نجح باحثون من جامعة سانتياغو في تشيلي، يعملون في مجال التعلم الآلي، في تطوير طريقة مبتكرة لتحديد المركبات العضوية بناءً على معامل الانكسار عند طول موجي ضوئي واحد
[ترجمة د. موشيه نحماني]
يمكن أن تسمح طريقة الكشف المبتكرة للباحثين بتطوير تطبيقات بحثية وصناعية للتحليل الكيميائي الآلي، والتي ستكون أرخص وأكثر أمانًا وتتطلب خبرة أقل. كجزء من المقال المنشور في المجلة العلمية المرموقة مجلة الكيمياء الفيزيائية أيصف كيف طور الباحثون طريقة إبداعية ومبتكرة تمكنوا من خلالها من الحصول على مجموعة فريدة من البيانات والخطوات التي استخدموها لتطوير كاشف للتعرف على المركبات العضوية.
يتم "تعزيز" التعلم الآلي بمساعدة قواعد البيانات المتاحة للجمهور للتجارب البصرية السابقة المنشورة في الأدبيات العلمية منذ الأربعينيات. في قواعد البيانات هذه، وجد الباحثون جميع المؤشرات التي يحتاجونها لإعداد مصفوفات الكشف عن 61 جزيءًا عضويًا: سرعة المجموعة وسرعة المجموعة التشتت، نطاق الأطوال الموجية المقاسة والحالة المادية للعينات، مؤشرات الانكسار، معاملات الامتصاص، مجموعة واسعة من الأطوال الموجية وأكثر من ذلك. وفي المجمل تم الحصول على حوالي مائتي ألف منحنيات معاملات الانكسار والامتصاص لـ 61 مركبًا وبوليمرات عضوية. في كاشف الكشف التقليدي في مجال الأشعة تحت الحمراء، يتم تحديد هوية الجزيء عن طريق امتصاص تشتت رامان، مما يؤدي إلى إنشاء "بصمة" فريدة من المؤشرات المجمعة المقابلة لقاعدة بيانات معينة. معامل الانكسار للمركبات العضوية هو عنصر أحادي التكافؤ لا يحتوي على نفس المعلومات المشفرة. وينطبق الشيء نفسه على بيانات معامل الانكسار التي تكون أطوالها الموجية بعيدة عن نطاق امتصاص الأشعة فوق البنفسجية والأشعة تحت الحمراء، وهو ما قد يفسر عدم استخدام نطاق الضوء المرئي (الأطوال الموجية بين 380 و750 نانومتر) حتى الآن لتحديد المركبات العضوية.
أدت الاختبارات الأولية للبيانات الأولية إلى مستوى دقة يصل إلى ثمانين بالمائة، وحاول الباحثون زيادة نسب الدقة هذه. لم يكن الهدف من قاعدة البيانات الأصلية هو التحسين بمساعدة التعلم الآلي، حيث أن معظمها جاء من الدراسات التي أجريت حتى قبل اختراع أول كمبيوتر منزلي. وكان هناك قدر كبير من المعلومات المتعلقة بالأطوال الموجية في المجالات فوق البنفسجية والأشعة تحت الحمراء، والتي تمكن الذكاء الاصطناعي من معالجتها. عند هذه النقطة قرر الباحثون اتباع نهج أكثر تركيزًا.
قرر الباحثون تنفيذ العديد من أساليب معالجة البيانات من أجل محاكاة بيئة تعليمية أكثر مثالية للذكاء الاصطناعي. وكان الهدف هو إنشاء مجموعة بيانات متوازنة بحيث لا يعطي الذكاء الاصطناعي وزنا زائدا لمؤشرات معينة على حساب مؤشرات أخرى، فقط بسبب حجم المعلومات المتعلقة بها. استخدم الباحثون أساليب أخذ العينات الناقص، والإفراط في أخذ العينات، والتكبير المادي من أجل تقليل تأثير الأطوال الموجية في نطاق الأشعة تحت الحمراء ضمن المجموعة الشاملة لجمع البيانات، عمليًا. ومن خلال تدريب الآلة على البيانات المتوازنة، قبل معالجتها، تمكن الباحثون من تحقيق مستوى دقة يزيد عن ثمانية وتسعين بالمائة فيما يتعلق بتحديد الجزيئات الصحيحة في نطاق الضوء المرئي.
ويشير الباحثون إلى أن هناك حاجة إلى مزيد من البحث من أجل التوسع والحصول على طريقة تعريف أكثر عمومية من أجل توصيف المؤشرات الهيكلية والكيميائية الأخرى للجزيئات الموجودة في قاعدة بيانات معامل الانكسار. وفي الختام، قرر الباحثون أن دراستهم تمثل نقطة انطلاق جيدة لتطوير أجهزة الكشف الكيميائية التي يتم التحكم فيها عن بعد.
المزيد عن الموضوع على موقع العلوم:
