ايتنا - ساخت یک زبان الکترونیکی مبتنی بر هوش مصنوعی

دانشمندان موفق به ساخت یک «زبان الکترونیکی» شده‌اند که با استفاده از هوش مصنوعی کار می‌کند. این سیستم قادر است بین نوشیدنی‌های مشابه مانند انواع نوشابه یا قهوه تمایز قائل شود و حتی مواد مضر در آب را تشخیص دهد.

دانشمندان موفق به ساخت یک «زبان الکترونیکی» شده‌اند که با استفاده از هوش مصنوعی (AI) کار می‌کند.

شاید برای شما هم پیش آمده باشد که نگران باشید آیا نوشیدنی که مدت‌ها در یخچال مانده، هنوز قابل استفاده است یا نه؟

به گزارش ایتنا و به نقل از لایوساینس، اکنون یک «زبان الکترونیکی» جدید می‌تواند به این سوال شما پاسخ دهد. این سیستم که با هوش مصنوعی کار می‌کند، می‌تواند مسائل مربوط به ایمنی و تازگی مواد غذایی را شناسایی کند و به ما نشان دهد که چگونه هوش مصنوعی تصمیم‌گیری می‌کند.

شایان ذکر است که این پژوهش در تاریخ ۹ اکتبر در مجلهٔ علمی نیچر منتشر شده است.

برای ساخت این زبان الکترونیکی، دانشمندان از ترانزیستور حساس به یون استفاده کردند؛ دستگاهی که قادر به تشخیص یون‌های شیمیایی است.

این حسگر اطلاعاتی درباره یون‌های موجود در یک مایع جمع‌آوری می‌کند و سپس این اطلاعات را به سیگنال الکتریکی تبدیل می‌کند که توسط کامپیوتر قابل تحلیل است.

ساپتارشی داس (یکی از نویسندگان این پژوهش و از دانشگاه پن‌استیت) می‌گوید: «ما تلاش می‌کنیم یک زبان مصنوعی بسازیم، اما تجربه ما از طعم غذاها فقط به زبان محدود نمی‌شود».

وی در ادامه می‌افزاید: «ما مجهز به زبان هستیم که شامل گیرنده‌های طعم است که با غذا تعامل می‌کنند و سپس اطلاعات را به قشر چشایی (بخش مغز که مسئول درک طعم است) ارسال می‌کنند.»

گفته می‌شود که در این سیستم جدید، حسگر نقش زبان را ایفا می‌کند و هوش مصنوعی وظیفه قشر چشایی را بر عهده دارد.

این تیم تحقیقاتی حسگر را به یک شبکه عصبی مصنوعی متصل کرد؛ برنامه‌ای که به‌صورت مشابه با مغز انسان اطلاعات را پردازش و تحلیل می‌کند. این شبکه عصبی به کمک داده‌های جمع‌آوری شده از حسگر، اطلاعات را تفسیر می‌کند.

در ابتدا، داس و همکارانش پارامترهای محدودی را به شبکه عصبی ارائه دادند تا سطح اسیدیته یک مایع خاص را بررسی کنند. با استفاده از این پارامترها، شبکه عصبی توانست با دقت ۹۱ درصدی سطح اسیدیته را تشخیص دهد.

اما وقتی به شبکه عصبی اجازه دادند که پارامترهای خود را تعریف کند، دقت تحلیل به بیش از ۹۵ درصد رسید. سپس این زبان الکترونیکی را روی نوشیدنی‌های واقعی آزمایش کردند.

نتایج نشان داد که این سیستم قادر است بین نوشیدنی‌های مشابه مانند انواع نوشابه یا قهوه تمایز قائل شود، تشخیص دهد که آیا به شیر آب اضافه شده است یا خیر، زمان خراب شدن آبمیوه را شناسایی کند و حتی مواد مضر مانند PFAS (ترکیبات شیمیایی خطرناک) را در آب تشخیص دهد.

با استفاده از روشی به نام «توضیحات افزودنی شاپلی» (Shapley Additive Explanations)، محققان توانستند تشخیص دهند که کدام پارامترها برای شبکه عصبی در رسیدن به نتایج خود اهمیت بیشتری داشته است.

این روش به دانشمندان کمک می‌کند که بفهمند شبکه‌های عصبی چگونه تصمیم می‌گیرند، که این مسئله همچنان یکی از پرسش‌های باز در تحقیقات هوش مصنوعی است.

داس می‌گوید: «ما متوجه شدیم که شبکه عصبی به ویژگی‌های ظریف‌تری در داده‌ها توجه می‌کند؛ ویژگی‌هایی که ما انسان‌ها در تعریف دقیق آنها مشکل داریم.

همچنین به این دلیل که شبکه عصبی به‌طور کلی‌تری به ویژگی‌های حسگر توجه می‌کند، توانسته است نوساناتی را که ممکن است روزانه رخ دهند، کاهش دهد.»

قابلیت تنظیم این سیستم در برابر این نوسانات می‌تواند کمک کند تا حسگر در کاربردهای دیگر نیز مؤثرتر عمل کند.

گفتنی است به‌واسطه فرآیند تصمیم‌گیری شبکه عصبی، این سیستم توانسته است مشکلاتی را که قبلاً باعث غیرقابل اعتماد شدن ترانزیستورهای حساس به یون می‌شدند، برطرف کند.

داس در پایان می‌گوید: «ما متوجه شدیم که می‌توانیم با نقص‌ها زندگی کنیم. طبیعت پر از نقص است، اما با این وجود می‌تواند تصمیمات قوی و مطمئن بگیرد؛ درست مثل زبان الکترونیکی ما.»