Lợi nhuận:
- Khả năng đưa ra kết quả bằng số dựa trên mã Python được thực thi thay vì đoán bằng lời về mô hình ngôn ngữ
- Khả năng viết mã cân bằng hóa học, hiệu chuẩn và làm sạch dữ liệu cho trí tuệ nhân tạo và kiểm tra nó bằng các mẫu có câu trả lời đã biết
- Khả năng ngăn ngừa lỗi phân tích dữ liệu bằng cách luôn chỉ định đơn vị và kiểm tra thứ tự của chúng
Hóa học có đầy đủ các con số: cân nặng, thể tích, giá trị độ hấp thụ, hiệu suất, nồng độ. Việc xử lý dữ liệu này theo cách thủ công chậm và dễ xảy ra lỗi. AI cung cấp hai dịch vụ chính ở đây: (1) viết mã Python xử lý dữ liệu, (2) chạy mã đó (trong môi trường có thể chạy mã) và đưa ra kết quả xác định. Nguyên tắc quan trọng là: để việc tính toán ở đầu ra của mã được thực thi chứ không phải "dự đoán bằng lời nói" của mô hình ngôn ngữ. Mô hình ngôn ngữ "142 × 0,05 là gì?" đôi khi có thể trả lời sai câu hỏi; nhưng dòng Python anh viết luôn tính toán chính xác. Trong bài này, chúng ta sẽ học phân tích dữ liệu hóa học bằng AI với triết lý này.
Tại sao mã lại tốt hơn việc đoán bằng lời nói?
Một mô hình ngôn ngữ thực hiện phép tính bằng cách "dự đoán kết quả có thể xảy ra"; vì vậy nó có thể sai với số lượng lớn hoặc phép tính nhiều bước. Trong khi đó trong Python biểu thức 142 * 0,05 mang tính xác định: nó luôn trả về 7,1. Vì vậy, chiến lược: đừng bắt AI thực hiện phép tính, hãy in MÃ phép tính và chạy mã. Vì vậy, bạn sử dụng sự sáng tạo của AI (xây dựng mã) và vô hiệu hóa mặt không đáng tin cậy (số học đầu).
Mẹo: Khi bạn nhận được kết quả bằng số từ AI, hãy nói "biểu diễn kết quả này bằng một dòng Python". Bản thân mã vừa xác minh tài khoản, vừa cho phép bạn chạy và xác nhận nó. Nếu bạn không thấy mã, đừng tin vào con số đó.
Nhiệm vụ phân tích dữ liệu điển hình trong hóa học
- Phép cân bằng hóa học: mol, khối lượng, thuốc thử giới hạn, hiệu suất lý thuyết, tính toán phần trăm hiệu suất.
- Nồng độ: nồng độ mol, độ pha loãng (M1V1 = M2V2), chuyển đổi ppm.
- Hiệu chuẩn: Vẽ đường hiệu chuẩn theo định luật Beer-Lambert (độ hấp thụ ∝ nồng độ) và tính toán ẩn số.
- Làm sạch dữ liệu: đọc bảng đo bằng gấu trúc, gắn cờ các ngoại lệ, độ lệch trung bình/chuẩn.
- Trực quan hóa: vẽ đường chuẩn độ, đồ thị động học, đường cong chuẩn độ.
Từng bước: Phân tích dữ liệu an toàn với AI
- Xác định dữ liệu: Đưa ra cột, đơn vị, hàng mẫu rõ ràng. Nếu không có đơn vị, AI sẽ đưa ra giả định.
- Yêu cầu mã chứ không phải kết quả: nói "Viết mã pandas/NumPy để tính toán điều này".
- Chạy mã: Tự chạy mã hoặc trong môi trường có thể chạy mã.
- Kiểm tra với trường hợp đơn giản: Kiểm tra mã bằng một ví dụ nhỏ mà bạn biết câu trả lời.
- Kiểm tra đơn vị và thứ tự: Đơn vị và độ lớn của kết quả có hợp lý về mặt vật lý không?
- Tài liệu: Thêm mã và đầu ra vào sổ tay thí nghiệm (bài 8).
