Dobički:
- Sposobnost razlikovanja med naključno in sistematično negotovostjo ter poročanja o vsakem merilnem rezultatu z njegovo negotovostjo do ustrezne pomembne števke.
- Sposobnost izračuna širjenja napake s pravilnim pravilom in neodvisno navzkrižno preverjanje formule, ki jo je izpeljala umetna inteligenca z Monte Carlo
- Sposobnost odločitve, ali sta dva rezultata združljiva ali ne, ob upoštevanju njune negotovosti
Nobena meritev v fiziki ni popolna. Pri merjenju dolžine z ravnilom je negotovost ±0,5 mm, pri merjenju časa s štoparico pa ±0,1 s. Te negotovosti niso napaka, temveč narava meritve – in zahteva znanstvene neoporečnosti je poročanje o vsakem rezultatu z njegovo negotovostjo. Rek "ugotovil sem, da je gravitacijski pospešek 9,7" je nepopoln; Če rečete "Našel sem 9,7 ± 0,3 m/s²", vam pove, kako zanesljiv je rezultat. V tej enoti se boste naučili, kako uporabljati umetno inteligenco (AI) za izračun negotovosti in širjenje napak (kako se merilne negotovosti prenesejo iz teh meritev v izračunani rezultat) in kako preveriti te izračune.
Vrste negotovosti in vloga AI
Obstajata dve osnovni vrsti negotovosti. Naključna negotovost je razpršitev rezultatov pri ponavljajočih se meritvah; Številne meritve se izvedejo in zmanjšajo za srednjo vrednost in standardni odklon. Sistematična negotovost je napaka, ki vedno odstopa v isto smer (kot napačno umerjena tehtnica); S ponavljanjem se ne zmanjša, ampak se popravi z iskanjem vzroka. Umetna inteligenca je v pomoč pri razlagi teh konceptov, kodificiranju izračuna standardnega odklona in povprečja ter – še posebej – pri izpeljavi kompleksnih formul za širjenje napak. Vendar morate preveriti vsako izpeljano formulo, ker umetna inteligenca v formulah za razmnoževanje napak pogosto meša znake delnih izpeljav ali strukturo kvadratnega korena.
Stanje
račun
preverjanje
Ponovljeno merjenje
Srednja ± standardna napaka
Ročno standardno odstopanje / √N
Seštevanje/odštevanje (z = x ± y)
Negotovosti so seštete iz kvadrata
Nadzor velikosti/enote
Množenje/deljenje (z = x·y)
Relativne negotovosti so seštete iz kvadrata
Test s številko vzorca
Splošna funkcija
Razmnoževanje z delnimi izpeljankami
Navzkrižno preverjanje z Monte Carlom
Osnovna pravila širjenja napak
Poleg seštevanja in odštevanja se absolutne negotovosti združijo s seštevanjem njihovih kvadratov: Če je z = x + y, postane negotovost z √(δx² + δy²). Pri množenju in deljenju se relativne (odstotne) negotovosti seštejejo iz njihovih kvadratov: Če je z = x·y, (δz/z) = √((δx/x)² + (δy/y)²). Za bolj zapletene funkcije je splošno pravilo uporaba parcialnih odvodov: učinek vsake spremenljivke na rezultat se meri z delnim odvodom glede na to spremenljivko. Umetna inteligenca lahko izpelje te formule, vendar je najvarnejši način za preverjanje rezultata navzkrižno preverjanje Monte Carlo: naključna porazdelitev vsakega vhoda glede na njegovo negotovost, tisočkratni izračun in ogled porazdelitve izhoda.
Namig: če niste prepričani o točnosti formule za razmnoževanje napake, jo zagotovite z Monte Carlom: naključno ustvarite vnose z lastno negotovostjo in izračunajte funkcijo 10.000-krat; Standardni odklon izhoda se mora ujemati z negotovostjo, podano s formulo. Kombinacija teh dveh neodvisnih metod močno poveča vaše zaupanje v rezultat.
Korak za korakom: poštena analiza negotovosti
1. Določite negotovost vsake meritve. Ločljivost instrumenta, porazdelitev ponovitev ali podatki proizvajalca. Zapiši, od kod izvira negotovost.
2. Razlikujte med naključnim in sistematičnim. Ločeno razmislite, kaj se bo s ponavljanjem zmanjšalo in kaj ne.
3. Izračunajte razpon s pravilno formulo. Seštevanje, množenje, splošna funkcija — izberite ustrezno pravilo. Naj ga izpelje AI, vendar ga nadzorujte.
4. Navzkrižno preverjanje z Monte Carlom. Zagotovite rezultat v neodvisni metodi, zlasti za kompleksne formule.
5. Poročilo z ustreznimi pomembnimi števkami. Negotovost je običajno zaokrožena na 1-2 pomembni števki; rezultat se ujema z zadnjo števko negotovosti. Napišite "9,7 ± 0,4 m/s²", ne "9,73418 ± 0,4".
trije mini kovčki
1. primer – Napačna formula za širjenje. Študent je AI vprašal o širjenju negotovosti za g = 4π²L/T². AI je pozabil na koeficient 2, ko je izpeljal prispevek negotovosti T glede na T (ker bi morala biti relativna negotovost T² 2·δT/T). Ko je študent navzkrižno preveril z Monte Carlo, je ugotovil, da je formula AI ocenila negotovost za približno polovico in jo popravila.
Primer 2 – Sistematična napaka prikrita. En raziskovalec je opravil veliko število meritev, naredil naključno negotovost zelo majhno in poročal o impresivni natančnosti »±0,01 mm«. Toda njegova lestvica je bila izven kalibra za 0,2 mm - sistematična napaka. Upoštevajoč to napako, ki se s ponavljanjem ni zmanjšala, je bila prava negotovost veliko večja. Nauk: ponavljanje zmanjša naključno napako, ne sistematično napako.
