طیف سنج مجازی، ارزیابی کیفیت مواد با سرعت بالا به کمک هوش مصنوعی
تولید باتری‌های بهتر، قطعات الکترونیکی سریع‌تر و داروهای مؤثرتر به کشف مواد جدید و تأیید کیفیت آنها بستگی دارد. هوش مصنوعی با ابزارهایی که فهرست مواد را بررسی می‌کنند تا به سرعت کاندیداهای امیدوارکننده را شناسایی کنند، به مورد اول کمک می‌کند. اما پس از ساخت یک ماده، تأیید کیفیت آن هنوز شامل اسکن آن با ابزارهای تخصصی برای تأیید عملکرد آن است – گامی پرهزینه و زمان‌بر که می‌تواند توسعه و توزیع فناوری‌های جدید را متوقف کند.
اکنون، یک ابزار جدید هوش مصنوعی که توسط مهندسان MIT توسعه داده شده است، می‌تواند به رفع تنگنای کنترل کیفیت کمک کند و گزینه‌ای سریع‌تر و ارزان‌تر را برای صنایع خاص مبتنی بر مواد ارائه دهد. در مطالعه‌ای که امروز در مجله Matter منتشر شد، محققان “SpectroGen” را معرفی می‌کنند، یک ابزار هوش مصنوعی مولد که با عمل کردن به عنوان یک طیف‌سنج مجازی، قابلیت‌های اسکن را تقویت می‌کند.
این ابزار “طیف‌ها” یا اندازه‌گیری‌های یک ماده را در یک روش اسکن، مانند مادون قرمز، دریافت می‌کند و طیف‌های آن ماده را در صورت اسکن شدن در یک روش کاملاً متفاوت، مانند اشعه ایکس، تولید می‌کند. نتایج طیفی تولید شده توسط هوش مصنوعی، با دقت ۹۹ درصد، با نتایج حاصل از اسکن فیزیکی ماده با ابزار جدید مطابقت دارد.
روش‌های طیف‌سنجی خاصی، خواص خاصی را در یک ماده آشکار می‌کنند: مادون قرمز، گروه‌های مولکولی ماده را آشکار می‌کند، در حالی که پراش اشعه ایکس، ساختارهای کریستالی ماده را تجسم می‌کند و پراکندگی رامان، ارتعاشات مولکولی ماده را روشن می‌کند. هر یک از این خواص در سنجش کیفیت یک ماده ضروری است و معمولاً برای اندازه‌گیری به گردش‌های کاری خسته‌کننده با چندین ابزار گران‌قیمت و متمایز نیاز دارد.
جهت شرکت در دوره های آموزشی هوش مصنوعی از طریق وبسایت نیراسیستم اقدام نمایید.
محققان با استفاده از SpectroGen تصور می‌کنند که می‌توان با استفاده از یک اسکوپ فیزیکی واحد و ارزان‌تر، اندازه‌گیری‌های متنوعی انجام داد. به عنوان مثال، یک خط تولید می‌تواند با اسکن مواد با یک دوربین مادون قرمز، کنترل کیفیت آنها را انجام دهد. سپس می‌توان آن طیف‌های مادون قرمز را به SpectroGen وارد کرد تا به طور خودکار طیف‌های اشعه ایکس مواد را تولید کند، بدون اینکه کارخانه مجبور باشد یک آزمایشگاه اسکن اشعه ایکس جداگانه و اغلب گران‌تر را در خود جای دهد و اداره کند.
ابزار جدید هوش مصنوعی، طیف‌ها را در کمتر از یک دقیقه تولید می‌کند، که در مقایسه با رویکردهای سنتی که اندازه‌گیری و اعتبارسنجی آنها می‌تواند چندین ساعت تا چند روز طول بکشد، هزار برابر سریع‌تر است.
لوزا تادس، استادیار مهندسی مکانیک در دانشگاه MIT و یکی از نویسندگان این مطالعه می‌گوید: ما فکر می‌کنیم که لازم نیست اندازه‌گیری‌های فیزیکی را در تمام روش‌های مورد نیاز انجام دهید، بلکه شاید فقط در یک روش واحد، ساده و ارزان. سپس می‌توانید از SpectroGen برای تولید بقیه استفاده کنید. و این می‌تواند بهره‌وری، کارایی و کیفیت تولید را بهبود بخشد.
فراتر از اوراق قرضه
گروه میان‌رشته‌ای تادس در MIT پیشگام فناوری‌هایی هستند که سلامت انسان و سیاره را ارتقا می‌دهند و نوآوری‌هایی را برای کاربردهایی از تشخیص سریع بیماری‌ها گرفته تا کشاورزی پایدار توسعه می‌دهند.
تادس می‌گوید: تشخیص بیماری‌ها و تجزیه و تحلیل مواد به طور کلی، معمولاً شامل اسکن نمونه‌ها و جمع‌آوری طیف‌ها در روش‌های مختلف، با ابزارهای مختلفی است که حجیم و گران هستند و ممکن است همه آنها را در یک آزمایشگاه پیدا نکنید. بنابراین، ما در حال ایده‌پردازی در مورد چگونگی کوچک‌سازی همه این تجهیزات و چگونگی ساده‌سازی خط لوله آزمایش بودیم.
ژو به استفاده روزافزون از ابزارهای هوش مصنوعی مولد برای کشف مواد جدید و نامزدهای دارویی اشاره کرد و این سوال را مطرح کرد که آیا می‌توان از هوش مصنوعی برای تولید داده‌های طیفی نیز استفاده کرد؟ به عبارت دیگر، آیا هوش مصنوعی می‌تواند به عنوان یک طیف‌سنج مجازی عمل کند؟
یک طیف‌سنج با ارسال نوری با طول موج مشخص به درون ماده، خواص آن را بررسی می‌کند. این نور باعث می‌شود پیوندهای مولکولی در ماده به گونه‌ای مرتعش شوند که نور را به سمت اسکوپ پراکنده کنند، جایی که نور به عنوان الگویی از امواج یا طیف‌ها ثبت می‌شود که می‌توان آن را به عنوان امضایی از ساختار ماده خواند.
برای تولید داده‌های طیفی توسط هوش مصنوعی، رویکرد مرسوم شامل آموزش یک الگوریتم برای تشخیص ارتباطات بین اتم‌های فیزیکی و ویژگی‌های یک ماده و طیف‌هایی است که آنها تولید می‌کنند. با توجه به پیچیدگی ساختارهای مولکولی در تنها یک ماده، تادس می‌گوید چنین رویکردی می‌تواند به سرعت غیرقابل حل شود. او می‌گوید: انجام این کار حتی برای تنها یک ماده غیرممکن است. بنابراین، ما فکر کردیم، آیا راه دیگری برای تفسیر طیف‌ها وجود دارد؟
این تیم با ریاضیات پاسخی پیدا کرد. آنها متوجه شدند که یک الگوی طیفی، که دنباله ای از شکل موج ها است، می تواند به صورت ریاضی نمایش داده شود.
به عنوان مثال، طیفی که شامل یک سری منحنی زنگوله ای است، به عنوان توزیع “گاوسی” شناخته می شود، که با یک عبارت ریاضی خاص مرتبط است، در مقایسه با یک سری امواج باریک تر، که به عنوان توزیع “لورنتزی” شناخته می شود و توسط یک الگوریتم جداگانه و متمایز توصیف می شود. و همانطور که معلوم شد، برای اکثر مواد، طیف های مادون قرمز به طور مشخص حاوی شکل موج های لورنتزی بیشتری هستند، در حالی که طیف های رامان بیشتر گاوسی هستند و طیف های اشعه ایکس ترکیبی از این دو است.
تادس و ژو این تفسیر ریاضی از داده های طیفی را در الگوریتمی کار کردند که سپس آن را در یک مدل هوش مصنوعی مولد گنجاندند.
تادس می گوید: این یک هوش مصنوعی مولد با درک فیزیک است که می فهمد طیف ها چیستند.” «و نکته‌ی کلیدی و جدید این است که ما طیف‌ها را نه به عنوان چگونگی پیدایش آنها از مواد شیمیایی و پیوندها، بلکه به عنوان اینکه در واقع ریاضیات هستند – منحنی‌ها و نمودارهایی که یک ابزار هوش مصنوعی می‌تواند آنها را درک و تفسیر کند – تفسیر کردیم.
