Faida:
- Uwezo wa kutoshea data ya majaribio na curve_fit kwa kuchagua modeli kutoka kwa fizikia na kuripoti vigezo na kutokuwa na uhakika kwao.
- Uwezo wa kutathmini kwa uaminifu ubora unaofaa kwa kukagua mabaki na epuka kufifia kupita kiasi
- Uwezo wa kuangalia usaidizi wa kimaumbile wa vigezo vilivyopatikana na kutofautisha kifafa 'kizuri' na kifafa 'sahihi kimwili'.
Fizikia hatimaye inategemea majaribio. Haijalishi jinsi nadharia ni ya kifahari, ikiwa haikubaliani na data iliyopimwa, ni batili. Uwekaji wa curve ndio kitovu cha kufanya kazi na data ya majaribio: kuweka kielelezo kilichotabiriwa na nadharia (mstari, kielelezo, msisimko) kwa pointi za kupimia kelele ulizo nazo kwa njia bora zaidi na kupata vigezo vya mfano (mteremko, mara kwa mara, mzunguko). Katika kitengo hiki, utajifunza jinsi ya kutumia akili ya bandia (AI) katika uchanganuzi wa data wa majaribio, jinsi ya kusanidi kufaa kwa curve, na - kwa umakini zaidi - jinsi ya kutofautisha "kuonekana vizuri" na "kuwa sahihi kimwili." Zana ya kawaida ni scipy.optimize.curve_fit (kitendakazi cha SciPy kinacholingana na kitendakazi cha kielelezo kwa data).
Mantiki ya kufaa kwa curve na jukumu la AI
Uwekaji wa Curve hufanya hivi: unachagua chaguo za kukokotoa za mfano (k.m. y = a·x + b), na algoriti hupata thamani za a na b zinazolingana na data na kosa kidogo zaidi. AI ina haraka katika kuweka utendakazi sahihi wa modeli, kusanidi curve_fit call, na kuibua matokeo. Lakini maamuzi mawili muhimu ni yako: (1) Ni kielelezo gani ambacho ni sahihi kimwili? (2) Je, ubora wa kifafa ni mzuri kweli? AI inaweza pia kutoshea polima ya mpangilio wa 10 kwa data na kuchora mduara ambao unaonekana kuwa mkamilifu - lakini hii haitakuwa na maana ya kupindukia.
tukio la kimwili
mfano unaotarajiwa
Kigezo kilichopatikana
mwendo wa kasi wa mara kwa mara
y = a·x + b
mteremko = kasi
kuoza kwa mionzi
N = N₀·e^(−λt)
λ = kuoza mara kwa mara
kutolewa kwa spring
x = A·cos(ωt + φ)
ω = mzunguko wa angular
Sheria ya Ohm
V = R·I
R = upinzani (mteremko)
kuanguka bure
y = ½ · g·t²
g = kuongeza kasi ya mvuto
Hatua kwa hatua: kufaa Curve ya uaminifu
1. Chagua mfano kutoka kwa fizikia, sio kutoka kwa data. Kwanza amua ni sheria gani ya kimwili ambayo tukio lazima litii. Kuchagua modeli kwa kuangalia data na kuchagua "ambayo inafaa vizuri" ni kujaribu kufanya fizikia kutoshea data - hatari.
2. Ingiza data na kutokuwa na uhakika. Pamoja na pointi za kipimo, pia ingiza hitilafu ya kipimo (sigma parameter) ya kila pointi, ikiwa ipo. Hii ni muhimu kwa hesabu sahihi ya kutokuwa na uhakika wa kifafa na parameta.
3. Soma vigezo na kutokuwa na uhakika wao. curve_fit hurejesha thamani zote mbili za kigezo na kutokuwa na uhakika wake unaotokana na matrix ya ushirikiano. Kuripoti kigezo bila kutokuwa na uhakika hakukamilika: kusema "g = 9.7 ± 0.3 m/s²" ni habari zaidi kuliko kusema "9.7".
4. Tathmini inafaa na mabaki. Salio ni kupotoka kwa kila sehemu ya kipimo kutoka kwa mfano. Usambazaji wa nasibu wa mabaki ni ishara ya kufaa vizuri; curve ya kimfumo (k.m. yote katika sehemu moja juu ya mfano) inaonyesha kuwa mfano sio sawa.
