Dobički:
- Sposobnost osnovanja numeričnih rezultatov na izvedeni kodi Python namesto na verbalnem ugibanju jezikovnega modela
- Sposobnost pisanja kode stehiometrije, kalibracije in čiščenja podatkov v umetno inteligenco in testiranja z vzorci z znanimi odgovori
- Sposobnost preprečevanja napak pri analizi podatkov tako, da vedno navedete enote in preverite njihov vrstni red
Kemija je polna številk: tehtanja, prostornine, vrednosti absorbance, izkoristki, koncentracije. Ročna obdelava teh podatkov je počasna in nagnjena k napakam. AI tukaj ponuja dve glavni storitvi: (1) piše kodo Python, ki obdeluje podatke, (2) izvaja to kodo (v okolju, ki lahko izvaja kodo) in daje determinističen rezultat. Kritično načelo je naslednje: prepustite izračun izhodu izvedene kode, ne "verbalni napovedi" jezikovnega modela. Jezikovni model "Kaj je 142 × 0,05?" lahko včasih na vprašanje odgovori napačno; vendar Pythonova vrstica, ki jo piše, vedno izračuna pravilno. V tej enoti se bomo naučili analize kemičnih podatkov z AI s to filozofijo.
Zakaj je koda boljša od verbalnega ugibanja?
Jezikovni model izvaja aritmetiko tako, da "napove možen izid"; zato je lahko napačen z velikimi številkami ali večstopenjskim računom. Medtem ko je v Pythonu izraz 142 * 0,05 determinističen: vedno vrne 7,1. Torej strategija: ne prisilite AI k izračunu, natisnite KODO izračuna in zaženite kodo. Torej uporabite ustvarjalnost AI (izdelava kode) in onemogočite nezanesljivo stran (glavna aritmetika).
Namig: Ko dobite numerični rezultat od umetne inteligence, recite "predstavi to z vrstico Pythona." Koda sama preveri račun in vam omogoča, da ga zaženete in potrdite. Če kode ne vidite, ne zaupajte številki.
Tipične naloge analize podatkov v kemiji
- Stehiometrija: mol, masa, mejni reagent, teoretični izkoristek, izračun odstotka izkoristka.
- Koncentracija: molarnost, razredčitev (M1V1 = M2V2), pretvorbe ppm.
- Umerjanje: risanje umeritvene črte z Beer-Lambertovim zakonom (absorbanca ∝ koncentracija) in izračun neznanke.
- Čiščenje podatkov: branje merskih tabel s pandami, označevanje izstopajočih vrednosti, povprečje/standardni odklon.
- Vizualizacija: risanje umeritvene krivulje, kinetičnega grafa, titracijske krivulje.
Korak za korakom: Varna analiza podatkov z AI
- Določite podatke: jasno navedite stolpce, enote, vzorčne vrstice. Če enote ni, AI naredi predpostavke.
- Zahtevajte kodo, ne rezultatov: recite "Napišite kodo pandas/NumPy, ki to izračuna".
- Zaženite kodo: Zaženite jo sami ali v okolju, ki lahko izvaja kodo.
- Preizkus s preprostim primerom: preizkusite kodo z majhnim primerom, kjer poznate odgovor.
- Preverjanje enote in vrstnega reda: ali sta enota in velikost rezultata fizikalno razumni?
- Dokument: dodajte kodo in izhod v zvezek za poskuse (enota 8).
Štiri predloge za kopiranje
1) Stehiometrija in odstotek izkoristka:
Reakcija: salicilna kislina (MA 138.12) + anhidrid ocetne kisline -> aspirin (MA 180.16). Podatki: Uporabili smo 2,00 g salicilne kisline, anhidrid ocetne kisline je bil v presežku. Dobili smo aspirin: 2,15 g. Naloga: Napišite kodo Python, ki izračuna teoretični izkoristek in odstotek izkoristka. Določite molekulske mase kot spremenljivke natisnite rezultat v enotah. Ne računajte v glavi; samo podajte izvedljivo kodo.
2) Beer-Lambertova kalibracija:
Kalibracijski podatki (koncentracija mol/L -> absorbanca): 0,00->0,02, 0,02->0,21, 0,04->0,40, 0,06->0,62, 0,08->0,79. Absorpcija neznanega vzorca: 0,50. Naloga: Izvedite linearno kalibracijo z numpy.polyfit, naklonom/presekom in izračunajte R^2, poiščite neznano koncentracijo. Narišite črto podatkov + prileganje z matplotlib.
3) merilna tabela s pandami:
Imam CSV: stolpci = vzorec, teža_g, volumen_mL, absorbanca. Naloga: preberite s pandami, izračunajte koncentracijo (g/L) za vsak vzorec, označite vrstice z absorbanco < 0 kot nepravilne, podajte kodo za izpis povprečja in standardnega odklona skupin. Določite enote z vrstico za komentar.
4) Preverjanje računa za redčenje:
Želim pripraviti 100 ml 0,05 M raztopine iz 0,5 M osnovne raztopine. Naloga: Napišite vrstico Python, ki izračuna zahtevano količino zalog z M1V1=M2V2. Natisnite rezultat v ml in kot komentar potrdite, da se za logično preverjanje pričakuje 10-kratna razredčitev.
