්න. භාෂා ආකෘතිය "142 × 0.05 යනු කුමක්ද?" සමහර විට ප්රශ්නයට වැරදි ලෙස පිළිතුරු දිය හැකිය; නමුත් ඔහු ලියන පයිතන් රේඛාව සෑම විටම නිවැරදිව ගණනය කරයි. මෙම ඒකකය තුළ, අපි මෙම දර්ශනය සමඟ AI සමඟ රසායනික දත්ත විශ්ලේෂණය ඉගෙන ගනිමු.
වාචික අනුමාන කිරීමට වඩා කේතය හොඳ වන්නේ ඇයි?
භාෂා ආකෘතියක් "හැකි ප්රතිඵලය පුරෝකථනය කිරීම" මගින් අංක ගණිතය කරයි; එබැවින් එය විශාල සංඛ්යා හෝ බහු-පියවර ගණනය සමඟ වැරදි විය හැක. පයිතන් හි 142 * 0.05 ප්රකාශනය නියතිවාදී වේ: එය සැමවිටම 7.1 ලබා දෙයි. එබැවින් උපාය මාර්ගය: AI ගණනය කිරීම සිදු නොකරන්න, ගණනය කිරීමේ කේතය මුද්රණය කර කේතය ක්රියාත්මක කරන්න. එබැවින් ඔබ AI හි නිර්මාණශීලිත්වය භාවිතා කරයි (කේතය ගොඩනැගීම) සහ විශ්වාස කළ නොහැකි පැත්ත (හිස අංක ගණිතය) අක්රීය කරන්න.
ඉඟිය: ඔබ AI එකකින් සංඛ්යාත්මක ප්රතිඵලයක් ලබා ගත් විට, "මෙය Python රේඛාවකින් නියෝජනය කරන්න" යැයි පවසන්න. කේතය දෙකම ගිණුම සත්යාපනය කරන අතර එය ක්රියාත්මක කිරීමට සහ එය තහවුරු කිරීමට ඔබට ඉඩ සලසයි. ඔබට කේතයක් නොපෙනේ නම්, අංකය විශ්වාස නොකරන්න.
රසායන විද්යාවේ සාමාන්ය දත්ත විශ්ලේෂණ කාර්යයන්
- Stoichiometry: මවුලය, ස්කන්ධය, සීමා කරන ප්රතික්රියාකාරකය, න්යායාත්මක අස්වැන්න, ප්රතිශත අස්වැන්න ගණනය කිරීම.
- සාන්ද්රණය: molarity, dilution (M1V1 = M2V2), ppm පරිවර්තන.
- ක්රමාංකනය: බියර්-ලැම්බර්ට් නීතිය (අවශෝෂණ ∝ සාන්ද්රණය) සමඟ ක්රමාංකන රේඛාවක් ඇඳීම සහ නොදන්නා දේ ගණනය කිරීම.
- දත්ත පිරිසිදු කිරීම: පැන්ඩා සහිත මිනුම් වගු කියවීම, පිටස්තර සලකුණු කිරීම, මධ්යන්ය/සම්මත අපගමනය.
- දෘශ්යකරණය: චිත්ර ක්රමාංකන වක්රය, චාලක ප්රස්ථාරය, ටයිටේෂන් වක්රය.
පියවරෙන් පියවර: AI සමඟ ආරක්ෂිත දත්ත විශ්ලේෂණය
- දත්ත නිර්වචනය කරන්න: තීරු, ඒකක, නියැදි පේළි පැහැදිලිව දෙන්න. ඒකකයක් නොමැති නම්, AI උපකල්පන කරයි.
- කේතය සඳහා අසන්න, ප්රතිඵල නොවේ: "මෙය ගණනය කරන pandas/NumPy කේතය ලියන්න" යැයි පවසන්න.
- කේතය ධාවනය කරන්න: එය ඔබම හෝ කේතය ධාවනය කළ හැකි පරිසරයක ධාවනය කරන්න.
- සරල නඩුවකින් පරීක්ෂා කරන්න: ඔබ පිළිතුර දන්නා කුඩා උදාහරණයක් සමඟ කේතය පරීක්ෂා කරන්න.