5. Angalia usawaziko wa kimwili. Je, thamani ya g inapatikana katika mpangilio wa 9.8 au 50? Je, upinzani ulienda hasi? Vigezo visivyowezekana vya mwili vinaonyesha shida, hata ikiwa inafaa "inaonekana vizuri."
Kidokezo: Usihukumu ubora wa kifafa kwa kutegemea tu macho. Daima panga mabaki kwenye grafu tofauti. Kwa kufaa vizuri, mabaki hutawanyika kama kelele karibu na sifuri; Kwa kifafa kibaya, muundo unaoonekana (wimbi, mteremko, U-umbo) unaonekana. Mtindo huu ndio ishara ya uaminifu zaidi kwamba kielelezo chako kina upungufu wa kimwili.
kesi tatu ndogo
Kesi ya 1 - Mtego wa kupita kiasi. Mwanafunzi mmoja aliweka alama ya polynomial ya shahada ya 7 iliyopendekezwa na AI hadi pointi 8 za data; Curve ilipitia alama zote na ilionekana "kamili". Lakini kati ya pointi mbili Curve oscillated upuuzi. Mwanafunzi aligeukia fizikia: ilikuwa uhusiano wa mstari. Alipoweka mstari rahisi, vigezo vilichukua maana ya kimwili; polynomial ya hali ya juu ilikuwa imetoka tu kukariri kelele.
Kesi ya 2 - Kutokuwa na uhakika kumesahaulika. Mtafiti alipata na kuripoti mchapuko wa mvuto g = 9.73 kwa msimbo ulioandikwa na YZ. Mshauri wake aliuliza juu ya kutokuwa na uhakika. Mtafiti hakutumia matokeo ya udadisi ya curve_fit; Ilipohesabiwa, kutokuwa na uhakika kuligeuka kuwa ±0.4, kumaanisha kuwa matokeo yalilingana na thamani ya kawaida ya 9.81. Bila utata, matokeo yanaweza kufasiriwa vibaya kama "inapotoka kutoka 9.81".
Kesi ya 3 - Mabaki yalionyesha hitilafu. Mwalimu aliweka mstari ulionyooka kwenye jaribio la kupoeza na ilionekana kuwa sawa. Lakini alipopanga chakavu, muundo tofauti uliopinda uliibuka. Kilichotokea kwa kweli kilikuwa kupoa kwa kasi. Alipotumia kielelezo sahihi (kielelezo), mabaki yakawa nasibu na kufaa kukawa na maana ya kimwili.
Violezo vinne vinavyoweza kunakiliwa
1) Kufaa na mfano wa kimwili:
Andika msimbo wa curve_fit ambao unalingana na hali halisi = [kitendakazi cha muundo] kwa data ifuatayo ya majaribio (thamani [x na y, katika vitengo]). Chapisha vigezo na kutokuwa na uhakika wa 1-sigma inayotokana na ushirikiano. Panga data, curve iliyowekwa, na mabaki kwenye grafu ILIYOTENGWA. Nilifanya uteuzi wa mfano kutoka kwa fizikia; wewe tu kuomba.
2) Ubora wa tathmini ya kufaa:
Ongeza msimbo unaotathmini ubora wa kifafa kilicho hapa chini: panga mabaki, hesabu kipimo kama vile chi-mraba au R², na utoe maoni kwa maandishi ikiwa kuna muundo uliopangwa katika mabaki. Msimbo unaofaa: [hapa]
3) Ulinganisho wa mfano:
Andika misimbo inayolingana na kulinganisha miundo miwili tofauti ya kimaumbile na data sawa: [mfano A] na [mfano B]. Onyesha vigezo, kutokuwa na uhakika, na mifumo iliyobaki ya zote mbili. Ni juu yangu kuamua lipi linafaa zaidi KIMWILI; Wasilisha tu hizo mbili upande kwa upande. Kumbuka kuepuka kupita kiasi.
4) Ripoti ya kutokuwa na uhakika:
Ongeza msimbo unaochapisha kila kigezo cha kifafa kifuatacho na nambari inayofaa ya tarakimu muhimu katika umbizo "thamani ± kutokuwa na uhakika (kitengo)". Inafaa ikiwa kigezo kitachukua thamani isiyowezekana (k.m. molekuli hasi). Kanuni: [hapa]
Mwongozo dhaifu / Mwongozo thabiti
Dhaifu: "Tafuta curve inayofaa zaidi data hizi."
