زبان الکترونیکی از هوش مصنوعی برای تشخیص تفاوت در مایعات استفاده می کند
محققان یک “زبان الکترونیکی” مجهز به هوش مصنوعی ایجاد کرده اند که قادر به تشخیص تفاوت های ظریف در مایعات، مانند تازگی شیر، انواع نوشابه، و مخلوط قهوه است. با تجزیه و تحلیل داده های حسگر از طریق یک شبکه عصبی، دستگاه به دقت بیش از 95 درصد در شناسایی کیفیت مایع، اصالت و مسائل ایمنی بالقوه دست یافت. جالب اینجاست که وقتی هوش مصنوعی اجازه یافت پارامترهای تجزیه و تحلیل خود را انتخاب کند، از تنظیمات تعریف شده توسط انسان بهتر عمل کرد و نشان داد که چگونه داده های ظریف را به طور کلی ارزیابی می کند.
این فناوری که از حسگرهای مبتنی بر گرافن استفاده می‌کند، می‌تواند ارزیابی‌های ایمنی مواد غذایی را متحول کند و به طور بالقوه به تشخیص‌های پزشکی نیز گسترش یابد. بینش‌های هوش مصنوعی دستگاه نیز نمای منحصربه‌فردی از فرآیند تصمیم‌گیری شبکه عصبی ارائه می‌دهد. این نوآوری نوید کاربردهای عملی در صنایعی را می دهد که کیفیت و ایمنی در اولویت قرار دارند.
زبان الکترونیکی از هوش مصنوعی برای شناسایی تفاوت های ظریف در کیفیت غذا با بیش از 95 درصد دقت استفاده می کند.
شبکه عصبی دستگاه هنگام تعریف معیارهای تجزیه و تحلیل خود عملکرد بهتری دارد.
کاربردها فراتر از ایمنی مواد غذایی و استفاده بالقوه در تشخیص پزشکی است.
منبع: Penn State
یک زبان الکترونیکی که اخیراً ساخته شده است، قادر به شناسایی تفاوت‌ها در مایعات مشابه، مانند شیر با محتوای آب متفاوت است. محصولات متنوع، از جمله انواع نوشابه و مخلوط قهوه؛ علائم فساد در آب میوه؛ و مواردی از نگرانی های ایمنی مواد غذایی.
این تیم به رهبری محققان دانشگاه پن استیت همچنین دریافتند که وقتی هوش مصنوعی (AI) از پارامترهای ارزیابی خود برای تفسیر داده‌های تولید شده توسط زبان الکترونیکی استفاده می‌کند، نتایج حتی دقیق‌تر هستند.
محققان نتایج خود را (9 اکتبر) در Nature منتشر کردند.
برای تقلید مصنوعی از قشر چشایی، محققان یک شبکه عصبی ایجاد کردند که یک الگوریتم یادگیری ماشینی است که از مغز انسان در ارزیابی و درک داده ها تقلید می کند. اعتبار: اخبار علوم اعصاب
به گفته محققان، زبان الکترونیکی می تواند برای ایمنی و تولید مواد غذایی و همچنین برای تشخیص پزشکی مفید باشد. حسگر و هوش مصنوعی آن می توانند به طور کلی مواد مختلف را شناسایی و طبقه بندی کنند و در عین حال کیفیت، اصالت و تازگی آنها را ارزیابی کنند.
به گفته آنها، این ارزیابی همچنین دیدگاهی را در مورد چگونگی تصمیم گیری هوش مصنوعی در اختیار محققان قرار داده است که می تواند منجر به توسعه و برنامه های کاربردی بهتر هوش مصنوعی شود.
Saptarshi Das، نویسنده مقاله، پروفسور مهندسی آکلی و استاد علوم مهندسی و مکانیک، می‌گوید: «ما در تلاشیم تا یک زبان مصنوعی بسازیم، اما فرآیند چگونگی تجربه غذاهای مختلف، فراتر از زبان است.
ما خود زبان را داریم که متشکل از گیرنده‌های چشایی است که با گونه‌های غذایی تعامل دارند و اطلاعات خود را به قشر چشایی – یک شبکه عصبی بیولوژیکی – می‌فرستند.
قشر چشایی ناحیه‌ای از مغز است که طعم‌های مختلف را فراتر از آن چیزی که توسط گیرنده‌های چشایی قابل درک است، درک و تفسیر می‌کند، که در درجه اول غذاها را از طریق پنج دسته کلی شیرین، ترش، تلخ، شور و شور طبقه‌بندی می‌کنند. همانطور که مغز تفاوت های ظریف طعم ها را یاد می گیرد، بهتر می تواند ظرافت طعم ها را متمایز کند.
برای تقلید مصنوعی از قشر چشایی، محققان یک شبکه عصبی ایجاد کردند که یک الگوریتم یادگیری ماشینی است که از مغز انسان در ارزیابی و درک داده ها تقلید می کند.
Harikrishnan Ravichandran، یکی از نویسندگان، گفت: «پیش از این، ما بررسی کردیم که مغز چگونه به سلیقه‌های مختلف واکنش نشان می‌دهد و این فرآیند را با ادغام مواد دوبعدی مختلف تقلید کردیم تا نوعی طرح اولیه را ایجاد کنیم که چگونه هوش مصنوعی می‌تواند اطلاعات را بیشتر شبیه یک انسان پردازش کند.
“اکنون، در این کار، ما چندین ماده شیمیایی را در نظر می گیریم تا ببینیم آیا حسگرها می توانند آنها را به طور دقیق تشخیص دهند یا خیر، و علاوه بر این، آیا می توانند تفاوت های جزئی بین غذاهای مشابه و مواردی از نگرانی های ایمنی مواد غذایی را تشخیص دهند.”
این زبان شامل یک ترانزیستور اثر میدانی حساس به یون مبتنی بر گرافن یا یک دستگاه رسانا است که می‌تواند یون‌های شیمیایی مرتبط با شبکه عصبی مصنوعی را که بر روی مجموعه‌های داده مختلف آموزش دیده است، شناسایی کند. داس اشاره کرد که بسیار مهم است که حسگرها غیرعملکردی هستند، به این معنی که یک حسگر می تواند انواع مختلفی از مواد شیمیایی را تشخیص دهد، نه اینکه حسگر خاصی برای هر ماده شیمیایی بالقوه اختصاص داده شود.
نقل از:
neurosciencenews.com