- ඒකකය සහ ඇණවුම් පරීක්ෂාව: ප්රතිඵලයේ ඒකකය සහ විශාලත්වය භෞතිකව සාධාරණද?
- ලේඛනය: පරීක්ෂණ සටහන් පොතට කේතය සහ ප්රතිදානය එක් කරන්න (ඒකකය 8).
පිටපත් කළ හැකි සැකිලි හතරක්
1) ස්ටෝචියෝමිතිය සහ සියයට අස්වැන්න:
ප්රතික්රියාව: salicylic acid (MA 138.12) + acetic anhydride -> aspirin (MA 180.16).දත්ත: salicylic අම්ලය 2.00 g භාවිතා කරන ලදී, acetic anhydride අතිරික්ත විය. Aspirin ලබා ගත්තේ: 2.15 g. Task: Python අස්වැන්න ප්රතිශතයක් ලෙස ගණනය කරන අතර බර ඵලදායික කේතය ලියන්න. විචල්යයන්, ඒකකවල ප්රතිඵලය මුද්රණය කරන්න. හිසෙන් ගණනය නොකරන්න; executable code එක දෙන්න.
2) බියර්-ලැම්බට් ක්රමාංකනය:
ක්රමාංකන දත්ත (සාන්ද්රණය mol/L -> අවශෝෂණය): 0.00->0.02, 0.02->0.21, 0.04->0.40, 0.06->0.62, 0.08->0.79. නොදන්නා නියැදි අවශෝෂණය: 0.50. කාර්යය: numpy.polyfit සමඟ රේඛීය ක්රමාංකනය සිදු කරන්න, බෑවුම/අන්තර්ශනය සහ R^2 ගණනය කරන්න, නොදන්නා සාන්ද්රණය සොයා ගන්න. matplotlib සමඟ දත්ත + ගැලපෙන රේඛාව සැලසුම් කරන්න.
3) පැන්ඩා සහිත මිනුම් සටහන:
මා සතුව CSV එකක් තිබේ: තීරු = නියැදිය, බර_g, පරිමාව_mL, අවශෝෂණය. කාර්යය: පැන්ඩා සමඟ කියවන්න, එක් එක් නියැදිය සඳහා සාන්ද්රණය (g/L) ගණනය කරන්න, අවශෝෂණ සහිත පේළි < 0 වැරදි ලෙස සලකුණු කරන්න, කණ්ඩායම්වල මධ්යන්ය සහ std අපගමනය මුද්රණය කිරීමට කේතය දෙන්න. විවරණ රේඛාවක් සමඟ ඒකක සඳහන් කරන්න.
4) තනුක ගිණුම් සත්යාපනය:
මට 0.5 M තොග ද්රාවණයෙන් 0.05 M ද්රාවණයෙන් මිලි ලීටර් 100 ක් සකස් කිරීමට අවශ්යයි. කාර්යය: M1V1=M2V2 සමඟ අවශ්ය කොටස් පරිමාව ගණනය කරන පයිතන් රේඛාව ලියන්න. ප්රතිඵලය mL වලින් මුද්රණය කර තාර්කික පරීක්ෂණයක් සඳහා 10 ගුණයකින් දියකර හැරීමක් බලාපොරොත්තු වන බවට අදහස් දැක්වීමක් ලෙස සත්යාපනය කරන්න.
දුර්වල ක්ෂණික / ශක්තිමත් විමසුම
දුර්වල:
සැලිසිලික් අම්ලය ග්රෑම් 2කින් ඇස්ප්රින් කොපමණ ප්රමාණයක් ලැබේද?
AI හිසෙන් අංකයක් ලබා දෙයි; එය අණුක බර වැරදි ලෙස මතක තබා ගන්නේ නම්, ප්රතිඵලය විකෘති වන අතර එය ගණනය කළ ආකාරය නොපෙනේ.
ශක්තිමත්:
salicylic අම්ලය MA=138.12, aspirin MA=180.16, mass=2.00 g, අස්වැන්න 100% උපකල්පනය කරන්න. කාර්යය: ඇස්ප්රින් වල සෛද්ධාන්තික ස්කන්ධය ගණනය කරන Python කේතය ලියන්න; සෑම පියවරක්ම අදහස් දක්වන්න (mole -> mol -> mass), ප්රතිඵලය g වලින් මුද්රණය කරන්න.
