تشخیص نمونه‌های مایع با دقت 80 درصد توسط زبان الکترونیکی AI

محققان دانشگاه پن استیت ابزاری خارق‌العاده توسعه داده‌اند: یک زبان الکترونیکی که قادر است تفاوت‌های ظریف در مایعات را تشخیص دهد.

به طور ویژه، این دستگاه نوآورانه می‌تواند انواع مختلف شیر (حتی با محتوای آب)، نوشابه‌ها و ترکیب‌های قهوه را تشخیص دهد. جالب است که می‌تواند علائم فساد در آبمیوه‌ها را تشخیص دهد و در کنترل کیفیت مورد استفاده قرار گیرد.

محققان برای تفسیر داده‌های تولید شده توسط زبان الکترونیکی از هوش مصنوعی استفاده کردند که منجر به دقت بیشتری شد.

زبان مجهز به حسگر

قشر چشایی بخشی از مغز است که طعم‌ها را پردازش و درک می‌کند. این قشر به فراتر از پنج طعم اصلی (شیرین، ترش، تلخ، شور و خوشمزه) می‌رود تا طعم‌های پیچیده‌تری را بشناسد.

محققان یک شبکه عصبی برای تقلید از عملکرد قشر چشایی ایجاد کردند. این شبکه عصبی یک الگوریتم یادگیری ماشینی است که می‌تواند مانند مغز انسان داده‌ها را یاد بگیرد و درک کند.

زبان الکترونیکی از یک «ترانزیستور اثر میدانی حساس به یون مبتنی بر گرافن» یا یک حسگر برای تشخیص یون‌های شیمیایی استفاده می‌کند. این حسگر به یک شبکه عصبی مصنوعی متصل است که بر روی مجموعه‌ای از داده‌های متفاوت آموزش دیده است.

جالب است که حسگرهای مورد استفاده در زبان الکترونیکی بسیار متنوع هستند و قادرند انواع شیمیایی مختلف را بدون نیاز به حسگرهای خاص برای هر نوع شناسایی کنند.

محققان هوش مصنوعی را با استفاده از 20 پارامتر مربوط به چگونگی تعامل مایع با حسگر آموزش دادند.

به طور شگفت‌انگیزی، هوش مصنوعی به دقت بیش از 80 درصد انواع مختلف نمونه‌ها از جمله شیر، نوشابه، قهوه و آبمیوه را در عرض چند دقیقه شناسایی کرد.

«پس از دستیابی به دقت معقول با پارامترهای انتخاب‌شده توسط انسان، تصمیم گرفتیم اجازه دهیم که شبکه عصبی خود مشخصات خود را با ارائه داده‌های خام حسگر تعریف کند. ما دریافتیم که شبکه عصبی به دقت نزدیک به ایده‌آل بیش از 95 درصد هنگام استفاده از مشخصات تعریف شده توسط ماشین به جای موارد ارائه شده توسط انسان رسید.» گفت آندرو پانونه، یکی از نویسندگان و دانشجوی دکتری در علوم و مهندسی مکانیک.

تصمیم‌گیری AI

پس از نتایج اولیه، محققان از «توضیحات اضافی شاپلی» برای فهم چگونگی تصمیم‌گیری شبکه عصبی استفاده کردند.

«این رویکرد از نظریه بازی، یک فرآیند تصمیم‌گیری که انتخاب‌های دیگران را برای پیش‌بینی نتایج یک شرکت‌کننده در نظر می‌گیرد، استفاده می‌کند تا به داده‌های مورد نظر ارزش بدهد» توضیح بیانیه مطبوعاتی

شبکه عصبی به جای اینکه تنها پارامترهای انسانی اختصاص داده شده را مد نظر قرار دهد، مجموعه‌ای از عوامل را در نظر گرفت. همانطور که در بیانیه مطبوعاتی آمده است، این روش درک از فرآیند تصمیم‌گیری شبکه عصبی را فراهم می‌کند، که در حوزه هوش مصنوعی دشوار بوده است.

«ما دریافتیم که شبکه به ویژگی‌های ظریف‌تری در داده‌ها توجه می‌کند - چیزهایی که ما انسان‌ها در تعریف آن‌ها مشکل داریم»، گفت سپتارش داس، نویسنده مربوط.

داس توضیح داد: «و به دلیل اینکه شبکه عصبی به ویژگی‌های حسگر به صورت کلی نگاه می‌کند، آن واریانس‌هایی که ممکن است به صورت روزانه رخ دهد را کاهش می‌دهد. در مورد شیر، شبکه عصبی می‌تواند محتوای آب متغیر شیر را تعیین کند و در این زمینه، تعیین کند که آیا نشانگرهای احتمالی فساد برای در نظر گرفتن به عنوان یک مسئله ایمنی غذایی قابل توجه هستند یا نه.»

توانایی‌های زبان الکترونیکی به داده‌هایی که بر روی آن آموزش داده شده‌اند بستگی دارد. علاوه بر ارزیابی مایعات، این فناوری می‌تواند برای اهداف تشخیص پزشکی نیز مورد استفاده قرار گیرد.

نتایج در مجله Nature. منتشر شد.