Bốn mẫu có thể sao chép
1) Phép cân bằng hóa học và năng suất phần trăm:
Phản ứng: axit salicylic (MA 138.12) + anhydrit axetic -> aspirin (MA 180.16). Dữ liệu: Đã sử dụng 2,00 g axit salicylic, dư thừa anhydrit axetic. Aspirin thu được: 2,15 g. Nhiệm vụ: Viết mã Python tính toán hiệu suất lý thuyết và hiệu suất phần trăm. Xác định trọng lượng phân tử dưới dạng các biến, in kết quả theo đơn vị. Không tính bằng đầu; chỉ cần cung cấp mã thực thi.
2) Hiệu chuẩn Bia-Lambert:
Dữ liệu hiệu chuẩn (nồng độ mol/L -> độ hấp thụ): 0,00->0,02, 0,02->0,21, 0,04->0,40, 0,06->0,62, 0,08->0,79. Độ hấp thụ của mẫu không xác định: 0,50. Nhiệm vụ: Thực hiện hiệu chuẩn tuyến tính với numpy.polyfit, độ dốc/chặn và Tính R^2, tìm nồng độ chưa biết. Vẽ biểu đồ dữ liệu + đường khớp với matplotlib.
3) biểu đồ đo lường với gấu trúc:
Tôi có CSV: cột = mẫu, cân_g, thể tích_mL, độ hấp thụ. Nhiệm vụ: đọc với gấu trúc, tính nồng độ (g/L) cho từng mẫu, đánh dấu các hàng có độ hấp thụ < 0 là không chính xác, nhập mã để in giá trị trung bình và độ lệch tiêu chuẩn của các nhóm. Chỉ định các đơn vị bằng một dòng nhận xét.
4) Xác minh tài khoản pha loãng:
Tôi muốn chuẩn bị 100 mL dung dịch 0,05 M từ dung dịch gốc 0,5 M. Nhiệm vụ: Viết dòng Python tính khối lượng tồn kho cần thiết với M1V1=M2V2. In kết quả tính bằng mL và xác minh dưới dạng nhận xét rằng cần pha loãng 10 lần để kiểm tra logic.
Dấu nhắc yếu / Dấu nhắc mạnh
yếu:
Có bao nhiêu aspirin có được từ 2 gam axit salicylic?
AI đưa ra con số từ đầu; Nếu nó nhớ trọng lượng phân tử không chính xác, kết quả sẽ bị sai lệch và cách tính toán sẽ không hiển thị.
Mạnh mẽ:
Giả sử axit salicylic MA=138,12, aspirin MA=180,16, khối lượng=2,00 g, hiệu suất 100%. Nhiệm vụ: Viết mã Python tính khối lượng lý thuyết của aspirin; nhận xét từng bước (mol -> mol -> khối lượng), in kết quả ra g.
Sự khác biệt: trọng lượng phân tử nhất định, mã yêu cầu, các bước nhận xét, đơn vị xác định. Kết quả vừa chính xác vừa có thể kiểm tra được.
Dự đoán bằng lời nói, v.v. mã thực thi
Kích thước
Mô hình ngôn ngữ dự đoán bằng lời nói
Chạy Python
Độ chính xác số học
Có thể thay đổi, có thể xảy ra lỗi
Có tính quyết định, chắc chắn
Khả năng kiểm toán
Sảy thai (không rõ nó xảy ra như thế nào)
Cao (hiển thị mã)
độ lặp lại
thấp
cao
Theo dõi đơn vị
yếu đuối
Có thể được giữ mở bằng mã
sử dụng hợp lý
Ý tưởng, kết cấu xây dựng
Kết quả số cuối cùng
trường hợp nhỏ
Trường hợp 1 - Lỗi số học bằng lời nói. Một học sinh hỏi AI “0,0145 mol × 180,16 g/mol?” anh ấy hỏi; “2,72 g,” AI cho biết. Trên thực tế nó là 2,61g. Khi sinh viên nói "hiển thị cái này bằng Python", YZ viết 0,0145 * 180,16 và kết quả là 2.612; Phản hồi bằng lời nói đầu tiên là không chính xác. Bài học: thích mã ngay cả đối với phép nhân rất đơn giản.