වෙනස: අණුක බර ලබා දී ඇත, කේතය ඉල්ලා ඇත, පියවර අදහස්, ඒකකය සඳහන් කර ඇත. ප්රතිඵලය නිවැරදි හා විගණනය කළ හැකි ය.
වාචික අනාවැකි ආදිය ක්රියාත්මක කළ කේතය
ප්රමාණය
භාෂා ආකෘතිය වාචික අනාවැකි
පයිතන් ධාවනය
අංක ගණිත නිරවද්යතාව
විචල්ය, දෝෂයක් ඇති විය හැක
නියතිවාදී, නියත
විගණන හැකියාව
ගබ්සා වීම (එය පිටවූයේ කෙසේද යන්න පැහැදිලි නැත)
ඉහළ (කේතය දෘශ්යමාන)
පුනරාවර්තන හැකියාව
අඩු
ඉහළ
ඒකක ලුහුබැඳීම
දුර්වලයි
කේතය තුළ විවෘතව තබා ගත හැක
නිසි භාවිතය
අදහස, ගොඩනැගිලි ව්යුහය
අවසාන සංඛ්යාත්මක ප්රතිඵලය
කුඩා නඩු
නඩුව 1 - වාචික අංක ගණිත දෝෂය. ශිෂ්යයෙක් AI වෙතින් “0.0145 mol × 180.16 g/mol?” යැයි අසයි. ඔහු ඇසුවා; "2.72 ග්රෑම්," AI පැවසීය. ඇත්ත වශයෙන්ම එය ග්රෑම් 2.61 කි. ශිෂ්යයා "මෙය පයිතන් හි පෙන්වන්න" යැයි පැවසූ විට, YZ 0.0145 * 180.16 ලෙස ලියා එය 2,612 ලෙස නිකුත් විය; පළමු වාචික ප්රතිචාරය වැරදියි. පාඩම: ඉතා සරල ගුණ කිරීම සඳහා පවා කේතය කැමති.
නඩුව 2 — R² ක්රමාංකනය පරීක්ෂා කිරීම. එක් පරිශීලකයෙකු බියර්-ලැම්බර්ට් ක්රමාංකනය කර ඇත; එය R² = 0.981 හැරෙනවා. AI පැවසුවේ "රේඛීය, විශ්වාසදායක" නමුත් ඉහළම සාන්ද්රණයේ ලක්ෂ්යය රේඛාවට පහළින් (සන්තෘප්තිය) ය. පරිශීලකයා ප්රස්ථාරය දුටු විට, එය රේඛීය පරාසයෙන් ඉහළම ස්ථානය ගෙන ගිය අතර, R² 0.999 දක්වා වැඩි විය. පාඩම: R² පමණක් ප්රමාණවත් නොවේ; අවශේෂ/පිහිටු බලන්න.
නඩුව 3 - ඒකක ව්යාකූලත්වය. එක් විශ්ලේෂණයක දී සාන්ද්රණය mg/L ද g/L ද යන්න අපැහැදිලි විය; AI විසින් g/L උපකල්පනය කරන ලද අතර ප්රතිඵල 1000 ගුණයක් වැරදියි. පරිශීලකයා තීරු ඒකකය පැහැදිලිව සඳහන් කළ විට එය සවි කර ඇත. පාඩම: AI මිල අධික යැයි උපකල්පනය කරමින් සෑම විටම ඒකකය කෙටි කරන්න.
පොදු වැරදි
- වාචික අංකය මත විශ්වාසය තැබීම. මානසික අංක ගණිතය කරනවාට වඩා සෑම විටම කේතය ඉල්ලා ධාවනය කරන්න.
- ඒකකය සඳහන් නොකරයි. g/L සමඟ mg/L, L සමඟ mL මිශ්ර කිරීම 1000 ගුණයක දෝෂයක් ඇති කරයි.
- කේතය පරීක්ෂා නොකරයි. පිළිතුර දන්නා කුඩා උදාහරණයකින් පරීක්ෂා නොකර විශාල දත්තවලට යෙදීම.
