به گزارش ایسنا، این مطالعه که در مجله نیچر منتشر شده است، ترکیبی از دو فناوری پیشرفته است. این گروه از حسگرهای ساخته شده از گرافن استفاده کردند که شکل فوق‌العاده نازکی از کربن است که فقط یک اتم ضخامت دارد و الکتریسیته را به خوبی هدایت می‌کند. آنها این حسگرها را با هوش مصنوعی ترکیب کردند که می‌تواند الگوها را یاد بگیرد. با هم، سیستمی ایجاد شد که در تشخیص تفاوت‌های کوچک بین مایعات مشابه بسیار خوب عمل می‌کند.
به نقل از اس‌اف، این سیستم طعم و مزه را می‌چشد و آن را پردازش می‌کند. همانطور که زبان ما گیرنده‌های چشایی دارد که سیگنال‌ها را به قشر چشایی مغز ما می‌فرستد، این زبان الکترونیکی از حسگرهایی استفاده می‌کند که سیگنال‌های الکتریکی را به یک شبکه عصبی مصنوعی می‌فرستد که داده‌ها را تجزیه و تحلیل می‌کند.
آزمایش مواد غذایی سنتی به تجهیزات آزمایشگاهی گران قیمت و تجزیه و تحلیل زمان بر نیاز دارد. با این حال، این سیستم جدید می‌تواند مواد مختلف را شناسایی کرده و کیفیت، اصالت و تازگی آنها را در عرض یک دقیقه ارزیابی کند. حسگرها مانند جوانه‌های چشایی الکترونیکی عمل می‌کنند و سیگنال‌های الکتریکی تولید می‌کنند که وقتی در معرض محلول‌های شیمیایی مختلف قرار می‌گیرند تغییر می‌کنند.
آن چه که این سیستم را خاص می‌کند، توانایی آن در یادگیری و بهبود مهارت‌های انسانی‌اش است. وقتی محققان به هوش مصنوعی اجازه دادند به جای استفاده از معیارهای انتخاب شده توسط انسان، پارامترهای خود را برای تجزیه و تحلیل تعریف کند، دقت ابزار از ۸۰ درصد به بیش از ۹۵ درصد افزایش یافت.
نویسنده این مطالعه می‌گوید: ما متوجه شدیم که شبکه به ویژگی‌های ظریف‌تری در داده‌ها نگاه می‌کند. در مورد شیر، شبکه عصبی می‌تواند محتوای متغیر آب شیر را تعیین کند و در آن زمینه، تعیین کند که آیا هر یک از شاخص‌های تخریب به اندازه کافی معنادار هستند که به عنوان یک مشکل ایمنی در غذا در نظر گرفته شوند یا خیر.
این سیستم در تشخیص شیر کم‌آب در غلظت‌های کمتر از پنج درصد، و تمایز بین انواع مختلف مخلوط‌های قهوه و ردیابی تازگی آب میوه در طی چند روز به‌طور قابل‌توجهی مؤثر بود. در یک نمایش چشمگیر، بین محصولات مشابه مانند کوکاکولا معمولی، کوکای رژیمی، پپسی، کوکای بدون کافئین و کوکای بدون شکر با دقت بیش از ۹۷ درصد تفاوت قائل شد.
آنچه شگفت انگیز است این است که این سیستم برای عملکرد خوب به حسگرهای کاملا یکسان نیاز ندارد. هوش مصنوعی به اندازه‌ای هوشمند است که تفاوت‌های کوچک بین حسگرها را تنظیم کند. این دقیقا مانند مغز ما است که می‌تواند با تغییرات جزئی در جوانه‌های چشایی سازگار شود. این باعث می‌شود که این فناوری برای تولید در مقادیر زیاد بسیار مقرون به صرفه‌تر باشد، زیرا تولیدکنندگان نیازی به نگرانی در مورد ساخت هر حسگر دقیقا یکسان ندارند.
