Прибуток:
- Здатність розрізняти випадкову та систематичну невизначеність і повідомляти про кожен результат вимірювання з його невизначеністю до відповідного значущого розряду.
- Можливість розрахувати поширення помилок за правильним правилом і самостійно перевірити формулу, отриману штучним інтелектом за допомогою Монте-Карло
- Можливість вирішити, чи є два результати сумісними чи ні, беручи до уваги їх невизначеність
Жодне вимірювання у фізиці не є ідеальним. При вимірюванні довжини лінійкою існує похибка ±0,5 мм, а при вимірюванні часу секундоміром ±0,1 с. Ці невизначеності є не недоліком, а природою вимірювання, а вимога наукової цілісності полягає в тому, щоб звітувати про кожен результат із його невизначеністю. Сказати «я виявив, що гравітаційне прискорення дорівнює 9,7» є неповним; Вимова «Я знайшов 9,7 ± 0,3 м/с²» говорить про те, наскільки надійним є результат. У цьому розділі ви дізнаєтесь, як використовувати штучний інтелект (ШІ) для розрахунку невизначеності та поширення помилок (як невизначеності вимірювань переносяться від цих вимірювань до обчисленого результату) і як перевірити ці розрахунки.
Види невизначеності та роль ШІ
Існує два основних типи невизначеності. Випадкова невизначеність — це розкид результатів при повторних вимірюваннях; Багато вимірювань проводиться та зменшується на середнє значення та стандартне відхилення. Систематична невизначеність — це помилка, яка завжди відхиляється в одному напрямку (як неправильно відкалібровані ваги); Вона не зменшується при повторенні, а виправляється шляхом виявлення причини. ШІ допомагає пояснити ці концепції, кодифікувати обчислення стандартного відхилення та середнього значення, а особливо — вивести складні формули поширення помилок. Але ви повинні перевірити кожну похідну формулу, оскільки штучний інтелект часто змішує знаки часткових похідних або структуру квадратного кореня у формулах розповсюдження помилок.
Статус
рахунок
перевірка
Повторне вимірювання
Середнє ± стандартна помилка
Ручне стандартне відхилення / √N
Додавання/віднімання (z = x ± y)
Невизначеності підсумовуються з квадрата
Контроль розміру/одиниці
Множення/ділення (z = x·y)
Відносні невизначеності підсумовуються з квадрата
Тест із номером зразка
Загальна функція
Розмноження частковими похідними
Взаємоперевірка методом Монте-Карло
Основні правила поширення помилок
Крім додавання та віднімання, абсолютні невизначеності об’єднуються додаванням їхніх квадратів: якщо z = x + y, невизначеність z стає √(δx² + δy²). При множенні та діленні відносні (відсоткові) невизначеності підсумовуються з їхніх квадратів: якщо z = x·y, (δz/z) = √((δx/x)² + (δy/y)²). Для більш складних функцій загальним правилом є використання частинних похідних: вплив кожної змінної на результат вимірюється частковою похідною по цій змінній. ШІ може вивести ці формули, але найбезпечнішим способом перевірки результату є перехресна перевірка за методом Монте-Карло: випадковий розподіл кожного входу до його невизначеності, обчислення його тисячі разів і перегляд розподілу результату.
Порада. Якщо ви не впевнені в точності формули розповсюдження помилки, надайте її за допомогою методу Монте-Карло: випадково згенеруйте вхідні дані з їхньою власною невизначеністю та обчисліть функцію 10 000 разів; Стандартне відхилення результату має відповідати невизначеності, заданій формулою. Поєднання цих двох незалежних методів значно підвищує вашу впевненість у результаті.
Крок за кроком: чесний аналіз невизначеності
1. Визначте невизначеність кожного вимірювання. Роздільна здатність приладу, розподіл повторів або дані виробника. Запишіть, звідки така невизначеність.
2. Розрізняють випадковий і систематичний. Розглянемо окремо, що буде зменшуватися при повторенні, а що ні.
3. Обчисліть спред за правильною формулою. Додавання, множення, загальна функція — виберіть відповідне правило. Нехай штучний інтелект виведе це, але контролює його.
4. Взаємоперевірка методом Монте-Карло. Надайте результат незалежним методом, особливо для складних формул.
5. Звіт із відповідними значущими цифрами. Невизначеність зазвичай округляється до 1-2 значущих цифр; результат збігається з останньою цифрою невизначеності. Напишіть «9,7 ± 0,4 м/с²», а не «9,73418 ± 0,4».
три міні-чохла
Випадок 1 — Неправильна формула розповсюдження. Студент запитав ШІ про поширення невизначеності для g = 4π²L/T². AI забув коефіцієнт 2, коли виводив внесок невизначеності T відносно T (оскільки T² відносна невизначеність мала становити 2·δT/T). Коли студент перехресно перевірив за методом Монте-Карло, він виявив, що формула штучного інтелекту оцінює невизначеність приблизно вдвічі, і виправив її.
Випадок 2 — систематична помилка прихована. Один дослідник провів велику кількість вимірювань, зробив випадкову невизначеність дуже малою та повідомив про вражаючу точність «±0,01 мм». Але його масштаб вийшов з калібру на 0,2 мм — систематична похибка. Беручи до уваги цю помилку, яка не зменшувалася при повторенні, справжня невизначеність була набагато більшою. Урок: повторення зменшує випадкову, а не систематичну помилку.
