یک زبان الکترونیکی که بهتازگی توسعهیافته میتواند تفاوتهای ظریف در مایعات مشابه، مانند شیر با سطوح مختلف آب را تشخیص داده و همچنین مجموعهای از محصولات از جمله انواع مختلف نوشابه و ترکیبهای قهوه را شناسایی کند. این دستگاه همچنین قادر به شناسایی فساد در آبمیوهها و مشکلات احتمالی ایمنی غذایی است. این تیم پژوهشی به رهبری محققان دانشگاه ایالتی پنسیلوانیا متوجه شدند که وقتی هوش مصنوعی (AI) از معیارهای ارزیابی خاص خود برای تفسیر دادهها استفاده میکند، دقت دستگاه به طور چشمگیری (بیش از ۹۵ درصد) افزایش مییابد.
به گفته محققان، این زبان الکترونیکی میتواند برای ایمنی و تولید مواد غذایی و همچنین برای تشخیصهای پزشکی مفید باشد. حسگر و هوش مصنوعی آن میتوانند انواع مختلفی از مواد را به طور گسترده تشخیص داده و طبقهبندی کنند و به صورت جمعی کیفیت، اصالت و تازگی آنها را ارزیابی کنند. این ارزیابی همچنین به محققان دیدگاهی تازه از نحوه تصمیمگیری هوش مصنوعی ارائه کرده که میتواند به توسعه و کاربردهای بهتر هوش مصنوعی منجر شود.
ساپترشی داس، نویسنده اصلی این مقاله و استاد علوم مهندسی و مکانیک در Ackley گفت:
ما در حال تلاش برای ساخت یک زبان مصنوعی هستیم، اما فرآیند تجربه طعمهای مختلف غذاها تنها به زبان محدود نمیشود. ما تنها خود زبان را داریم که از طریق گیرندههای طعمی با مواد غذایی در تعامل بوده و اطلاعات خود را به قشر چشایی، که یک شبکه عصبی زیستی است، ارسال میکند.
شبیهسازی شبکه عصبی برای درک طعم
قشر چشایی بخشی از مغز است که طعمهای مختلف را دریافت و تفسیر میکند و فراتر از گیرندههای طعمی عمل میکند که بهطور کلی غذاها را در پنج دسته شیرین، ترش، تلخ، شور و خوشطعم طبقهبندی میکنند. با یادگیری جزئیات طعمها، مغز میتواند به تفاوتهای ظریف در مزهها بهتر پی ببرد. برای تقلید مصنوعی از قشر چشایی، محققان یک شبکه عصبی ایجاد کردند که شامل یک الگوریتم یادگیری ماشینی بوده و عملکرد مغز انسان را در ارزیابی و درک دادهها شبیهسازی میکند.
هاریکریشنان راویچاندران، دانشجوی دکترای علوم مهندسی و مکانیک و نویسنده همکار مقاله که زیر نظر داس کار میکند، گفت:
ما قبلاً نحوه واکنش مغز به طعمهای مختلف را بررسی کرده و این فرآیند را با ترکیب مواد دو بعدی مختلف تقلید کردیم تا نوعی نقشهراه ایجاد کنیم که چگونه هوش مصنوعی میتواند اطلاعات را بیشتر شبیه انسان پردازش کند، اکنون در این تحقیق، ما چندین ماده شیمیایی را بررسی میکنیم تا ببینیم آیا حسگرها میتوانند آنها را بهدقت تشخیص دهند و اینکه آیا میتوانند تفاوتهای جزئی بین غذاهای مشابه و مسائل مربوط به ایمنی غذا را نیز تشخیص دهند.
زبان الکترونیکی یا شامل یک ترانزیستور حساس به انواع یون بوده که بر پایه گرافن ساخته شده، یا دستگاهی رساناست که میتواند یونهای شیمیایی را تشخیص دهد و با اتصال به یک شبکه عصبی مصنوعی که بر اساس مجموعهای از دادهها آموزش دیده این دادهها را تحلیل میکند. داس خاطرنشان کرد که حسگرها عملکردی اختصاصی ندارند، یعنی یک حسگر میتواند انواع مختلفی از مواد شیمیایی را تشخیص دهد و نیازی به داشتن حسگر خاص برای هر ماده شیمیایی نیست. محققان ۲۰ پارامتر خاص را برای ارزیابی در اختیار شبکه عصبی قرار دادند که همگی مرتبط با نحوه تعامل یک نمونه مایع با ویژگیهای الکتریکی حسگر بودند. بر اساس این پارامترهای مشخصشده توسط محققان، هوش مصنوعی میتواند نمونههای مختلف از جمله شیرهای رقیقشده با آب، انواع مختلف نوشابهها، ترکیبهای قهوه و آبمیوهها با سطوح مختلف تازگی را بهدقت تشخیص دهد و محتوای آنها را با دقت بیش از ۸۰ درصد در کمتر از یک دقیقه گزارش کند.
