Lợi nhuận:
- Khả năng điều chỉnh dữ liệu thử nghiệm với Curve_fit bằng cách chọn mô hình từ vật lý và báo cáo các tham số với độ không đảm bảo của chúng
- Khả năng đánh giá trung thực chất lượng phù hợp bằng cách kiểm tra phần dư và tránh trang bị quá mức
- Khả năng kiểm tra tính hợp lý về mặt vật lý của các tham số được tìm thấy và phân biệt sự phù hợp 'đẹp trai' với sự phù hợp 'đúng về mặt thể chất'
Vật lý cuối cùng phụ thuộc vào thí nghiệm. Cho dù một lý thuyết có hay đến đâu, nếu nó không phù hợp với dữ liệu đo được thì nó sẽ không có giá trị. Khớp đường cong là trọng tâm của việc làm việc với dữ liệu thực nghiệm: khớp mô hình được dự đoán theo lý thuyết (đường thẳng, hàm mũ, dao động) với các điểm đo nhiễu mà bạn có theo cách tốt nhất có thể và tìm các tham số của mô hình (độ dốc, hằng số, tần số). Trong phần này, bạn sẽ học cách sử dụng trí tuệ nhân tạo (AI) trong phân tích dữ liệu thử nghiệm, cách thiết lập đường cong phù hợp một cách chính xác và—quan trọng nhất—cách phân biệt sự khác biệt giữa một người vừa vặn là "trông đẹp" và "có vóc dáng chuẩn xác". Công cụ tiêu chuẩn là scipy.optizes.curve_fit (hàm SciPy phù hợp với hàm mô hình với dữ liệu).
Logic của việc khớp đường cong và vai trò của AI
Việc khớp đường cong thực hiện điều này: bạn chọn một hàm mô hình (ví dụ: y = a·x + b) và thuật toán tìm các giá trị của a và b phù hợp với dữ liệu có ít lỗi nhất. AI nhanh chóng mã hóa chức năng mô hình chính xác, thiết lập lệnh gọi Curve_fit và trực quan hóa kết quả. Nhưng có hai quyết định quan trọng thuộc về bạn: (1) Mô hình nào đúng về mặt vật lý? (2) Chất lượng của sản phẩm có thực sự tốt không? AI cũng có thể khớp đa thức bậc 10 với dữ liệu và vẽ một đường cong trông gần như hoàn hảo - nhưng điều này sẽ là việc trang bị quá mức vô nghĩa về mặt vật lý.
sự kiện vật lý
mô hình dự kiến
Đã tìm thấy tham số
chuyển động có tốc độ không đổi
y = a·x + b
độ dốc = tốc độ
phân rã phóng xạ
N = N₀·e^(−λt)
λ = hằng số phân rã
phát hành mùa xuân
x = A·cos(ωt + φ)
ω = tần số góc
định luật Ohm
V = R·I
R = lực cản (độ dốc)
rơi tự do
y = ½·g·t²
g = gia tốc trọng trường
Từng bước: điều chỉnh một đường cong trung thực
1. Chọn mô hình từ vật lý chứ không phải từ dữ liệu. Đầu tiên hãy xác định định luật vật lý nào mà sự kiện phải tuân theo. Việc chọn một mô hình bằng cách xem xét dữ liệu và chọn "cái nào phù hợp nhất" đang cố gắng làm cho tính chất vật lý phù hợp với dữ liệu - nguy hiểm.
2. Nhập dữ liệu và độ không đảm bảo. Cùng với các điểm đo cũng nhập sai số đo (thông số sigma) của từng điểm nếu có. Điều này là cần thiết để tính toán chính xác độ phù hợp và độ không đảm bảo của tham số.
3. Đọc các thông số và độ không đảm bảo của chúng. Curve_fit trả về cả giá trị tham số và độ không đảm bảo của chúng bắt nguồn từ ma trận hiệp phương sai. Báo cáo một thông số không có độ không chắc chắn là chưa đầy đủ: nói "g = 9,7 ± 0,3 m/s²" sẽ mang lại nhiều thông tin hơn là chỉ nói "9,7".
4. Đánh giá sự phù hợp với phần dư. Phần dư là độ lệch của từng điểm đo so với mô hình. Sự phân bố ngẫu nhiên các dư lượng là dấu hiệu của sự phù hợp; một đường cong có hệ thống (ví dụ: tất cả ở một vị trí phía trên mô hình) cho thấy mô hình đó sai.