این سیستم در تشخیص مواد شیمیایی مضر در غذا و آب بسیار حساس است. برای در نظر گرفتن این موضوع، می‌توان یک ترکیب بالقوه خطرناک به نام اسید پرفلوئوروهگزانوئیک را در سطوحی معادل تشخیص یک قطره در یک استخر شنای المپیک پیدا کند که ۲.۵ قسمت در یک میلیارد است. این توانایی تشخیص فوق العاده حساس می‌تواند به بررسی غذا و آب آلوده قبل از رسیدن به دست مصرف کنندگان کمک کند.
اگرچه این نتایج بسیار فراتر از آزمایش مواد غذایی است. به گفته محققان، کاربردهای آن می‌تواند به طور بالقوه شامل تشخیص در حوزه پزشکی نیز بشود. زیرا قابلیت‌های آن تنها با داده‌های مورد استفاده برای آموزش آن محدود می‌شوند.
این زبان الکترونیکی نشان دهنده گامی مهم در جهت قابل دسترس‌تر و قابل اطمینان‌تر کردن آزمایشات شیمیایی پیچیده است.
انتهای پیام
به گزارش ایسنا، این مطالعه که در مجله نیچر منتشر شده است، ترکیبی از دو فناوری پیشرفته است. این گروه از حسگرهای ساخته شده از گرافن استفاده کردند که شکل فوق‌العاده نازکی از کربن است که فقط یک اتم ضخامت دارد و الکتریسیته را به خوبی هدایت می‌کند. آنها این حسگرها را با هوش مصنوعی ترکیب کردند که می‌تواند الگوها را یاد بگیرد. با هم، سیستمی ایجاد شد که در تشخیص تفاوت‌های کوچک بین مایعات مشابه بسیار خوب عمل می‌کند.
به نقل از اس‌اف، این سیستم طعم و مزه را می‌چشد و آن را پردازش می‌کند. همانطور که زبان ما گیرنده‌های چشایی دارد که سیگنال‌ها را به قشر چشایی مغز ما می‌فرستد، این زبان الکترونیکی از حسگرهایی استفاده می‌کند که سیگنال‌های الکتریکی را به یک شبکه عصبی مصنوعی می‌فرستد که داده‌ها را تجزیه و تحلیل می‌کند.
آزمایش مواد غذایی سنتی به تجهیزات آزمایشگاهی گران قیمت و تجزیه و تحلیل زمان بر نیاز دارد. با این حال، این سیستم جدید می‌تواند مواد مختلف را شناسایی کرده و کیفیت، اصالت و تازگی آنها را در عرض یک دقیقه ارزیابی کند. حسگرها مانند جوانه‌های چشایی الکترونیکی عمل می‌کنند و سیگنال‌های الکتریکی تولید می‌کنند که وقتی در معرض محلول‌های شیمیایی مختلف قرار می‌گیرند تغییر می‌کنند.
آن چه که این سیستم را خاص می‌کند، توانایی آن در یادگیری و بهبود مهارت‌های انسانی‌اش است. وقتی محققان به هوش مصنوعی اجازه دادند به جای استفاده از معیارهای انتخاب شده توسط انسان، پارامترهای خود را برای تجزیه و تحلیل تعریف کند، دقت ابزار از ۸۰ درصد به بیش از ۹۵ درصد افزایش یافت.
نویسنده این مطالعه می‌گوید: ما متوجه شدیم که شبکه به ویژگی‌های ظریف‌تری در داده‌ها نگاه می‌کند. در مورد شیر، شبکه عصبی می‌تواند محتوای متغیر آب شیر را تعیین کند و در آن زمینه، تعیین کند که آیا هر یک از شاخص‌های تخریب به اندازه کافی معنادار هستند که به عنوان یک مشکل ایمنی در غذا در نظر گرفته شوند یا خیر.
این سیستم در تشخیص شیر کم‌آب در غلظت‌های کمتر از پنج درصد، و تمایز بین انواع مختلف مخلوط‌های قهوه و ردیابی تازگی آب میوه در طی چند روز به‌طور قابل‌توجهی مؤثر بود. در یک نمایش چشمگیر، بین محصولات مشابه مانند کوکاکولا معمولی، کوکای رژیمی، پپسی، کوکای بدون کافئین و کوکای بدون شکر با دقت بیش از ۹۷ درصد تفاوت قائل شد.