افزایش دقت با معیارهای مشتقشده از هوش مصنوعی
اندرو پانون، دانشجوی دکترای علوم و مکانیک مهندسی که زیر نظر داس کار میکند گفت:
پس از دستیابی به دقت معقول با معیارهای انتخابشده توسط انسان، تصمیم گرفتیم که به شبکه عصبی اجازه دهیم خود معیارهای ارزیابی را با ارائه دادههای خام حسگر تعیین کند. ما دریافتیم که شبکه عصبی با استفاده از معیارهای مشتقشده توسط خود سیستم به دقتی نزدیک به ایدهآل و بالاتر از ۹۵ درصد دست یافت. بنابراین، از روشی به نام توضیحات افزایشی شاپلی استفاده کردیم که به ما اجازه میدهد از شبکه عصبی بپرسیم که پس از تصمیمگیری چه چیزهایی را در نظر گرفته است.
این روش از نظریه بازیها استفاده میکند، یک فرآیند تصمیمگیری که گزینههای دیگر را برای پیشبینی نتیجه یک شرکتکننده بررسی میکند، تا ارزش دادههای مورد بررسی را تعیین کند. با این توضیحات، محققان توانستند درک خود را از نحوه ارزیابی شبکه عصبی از اجزای مختلف نمونه برای تصمیمگیری نهایی معکوس کنند؛ این امر به تیم تحقیقاتی نگاهی تازه به فرآیند تصمیمگیری شبکه عصبی داد که طبق گفته محققان، در حوزه هوش مصنوعی عمدتاً مبهم باقی مانده است. آنها دریافتند که شبکه عصبی، به جای ارزیابی صرف پارامترهای تعیینشده توسط انسان، دادههایی که آنها را مهمترین تشخیص داده بود را بهطور ترکیبی در نظر گرفت و توضیحات شاپلی نشان داد که شبکه عصبی هر داده ورودی را چقدر مهم دانسته است.
محققان توضیح دادند که این ارزیابی را میتوان به دو نفر که شیر مینوشند تشبیه کرد. هر دو میتوانند تشخیص دهند که این شیر است، اما یک نفر ممکن است فکر کند این شیر کمچرب است که خراب شده، در حالی که دیگری ممکن است فکر کند شیر ۲ درصد است که هنوز تازه است. تفاوتهای ظریف در دلایل مختلف این نظرها حتی برای فردی که آنها را بیان کرده نیز بهراحتی قابل توضیح نیست.
داس گفت:
ما دریافتیم که شبکه عصبی به ویژگیهای جزئیتر در دادهها نگاه میکند؛ چیزهایی که ما انسانها در تعریف آنها مشکل داریم. به همین دلیل است که شبکه عصبی ویژگیهای حسگر را بهطور جامع در نظر میگیرد و تفاوتهایی که ممکن است توسط افراد مختلف رخ دهند را تعدیل میکند. بهعنوان مثال، در مورد شیر، شبکه عصبی میتواند میزان آب موجود در شیر را تعیین کرده و در این زمینه تشخیص دهد که آیا نشانههای خرابی بهاندازهای معنادار هستند که بهعنوان یک مسئله ایمنی غذایی در نظر گرفته شوند یا خیر.
فواید عملی نواقص در حسگر
به گفته داس، قابلیتهای زبان الکترونیکی تنها با دادههایی که بر آن آموزش داده شده محدود میشود و در حالی که تمرکز این مطالعه بر ارزیابی مواد غذایی بوده است، این دستگاه میتواند در تشخیصهای پزشکی نیز بهکار رود. علاوه بر این، اگرچه حساسیت مهم است، حسگرهای آنها به دلیل استحکام، امکان استفاده گسترده در صنایع مختلف را نیز فراهم میکنند.
داس توضیح داد که نیازی نیست حسگرها دقیقاً مشابه به یکدیگر باشند زیرا الگوریتمهای یادگیری ماشین میتوانند تمام اطلاعات را با هم تحلیل کرده و همچنان پاسخ درست را ارائه دهند. این موضوع فرآیند تولید را عملیتر و کمهزینهتر میکند.
داس در انتها گفت:
ما دریافتیم که میتوانیم با نقص زندگی کنیم و این همان چیزی است که در طبیعت وجود دارد زیرا او نیز پر از نقص است، اما همچنان میتواند تصمیمات قوی بگیرد، درست مانند زبان الکترونیکی ما.
محققان اخیراً نتایج خود را در نشریه Nature منتشر کردهاند.
منبع: Scitechdaily