5. Kiểm tra tính hợp lý về mặt vật chất. Giá trị g được tìm thấy theo thứ tự 9,8 hay 50? Điện trở có bị âm không? Các thông số không thể thực hiện được về mặt vật lý cho thấy có vấn đề, ngay cả khi sự vừa vặn “có vẻ ổn”.
Mẹo: Đừng đánh giá chất lượng của sự phù hợp bằng cách chỉ dựa vào thị lực. Luôn vẽ phần dư trên một biểu đồ riêng. Ở trạng thái phù hợp tốt, phần dư sẽ phân tán như tiếng ồn xung quanh số 0; Với độ khít không tốt, hình dạng có thể nhìn thấy được (sóng, độ dốc, hình chữ U) sẽ xuất hiện. Mẫu này là dấu hiệu trung thực nhất cho thấy mô hình của bạn bị thiếu hụt về thể chất.
ba trường hợp nhỏ
Trường hợp 1 - Bẫy trang bị quá mức. Một sinh viên đã trang bị đa thức bậc 7 do AI gợi ý cho 8 điểm dữ liệu; đường cong đi qua tất cả các điểm và trông "hoàn hảo". Nhưng giữa hai điểm đường cong dao động một cách vô lý. Cậu sinh viên chuyển sang vật lý: đó là một mối quan hệ tuyến tính. Khi anh ấy lắp một đường đơn giản, các tham số mang ý nghĩa vật lý; đa thức bậc cao vừa ghi nhớ tiếng ồn.
Trường hợp 2 - Độ không đảm bảo bị lãng quên. Một nhà nghiên cứu đã tìm và báo cáo gia tốc trọng trường g = 9,73 với mật mã do YZ viết. Cố vấn của ông hỏi về sự không chắc chắn. Nhà nghiên cứu đã không sử dụng kết quả hiệp phương sai của Curve_fit; Khi tính toán, độ không đảm bảo đo là ±0,4, nghĩa là kết quả phù hợp với giá trị tiêu chuẩn là 9,81. Nếu không có sự mơ hồ, kết quả có thể bị hiểu sai là "sai lệch so với 9,81".
Trường hợp 3 - Phần dư có lỗi. Một giáo viên đã lắp một đường thẳng vào một thí nghiệm làm nguội và nó có vẻ hợp lý. Nhưng khi anh vẽ các mảnh vụn, một đường cong rõ ràng đã xuất hiện. Những gì thực sự đã xảy ra là sự hạ nhiệt theo cấp số nhân. Khi anh ấy sử dụng mô hình đúng (theo cấp số nhân), phần dư trở nên ngẫu nhiên và sự phù hợp trở nên có ý nghĩa về mặt vật lý.
Bốn mẫu có thể sao chép
1) Phù hợp với mô hình vật lý:
Viết mã Curve_fit phù hợp với mô hình vật lý = [hàm mô hình] cho dữ liệu thử nghiệm sau ([giá trị x và y, tính bằng đơn vị]). In các tham số và độ không đảm bảo 1-sigma rút ra từ hiệp phương sai. Vẽ biểu đồ dữ liệu, đường cong được trang bị và phần dư trên biểu đồ RIÊNG. Tôi đã lựa chọn mô hình từ vật lý; bạn chỉ cần áp dụng nó.
2) Đánh giá chất lượng phù hợp:
Thêm mã đánh giá chất lượng của sự phù hợp bên dưới: vẽ biểu đồ phần dư, tính toán thước đo chẳng hạn như chi bình phương hoặc R² và nhận xét bằng văn bản nếu có một mẫu hệ thống trong phần dư. Mã phù hợp: [tại đây]
3) So sánh mô hình:
Viết mã phù hợp và so sánh hai mô hình vật lý khác nhau với cùng một dữ liệu: [model A] và [model B]. Hiển thị các tham số, độ không đảm bảo và mẫu dư của cả hai. Tôi quyết định cái nào phù hợp hơn về mặt VẬT LÝ; Chỉ cần trình bày hai bên cạnh nhau. Hãy nhớ tránh trang bị quá mức.
4) Báo cáo độ không đảm bảo:
Thêm mã in từng tham số phù hợp sau đây với số chữ số có nghĩa thích hợp ở định dạng "giá trị ± độ không đảm bảo (đơn vị)". Phù hợp nếu một tham số nhận một giá trị không thể chấp nhận được về mặt vật lý (ví dụ: khối lượng âm). Mã: [tại đây]
Dấu nhắc yếu / Dấu nhắc mạnh
Yếu: "Tìm đường cong phù hợp nhất với những dữ liệu này."
