การวิเคราะห์ข้อมูลการทดลองและการปรับเส้นโค้ง

กำไร:

• ความสามารถในการปรับข้อมูลการทดลองให้เหมาะสมด้วย curve_fit โดยการเลือกแบบจำลองจากฟิสิกส์ และรายงานพารามิเตอร์ที่มีความไม่แน่นอน
• ความสามารถในการประเมินคุณภาพความพอดีอย่างตรงไปตรงมาโดยการตรวจสอบสิ่งตกค้างและหลีกเลี่ยงการฟิตติ้งมากเกินไป
• ความสามารถในการตรวจสอบความน่าเชื่อถือทางกายภาพของพารามิเตอร์ที่พบ และแยกแยะความพอดีที่ 'ดูดี' ออกจากความพอดีที่ 'ถูกต้องทางกายภาพ'

ในที่สุดฟิสิกส์ก็ขึ้นอยู่กับการทดลอง ไม่ว่าทฤษฎีจะสวยงามแค่ไหน หากไม่สอดคล้องกับข้อมูลที่วัดได้ มันก็ไม่ถูกต้อง Curve fitting lies at the heart of working with experimental data: fitting a model predicted by theory (a line, an exponential, an oscillation) to the noisy measurement points you have in the best way possible and finding the parameters of the model (slope, constant, frequency). In this unit, you'll learn how to use artificial intelligence (AI) in experiment data analysis, how to set up curve fitting correctly, and—most critically—how to tell the difference between a fit "looking good" and "being physically correct." เครื่องมือมาตรฐานคือ scipy.optimize.curve_fit (ฟังก์ชัน SciPy ที่เหมาะกับฟังก์ชันโมเดลกับข้อมูล)

ตรรกะของการปรับเส้นโค้งและบทบาทของ AI

Curve fitting does this: you choose a model function (e.g. y = a·x + b), and the algorithm finds the values ​​of a and b that fit the data with the least error. AI รวดเร็วในการเขียนโค้ดฟังก์ชันโมเดลที่ถูกต้อง ตั้งค่าการเรียก curve_fit และแสดงผลลัพธ์เป็นภาพ แต่การตัดสินใจที่สำคัญสองประการเป็นของคุณ: (1) โมเดลใดถูกต้องทางกายภาพ? (2) คุณภาพของความพอดีนั้นดีจริงหรือ? The AI ​​could also fit a 10th-order polynomial to the data and draw a curve that looks almost perfect — but this would be physically meaningless overfitting.

เหตุการณ์ทางกายภาพ

รุ่นที่คาดหวัง

พบพารามิเตอร์

การเคลื่อนที่ด้วยความเร็วคงที่

y = a·x + b

ความชัน = ความเร็ว

การสลายตัวของสารกัมมันตภาพรังสี

N = N₀·e^(−แลต)

แล = ค่าคงที่การสลายตัว

การเปิดตัวฤดูใบไม้ผลิ

x = A·คอส(ωt + φ)

ω = ความถี่เชิงมุม

กฎของโอห์ม

วี = ร·ฉัน

R = แนวต้าน (ความชัน)

ฤดูใบไม้ร่วงฟรี

y = ½·g·t²

g = ความเร่งโน้มถ่วง

ทีละขั้นตอน: ปรับเส้นโค้งให้เหมาะสม

1. เลือกแบบจำลองจากฟิสิกส์ ไม่ใช่จากข้อมูล ขั้นแรกให้พิจารณาว่าเหตุการณ์จะต้องปฏิบัติตามกฎทางกายภาพใด การเลือกแบบจำลองโดยดูข้อมูลและเลือก "แบบใดที่พอดี" กำลังพยายามทำให้ฟิสิกส์เหมาะสมกับข้อมูล ถือเป็นอันตราย

2. ป้อนข้อมูลและความไม่แน่นอน นอกจากจุดการวัดแล้ว ให้ป้อนข้อผิดพลาดในการวัด (พารามิเตอร์ซิกมา) ของแต่ละจุดด้วย ถ้ามี นี่เป็นสิ่งจำเป็นสำหรับการคำนวณความพอดีและความไม่แน่นอนของพารามิเตอร์อย่างแม่นยำ

3. อ่านพารามิเตอร์และความไม่แน่นอน curve_fit ส่งคืนทั้งค่าพารามิเตอร์และความไม่แน่นอนที่ได้มาจากเมทริกซ์ความแปรปรวนร่วม การรายงานพารามิเตอร์โดยไม่มีความไม่แน่นอนนั้นไม่สมบูรณ์ การพูดว่า "g = 9.7 ± 0.3 m/s²" ให้ความรู้มากกว่าการพูดว่า "9.7" มาก

4.ประเมินความพอดีกับสิ่งตกค้าง คงเหลือคือความเบี่ยงเบนของแต่ละจุดการวัดจากแบบจำลอง การกระจายสารตกค้างแบบสุ่มเป็นสัญญาณบ่งบอกถึงความเหมาะสม เส้นโค้งที่เป็นระบบ (เช่น ทั้งหมดในที่เดียวเหนือแบบจำลอง) บ่งชี้ว่าแบบจำลองนั้นผิด

