أصبح التحقق من جودة المواد أسهل باستخدام أداة الذكاء الاصطناعي الجديدة | أخبار معهد ماساتشوستس للتكنولوجيا

إن تصنيع بطاريات أفضل، وإلكترونيات أسرع، ومستحضرات صيدلانية أكثر فعالية يعتمد على اكتشاف مواد جديدة والتحقق من جودتها. ويساعد الذكاء الاصطناعي في الأول، من خلال الأدوات التي تبحث في كتالوجات المواد لتحديد المرشحين الواعدين بسرعة.

ولكن بمجرد تصنيع المادة، فإن التحقق من جودتها لا يزال يتطلب مسحها بأدوات متخصصة للتحقق من أدائها، وهي خطوة مكلفة وتستغرق وقتًا طويلاً ويمكن أن تعيق تطوير وتوزيع التقنيات الجديدة.

والآن، يمكن لأداة الذكاء الاصطناعي الجديدة التي طورها مهندسو معهد ماساتشوستس للتكنولوجيا أن تساعد في إزالة عنق الزجاجة في مراقبة الجودة، مما يوفر خيارًا أسرع وأرخص لبعض الصناعات التي تعتمد على المواد.

في دراسة تظهر اليوم في المجلة موضوعيقدم الباحثون “SpectroGen”، وهي أداة ذكاء اصطناعي توليدية تعمل على تعزيز قدرات المسح من خلال العمل كمطياف افتراضي. تأخذ الأداة “الأطياف”، أو قياسات المادة بطريقة مسح واحدة، مثل الأشعة تحت الحمراء، وتولد الشكل الذي ستبدو عليه أطياف تلك المادة إذا تم مسحها بطريقة مختلفة تمامًا، مثل الأشعة السينية. تتطابق النتائج الطيفية الناتجة عن الذكاء الاصطناعي، بدقة تصل إلى 99 بالمائة، مع النتائج التي تم الحصول عليها من المسح المادي للمادة باستخدام الأداة الجديدة.

تكشف بعض الطرائق الطيفية عن خصائص محددة في مادة ما: يكشف الأشعة تحت الحمراء عن المجموعات الجزيئية للمادة، بينما يصور حيود الأشعة السينية الهياكل البلورية للمادة، ويضيء تشتت رامان الاهتزازات الجزيئية للمادة. تعد كل من هذه الخصائص ضرورية لقياس جودة المادة وتتطلب عادةً سير عمل شاقًا على أدوات متعددة باهظة الثمن ومتميزة للقياس.

مع SpectroGen، يتصور الباحثون أنه يمكن إجراء مجموعة متنوعة من القياسات باستخدام نطاق فيزيائي واحد ورخيص. على سبيل المثال، يمكن لخط التصنيع إجراء مراقبة جودة المواد عن طريق مسحها ضوئيًا باستخدام كاميرا واحدة تعمل بالأشعة تحت الحمراء. يمكن بعد ذلك تغذية أطياف الأشعة تحت الحمراء هذه إلى SpectroGen لتوليد أطياف الأشعة السينية للمادة تلقائيًا، دون أن يضطر المصنع إلى إيواء وتشغيل مختبر منفصل لمسح الأشعة السينية، وغالبًا ما يكون أكثر تكلفة.

تقوم أداة الذكاء الاصطناعي الجديدة بتوليد الأطياف في أقل من دقيقة واحدة، أي أسرع بألف مرة مقارنة بالطرق التقليدية التي يمكن أن تستغرق عدة ساعات إلى أيام لقياسها والتحقق من صحتها.

تقول لوزا تاديسي، المؤلفة المشاركة في الدراسة، والأستاذة المساعدة في الهندسة الميكانيكية في معهد ماساتشوستس للتكنولوجيا: “نعتقد أنه ليس عليك إجراء القياسات الفيزيائية بجميع الطرق التي تحتاجها، ولكن ربما بطريقة واحدة بسيطة ورخيصة الثمن”. “ثم يمكنك استخدام SpectroGen لتوليد الباقي. وهذا يمكن أن يحسن الإنتاجية والكفاءة وجودة التصنيع. “

المؤلف الرئيسي للدراسة هو يانمين تشو، باحث سابق في معهد ماساتشوستس للتكنولوجيا.