- R² එකම නිර්ණායකය ලෙස සැලකීම. රේඛීය නොවන කරුණු ප්රස්ථාරිකව නොදැක විශ්වාස කිරීම.
- පරීක්ෂක ප්රතික්රියාකාරකය මඟ හරින්න. ස්ටෝචියෝමිතිය තුළ සීමාකාරී ප්රතික්රියාකාරකය නිර්ණය නොකර න්යායික අස්වැන්න ගණනය කිරීම.
- සැලකිය යුතු පියවරක් පිටතට ගලා යාම. මිනුම් සැලකිය යුතු ඉලක්කම් 3 ක් වන විට ප්රතිඵලය ඉලක්කම් 8 ට වාර්තා කිරීම.
අවවාදයයි: AI විසින් ලියන කේතය පවා දෝෂ සහිත විය හැකිය (වැරදි තීරු නම, වැරදි සූත්රය). කේතය ක්රියාත්මක කිරීම ප්රතිඵලය නිර්ණය කරයි, නමුත් කේතය නිවැරදි දේ ගණනය කරන බව ඔබ දන්නා උදාහරණයකින් තහවුරු කළ යුතුය.
සාරාංශයක් ලෙස
- සංඛ්යාත්මක ප්රතිඵල ක්රියාත්මක කරන ලද පයිතන් කේතයට තබන්න, භාෂා ආකෘතියේ වාචික අනුමානයට නොවේ.
- AI ඉක්මනින් ස්ටෝචියෝමිතිය, ක්රමාංකනය, දත්ත පිරිසිදු කිරීම සහ රසායනික දත්ත විශ්ලේෂණයේදී දෘශ්යකරණය සඳහා කේතය ලියයි.
- සෑම විටම ඒකක දමන්න; ඒකක ව්යාකූලත්වය වඩාත්ම මිල අධික වැරැද්දයි.
- ක්රමාංකනය කිරීමේදී R² ට අමතරව අවශේෂ සහ ප්රස්ථාරය පරීක්ෂා කරන්න.
- දන්නා පිළිතුරක් සමඟ සරල උදාහරණයක් සමඟ කේතය පරීක්ෂා කරන්න; මිනිසා කේතයේ නිරවද්යතාවය තහවුරු කරයි.
යෙදුම් කාර්යය
ක්රමාංකනය හෝ ස්ටෝචියෝමිතික දත්ත කට්ටලයක් තබා ගන්න (එසේ නොවේ නම්, ඉහත Beer-Lambert දත්ත භාවිතා කරන්න). විශ්ලේෂණය සිදු කරන පයිතන් කේතය සඳහා AI ගෙන් විමසන්න (කේතය, ප්රතිඵලය නොවේ). කේතය ධාවනය කරන්න; පසුව දන්නා පිළිතුරු කුඩා සාම්පලයක් සමඟ එය පරීක්ෂා කරන්න. එකම ගණනය කිරීම සඳහා AI වෙතින් වාචිකව විමසා ප්රතිඵල දෙක සංසන්දනය කරන්න: වෙනසක් තිබේද? R² හි කුමන්ත්රණය සහ ක්රමාංකනයේ අවශේෂ අර්ථ දක්වන්න. ලේඛනයක කේතය, ප්රතිදානය සහ කෙටි අදහස දමන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] මම සංඛ්යාත්මක ප්රතිඵල ලබා ගන්නේ කේතයෙන් මිස වාචික අනුමානයෙන් නොවේ.
- [ ] මම එක් එක් දත්ත තීරුවේ ඒකකය පැහැදිලිව දක්වයි.
- [ ] මම පිළිතුර දන්නා කුඩා සාම්පලයක් සමඟ කේතය පරීක්ෂා කරමි.
- [ ] මම ක්රමාංකනය කිරීමේදී R² අසල අවශේෂ/ප්රස්ථාර විශ්ලේෂණය සිදු කරමි.
- [ ] මම ස්ටෝචියෝමිතිය තුළ සීමාකාරී ප්රතික්රියාකාරකය තීරණය කරමි.
- [ ] මම ප්රතිඵල යෝග්ය සැලකිය යුතු ඉලක්කම් සමඟ වාර්තා කරමි.