آنچه شگفت انگیز است این است که این سیستم برای عملکرد خوب به حسگرهای کاملا یکسان نیاز ندارد. هوش مصنوعی به اندازه‌ای هوشمند است که تفاوت‌های کوچک بین حسگرها را تنظیم کند. این دقیقا مانند مغز ما است که می‌تواند با تغییرات جزئی در جوانه‌های چشایی سازگار شود. این باعث می‌شود که این فناوری برای تولید در مقادیر زیاد بسیار مقرون به صرفه‌تر باشد، زیرا تولیدکنندگان نیازی به نگرانی در مورد ساخت هر حسگر دقیقا یکسان ندارند.
این سیستم در تشخیص مواد شیمیایی مضر در غذا و آب بسیار حساس است. برای در نظر گرفتن این موضوع، می‌توان یک ترکیب بالقوه خطرناک به نام اسید پرفلوئوروهگزانوئیک را در سطوحی معادل تشخیص یک قطره در یک استخر شنای المپیک پیدا کند که ۲.۵ قسمت در یک میلیارد است. این توانایی تشخیص فوق العاده حساس می‌تواند به بررسی غذا و آب آلوده قبل از رسیدن به دست مصرف کنندگان کمک کند.
اگرچه این نتایج بسیار فراتر از آزمایش مواد غذایی است. به گفته محققان، کاربردهای آن می‌تواند به طور بالقوه شامل تشخیص در حوزه پزشکی نیز بشود. زیرا قابلیت‌های آن تنها با داده‌های مورد استفاده برای آموزش آن محدود می‌شوند.
این زبان الکترونیکی نشان دهنده گامی مهم در جهت قابل دسترس‌تر و قابل اطمینان‌تر کردن آزمایشات شیمیایی پیچیده است.
انتهای پیام
به گزارش ایسنا، این مطالعه که در مجله نیچر منتشر شده است، ترکیبی از دو فناوری پیشرفته است. این گروه از حسگرهای ساخته شده از گرافن استفاده کردند که شکل فوق‌العاده نازکی از کربن است که فقط یک اتم ضخامت دارد و الکتریسیته را به خوبی هدایت می‌کند. آنها این حسگرها را با هوش مصنوعی ترکیب کردند که می‌تواند الگوها را یاد بگیرد. با هم، سیستمی ایجاد شد که در تشخیص تفاوت‌های کوچک بین مایعات مشابه بسیار خوب عمل می‌کند.
به نقل از اس‌اف، این سیستم طعم و مزه را می‌چشد و آن را پردازش می‌کند. همانطور که زبان ما گیرنده‌های چشایی دارد که سیگنال‌ها را به قشر چشایی مغز ما می‌فرستد، این زبان الکترونیکی از حسگرهایی استفاده می‌کند که سیگنال‌های الکتریکی را به یک شبکه عصبی مصنوعی می‌فرستد که داده‌ها را تجزیه و تحلیل می‌کند.
آزمایش مواد غذایی سنتی به تجهیزات آزمایشگاهی گران قیمت و تجزیه و تحلیل زمان بر نیاز دارد. با این حال، این سیستم جدید می‌تواند مواد مختلف را شناسایی کرده و کیفیت، اصالت و تازگی آنها را در عرض یک دقیقه ارزیابی کند. حسگرها مانند جوانه‌های چشایی الکترونیکی عمل می‌کنند و سیگنال‌های الکتریکی تولید می‌کنند که وقتی در معرض محلول‌های شیمیایی مختلف قرار می‌گیرند تغییر می‌کنند.
آن چه که این سیستم را خاص می‌کند، توانایی آن در یادگیری و بهبود مهارت‌های انسانی‌اش است. وقتی محققان به هوش مصنوعی اجازه دادند به جای استفاده از معیارهای انتخاب شده توسط انسان، پارامترهای خود را برای تجزیه و تحلیل تعریف کند، دقت ابزار از ۸۰ درصد به بیش از ۹۵ درصد افزایش یافت.