کمک خلبان داده هوش مصنوعی
این تیم ابزار هوش مصنوعی SpectroGen خود را بر روی یک مجموعه داده بزرگ و در دسترس عموم شامل بیش از ۶۰۰۰ نمونه معدنی به نمایش گذاشت. هر نمونه شامل اطلاعاتی در مورد خواص ماده معدنی، مانند ترکیب عنصری و ساختار بلوری آن است. بسیاری از نمونه‌های موجود در مجموعه داده‌ها همچنین شامل داده‌های طیفی در روش‌های مختلف، مانند اشعه ایکس، رامان و مادون قرمز هستند.
از این نمونه‌ها، تیم چند صد نمونه را به SpectroGen داد، در فرآیندی که ابزار هوش مصنوعی، که به عنوان یک شبکه عصبی نیز شناخته می‌شود، را آموزش داد تا همبستگی بین روش‌های مختلف طیفی یک ماده معدنی را بیاموزد. این آموزش به SpectroGen این امکان را داد تا طیف‌های یک ماده را در یک روش، مانند مادون قرمز، دریافت کند و طیف‌های یک روش کاملاً متفاوت، مانند اشعه ایکس، را تولید کند.
محققان پس از آموزش ابزار هوش مصنوعی، طیف‌های SpectroGen را از یک ماده معدنی در مجموعه داده‌ها که در فرآیند آموزش گنجانده نشده بود، به SpectroGen دادند. آنها از ابزار خواستند که بر اساس این طیف‌های «جدید»، طیف‌هایی را با روشی متفاوت تولید کند. آنها دریافتند که طیف‌های تولید شده توسط هوش مصنوعی، تطابق نزدیکی با طیف‌های واقعی ماده معدنی دارد که در ابتدا توسط یک ابزار فیزیکی ثبت شده بود. محققان آزمایش‌های مشابهی را با تعدادی از مواد معدنی دیگر انجام دادند و دریافتند که ابزار هوش مصنوعی به سرعت طیف‌هایی را با ۹۹ درصد همبستگی تولید می‌کند.
ژو می‌گوید: «ما می‌توانیم داده‌های طیفی را به شبکه وارد کنیم و می‌توانیم نوع کاملاً متفاوتی از داده‌های طیفی را با دقت بسیار بالا در کمتر از یک دقیقه دریافت کنیم.» این تیم می‌گوید که SpectroGen می‌تواند طیف‌هایی را برای هر نوع ماده معدنی تولید کند. به عنوان مثال، در یک محیط تولیدی، مواد مبتنی بر مواد معدنی که برای ساخت نیمه‌هادی‌ها و فناوری‌های باتری استفاده می‌شوند، می‌توانند ابتدا به سرعت توسط یک لیزر مادون قرمز اسکن شوند. طیف‌های حاصل از این اسکن مادون قرمز می‌توانند به SpectroGen وارد شوند، که سپس طیف‌هایی را در پرتو ایکس تولید می‌کند که اپراتورها یا یک پلتفرم هوش مصنوعی چندعاملی می‌توانند برای ارزیابی کیفیت مواد، آن را بررسی کنند.
تادس می‌گوید: من آن را به عنوان داشتن یک عامل یا کمک خلبان در نظر می‌گیرم که از محققان، تکنسین‌ها، خطوط لوله و صنعت پشتیبانی می‌کند. ما قصد داریم این را برای نیازهای صنایع مختلف سفارشی کنیم.
نتیجه‌گیری
این تیم در حال بررسی راه‌هایی برای تطبیق ابزار هوش مصنوعی برای تشخیص بیماری و برای نظارت بر کشاورزی از طریق یک پروژه در آینده که توسط گوگل تأمین مالی می‌شود، است. تادس همچنین از طریق یک استارتاپ جدید در حال پیشبرد این فناوری در این زمینه است و پیش‌بینی می‌کند که SpectroGen را برای طیف وسیعی از بخش‌ها، از داروسازی گرفته تا نیمه‌رساناها، در دسترس قرار دهد. برای آشنایی بیشتر با سیستم‌های نهفته می‌توانید به نیرابلاگ مراجعه نمایید.
