Lợi nhuận:
- Khả năng phân biệt giữa độ không đảm bảo ngẫu nhiên và độ không đảm bảo hệ thống và báo cáo từng kết quả đo với độ không đảm bảo đo đến chữ số có nghĩa thích hợp.
- Khả năng tính toán lan truyền lỗi với quy tắc chính xác và kiểm tra chéo độc lập công thức do trí tuệ nhân tạo rút ra với Monte Carlo
- Khả năng quyết định xem hai kết quả có tương thích hay không, có tính đến độ không chắc chắn của chúng
Không có phép đo nào trong vật lý là hoàn hảo. Có độ không đảm bảo đo là ±0,5 mm khi đo chiều dài bằng thước kẻ và ±0,1 giây khi đo thời gian bằng đồng hồ bấm giờ. Những độ không đảm bảo này không phải là sai sót mà là bản chất của phép đo—và yêu cầu về tính chính trực về mặt khoa học là báo cáo từng kết quả với độ không đảm bảo của nó. Nói "Tôi tìm thấy gia tốc trọng trường là 9,7" là không đầy đủ; Nói "Tôi tìm thấy 9,7 ± 0,3 m/s²" sẽ cho bạn biết kết quả đó đáng tin cậy đến mức nào. Trong phần này, bạn sẽ tìm hiểu cách sử dụng trí tuệ nhân tạo (AI) để tính toán độ không đảm bảo và truyền sai số (cách chuyển độ không đảm bảo đo từ các phép đo đó đến kết quả tính toán) và cách xác minh các tính toán này.
Các loại sự không chắc chắn và vai trò của AI
Có hai loại sự không chắc chắn cơ bản. Độ không đảm bảo ngẫu nhiên là sự phân tán kết quả trong các phép đo lặp lại; Nhiều phép đo được thực hiện và giảm đi bằng giá trị trung bình và độ lệch chuẩn. Độ không đảm bảo mang tính hệ thống là một sai số luôn lệch theo cùng một hướng (như cân được hiệu chuẩn sai); Nó không giảm khi lặp lại mà được điều chỉnh bằng cách tìm ra nguyên nhân. AI rất hữu ích trong việc giải thích các khái niệm này, hệ thống hóa cách tính độ lệch chuẩn và giá trị trung bình, và - đặc biệt - rút ra các công thức lan truyền lỗi phức tạp. Nhưng bạn phải xác minh mọi công thức dẫn xuất, vì AI thường trộn các dấu đạo hàm từng phần hoặc cấu trúc căn bậc hai trong các công thức lan truyền lỗi.
Trạng thái
tài khoản
xác minh
Đo lặp lại
Giá trị trung bình ± sai số chuẩn
Độ lệch chuẩn thủ công / √N
Cộng/trừ (z = x ± y)
Độ không đảm bảo được tính tổng từ bình phương
Kiểm soát kích thước/đơn vị
Nhân/chia (z = x·y)
Độ không đảm bảo tương đối được tính tổng từ bình phương
Kiểm tra với số mẫu
Chức năng chung
Tuyên truyền bằng đạo hàm riêng
Kiểm tra chéo với Monte Carlo
Các quy tắc cơ bản về lan truyền lỗi
Ngoài phép cộng và phép trừ, độ không đảm bảo tuyệt đối được kết hợp bằng cách cộng bình phương của chúng: Nếu z = x + y, độ không đảm bảo đo của z trở thành √(δx² + δy²). Trong phép nhân và phép chia, độ không đảm bảo đo tương đối (phần trăm) được tính tổng từ bình phương của chúng: Nếu z = x·y, (δz/z) = √((δx/x)² + (δy/y)²). Đối với các hàm phức tạp hơn, nguyên tắc chung là sử dụng đạo hàm riêng: ảnh hưởng của từng biến đến kết quả được đo bằng đạo hàm riêng đối với biến đó. AI có thể rút ra những công thức này, nhưng cách an toàn nhất để xác minh kết quả là kiểm tra chéo Monte Carlo: phân phối ngẫu nhiên từng đầu vào đến độ không chắc chắn của nó, tính toán hàng nghìn lần và xem xét phân bổ đầu ra.
Mẹo: Nếu bạn không chắc chắn về độ chính xác của một công thức lan truyền lỗi, hãy cung cấp cho nó Monte Carlo: tạo ngẫu nhiên các đầu vào có độ không chắc chắn của riêng chúng và tính hàm 10.000 lần; Độ lệch chuẩn của đầu ra phải phù hợp với độ không đảm bảo được đưa ra bởi công thức. Sự kết hợp của hai phương pháp độc lập này làm tăng đáng kể sự tự tin của bạn vào kết quả.