نویسنده این مطالعه می‌گوید: ما متوجه شدیم که شبکه به ویژگی‌های ظریف‌تری در داده‌ها نگاه می‌کند. در مورد شیر، شبکه عصبی می‌تواند محتوای متغیر آب شیر را تعیین کند و در آن زمینه، تعیین کند که آیا هر یک از شاخص‌های تخریب به اندازه کافی معنادار هستند که به عنوان یک مشکل ایمنی در غذا در نظر گرفته شوند یا خیر.
این سیستم در تشخیص شیر کم‌آب در غلظت‌های کمتر از پنج درصد، و تمایز بین انواع مختلف مخلوط‌های قهوه و ردیابی تازگی آب میوه در طی چند روز به‌طور قابل‌توجهی مؤثر بود. در یک نمایش چشمگیر، بین محصولات مشابه مانند کوکاکولا معمولی، کوکای رژیمی، پپسی، کوکای بدون کافئین و کوکای بدون شکر با دقت بیش از ۹۷ درصد تفاوت قائل شد.
آنچه شگفت انگیز است این است که این سیستم برای عملکرد خوب به حسگرهای کاملا یکسان نیاز ندارد. هوش مصنوعی به اندازه‌ای هوشمند است که تفاوت‌های کوچک بین حسگرها را تنظیم کند. این دقیقا مانند مغز ما است که می‌تواند با تغییرات جزئی در جوانه‌های چشایی سازگار شود. این باعث می‌شود که این فناوری برای تولید در مقادیر زیاد بسیار مقرون به صرفه‌تر باشد، زیرا تولیدکنندگان نیازی به نگرانی در مورد ساخت هر حسگر دقیقا یکسان ندارند.
این سیستم در تشخیص مواد شیمیایی مضر در غذا و آب بسیار حساس است. برای در نظر گرفتن این موضوع، می‌توان یک ترکیب بالقوه خطرناک به نام اسید پرفلوئوروهگزانوئیک را در سطوحی معادل تشخیص یک قطره در یک استخر شنای المپیک پیدا کند که ۲.۵ قسمت در یک میلیارد است. این توانایی تشخیص فوق العاده حساس می‌تواند به بررسی غذا و آب آلوده قبل از رسیدن به دست مصرف کنندگان کمک کند.
اگرچه این نتایج بسیار فراتر از آزمایش مواد غذایی است. به گفته محققان، کاربردهای آن می‌تواند به طور بالقوه شامل تشخیص در حوزه پزشکی نیز بشود. زیرا قابلیت‌های آن تنها با داده‌های مورد استفاده برای آموزش آن محدود می‌شوند.
این زبان الکترونیکی نشان دهنده گامی مهم در جهت قابل دسترس‌تر و قابل اطمینان‌تر کردن آزمایشات شیمیایی پیچیده است.
انتهای پیام
به گزارش ایسنا، این مطالعه که در مجله نیچر منتشر شده است، ترکیبی از دو فناوری پیشرفته است. این گروه از حسگرهای ساخته شده از گرافن استفاده کردند که شکل فوق‌العاده نازکی از کربن است که فقط یک اتم ضخامت دارد و الکتریسیته را به خوبی هدایت می‌کند. آنها این حسگرها را با هوش مصنوعی ترکیب کردند که می‌تواند الگوها را یاد بگیرد. با هم، سیستمی ایجاد شد که در تشخیص تفاوت‌های کوچک بین مایعات مشابه بسیار خوب عمل می‌کند.
به نقل از اس‌اف، این سیستم طعم و مزه را می‌چشد و آن را پردازش می‌کند. همانطور که زبان ما گیرنده‌های چشایی دارد که سیگنال‌ها را به قشر چشایی مغز ما می‌فرستد، این زبان الکترونیکی از حسگرهایی استفاده می‌کند که سیگنال‌های الکتریکی را به یک شبکه عصبی مصنوعی می‌فرستد که داده‌ها را تجزیه و تحلیل می‌کند.
