Lợi nhuận:
- Khả năng in mã Python, hiểu và chấp nhận từng dòng mã để làm sạch dữ liệu, tự động hóa tài khoản và mô hình hóa bằng trí tuệ nhân tạo
- Khả năng hiểu rằng mã chưa được kiểm tra là một giả thuyết, xác minh từng mã với kết quả đã biết cũng như đơn vị kiểm tra và các trường hợp đặc biệt
- Khả năng hiểu rằng mã tài khoản quan trọng về bảo mật yêu cầu cả kiểm tra và xác minh kỹ sư được ủy quyền.
Động cơ thầm lặng của kỹ thuật hóa học hiện đại hiện nay là Python (ngôn ngữ lập trình dễ học, được sử dụng rộng rãi). Làm sạch dữ liệu cảm biến, tự động cân bằng khối lượng, khớp mô hình động học với dữ liệu, so sánh hàng trăm kết quả mô phỏng, tạo ra biểu đồ—tất cả những việc này đều mất hàng giờ bằng tay nhưng chỉ mất vài giây với vài dòng Python. Trong phần này, bạn sẽ học cách sử dụng AI để hỗ trợ viết, giải thích và gỡ lỗi mã Python; Nhưng chúng ta sẽ tìm hiểu lý do tại sao không nên sử dụng mọi mã được tạo ra nếu không kiểm tra và xác minh.
Kỹ sư hóa học nói chung không phải là nhà phát triển phần mềm chuyên nghiệp; Đây là nơi AI bổ sung thêm sức mạnh to lớn. Một kỹ sư nói "Tôi muốn một tập lệnh thực hiện được điều này" và viết một bản phác thảo AI. Nhưng nguyên tắc này vẫn không đổi: mã AI viết không đúng vì nó có vẻ đúng; Đó là một giả thuyết cho đến khi được thử nghiệm với một kết quả đã biết. Một sai lầm thầm lặng—sai đơn vị, sai chỉ số, sai công thức—có thể tạo ra những kết quả nguy hiểm trong tính toán kỹ thuật.
Python với AI trong kỹ thuật hóa học: từng bước
1. Xác định công việc rõ ràng. Đầu vào là gì (CSV, mảng, phương trình), đầu ra nên là bao nhiêu, có đơn vị gì? Lời nhắc mơ hồ có nghĩa là mã xấu.
2. Yêu cầu dự thảo mã. AI tạo ra một bản phác thảo với các thư viện thích hợp (gấu trúc cho dữ liệu, numpy để xử lý số, matplotlib cho đồ thị, scipy để tối ưu hóa/giải pháp).
3. Hiểu thư viện và các giả định. Yêu cầu AI giải thích từng dòng và giả định (đơn vị, định dạng dữ liệu, mức độ chấp nhận). Đừng chạy mã mà bạn không hiểu.
4. Kiểm tra với kết quả đã biết. Chạy mã trên một ví dụ đơn giản mà bạn đã biết câu trả lời. Mã số dư phải đưa ra kết quả chính xác trong một ví dụ có thể được giải mã bằng tay.
5. Kiểm soát trạng thái đơn vị và cạnh. Mã sẽ làm gì trong các trường hợp đặc biệt như 0, âm, giá trị rất lớn, thiếu dữ liệu? Trong kỹ thuật hóa học, hỏng hóc thiết bị là một thảm họa kinh điển.
6. Kiểm tra kết quả bằng vật lý. Mã tạo ra một số - khối lượng có được bảo toàn không, giá trị có thực tế không? Chỉ vì mã hoạt động không chứng minh được rằng kết quả là đúng.
Mẹo: Khi yêu cầu mã từ AI, hãy nói "ghi đơn vị của từng biến vào dòng nhận xét và chỉ định rõ ràng đơn vị đầu vào". Một phần đáng kể các lỗi kỹ thuật hóa học phát sinh từ sự nhầm lẫn về đơn vị (bar/Pa, kg/g, °C/K); Việc nhúng các đơn vị vào mã sẽ làm cho những lỗi này hiển thị.
Mã chưa được kiểm tra là một giả thuyết
AI tạo ra mã mượt mà, hoạt động tốt; Nhưng "hoạt động" và "đúng" là hai việc khác nhau. Mã có thể hoạt động không có lỗi và tạo ra số không chính xác: lỗi dấu trong công thức, phần bù (sai lệch một) trong một mảng, chuyển đổi đơn vị không chính xác. Vì vậy, nguyên tắc vàng: mọi mã đều được kiểm tra trong trường hợp kiểm thử trong đó câu trả lời đúng được biết độc lập. Một ví dụ phân tích đơn giản, một phép tính tay hoặc dữ liệu tham khảo sẽ chứng minh độ tin cậy của mã. Không có quyết định kỹ thuật nào được dựa trên mã mà không vượt qua thử nghiệm.