Từng bước: phân tích sự không chắc chắn một cách trung thực
1. Xác định độ không đảm bảo đo của từng phép đo. Độ phân giải của thiết bị, sự phân bổ số lần lặp lại hoặc dữ liệu của nhà sản xuất. Viết ra sự không chắc chắn đến từ đâu.
2. Phân biệt ngẫu nhiên và hệ thống. Hãy xem xét riêng điều gì sẽ giảm khi lặp lại và điều gì sẽ không.
3. Tính chênh lệch với công thức đúng. Cộng, nhân, hàm tổng quát - chọn quy tắc thích hợp. Yêu cầu AI lấy được nó nhưng kiểm soát nó.
4. Kiểm tra chéo với Monte Carlo. Cung cấp kết quả theo một phương pháp độc lập, đặc biệt đối với các công thức phức tạp.
5. Báo cáo bằng chữ số có nghĩa thích hợp. Độ không đảm bảo thường được làm tròn đến 1-2 chữ số có nghĩa; kết quả phù hợp với chữ số cuối cùng của độ không đảm bảo. Viết "9,7 ± 0,4 m/s²", không phải "9,73418 ± 0,4".
ba trường hợp nhỏ
Trường hợp 1 - Công thức tính chênh lệch sai. Một sinh viên hỏi AI về sự lan truyền bất định của g = 4π²L/T². AI đã quên hệ số 2 khi suy ra sự đóng góp của độ không đảm bảo đo của T đối với T (vì T2 độ không đảm bảo đo tương đối lẽ ra phải là 2·δT/T). Khi sinh viên này kiểm tra chéo với Monte Carlo, anh ấy nhận thấy rằng công thức AI đã ước tính độ không chắc chắn khoảng một nửa và đã sửa nó.
Trường hợp 2 - Lỗi hệ thống bị che giấu. Một nhà nghiên cứu đã thực hiện một số lượng lớn các phép đo, làm cho sai số ngẫu nhiên trở nên rất nhỏ và báo cáo độ chính xác ấn tượng là “±0,01 mm”. Nhưng thang đo của nó sai cỡ 0,2 mm - một lỗi hệ thống. Có tính đến sai số này, vốn không giảm khi lặp lại, độ không đảm bảo thực sự lớn hơn nhiều. Bài học: sự lặp lại làm giảm sai số ngẫu nhiên chứ không phải sai số hệ thống.
Trường hợp 3 - Monte Carlo được cứu. Một giáo viên đưa ra tính bất định trong phép tính thể tích (V = πr²h) và tìm ra kết quả bằng tay. Để chắc chắn, anh ấy đã yêu cầu AI cung cấp mã Monte Carlo; Anh ta tạo ngẫu nhiên r và h với độ không đảm bảo của chúng và tính V 10.000 lần. Độ lệch chuẩn của phân bố phù hợp với giá trị được tìm thấy bằng tay - phân tích đã được xác thực.
Bốn mẫu có thể sao chép
1) Dẫn xuất lan truyền lỗi + xác minh:
Đối với biểu thức z = [công thức], hãy suy ra sự lan truyền sai số từ độ không đảm bảo của biến x và y đến độ không đảm bảo của z bằng đạo hàm riêng, STEP BY STEP. Hiển thị từng đạo hàm riêng. Sau đó xác minh công thức này bằng SympY.Fitting; Đánh dấu bước mà bạn không chắc chắn.
2) Kiểm tra chéo Monte Carlo:
Viết mã Python để tìm độ không chắc chắn của phép tính sau bằng cách sử dụng Monte Carlo: z = [công thức]. Đầu vào: x = [giá trị ± độ không đảm bảo], y = [giá trị ± độ không chắc chắn]. Lấy mẫu mỗi đầu vào 10.000 lần từ phân bố chuẩn, tính z, in giá trị trung bình và độ lệch chuẩn của đầu ra. So sánh điều này với kết quả của công thức khuếch tán phân tích.
3) Thống kê đo lường:
Viết mã tính giá trị trung bình, độ lệch chuẩn và sai số chuẩn của giá trị trung bình (std/√N) cho dữ liệu đo lặp lại sau đây ([giá trị]). In kết quả ở định dạng "giá trị ± sai số chuẩn (đơn vị)" với chữ số có nghĩa thích hợp. Nhắc nhở chúng ta về sự khác biệt giữa sự không chắc chắn ngẫu nhiên và hệ thống.
4) Kiểm tra chữ số có nghĩa/báo cáo:
Viết lại các kết quả dưới đây dưới dạng "giá trị ± độ không đảm bảo (đơn vị)", làm tròn độ không đảm bảo đến 1-2 chữ số có nghĩa và căn chỉnh kết quả với độ không đảm bảo. Sửa lỗi chính xác sai. Kết quả: [tại đây]
Dấu nhắc yếu / Dấu nhắc mạnh
Yếu: "tính độ bất định của g."
