حس چشایی حالا با هوش مصنوعی با دقت بیشتر از 80%

 این دستگاه قادر است تفاوت‌های بسیار کم میان نوشیدنی‌های مختلف، حتی ترکیباتی مانند شیرهای رقیق‌شده با آب و ترکیبات مختلف قهوه را شناسایی کند. این ویژگی نشان‌دهنده دقت بالای فناوری در تشخیص تغییرات جزئی در مایعات مختلف است که می‌تواند در صنایع غذایی و آزمایشگاهی بسیار مفید باشد.

 محققان دانشگاه دانشگاه ایالتی پنسیلوانیا یک وسیله بسیار جدید ساخته‌اند که در واقع یک زبان الکترونیکی است که به کمک هوش مصنوعی می‌تواند تفاوت‌های بسیار کوچک میان مایعات مختلف را تشخیص دهد.

 این دستگاه فوق‌العاده می‌تواند انواع مختلف شیر (حتی آن‌هایی که حاوی آب هستند)، نوشابه‌ها و ترکیبات قهوه را تشخیص دهد. جالب‌تر اینکه، این دستگاه می‌تواند علائم فاسدشدن در آب‌میوه‌ها را نیز تشخیص دهد. این ویژگی موجب بهبود کنترل کیفیت در صنایع غذایی می‌شود و از توزیع محصولات فاسد جلوگیری می‌کند.

 محققان از هوش مصنوعی به‌عنوان یک ابزار تجزیه و تحلیل کمک گرفتند تا داده‌های جمع‌آوری شده از این دستگاه به‌صورت دقیق پردازش شوند. این به دستگاه کمک می‌کند تا بادقت بیشتری مایعات مختلف را شناسایی کند و اطلاعات دقیق‌تری در مورد ترکیبات آن‌ها بدهد که به‌طور خاص در کنترل کیفیت حائز اهمیت است.

زبان مجهز به سنسور

 مرکز چشایی بخشی از مغز است که طعم‌ها را پردازش و درک می‌کند. این بخش از مغز عملکردی فراتر از تشخیص پنج طعم اصلی (شیرین، ترش، تلخ، شور و خوش‌طعم) دارد و می‌تواند طعم‌های پیچیده‌تر را هم شناسایی کند.

 محققان با ایجاد یک شبکه عصبی که عملکردی مشابه عملکرد مغز انسان در پردازش طعم‌ها دارد، سعی کردند تا فرایند تشخیص طعم‌های پیچیده‌تر را با استفاده از هوش مصنوعی و حسگرهای الکترونیکی شبیه‌سازی کنند. این شبکه عصبی که در واقع یک الگوریتم یادگیری ماشینی است به دستگاه کمک می‌کند تا عملکرد دقیق‌تری در شناسایی و تفکیک طعم‌ها داشته باشد.

 این زبان الکترونیکی از یک «ترانزیستور اثر میدان حساس به یون مبتنی بر گرافن» یا سنسوری برای شناسایی یون‌های شیمیایی استفاده می‌کند. این سنسور به یک شبکه عصبی مصنوعی آموزش‌دیده متصل است.

 نکته جالب این است که سنسورهای استفاده شده در زبان الکترونیکی قابلیت‌های متعددی دارند و می‌توانند مواد شیمیایی مختلف را شناسایی کنند، بدون اینکه نیاز به حسگرهای مجزا برای هر مایع داشته باشند.

 محققان از ۲۰ پارامتر مختلف استفاده کردند تا هوش مصنوعی را آموزش دهند. این پارامترها می‌توانند عواملی مانند ترکیب شیمیایی مایع، میزان غلظت یون‌ها، خواص الکتریکی و واکنش‌های فیزیکی بین مایع و حسگر باشند. با تحلیل این پارامترها، هوش مصنوعی یاد می‌گیرد که چگونه مایعات مختلف را شناسایی و از هم تفکیک کند.