Thận trọng: Mã thực hiện tính toán an toàn, kích thước hoặc bảo mật không thể được coi là đáng tin cậy chỉ vì nó "hoạt động". Mã tài khoản quan trọng về bảo mật phải được kiểm tra với kết quả đã biết và kết quả phải được kỹ sư được ủy quyền xác minh độc lập.
ba trường hợp nhỏ
Trường hợp 1 - Tự động hóa làm sạch dữ liệu. Một kỹ sư đang dọn dẹp thủ công dữ liệu trong 3 tháng (khoảng 1,1 triệu hàng) từ 8 cảm biến mỗi tháng. Một tập lệnh gấu trúc được viết bằng AI đã giảm thời gian này xuống còn vài phút. Đầu tiên, kỹ sư này kiểm tra mã trên một tệp mẫu nhỏ đã biết; nhận thấy rằng một cột được phân tích cú pháp không chính xác, đã sửa nó rồi áp dụng nó cho toàn bộ dữ liệu.
Trường hợp 2 - Lỗi âm lượng im lặng. YZ đã viết mã để tính toán độ sụt áp nhưng làm nhầm lẫn đầu vào do giả định thanh và công thức Pa. Mã này hoạt động không có lỗi nhưng kết quả sai với hệ số 100.000. Kỹ sư đã nắm bắt được sự khác biệt về thứ tự bằng tính toán điều khiển thủ công. Sau khi thêm nhận xét đơn vị, lỗi đã được làm rõ và sửa.
Trường hợp 3 - Đã lưu thử nghiệm. Một nhóm đã lấy được mã từ AI cho bộ giải cân bằng khối lượng. Lần đầu tiên họ thử nghiệm nó trong một mẫu hai thành phần có thể hòa tan bằng tay; mã đã đóng vòng lặp không chính xác và không được cộng lại. Lỗi đã được phát hiện trước khi nó được áp dụng vào mô hình thực, phức tạp. Nếu không kiểm tra, lỗi sẽ lan sang tất cả các kết quả.
Bốn mẫu có thể sao chép
1) Dự thảo mã phân tích dữ liệu:
Vai trò của bạn: Người trợ giúp Python cho kỹ thuật hóa học. Tác vụ: [mô tả]. Đầu vào: [CSV/mảng, cột, ĐƠN VỊ]. Đầu ra: [cái gì, trong đơn vị nào].use pandas/numpy. Trong mã: (1) diễn giải đơn vị của từng biến, (2) nêu các giả định đầu vào ngay từ đầu, (3) xử lý các trường hợp biên (thiếu dữ liệu, bằng 0). Tôi sẽ kiểm tra mã bằng một ví dụ đã biết; không sử dụng số ma thuật, xác định hằng số một cách rõ ràng.
2) Giải thích và xác minh mã:
Giải thích từng dòng mã Python sau: nó làm gì, nó đưa ra những giả định gì, nó mong đợi những đơn vị nào. Đánh dấu các điểm lỗi có thể xảy ra (nhầm lẫn đơn vị, dịch chuyển chỉ số, chia cho 0, tràn). Đề xuất trường hợp thử nghiệm đơn giản, đã biết mà tôi có thể sử dụng để xác minh mã này. Mã: [dán]
3) Thiết lập một bài kiểm tra với kết quả đã biết:
Viết một bộ kiểm tra để xác minh chức năng này: ít nhất 3 trường hợp đơn giản mà câu trả lời được biết bằng phương pháp phân tích hoặc thủ công. Đối với mỗi thử nghiệm, hãy mô tả kết quả mong đợi và lý do tại sao chúng ta mong đợi kết quả đó. Tôi sẽ không áp dụng mã cho dữ liệu thực mà không kiểm tra. Chức năng: [dán]
4) Gỡ lỗi:
Mã này đưa ra lỗi/kết quả sai sau: [thông báo lỗi hoặc kết quả đầu ra so với dự kiến]. Liệt kê các nguyên nhân có thể xảy ra theo thứ tự xác suất và cho tôi biết cách kiểm tra từng nguyên nhân. Đừng nói trực tiếp "Tôi đã sửa nó"; Trước tiên chúng ta hãy cùng nhau xác minh nguyên nhân gốc rễ. Đồng thời đề nghị kiểm tra đơn vị và đơn hàng. Mã và dữ liệu: [dán]
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Viết cho tôi một mã tính toán giảm áp suất.