Primer 3 – Monte Carlo rešen. Učitelj je vnesel negotovost v prostorninski račun (V = πr²h) in ročno našel rezultat. Da bi bil prepričan, je prosil AI za kodo Monte Carlo; Naključno je ustvaril r in h z njunimi negotovostmi in izračunal V 10.000-krat. Standardni odklon porazdelitve se je strinjal z ročno ugotovljeno vrednostjo – analiza je bila potrjena.
Štiri predloge za kopiranje
1) Izpeljava širjenja napake + preverjanje:
Za izraz z = [formula] izpeljite širjenje napake iz negotovosti spremenljivk x in y na negotovost z z delnimi izpeljankami, KORAK ZA KORAKOM. Pokaži vsak delni odvod. Nato preverite to formulo s SympY.Fitting; Označite korak, za katerega niste prepričani.
2) Navzkrižno preverjanje Monte Carlo:
Napišite kodo Python, ki najde negotovost naslednjega izračuna z uporabo Monte Carla: z = [formula]. Vhodi: x = [vrednost ± negotovost], y = [vrednost ± negotovost]. Vsak vhod 10.000-krat vzorčite iz normalne porazdelitve, izračunajte z, natisnite srednjo vrednost in standardni odklon izhoda. Primerjajte to z rezultatom analitične difuzijske formule.
3) Statistika meritev:
Napišite kodo, ki izračuna povprečje, standardni odklon in standardno napako povprečja (std/√N) za naslednje ponovljene podatke meritev ([vrednosti]). Natisnite rezultat v obliki "vrednost ± standardna napaka (enote)" z ustrezno pomembno števko. Spomnite nas na razliko med naključno in sistematično negotovostjo.
4) Pomembna številka / preverjanje poročanja:
Spodnje rezultate prepišite v obliki "vrednost ± negotovost (enota)", pri čemer zaokrožite negotovost na 1-2 pomembnih števk in rezultat poravnajte z negotovostjo. Popravi lažno natančnost. Rezultati: [tukaj]
Šibek poziv/močan poziv
Šibko: "izračunaj negotovost za g."
Rezultat: Število brez konteksta, katerega formula ni preverjena in brez sistematičnega/naključnega razlikovanja.
Močno: "Za g = 4π²L/T² izpeljite negotovost g z delnimi odpeljavami iz meritev L = 1,00 ± 0,01 m in T = 2,00 ± 0,02 s, nato navzkrižno preverite z Monte Carlom. Zapišite rezultat v obliki 'g = ... ± ... m/s²' z ustrezno pomembno števko."
Rezultat: Izpeljana, neodvisno preverjena, pravilno prijavljena negotovost.
Pogoste napake
- Sploh ne poroča o negotovosti. Meritev brez negotovosti je znanstvena polizjava.
- Ne preverjam formule za širjenje. YZ pogosto meša koeficiente delnega odvajanja in strukturo kvadratnega korena; Monte Carlo navzkrižno preverjanje je obvezno.
- Poskus zmanjšanja sistematične napake s ponavljanjem. Večkratna meritev zmanjša le naključno napako; ostane napaka kalibracije.
- Ustvarjanje lažne gotovosti. Pisanje veliko več pomembnih števk kot negotovost je zahteva po natančnosti, ki ne obstaja.
- Neposredno zbiranje negotovosti. Neodvisne negotovosti niso linearne, temveč kvadratne (v kvadratni koren).
Pozor: Ali sta dva fizikalna rezultata "različna", se lahko odločite le z opazovanjem njune negotovosti. Vrednosti od 9,7 do 9,81 so združljive, če je negotovost ±0,3; ±0,02 je protislovno. Ignoriranje negotovosti in beseda "moj rezultat odstopa od teorije" je pogosto napačen sklep. Preden se odločite, preverite izračun negotovosti, ki ga poda AI.
Če povzamem
Negotovost je sestavni del fizičnega merjenja in vsak rezultat je treba navesti z njegovo negotovostjo. AI je v pomoč pri kodiranju statističnih podatkov o negotovosti in izpeljavi formul za širjenje napak; vendar te formule vsebujejo pogoste napake in jih je treba navzkrižno preveriti z neodvisno metodo, kot je Monte Carlo. Razlikovanje naključne od sistematične negotovosti, poročanje do ustrezne pomembne številke in primerjava rezultatov z njihovo negotovostjo je osnova poštene znanstvene študije. V naslednji enoti bomo premaknili fokus z numerične analize na simbolno izpeljavo modela.
Aplikacijska naloga
Izberite izračun, ki vključuje vsaj dve merjeni količini (npr. V = πr²h ali g = 4π²L/T²). Vsaki velikosti dodelite razumno negotovost. Naj AI izpelje širjenje napake s predlogo 1, nato naj Monte Carlo navzkrižno preveri s predlogo 2 in jo zažene. Ali se rezultati obeh metod ujemajo? Sporočite rezultat z ustrezno pomembno števko. Zapišite v 5-6 stavkih: ali je formula napaka ali neujemanje?
kontrolni seznam
- [ ] Določil sem negotovost in vir vsake meritve.
- [ ] Ločil sem naključno in sistematično negotovost.
- [ ] Izračunal sem širjenje napake s pravilnim pravilom.
- [ ] Rezultat sem navzkrižno preveril neodvisno z Monte Carlom ali ročno.
- [ ] Rezultat sem sporočil z ustrezno pomembno števko, usklajeno z njegovo negotovostjo.
- [ ] Pri primerjavi rezultatov sem upošteval negotovost.