 جالب اینکه این هوش مصنوعی بادقت بیش از ۸۰ درصد، می‌تواند نمونه‌های مختلفی از جمله شیر، نوشابه، قهوه و آب‌میوه را در عرض چند دقیقه شناسایی کند.

 اندرو پانون، دانشجوی دکترا در رشته مهندسی علوم و مکانیک، گفت ابتدا پارامترهایی را برای شبکه عصبی انتخاب کردیم و پس از دستیابی به دقتی مناسب، تصمیم گرفتیم به شبکه عصبی اجازه دهیم تا خود پارامترهای ارزیابی را تعیین کند. در واقع، برای بهبود عملکرد، داده‌های خام سنسور را به شبکه عصبی دادیم تا به‌صورت خودکار معیارهای بهتری را انتخاب کند. نتیجه این شد که شبکه عصبی با استفاده از پارامترهایی که ماشین تعریف کرده بود، به دقتی بیش از ۹۵ درصد رسید که از پارامترهای تعریف‌شده توسط ما بهتر بود.

تصمیم‌گیری مبتنی بر هوش مصنوعی

 پس از دستیابی به نتایج اولیه، محققان از تکنیک “Shapley additive explanations” برای درک نحوه تصمیم‌گیری شبکه عصبی استفاده کردند.

 Shapley additive explanations روشی در هوش مصنوعی است که از نظریه بازی‌ها برای توضیح نحوه تصمیم‌گیری یک مدل یادگیری ماشین استفاده می‌کند. این روش به هر داده‌ای که مدل بررسی می‌کند، یک ارزش اختصاص می‌دهد و به‌نوعی نشان می‌دهد که هر بخش از داده چقدر در خروجی نهایی تأثیر دارد. این ابزار به دانشمندان کمک می‌کند تا بهتر بفهمند که مدل چگونه به تصمیمات گرفته شده رسیده است. این موضوع به‌ویژه در سیستم‌هایی مانند شبکه‌های عصبی که تصمیم‌گیری آن‌ها پیچیده است، اهمیت دارد.

 پس از آن مشخص شد که شبکه عصبی عوامل متعددی را به‌صورت هم‌زمان در نظر می‌گیرد که فقط شامل پارامترهایی که محققان تعیین کرده بودند، نمی‌شود.

 محققان دریافتند که شبکه به ویژگی‌های جزئی‌تر در داده‌ها توجه می‌کند که ما به‌عنوان یک انسان، در تعریف صحیح آن‌ها دچار مشکل هستیم.

 یکی از مزایای شبکه عصبی این است که تمام ویژگی‌های سنسور را به‌صورت یکپارچه و جامع بررسی می‌کند. این یکپارچگی باعث می‌شود که شبکه بتواند تغییرات جزئی یا نوساناتی که ممکن است به‌طور روزانه در داده‌های سنسور ایجاد شود را کاهش دهد؛ به عبارت دیگر، شبکه عصبی قادر است تغییرات جزئی در داده‌ها را شناسایی کند و آن‌ها را در تصمیم‌گیری‌های خود در نظر بگیرد. به‌طور مثال شبکه عصبی می‌تواند تشخیص دهد که میزان آب موجود در شیر متغیر است و سپس ارزیابی کند که آیا این تغییرات به اندازه‌ای هست که نشانه‌ای از فاسد شدن باشند یا نه.

 قابلیت‌های زبان الکترونیکی به داده‌هایی که با آن‌ها آموزش دیده بستگی دارد. بر این اساس علاوه بر تشخیص و ارزیابی مایعات مختلف مانند نوشیدنی‌ها و آبمیوه‌ها، می‌توان از این فناوری در حوزه‌های دیگری هم استفاده کرد. به‌عنوان مثال می‌توان از آن در حوزه پزشکی برای تشخیص بیماری‌ها کمک گرفت.

منبع : interestingengineering