Hitimisho: AI inaweza kutoa "kamilifu" lakini isiyo na maana ya kimwili kwa polynomial ya juu; kutokuwa na uhakika na hakuna zaidi.
Imara: "Andika msimbo wa curve_fit ambao unalingana na muundo wa kuoza kwa mionzi N = N₀·e^(−λt) kwa data hii (t, N). Chapisha λ na N₀ na kutokuwa na uhakika kwake. Panga mabaki katika grafu tofauti na utoe maoni ikiwa kuna muundo wa kimfumo. Onya ikiwa λ ni hasi."
Matokeo: Muundo halisi, vigezo visivyo na uhakika, ukaguzi wa mabaki na ukaguzi wa usaidizi.
Makosa ya kawaida
- Kuchagua mfano kutoka kwa data. Kuchagua "kinachofaa zaidi" badala ya sheria ya mwili ni kulazimisha fizikia kutoshea data na kusababisha kufifia kupita kiasi.
- Si kuripoti kutokuwa na uhakika. Thamani ya kigezo bila kutokuwa na uhakika haijakamilika kisayansi; Ikiwa matokeo mawili yanalingana au la inaweza kueleweka tu kwa kutokuwa na uhakika.
- Sio kukwangua mabaki. Kutangaza kufuata "nzuri" kwa kutazama jicho huficha kupotoka kwa utaratibu.
- Kadiria tarakimu muhimu kupita kiasi. Kuandika g = 9.73418 ± 0.4 ni usahihi wa uongo; Kutokuwa na uhakika huamua ni tarakimu ngapi ni muhimu.
- Kupuuza usawaziko wa kimwili. Kupuuza matokeo yasiyowezekana kama vile upinzani hasi au mvuto wa 50 m/s².
Makini: Kwa sababu tu curve inafaa data vizuri haithibitishi kuwa fizikia ya msingi ni sahihi. Kwa vigezo vya kutosha vya bure, curve "nzuri" inaweza kutoshea data yoyote. Uadilifu wa kisayansi unahitaji kuchagua kielelezo kutoka kwa fizikia, kuripoti kutokuwa na uhakika, na kuchunguza mabaki kwa uaminifu. Mchoro mzuri unaozalishwa na AI hauwezi kuchukua nafasi ya vidhibiti hivi.
Kwa muhtasari
Katika uchanganuzi wa data ya majaribio, AI huanzisha haraka msimbo na taswira ya kufaa; lakini ni wajibu wa mwanafizikia kuchagua muundo halisi, kuripoti kwa usahihi kutokuwa na uhakika, na kutathmini kwa uaminifu ubora wa kufaa. Uchanganuzi mzuri huchukua kielelezo kutoka kwa fizikia, huripoti vigezo na kutokuwa na uhakika kwake, hukagua mabaki, na kupima usahili wa matokeo. Katika kitengo kinachofuata, tutajadili dhana hii ya kutokuwa na uhakika kwa kina zaidi-kosa la kipimo na uenezaji wa makosa.
Jukumu la maombi
Sawazisha muundo halisi kwa seti ndogo ya data ya majaribio uliyonayo au uliyotoa (kwa mfano, vipimo vya muda vya urefu wa pendulum au data ya voltage ya sasa ya kinzani). Chapisha msimbo na template ya 1 kwa AI, iendeshe; Soma vigezo na kutokuwa na hakika kwao na upange mabaki. Angalia ikiwa kuna muundo wa kimfumo katika mabaki, ikiwa vigezo ni sawa kimwili. Andika katika sentensi 5-6: je, kufaa ni vizuri, kutokuwa na uhakika kulisema nini?
orodha ya ukaguzi
- [ ] Nilichagua mfano kutoka kwa fizikia, sio kutoka kwa data.
- [ ] Nilijumuisha kutokuwa na uhakika wa kipimo, kama kipo, katika kufaa.
- [ ] Niliripoti vigezo pamoja na kutokuwa na uhakika na tarakimu muhimu inayofaa.
- [ ] Nilipanga mabaki kwenye grafu tofauti na kutafuta ruwaza za utaratibu.
- [ ] Nilikagua kuwa vigezo ni sawa kimwili.
- [ ] Niliepuka kufaa kupita kiasi (uhuru wa juu usio wa lazima).