ما وراء السندات

مجموعة تاديسي متعددة التخصصات في معهد ماساتشوستس للتكنولوجيا رائدة في مجال التقنيات التي تعمل على تطوير صحة الإنسان والكوكب، وتطوير ابتكارات لتطبيقات تتراوح من التشخيص السريع للأمراض إلى الزراعة المستدامة.

يقول تاديسي: “عادةً ما يتضمن تشخيص الأمراض، وتحليل المواد بشكل عام، مسح العينات وجمع الأطياف بطرق مختلفة، باستخدام أدوات مختلفة ضخمة ومكلفة، وقد لا تجدها جميعًا في مختبر واحد”. “لذلك، كنا نتبادل الأفكار حول كيفية تصغير كل هذه المعدات وكيفية تبسيط خط الأنابيب التجريبي.”

وأشار تشو إلى الاستخدام المتزايد لأدوات الذكاء الاصطناعي التوليدية لاكتشاف مواد جديدة وأدوية مرشحة، وتساءل عما إذا كان من الممكن أيضًا تسخير الذكاء الاصطناعي لتوليد بيانات طيفية. بمعنى آخر، هل يمكن للذكاء الاصطناعي أن يكون بمثابة مطياف افتراضي؟

يقوم المطياف بفحص خصائص المادة عن طريق إرسال ضوء بطول موجي معين إلى داخل المادة. يتسبب هذا الضوء في اهتزاز الروابط الجزيئية في المادة بطرق تؤدي إلى تشتيت الضوء مرة أخرى إلى النطاق، حيث يتم تسجيل الضوء كنمط من الموجات، أو الأطياف، التي يمكن بعد ذلك قراءتها كتوقيع على بنية المادة.

لكي يتمكن الذكاء الاصطناعي من توليد بيانات طيفية، فإن النهج التقليدي سيتضمن تدريب خوارزمية للتعرف على الروابط بين الذرات الفيزيائية والميزات الموجودة في المادة، والأطياف التي تنتجها. ونظرًا لتعقيد الهياكل الجزيئية داخل مادة واحدة فقط، يقول تاديسي إن مثل هذا النهج يمكن أن يصبح سريعًا مستعصيًا على الحل.

وتقول: “إن القيام بذلك حتى فيما يتعلق بمادة واحدة فقط هو أمر مستحيل”. “لذا، فكرنا، هل هناك طريقة أخرى لتفسير الأطياف؟”

وجد الفريق إجابة باستخدام الرياضيات. لقد أدركوا أن النمط الطيفي، وهو سلسلة من الأشكال الموجية، يمكن تمثيله رياضيا. على سبيل المثال، يُعرف الطيف الذي يحتوي على سلسلة من منحنيات الجرس باسم التوزيع “الغاوسي”، والذي يرتبط بتعبير رياضي معين، مقارنة بسلسلة من الموجات الأضيق، المعروفة باسم توزيع “لورنتزيان”، والتي يتم وصفها بواسطة خوارزمية منفصلة ومتميزة. وكما اتضح، بالنسبة لمعظم المواد، يحتوي أطياف الأشعة تحت الحمراء بشكل مميز على أشكال موجية لورنتزية أكثر، في حين أن أطياف رامان أكثر غوسية، وأطياف الأشعة السينية هي مزيج من الاثنين.

قام تاديسي وتشو بتحويل هذا التفسير الرياضي للبيانات الطيفية إلى خوارزمية قاموا بعد ذلك بدمجها في نموذج الذكاء الاصطناعي التوليدي.