Šibek poziv/močan poziv
Šibko:
Koliko aspirina dobimo iz 2 gramov salicilne kisline?
AI da številko iz glave; Če si molekulske mase zapomni napačno, bo rezultat popačen in način izračuna ne bo viden.
Močno:
Predpostavimo, da je salicilna kislina MA=138,12, aspirin MA=180,16, masa=2,00 g, izkoristek 100%. Naloga: Napišite kodo Python, ki izračuna teoretično maso aspirina; komentirajte vsak korak (mol -> mol -> masa), natisnite rezultat v g.
Razlika: podane molekulske mase, zahtevana koda, komentirani koraki, navedena enota. Rezultat je natančen in revizijski.
Verbalna napoved itd. Izvedena koda
Velikost
Jezikovni model verbalne napovedi
Zagon Pythona
Aritmetična natančnost
Spremenljivka, lahko pride do napake
Deterministično, gotovo
Preverljivost
Spontani splav (ni jasno, kako je prišlo)
Visoko (koda vidna)
ponovljivost
nizka
visoka
Sledenje enotam
šibka
Lahko ostane odprt v kodi
Pravilna uporaba
Ideja, zgradba
Končni numerični rezultat
mini etuiji
Primer 1 – verbalna aritmetična napaka. Študent vpraša AI "0,0145 mol × 180,16 g/mol?" vprašal je; "2,72 g," je rekel AI. Pravzaprav je 2,61 g. Ko je študent rekel "pokaži to v Pythonu", je YZ napisal 0,0145 * 180,16 in izšlo je 2612; Prvi besedni odgovor je bil napačen. Lekcija: dajte prednost kodi tudi za zelo preprosto množenje.
Primer 2 — R² preverite pri kalibraciji. Enemu uporabniku je bila opravljena Beer-Lambertova kalibracija; Izkazalo se je, da je R² = 0,981. AI je rekel "linearen, zanesljiv", vendar je bila točka najvišje koncentracije pod črto (nasičenost). Ko je uporabnik videl graf, je premaknil najvišjo točko iz linearnega območja, R² se je povečal na 0,999. Nauk: samo R² ni dovolj; glej ostanke/ploskev.
Primer 3 – Zmeda enot. V eni analizi ni bilo jasno, ali je bila koncentracija mg/L ali g/L; AI je predvideval g/l in rezultati so bili 1000-krat napačni. To je bilo popravljeno, ko je uporabnik izrecno določil enoto stolpca. Nauk: vedno zamenjajte enoto, ob predpostavki, da je AI drag.
Pogoste napake
- Zanašanje na besedno število. Vedno zahtevajte in zaženite kodo, namesto da delate mentalno aritmetiko.
- Brez navedbe enote. Mešanje mg/L z g/L, mL z L povzroči 1000-kratno napako.
- Ne preizkušam kode. Uporaba velikih podatkov brez testiranja z majhnim primerom, kjer je odgovor znan.
- Upoštevajoč R² kot edino merilo. Zaupati točkam nelinearnosti, ne da bi jih videli grafično.
- Preskočite reagent testerja. Izračun teoretičnega izkoristka brez določanja mejnega reagenta v stehiometriji.
- Pomemben korak izliv. Poročanje o rezultatu do 8 števk, če je meritev trimestna.
Pozor: Tudi koda, ki jo zapiše AI, je lahko napačna (napačno ime stolpca, napačna formula). Če zaženete kodo, je rezultat determinističen, vendar morate z znanim primerom potrditi, da koda izračuna pravo stvar.
Če povzamem
- Numerične rezultate prepustite izvedeni kodi Python, ne verbalnemu ugibanju jezikovnega modela.
- Umetna inteligenca hitro napiše kodo za stehiometrijo, kalibracijo, čiščenje podatkov in vizualizacijo pri kemijski analizi podatkov.
- Vedno namestite enote; Zmeda enot je najdražja napaka.
- Preglejte ostanke in graf poleg R² pri kalibraciji.
- Preizkusite kodo s preprostim primerom z znanim odgovorom; Človek preveri točnost kode.
Aplikacijska naloga
Imejte nabor podatkov o umerjanju ali stehiometriji (če ne, uporabite zgornje podatke Beer-Lambert). Vprašajte AI za kodo Python, ki opravi analizo (koda, ne rezultat). Zaženite kodo; nato ga preizkusite z majhnim vzorcem znanih odgovorov. Ustno vprašajte AI za isti izračun in primerjajte oba rezultata: ali obstaja razlika? Interpretirajte graf R² in ostanka pri kalibraciji. Vnesite kodo, izpis in kratek komentar v dokument.
kontrolni seznam
- [ ] Številčne rezultate dobim iz kode, ne iz besednega ugibanja.
- [ ] Jasno navedem enoto vsakega podatkovnega stolpca.
- [ ] Kodo testiram z majhnim vzorcem, katerega odgovor je znan.
- [ ] Pri kalibraciji izvajam analizo ostankov/grafov poleg R².
- [ ] Mejni reagent določim v stehiometriji.
- [ ] Rezultate poročam z ustrezno pomembno števko.