به گزارش خبرنگار علم و فناوری ایسکانیوز؛ محققان دانشگاه پنسیلوانیا این زبان الکترونیک را توسط هوش مصنوعی تقویت شده ساخته‌اند تا بتواند با تعریف پارامترهای خاص، تغییرات کوچک در مایعات را برای ایمنی و تازگی مواد غذایی را تشخیص دهد.

این زبان الکترونیک می‌تواند تفاوت‌های بسیار ظریف را در مایعات مشابه مانند شیر با سطوح مختلف آب و همچنین انواع محصولات از جمله انواع مختلف نوشابه و مخلوط قهوه را تشخیص دهد. همچنین می‌تواند فساد موجود در آب میوه‌ها و مشکلات احتمالی ایمنی مواد غذایی را تشخیص دهد. این تیم تحقیقاتی متوجه شد که وقتی هوش مصنوعی از معیارهای ارزیابی خود برای تفسیر داده‌های تولید شده توسط زبان الکترونیک استفاده می‌کند، دقتش به صورت قابل توجهی بهبود می‌یابد.

به گفته محققان، زبان الکترونیک می‌تواند برای ایمنی و تولید مواد غذایی و همچنین برای تشخیص پزشکی مفید باشد. سنسور و هوش مصنوعی آن می‌توانند به طور گسترده مواد مختلف را تشخیص دهند و طبقه بندی کنند، در حالی که به طور جمعی کیفیت، اصالت و تازگی مواد مربوطه را ارزیابی می‌کنند.

محققان می‌گویند که این ارزیابی همچنین دیدگاهی را در مورد چگونگی تصمیم گیری هوش مصنوعی ارائه داده است که می‌تواند منجر به توسعه بهتر هوش مصنوعی و برنامه‌های کاربردی شود.

یکی از محققان این تیم پژوهشی می‌گوید: ما در تلاش هستیم تا یک زبان مصنوعی بسازیم، اما روند چگونگی تجربه و تست غذاهای مختلف بیش از زبان است. ما خود زبان داریم و از گیرنده‌های طعم و مزه که با گونه‌های غذایی در تعامل هستند استفاده می‌کنیم و اطلاعات آنها را به یک شبکه عصبی بیولوژیکی در مغزمان می‌فرستیم.

شبیه‌سازی شبکه عصبی درک طعم

قشر چشایی منطقه‌ای از مغز است که مزه‌های مختلفی را فراتر از آنچه می‌توان توسط گیرنده‌های طعم و مزه درک کرد، درک و تفسیر می‌کند و در درجه اول غذاها را از طریق پنج دسته گسترده از شیرین، ترش، تلخ، شور و خوش طعم طبقه‌بندی می‌کند. همانطور که مغز تفاوت‌های ظریف سلیقه‌ها را می‌آموزد، می‌تواند ظرافت طعم دهنده‌ها را بهتر متمایز کند. محققان برای تقلید مصنوعی از قشر چشایی یک شبکه عصبی ایجاد کردند که یک الگوریتم یادگیری ماشین است که مغز انسان را در ارزیابی و درک داده‌ها تقلید می‌کند.

محققان می‌گویند: پیش از این بررسی کرده‌ایم که چگونه مغز به مزه‌های مختلف واکنش نشان می‌دهد و با ادغام مواد مختلف برای تهیه نوعی طرح در مورد چگونگی پردازش هوش مصنوعی اطلاعات بیشتر مانند یک انسان، این روند را تقلید می‌کند.

آنها می‌افزایند: در این پژوهش، چندین ماده شیمیایی را در نظر می‌گیریم تا ببینیم که آیا سنسورها می‌توانند آنها را به طور دقیق تشخیص دهند یا خیر. و علاوه بر این، آیا آنها می‌توانند اختلافات بین غذاهای مشابه را تشخیص دهند یا خیر. در این صورت است که می‌توانند ایمنی مواد غذایی را نیز تشخیص دهند.

این زبان شامل یک ترانزیستور اثر میدان حساس به یون مبتنی بر گرافن یا یک وسیله رسانا است که می‌تواند یون‌های شیمیایی را که به یک شبکه عصبی مصنوعی مرتبط است، در مجموعه داده‌های مختلف مرتبط کند. البته سنسورها غیر کاربردی هستند؛ به این معنی که یک سنسور می‌تواند انواع مختلفی از مواد شیمیایی را تشخیص دهد؛ به جای داشتن سنسور خاص به هر ماده شیمیایی بالقوه. محققان شبکه عصبی را با 20 پارامتر خاص برای ارزیابی فراهم کردند که همه اینها مربوط به نحوه تعامل مایع نمونه با خصوصیات الکتریکی سنسور است. بر اساس این پارامترهای مشخص شده محققان، هوش مصنوعی می‌تواند نمونه‌ها را به طور دقیق تشخیص دهد؛ از جمله شیرهای کم آب، انواع مختلف سدیم، مخلوط قهوه و آبمیوه‌های متعدد در چندین سطح از تازگی. جالب است که بدانید گزارش این فناوری در مورد محتوای مواد غذایی با بیش از ۸۰ درصد دقت در حدود یک دقیقه همراه بوده است.

انتهای پیام/