Випадок 3 — Монте-Карло врятовано. Учитель вніс невизначеність у обчислення об’єму (V = πr²h) і вручну знайшов результат. Щоб бути впевненим, він попросив ШІ код Монте-Карло; Він випадковим чином згенерував r і h з їх невизначеністю та обчислив V 10 000 разів. Стандартне відхилення розподілу узгоджується зі значенням, знайденим вручну — аналіз підтверджено.
Чотири шаблони, які можна копіювати
1) Розповсюдження помилки + перевірка:
Для виразу z = [формула] виведіть поширення помилки від невизначеності змінних x і y до невизначеності z частковими похідними, КРОК ЗА КРОКОМ. Покажіть кожну часткову похідну. Потім перевірте цю формулу за допомогою SympY.Fitting; Позначте крок, у якому ви не впевнені.
2) Перехресна перевірка методом Монте-Карло:
Напишіть код Python, який знаходить невизначеність наступного обчислення за допомогою Монте-Карло: z = [формула]. Вхідні дані: x = [значення ± похибка], y = [значення ± похибка]. Відбирайте кожен вхідний сигнал 10 000 разів із нормального розподілу, обчисліть z, надрукуйте середнє значення та стандартне відхилення результату. Порівняйте це з результатом формули аналітичної дифузії.
3) Статистика вимірювання:
Напишіть код, який обчислює середнє значення, стандартне відхилення та стандартну помилку середнього значення (std/√N) для наступних даних повторного вимірювання ([значення]). Надрукуйте результат у форматі «значення ± стандартна помилка (одиниці)» з відповідною значущою цифрою. Нагадайте нам різницю між випадковою та систематичною невизначеністю.
4) Значуща цифра / звітна перевірка:
Перепишіть результати нижче у формі «значення ± невизначеність (одиниця)», округливши невизначеність до 1-2 значущих цифр і вирівнявши результат із невизначеністю. Виправити помилкову точність. Результати: [тут]
Слабка підказка / Сильна підказка
Слабкий: "обчислити невизначеність для g."
Результат: число без контексту, формула якого не перевірена та без систематичного/випадкового розрізнення.
Сильно: «Для g = 4π²L/T² виведіть похибку g за допомогою часткових похідних із вимірювань L = 1,00 ± 0,01 м і T = 2,00 ± 0,02 с, а потім перехресно перевірте методом Монте-Карло. Запишіть результат у формі «g = ... ± ... м/с²» з відповідною значущою цифрою».
Результат: отримана, незалежно перевірена, правильно повідомлена невизначеність.
Поширені помилки
- Не повідомляючи про невизначеність взагалі. Вимірювання без невизначеності є науковим напівтвердженням.
- Не перевіряється формула розповсюдження. YZ часто змішує часткові похідні коефіцієнтів і структуру квадратного кореня; Перехресна перевірка методом Монте-Карло є обов’язковою.
- Спроба зменшити систематичні помилки шляхом повторення. Багаторазове вимірювання зменшує лише випадкову похибку; залишається помилка калібрування.
- Створення помилкової впевненості. Написання багатьох значущих цифр, ніж невизначеність, є претензією на точність, якої не існує.
- Безпосередній збір невизначеностей. Незалежні невизначеності не лінійні, а зведені в квадрат (квадратний корінь).
Застереження: чи є два фізичні результати "різними", можна визначити, лише дивлячись на їх невизначеність. Значення від 9,7 до 9,81 сумісні, якщо невизначеність становить ±0,3; ±0,02 є суперечливим. Ігнорування невизначеності та вислів «мій результат відхиляється від теорії» часто є помилковим висновком. Обов’язково перевірте розрахунок невизначеності, наданий ШІ, перш ніж приймати рішення.
Підсумовуючи
Невизначеність є невід’ємною частиною фізичних вимірювань, і кожен результат повинен повідомлятися з його невизначеністю. ШІ допомагає кодувати статистику невизначеності та отримувати формули розповсюдження помилок; але ці формули містять часті помилки і повинні бути перехресно перевірені незалежним методом, таким як Монте-Карло. Розрізнення випадкової невизначеності від систематичної, звітування з відповідним значущим числом і порівняння результатів з їхньою невизначеністю є основою чесного наукового дослідження. У наступному розділі ми перемістимо фокус з числового аналізу на створення символьної моделі.
Аплікаційне завдання
Виберіть розрахунок, який включає принаймні дві виміряні величини (наприклад, V = πr²h або g = 4π²L/T²). Призначте розумну невизначеність кожному розміру. Нехай штучний інтелект виведе розповсюдження помилки за допомогою шаблону 1, а потім запустіть перехресну перевірку Монте-Карло за допомогою шаблону 2. Чи збігаються результати обох методів? Повідомте результат відповідною значущою цифрою. Запишіть 5-6 реченнями: чи є у формулі помилка чи невідповідність?
контрольний список
- [ ] Я визначив невизначеність і джерело кожного вимірювання.
- [ ] Я розрізняю випадкову та систематичну невизначеність.
- [ ] Я розрахував поширення помилки за правильним правилом.
- [ ] Я перевірив результат незалежно за допомогою Монте-Карло або вручну.
- [ ] Я повідомив результат із відповідною значущою цифрою, узгодженою з його невизначеністю.
- [ ] Під час порівняння результатів я врахував невизначеність.