EC-Lab EIS 擬合結果error 值 和 deviation 偏差值之判讀

 

經EC-Lab EIS成功擬合結果可得下表

藍色框框為deviation (dev)

紅色框框為 error ratio ( X2/ I Z I )



一般來說，dev偏差值要<1，但超過5個elements的fitting, 後面elements 的dev都可以容許比較大一點，以這範例來說R2與R3 略大於1是OK的。

而 error ratio ( X2/ I Z I ) <0.1。

一般在擬合時，會先看dev值是否<1，在查核 error ratio。


官方Youtube頻道參考影片:(影片標題及連結)

Description of the fitting window – ZFit tutorial, part.4 - BioLogic

Tips and tricks - ZFit tutorial, part.5 - BioLogic 

ZSim and ZFit as learning tools. Part V – How to choose the proper equivalent circuit? 

ZSim and ZFit as learning tools. Part VII – Equivalent circuits identifiability 

ZFit: How to have confidence in results using std err.?









留言

張貼留言

這個網誌中的熱門文章

Google 試算表奇偶數行變色(替換顏色)

圖片
平常用google試算表常因背景皆白而難以分辨，而一行行改顏色又非常麻煩，在此分享如何迅速變換google試算表奇偶行顏色。 1.開啟試算表，可發現背景皆白不易辨別 2. 點選 格式> 替代顏色 3.點選完後可看到替代顏色視窗開啟，通常會自動選取範圍 但也可透過" 套用範圍 "來選取想要的範圍，在顏色選擇上可套用既有的" 格式設定樣式 "，或者是" 自訂 "，選取完畢後再按" 完成 "即可。
閱讀完整內容

Claude Pro 用戶的 Token 消耗實測紀錄：你的額度到底去哪裡了？

最近 Anthropic 推出了一個限時活動，Pro 用戶可以免費領 $20 的 Extra Usage（超量使用額度），截止日是 4 月 17 日 。趁這個機會，整理一下 Claude Pro 的 token 消耗概況，讓有需要的人參考。 1. Pro 方案的基本額度架構 Claude Pro 並不是單純按 token 數計費，而是採用「 五小時 session 重置制 」： 每個五小時視窗有固定配額，用完就鎖住，等重置 另外還有 每週用量上限 （seven-day cap），就算每個 session 都用滿，週上限也會擋住 社群實測每個 session 大約有 44,000 tokens 的容量，換算大概是 10～40 則訊息，視對話複雜度而定 而 Extra Usage（超量用量）是在配額用完之後，按 API 費率 計費的付費補充機制，費率如下： 模型 Input（per 百萬 tokens） Output（per 百萬 tokens） Sonnet 4.6（主力） $3 $15 Opus 4.6（最強） $5 $25 Haiku 4.5（輕量） $1 $5 以一般對話 input:output ≈ 3:1 的比例估算， $20 大約可換 3～5 百萬 tokens 。 2. 各功能 Token 消耗估算 以下數據來自實際使用 Cowork（桌面協作功能）和 Gmail 連接器的經驗整理，供參考。 2-1. 一般對話（輕量） 每次消耗：2,000 ～ 8,000 tokens 最基本的問答，消耗最低。拿來解釋概念、腦力激盪都沒問題，一個 session 配額可以撐很久。 2-2. Gmail 連接器 / 撈信件資料（中量） 操作 消耗估算 搜尋幾封信（只看標題 / 摘要） 5,000 ～ 15,000 tokens 讀取完整郵件內容（每封） +3,000 ～ 10,000 tokens 大量搜尋 + 多輪整理（如稅務信整理） 50,000 ～ 120,000 tokens 注意事項： Gmail、Google Calendar 這類 MCP 連接器，每次呼叫都會把完整的工具定義（schema）注入 context，光是「開啟連接器」這個動...
閱讀完整內容

The Bitter Lesson (Rich Sutton) 苦澀的教訓 (由ChatGPT翻譯)

 原文: http://incompleteideas.net/IncIdeas/BitterLesson.html 70 年的人工智慧研究最大的教訓是，利用計算的通用方法最終是最有效的，而且差距很大。這背後的根本原因是摩爾定律，或者更準確地說，是計算單位成本持續指數級下降的泛化。大多數人工智慧研究都是在假設代理可用的計算量是恒定的情況下進行的（在這種情況下，利用人類知識是提高性能的唯一途徑之一），但在略長於典型研究項目的時間裡，大量更多的計算能力不可避免地會變得可用。研究人員尋求在短期內尋找改進，試圖利用他們對領域的人類知識，但從長遠來看，唯一重要的是利用計算。這兩者不必相互對立，但實踐中它們往往如此。在其中一個上花費的時間就是沒有花在另一個上的時間。人們對於投資這種或那種方法有心理上的承諾。而且，基於人類知識的方法往往以使方法複雜化的方式使其不適合利用利用計算的通用方法。回顧一些最突出的人工智慧研究者晚來的這個苦澀教訓的例子是有啟示性的。   在電腦國際象棋中， 1997 年擊敗世界冠軍卡斯帕羅夫的方法是基於大規模、深度搜索的。當時，這被大多數追求利用人類對國際象棋特殊結構理解的電腦國際象棋研究者們以失望的眼光看待。當一個更簡單、基於搜索的方法配合特殊硬體和軟體證明遠遠更有效時，這些基於人類知識的國際象棋研究者並沒有好好接受失敗。他們說， " 暴力 " 搜索這次可能贏了，但它不是一種通用策略，而且無論如何這不是人們下棋的方式。這些研究者希望基於人類輸入的方法獲勝，並對它們沒有獲勝感到失望。   在電腦圍棋研究中，出現了類似的研究進展模式，只是延遲了 20 年。巨大的初期努力投入到避免搜索中，通過利用人類知識或遊戲的特殊特性，但所有這些努力一旦在規模上有效應用搜索後，都證明是無關緊要的，甚至更糟。同樣重要的是利用自我對弈來學習價值函數的使用（就像在許多其他遊戲中一樣，甚至在 1997 年首次擊敗世界冠軍的程式中的國際象棋中，儘管學習在那個程式中沒有扮演重要角色）。通過自我對弈學習，以及一般的學習，就像搜索一樣，它使得可以利用大量的計算。搜索和學習是利用大量計算進行人工智慧研究的兩個最重要的技術類別。在電腦圍棋中，就像在電腦國際象棋中一樣，研究人員最初的努力是朝著利用人類理解（以便減少搜索的需要）方向發展，只是在很晚之後，...
閱讀完整內容