Kết quả: Một số không có ngữ cảnh, công thức của nó không được xác minh và không có sự phân biệt hệ thống/ngẫu nhiên.
Mạnh: "Đối với g = 4π²L/T², hãy suy ra độ bất định của g bằng đạo hàm riêng từ các phép đo L = 1,00 ± 0,01 m và T = 2,00 ± 0,02 s, sau đó kiểm tra chéo với Monte Carlo. Viết kết quả dưới dạng 'g = ... ± ... m/s²' với chữ số có nghĩa thích hợp."
Kết quả: Độ không đảm bảo đo được dẫn xuất, được xác minh độc lập, được báo cáo chính xác.
Những lỗi thường gặp
- Không báo cáo sự không chắc chắn nào cả. Một phép đo không có độ chắc chắn là một tuyên bố nửa vời mang tính khoa học.
- Không xác minh công thức lây lan. YZ thường xuyên trộn lẫn các hệ số đạo hàm riêng và cấu trúc căn bậc hai; Việc kiểm tra chéo Monte Carlo là điều bắt buộc.
- Cố gắng giảm thiểu lỗi hệ thống thông qua việc lặp lại. Đo nhiều lần chỉ làm giảm sai số ngẫu nhiên; lỗi hiệu chuẩn vẫn còn.
- Tạo ra sự chắc chắn sai lầm. Viết nhiều chữ số có ý nghĩa hơn độ không chắc chắn là một khẳng định về độ chính xác không tồn tại.
- Thu thập trực tiếp những điều không chắc chắn. Độ không đảm bảo đo độc lập không phải là tuyến tính mà là bình phương (thành căn bậc hai).
Thận trọng: Việc hai kết quả vật lý có "khác nhau" hay không chỉ có thể được quyết định bằng cách xem xét độ không đảm bảo của chúng. Các giá trị 9,7 đến 9,81 tương thích nếu độ không đảm bảo đo là ±0,3; ±0,02 là mâu thuẫn. Bỏ qua sự không chắc chắn và nói rằng “kết quả của tôi sai lệch so với lý thuyết” thường là một kết luận sai lầm. Hãy nhớ xác minh tính toán độ không đảm bảo do AI đưa ra trước khi đưa ra quyết định.
Tóm lại
Độ không đảm bảo đo là một phần không thể thiếu trong phép đo vật lý và mọi kết quả phải được báo cáo cùng với độ không đảm bảo đo của nó. AI rất hữu ích trong việc mã hóa số liệu thống kê về độ không đảm bảo và rút ra các công thức lan truyền lỗi; nhưng những công thức này thường xuyên có lỗi và cần được kiểm tra chéo bằng phương pháp độc lập như Monte Carlo. Phân biệt độ không đảm bảo ngẫu nhiên với độ không đảm bảo hệ thống, báo cáo đến chữ số có nghĩa thích hợp và so sánh kết quả với độ không đảm bảo của chúng là cơ sở của nghiên cứu khoa học trung thực. Trong bài tiếp theo, chúng ta sẽ chuyển trọng tâm từ phân tích số sang dẫn xuất mô hình ký hiệu.
Nhiệm vụ ứng dụng
Chọn một phép tính bao gồm ít nhất hai đại lượng đo được (ví dụ: V = πr²h hoặc g = 4π²L/T²). Chỉ định độ không đảm bảo hợp lý cho từng kích thước. Yêu cầu AI lấy thông tin lan truyền lỗi với mẫu 1, sau đó yêu cầu Monte Carlo kiểm tra chéo với mẫu 2 và chạy nó. Kết quả của hai phương pháp có phù hợp không? Báo cáo kết quả bằng chữ số có nghĩa thích hợp. Viết trong 5-6 câu: có sai công thức hoặc không khớp?
danh sách kiểm tra
- [ ] Tôi đã xác định độ không đảm bảo và nguồn gốc của mỗi phép đo.
- [ ] Tôi phân biệt sự không chắc chắn ngẫu nhiên và hệ thống.
- [ ] Tôi đã tính toán sự lan truyền lỗi theo đúng quy tắc.
- [ ] Tôi đã kiểm tra chéo kết quả một cách độc lập với Monte Carlo hoặc bằng tay.
- [ ] Tôi đã báo cáo kết quả bằng chữ số có nghĩa thích hợp, phù hợp với độ không chắc chắn của nó.
- [ ] Tôi đã tính đến sự không chắc chắn khi so sánh kết quả.