“يقول تاديسي: “إنه ذكاء اصطناعي توليدي بارع في الفيزياء يفهم ماهية الأطياف. والأمر الجديد هو أننا فسرنا الأطياف ليس على أنها تأتي من المواد الكيميائية والروابط، بل على أنها في الواقع رياضيات – منحنيات ورسوم بيانية، يمكن لأداة الذكاء الاصطناعي فهمها وتفسيرها”.

مساعد طيار البيانات

استعرض الفريق أداة SpectroGen AI الخاصة به على مجموعة بيانات كبيرة متاحة للجمهور تضم أكثر من 6000 عينة معدنية. تتضمن كل عينة معلومات عن خصائص المعدن، مثل تركيبه العنصري وبنيته البلورية. تتضمن العديد من العينات في مجموعة البيانات أيضًا بيانات طيفية بطرائق مختلفة، مثل الأشعة السينية ورامان والأشعة تحت الحمراء. من بين هذه العينات، قام الفريق بتغذية عدة مئات من العينات إلى SpectroGen، في عملية لتدريب أداة الذكاء الاصطناعي، المعروفة أيضًا باسم الشبكة العصبية، لمعرفة الارتباطات بين الطرائق الطيفية المختلفة للمعادن. مكّن هذا التدريب شركة SpectroGen من استيعاب أطياف المادة بطريقة واحدة، مثل الأشعة تحت الحمراء، وتوليد الشكل الذي يجب أن تبدو عليه الأطياف بطريقة مختلفة تمامًا، مثل الأشعة السينية.

بمجرد تدريب أداة الذكاء الاصطناعي، قام الباحثون بتغذية أطياف SpectroGen من معدن في مجموعة البيانات التي لم يتم تضمينها في عملية التدريب. لقد طلبوا من الأداة توليد أطياف بطريقة مختلفة، بناءً على هذا الأطياف “الجديدة”. ووجدوا أن الأطياف الناتجة عن الذكاء الاصطناعي كانت متطابقة بشكل وثيق مع الأطياف الحقيقية للمعادن، والتي تم تسجيلها في الأصل بواسطة أداة فيزيائية. أجرى الباحثون اختبارات مماثلة مع عدد من المعادن الأخرى، ووجدوا أن أداة الذكاء الاصطناعي ولدت أطيافًا بسرعة، مع ارتباط بنسبة 99 بالمائة.

يقول تشو: “يمكننا تغذية الشبكة بالبيانات الطيفية، ويمكننا الحصول على نوع آخر مختلف تمامًا من البيانات الطيفية، بدقة عالية جدًا، في أقل من دقيقة”.

يقول الفريق أن SpectroGen يمكنه توليد أطياف لأي نوع من المعادن. في بيئة التصنيع، على سبيل المثال، يمكن أولاً مسح المواد ذات الأساس المعدني المستخدمة في صناعة أشباه الموصلات وتقنيات البطاريات بسرعة بواسطة ليزر الأشعة تحت الحمراء. يمكن تغذية الأطياف الناتجة عن هذا المسح بالأشعة تحت الحمراء إلى SpectroGen، والتي ستولد بعد ذلك أطيافًا في الأشعة السينية، والتي يمكن للمشغلين أو منصة الذكاء الاصطناعي متعددة الوكلاء التحقق منها لتقييم جودة المادة.

يقول تاديسي: “أعتقد أن الأمر يتعلق بوجود وكيل أو مساعد طيار، يدعم الباحثين والفنيين وخطوط الأنابيب والصناعة”. “نحن نخطط لتخصيص هذا لاحتياجات الصناعات المختلفة.”

ويستكشف الفريق طرقًا لتكييف أداة الذكاء الاصطناعي لتشخيص الأمراض، ولرصد الزراعة من خلال مشروع قادم تموله جوجل. تعمل Tadesse أيضًا على تطوير التكنولوجيا في هذا المجال من خلال شركة ناشئة جديدة وتتصور جعل SpectroGen متاحًا لمجموعة واسعة من القطاعات، من الأدوية إلى أشباه الموصلات إلى الدفاع.