Trường hợp 2 - Kiểm tra hiệu chuẩn R². Một người dùng đã thực hiện hiệu chuẩn Beer-Lambert; Hóa ra R2 = 0,981. AI cho biết "tuyến tính, đáng tin cậy" nhưng điểm ở nồng độ cao nhất lại nằm dưới đường (bão hòa). Khi người dùng nhìn thấy biểu đồ, nó đã di chuyển điểm cao nhất ra khỏi phạm vi tuyến tính, R² tăng lên 0,999. Bài học: Chỉ R² thôi là chưa đủ; xem phần dư/cốt truyện.
Trường hợp 3 - Sự nhầm lẫn đơn vị. Trong một phân tích, không rõ nồng độ là mg/L hay g/L; AI giả định g/L và kết quả sai 1000 lần. Nó đã được sửa khi người dùng chỉ định rõ ràng đơn vị cột. Bài học: luôn đổi đơn vị, giả sử AI đắt tiền.
Những lỗi thường gặp
- Dựa vào số lượng bằng lời nói. Luôn yêu cầu và chạy mã thay vì tính nhẩm.
- Không ghi rõ đơn vị. Trộn mg/L với g/L, mL với L gây ra sai số gấp 1000 lần.
- Không kiểm tra mã. Áp dụng cho dữ liệu lớn mà không cần thử nghiệm bằng một ví dụ nhỏ đã biết câu trả lời.
- Coi R 2 là tiêu chí duy nhất. Tin tưởng vào các điểm phi tuyến tính mà không nhìn thấy chúng bằng đồ họa.
- Bỏ qua thuốc thử thử nghiệm. Tính toán hiệu suất lý thuyết mà không cần xác định thuốc thử giới hạn trong phép cân bằng hóa học.
- Bước chảy ra đáng kể. Báo cáo kết quả đến 8 chữ số khi phép đo có 3 chữ số có nghĩa.
Thận trọng: Ngay cả đoạn code mà AI viết cũng có thể bị lỗi (sai tên cột, sai công thức). Việc chạy mã khiến kết quả mang tính xác định, nhưng bạn phải xác nhận bằng một ví dụ đã biết rằng mã tính toán đúng.
Tóm lại
- Để lại kết quả bằng số cho mã Python được thực thi, không phải cho việc đoán bằng lời của mô hình ngôn ngữ.
- AI nhanh chóng viết mã để cân bằng hóa học, hiệu chuẩn, làm sạch dữ liệu và trực quan hóa trong phân tích dữ liệu hóa học.
- Luôn bật thiết bị; Sự nhầm lẫn đơn vị là sai lầm đắt giá nhất.
- Kiểm tra phần dư và đồ thị ngoài R2 trong quá trình hiệu chuẩn.
- Kiểm tra mã bằng một ví dụ đơn giản với câu trả lời đã biết; Con người xác minh tính chính xác của mã.
Nhiệm vụ ứng dụng
Có bộ dữ liệu hiệu chuẩn hoặc cân bằng hóa học (nếu không, hãy sử dụng dữ liệu Beer-Lambert ở trên). Yêu cầu AI cung cấp mã Python thực hiện phân tích (mã chứ không phải kết quả). Chạy mã; sau đó kiểm tra nó với một mẫu nhỏ các câu trả lời đã biết. Hỏi AI bằng lời nói về cùng một phép tính và so sánh hai kết quả: có sự khác biệt không? Giải thích đồ thị của R2 và phần dư trong quá trình hiệu chuẩn. Đặt mã, đầu ra và nhận xét ngắn vào tài liệu.
danh sách kiểm tra
- [ ] Tôi nhận được kết quả bằng số từ mã chứ không phải từ phỏng đoán bằng lời nói.
- [ ] Tôi ghi rõ đơn vị của từng cột dữ liệu.
- [ ] Tôi kiểm tra mã bằng một mẫu nhỏ đã biết câu trả lời.
- [ ] Tôi thực hiện phân tích phần dư/đồ thị bên cạnh R² khi hiệu chuẩn.
- [ ] Tôi xác định thuốc thử giới hạn trong phép cân bằng hóa học.
- [ ] Tôi báo cáo kết quả bằng chữ số có nghĩa thích hợp.