Kết luận: AI có thể mang lại sự phù hợp "hoàn hảo" nhưng vô nghĩa về mặt vật lý cho đa thức bậc cao; sự không chắc chắn và không còn nữa.
Mạnh: "Viết mã Curve_fit phù hợp với mô hình phân rã phóng xạ N = N₀·e^(−λt) cho dữ liệu (t, N) này. In λ và N₀ cùng độ không đảm bảo của chúng. Vẽ phần dư trong một biểu đồ riêng và nhận xét nếu có mẫu hệ thống. Cảnh báo nếu λ âm."
Kết quả: Mô hình vật lý, các tham số không chắc chắn, kiểm tra dư lượng và kiểm tra tính hợp lý.
Những lỗi thường gặp
- Lựa chọn mô hình từ dữ liệu Việc chọn "phù hợp nhất" thay vì định luật vật lý đang buộc vật lý phải khớp dữ liệu và dẫn đến khớp quá mức.
- Không báo cáo sự không chắc chắn. Giá trị tham số không có độ không chắc chắn là không đầy đủ về mặt khoa học; Hai kết quả có tương thích hay không chỉ có thể được hiểu thông qua sự không chắc chắn.
- Không gãi những thứ còn sót lại. Tuyên bố tuân thủ “tốt” bằng cách nhìn vào mắt sẽ che giấu những sai lệch mang tính hệ thống.
- Đánh giá quá cao chữ số có nghĩa. Viết g = 9,73418 ± 0,4 là sai độ chính xác; Sự không chắc chắn xác định có bao nhiêu chữ số có ý nghĩa.
- Bỏ qua sự hợp lý về mặt vật lý. Bỏ qua những hậu quả không thể xảy ra như lực cản âm hoặc trọng lực 50 m/s².
Chú ý: Chỉ vì một đường cong phù hợp tốt với dữ liệu không chứng minh được rằng cơ sở vật lý là đúng. Với đủ tham số miễn phí, đường cong "tốt" có thể phù hợp với bất kỳ dữ liệu nào. Tính chính trực về mặt khoa học đòi hỏi phải chọn mô hình từ vật lý, báo cáo sự không chắc chắn và kiểm tra phần dư một cách trung thực. Đồ họa đẹp do AI tạo ra không thể thay thế cho các điều khiển này.
Tóm lại
Trong phân tích dữ liệu thử nghiệm, AI nhanh chóng thiết lập mã và trực quan hóa đường cong phù hợp; nhưng trách nhiệm của nhà vật lý là chọn mô hình vật lý, báo cáo chính xác độ không đảm bảo và đánh giá trung thực chất lượng của sự phù hợp. Một phân tích tốt lấy mô hình vật lý, báo cáo các tham số với độ không đảm bảo của chúng, kiểm tra phần dư và kiểm tra tính hợp lý về mặt vật lý của kết quả. Trong phần tiếp theo, chúng ta sẽ thảo luận sâu hơn về khái niệm độ không đảm bảo—sai số đo lường và sự lan truyền sai số.
Nhiệm vụ ứng dụng
Điều chỉnh mô hình vật lý phù hợp với một tập hợp nhỏ dữ liệu thực nghiệm mà bạn có hoặc đã tạo ra (ví dụ: các phép đo chu kỳ dài của con lắc hoặc dữ liệu dòng điện-điện áp của điện trở). In mã có mẫu đầu tiên cho AI, chạy nó; Đọc các tham số với độ không đảm bảo của chúng và vẽ biểu đồ phần dư. Kiểm tra xem có mô hình hệ thống nào trong phần dư hay không, liệu các tham số có hợp lý về mặt vật lý hay không. Viết ra trong 5-6 câu: sự phù hợp có thực sự tốt không, sự không chắc chắn đã nói lên điều gì?
danh sách kiểm tra
- [ ] Tôi chọn mô hình từ vật lý chứ không phải từ dữ liệu.
- [ ] Tôi đã bao gồm độ không đảm bảo đo, nếu có, trong phụ kiện.
- [ ] Tôi đã báo cáo các thông số với độ không chắc chắn và chữ số có nghĩa thích hợp.
- [ ] Tôi vẽ phần dư trên một biểu đồ riêng và tìm kiếm các mẫu có hệ thống.
- [ ] Tôi đã kiểm tra xem các thông số có hợp lý về mặt vật lý hay không.
- [ ] Tôi tránh trang bị quá mức (sự tự do cao không cần thiết).