Định dạng đầu vào, đơn vị, phương trình, điều kiện không rõ ràng. AI che giấu các giả định của mình, có thể gây nhầm lẫn cho các đơn vị.
Lời nhắc mạnh mẽ:
Vai trò của bạn: người trợ giúp Python về kỹ thuật hóa học. Bài tập: Độ giảm áp suất do ma sát gây ra trong một ống tròn. Đầu vào: tốc độ dòng chảy [m3/s], đường kính [m], chiều dài [m], mật độ [kg/m3], độ nhớt [Pa·s]. Đầu ra: giảm áp suất [Pa].Sử dụng Darcy-Weisbach; Kiểm tra chế độ dòng chảy (Re) để biết hệ số ma sát. Nhận xét từng đơn vị, nêu giả định (đầy tải, lưu lượng ổn định). Tôi sẽ kiểm tra mã dựa trên tính toán thủ công trên một ví dụ nhiều tầng.
Sự khác biệt rất rõ ràng: đơn vị đầu vào, phương thức, đơn vị đầu ra và mục đích kiểm tra làm cho mã trở nên đáng tin cậy.
Phân phối vai trò trong cách sử dụng Python
kinh doanh
Vai trò của AI
quyết định của đàn ông
viết mã
Tạo bản nháp
Mô tả công việc, đơn vị
Lựa chọn thư viện
Đề xuất
Xác nhận sự phù hợp
Mô tả
từng dòng một
Chấp nhận với sự hiểu biết
kiểm tra
Đề xuất bộ thử nghiệm
Xác thực với kết quả đã biết
Gỡ lỗi
giả thuyết, hướng
Xác nhận nguyên nhân gốc rễ
Kết luận
Tạo số
Kiểm tra bằng vật lý
Những lỗi thường gặp
- Sử dụng mã mà không kiểm tra nó. Mã làm việc không phải là mã chính xác; Nó không thể được tin cậy trừ khi được thử nghiệm với một kết quả đã biết.
- Để lại các đơn vị không xác định. Nhầm lẫn đơn vị là sai lầm phổ biến và nguy hiểm nhất trong kỹ thuật hóa học.
- Vận hành mà không hiểu biết. Đừng tin tưởng vào kết quả mà không hiểu rõ code do AI viết từng dòng một.
- Bỏ qua các trạng thái cạnh. Dữ liệu không, âm, thiếu có thể âm thầm dẫn mã đến kết luận sai.
- Chỉ căn cứ tính toán bảo mật trên mã. Các mã quan trọng về bảo mật yêu cầu phải kiểm tra + xác minh có thẩm quyền độc lập.
Tóm lại
AI trong kỹ thuật hóa học với Python; Nó là một trợ lý mạnh mẽ giúp soạn thảo, giải thích và cung cấp hướng dẫn gỡ lỗi để làm sạch dữ liệu, tự động hóa kế toán, lập mô hình và đồ họa. Nhưng mã của AI đáng tin cậy không phải vì nó trông đúng mà vì nó đã được thử nghiệm với kết quả đã biết. Điều cần thiết là phải chỉ định rõ ràng các đơn vị, hiểu mã, kiểm tra các trường hợp biên và xác minh kết quả bằng vật lý; Các tính toán quan trọng về an toàn cũng yêu cầu xác minh của kỹ sư được ủy quyền.
Nhiệm vụ ứng dụng
Chọn một phép tính (ví dụ: giảm áp suất đường ống hoặc cân bằng khối lượng hai thành phần). Lấy code từ AI với mẫu “phân tích dữ liệu/dự thảo mã tài khoản”, ghi rõ đơn vị. Sau đó, xác minh mã trong một ví dụ có thể giải mã thủ công bằng mẫu "thiết lập thử nghiệm với kết quả đã biết"; Nếu kết quả không khớp, hãy tìm nguyên nhân gốc rễ bằng mẫu "gỡ lỗi".
danh sách kiểm tra
- [ ] Tôi đã nêu rõ đơn vị và phương thức đầu vào/đầu ra.
- [ ] Tôi hiểu từng dòng mã và thấy được các giả định của nó.
- [ ] Tôi đã kiểm tra mã trên một ví dụ đã biết/có thể giải mã được theo cách thủ công.
- [ ] Tôi đã kiểm tra các trường hợp đặc biệt (không, âm, thiếu dữ liệu).
- [ ] Tôi đã xác minh kết quả bằng vật lý (bảo toàn khối lượng, trật tự); Tôi cũng đã có tài khoản bảo mật được xác nhận bởi quan chức.