5. ตรวจสอบความสมเหตุสมผลทางกายภาพ ค่า g พบอยู่ในลำดับ 9.8 หรือ 50 หรือไม่ ตัวต้านทานติดลบหรือไม่? พารามิเตอร์ที่เป็นไปไม่ได้ทางกายภาพบ่งบอกถึงปัญหา แม้ว่าความพอดีจะ "ดูดี"

เคล็ดลับ: อย่าตัดสินคุณภาพของความพอดีโดยอาศัยการมองเห็นเพียงอย่างเดียว พล็อตส่วนที่เหลือบนกราฟแยกเสมอ ในปริมาณที่เหมาะสม สิ่งตกค้างจะกระจายตัวเหมือนเสียงรบกวนรอบศูนย์ หากสวมใส่ไม่พอดี รูปแบบที่มองเห็นได้ (คลื่น ความชัน รูปตัวยู) จะปรากฏขึ้น รูปแบบนี้เป็นสัญญาณที่ตรงไปตรงมาที่สุดว่าแบบจำลองของคุณมีความบกพร่องทางร่างกาย

มินิเคสสามอัน

กรณีที่ 1 — กับดักที่สวมมากเกินไป นักเรียนคนหนึ่งปรับพหุนามดีกรี 7 ที่ AI แนะนำเข้ากับจุดข้อมูล 8 จุด โค้งผ่านทุกจุดและดู "สมบูรณ์แบบ" แต่ระหว่างจุดสองจุดนั้น เส้นโค้งก็แกว่งไปมาอย่างไร้เหตุผล นักเรียนหันไปหาฟิสิกส์ มันเป็นความสัมพันธ์เชิงเส้น เมื่อเขาวางเส้นเรียบๆ เข้าไป พารามิเตอร์ต่างๆ จะมีความหมายทางกายภาพ พหุนามลำดับที่สูงกว่าเพิ่งจะจดจำเสียงได้

กรณีที่ 2 — ลืมความไม่แน่นอน นักวิจัยพบและรายงานความเร่งโน้มถ่วง g = 9.73 ด้วยโค้ดที่เขียนโดย YZ ที่ปรึกษาของเขาถามเกี่ยวกับความไม่แน่นอน ผู้วิจัยไม่ได้ใช้ผลลัพธ์ความแปรปรวนร่วมของ curve_fit เมื่อคำนวณแล้ว ค่าความไม่แน่นอนกลายเป็น ±0.4 ซึ่งหมายความว่าผลลัพธ์สอดคล้องกับค่ามาตรฐานที่ 9.81 หากไม่มีความคลุมเครือ ผลลัพธ์อาจถูกตีความผิดว่าเป็น "เบี่ยงเบนไปจาก 9.81"

กรณีที่ 3 — สิ่งตกค้างแสดงข้อผิดพลาด ครูคนหนึ่งลากเส้นตรงเข้าไปในการทดลองทำความเย็น และมันก็ดูสมเหตุสมผล แต่เมื่อเขาวางแผนเรื่องที่สนใจ ก็เกิดรูปแบบโค้งที่ชัดเจนขึ้น สิ่งที่เกิดขึ้นจริงคือการระบายความร้อนแบบเอ็กซ์โปเนนเชียล เมื่อเขาใช้แบบจำลองที่ถูกต้อง (เอ็กซ์โปเนนเชียล) สิ่งตกค้างจะกลายเป็นแบบสุ่ม และความพอดีก็มีความหมายทางร่างกาย

เทมเพลตที่สามารถคัดลอกได้สี่แบบ

1) เหมาะสมกับแบบจำลองทางกายภาพ:

เขียนโค้ด curve_fit ที่เหมาะกับ modely = [ฟังก์ชันโมเดล] ทางกายภาพกับข้อมูลการทดลองต่อไปนี้ ([ค่า x และ y ในหน่วย]) พิมพ์พารามิเตอร์และความไม่แน่นอน 1 ซิกมาที่ได้จากความแปรปรวนร่วม พล็อตข้อมูล เส้นโค้งที่พอดี และส่วนที่เหลือบนกราฟแยก ฉันเลือกแบบจำลองจากฟิสิกส์ คุณเพียงแค่ใช้มัน

2) คุณภาพของการประเมินความพอดี:

Add code that evaluates the quality of the fit below: plot the residuals, calculate a measure such as chi-square or R², and comment in writing if there is a systematic pattern in the residuals. รหัสพอดี: [ที่นี่]

3) การเปรียบเทียบรุ่น:

เขียนโค้ดที่เหมาะกับและเปรียบเทียบแบบจำลองทางกายภาพสองแบบที่แตกต่างกันกับข้อมูลเดียวกัน: [รุ่น A] และ [รุ่น B] แสดงพารามิเตอร์ ความไม่แน่นอน และรูปแบบตกค้างของทั้งสองค่า มันขึ้นอยู่กับฉันที่จะตัดสินใจว่าอันไหนเหมาะสมทางกายภาพมากกว่า เพียงนำเสนอทั้งสองเคียงข้างกัน อย่าลืมหลีกเลี่ยงการสวมใส่มากเกินไป

4) การรายงานความไม่แน่นอน:

Add code that prints each parameter of the following fit with the appropriate number of significant digits in the format "value ± uncertainty (unit)". ปรับพอดีหากพารามิเตอร์รับค่าที่เป็นไปไม่ได้ทางกายภาพ (เช่น มวลลบ) รหัส: [ที่นี่]

พรอมต์อ่อน / พรอมต์แรง

จุดอ่อน: "ค้นหาเส้นโค้งที่เหมาะกับข้อมูลเหล่านี้มากที่สุด"

สรุป: AI สามารถให้ความพอดีที่ "สมบูรณ์แบบ" แต่ไร้ความหมายทางกายภาพกับพหุนามลำดับสูงได้ ความไม่แน่นอนและไม่มีอีกต่อไป

Strong: "Write a curve_fit code that fits the radioactive decay model N = N₀·e^(−λt) to this (t, N) data. Print λ and N₀ and their uncertainties. Plot the residuals in a separate graph and comment if there is a systematic pattern. Warn if λ is negative."

ผลลัพธ์: แบบจำลองทางกายภาพ พารามิเตอร์ที่ไม่แน่นอน การตรวจสอบสารตกค้าง และการตรวจสอบความน่าเชื่อถือ

ข้อผิดพลาดทั่วไป

• การเลือกแบบจำลองจากข้อมูล Choosing the "best fit" instead of the physical law is forcing physics to fit the data and leads to overfitting.
• ไม่รายงานความไม่แน่นอน ค่าพารามิเตอร์ที่ไม่มีความไม่แน่นอนนั้นไม่สมบูรณ์ทางวิทยาศาสตร์ ไม่ว่าผลลัพธ์ทั้งสองจะเข้ากันได้หรือไม่ก็ตามสามารถเข้าใจได้ด้วยความไม่แน่นอนเท่านั้น
• ไม่เกาของเหลือ การประกาศการปฏิบัติตาม "ดี" โดยมองด้วยตาจะซ่อนความเบี่ยงเบนอย่างเป็นระบบ
• ประเมินค่าตัวเลขนัยสำคัญสูงไป. การเขียน g = 9.73418 ± 0.4 เป็นความแม่นยำที่ผิดพลาด ความไม่แน่นอนจะกำหนดจำนวนหลักที่มีนัยสำคัญ
• ข้ามความสมเหตุสมผลทางกายภาพ ไม่สนใจผลที่ตามมาที่เป็นไปไม่ได้ เช่น ความต้านทานเชิงลบหรือแรงโน้มถ่วง 50 ม./วินาที²

Attention: Just because a curve fits the data well does not prove that the underlying physics is correct. เมื่อมีพารามิเตอร์ว่างเพียงพอ กราฟ "ดี" จึงเหมาะสมกับข้อมูลใดๆ Scientific integrity requires choosing the model from physics, reporting uncertainty, and examining the residuals honestly. กราฟิกที่สร้างโดย AI ที่ดีไม่สามารถทดแทนการควบคุมเหล่านี้ได้

โดยสรุป

In experiment data analysis, AI quickly establishes curve fitting code and visualization; but it is the physicist's responsibility to choose the physical model, accurately report uncertainty, and honestly evaluate the quality of fit. A good analysis takes the model from physics, reports the parameters with their uncertainties, examines the residuals, and tests the physical plausibility of the result. ในหน่วยถัดไป เราจะพูดถึงแนวคิดเรื่องความไม่แน่นอนในเชิงลึกมากขึ้น ซึ่งได้แก่ ข้อผิดพลาดในการวัดและการแพร่กระจายของข้อผิดพลาด

งานสมัคร

Fit a physical model to a small set of experimental data you have or have produced (for example, length-period measurements of a pendulum or current-voltage data of a resistor). พิมพ์โค้ดด้วยเทมเพลตที่ 1 ไปยัง AI แล้วเรียกใช้ Read the parameters with their uncertainty and plot the residuals. Check if there is a systematic pattern in the residuals, whether the parameters are physically reasonable. Write down in 5-6 sentences: was the fit really good, what did the uncertainty say?

รายการตรวจสอบ

• [ ] I chose the model from physics, not from data.
• [ ] I included measurement uncertainty, if any, in the fitting.
• [ ] I reported the parameters with their uncertainty and appropriate significant digit.
• [ ] I plotted the residuals on a separate graph and looked for systematic patterns.
• [ ] I checked that the parameters are physically reasonable.
• [ ] I avoided overfitting (unnecessarily high freedom).