آزمایش مواد غذایی سنتی به تجهیزات آزمایشگاهی گران قیمت و تجزیه و تحلیل زمان بر نیاز دارد. با این حال، این سیستم جدید می‌تواند مواد مختلف را شناسایی کرده و کیفیت، اصالت و تازگی آنها را در عرض یک دقیقه ارزیابی کند. حسگرها مانند جوانه‌های چشایی الکترونیکی عمل می‌کنند و سیگنال‌های الکتریکی تولید می‌کنند که وقتی در معرض محلول‌های شیمیایی مختلف قرار می‌گیرند تغییر می‌کنند.
آن چه که این سیستم را خاص می‌کند، توانایی آن در یادگیری و بهبود مهارت‌های انسانی‌اش است. وقتی محققان به هوش مصنوعی اجازه دادند به جای استفاده از معیارهای انتخاب شده توسط انسان، پارامترهای خود را برای تجزیه و تحلیل تعریف کند، دقت ابزار از ۸۰ درصد به بیش از ۹۵ درصد افزایش یافت.
نویسنده این مطالعه می‌گوید: ما متوجه شدیم که شبکه به ویژگی‌های ظریف‌تری در داده‌ها نگاه می‌کند. در مورد شیر، شبکه عصبی می‌تواند محتوای متغیر آب شیر را تعیین کند و در آن زمینه، تعیین کند که آیا هر یک از شاخص‌های تخریب به اندازه کافی معنادار هستند که به عنوان یک مشکل ایمنی در غذا در نظر گرفته شوند یا خیر.
این سیستم در تشخیص شیر کم‌آب در غلظت‌های کمتر از پنج درصد، و تمایز بین انواع مختلف مخلوط‌های قهوه و ردیابی تازگی آب میوه در طی چند روز به‌طور قابل‌توجهی مؤثر بود. در یک نمایش چشمگیر، بین محصولات مشابه مانند کوکاکولا معمولی، کوکای رژیمی، پپسی، کوکای بدون کافئین و کوکای بدون شکر با دقت بیش از ۹۷ درصد تفاوت قائل شد.
آنچه شگفت انگیز است این است که این سیستم برای عملکرد خوب به حسگرهای کاملا یکسان نیاز ندارد. هوش مصنوعی به اندازه‌ای هوشمند است که تفاوت‌های کوچک بین حسگرها را تنظیم کند. این دقیقا مانند مغز ما است که می‌تواند با تغییرات جزئی در جوانه‌های چشایی سازگار شود. این باعث می‌شود که این فناوری برای تولید در مقادیر زیاد بسیار مقرون به صرفه‌تر باشد، زیرا تولیدکنندگان نیازی به نگرانی در مورد ساخت هر حسگر دقیقا یکسان ندارند.
این سیستم در تشخیص مواد شیمیایی مضر در غذا و آب بسیار حساس است. برای در نظر گرفتن این موضوع، می‌توان یک ترکیب بالقوه خطرناک به نام اسید پرفلوئوروهگزانوئیک را در سطوحی معادل تشخیص یک قطره در یک استخر شنای المپیک پیدا کند که ۲.۵ قسمت در یک میلیارد است. این توانایی تشخیص فوق العاده حساس می‌تواند به بررسی غذا و آب آلوده قبل از رسیدن به دست مصرف کنندگان کمک کند.
اگرچه این نتایج بسیار فراتر از آزمایش مواد غذایی است. به گفته محققان، کاربردهای آن می‌تواند به طور بالقوه شامل تشخیص در حوزه پزشکی نیز بشود. زیرا قابلیت‌های آن تنها با داده‌های مورد استفاده برای آموزش آن محدود می‌شوند.
این زبان الکترونیکی نشان دهنده گامی مهم در جهت قابل دسترس‌تر و قابل اطمینان‌تر کردن آزمایشات شیمیایی پیچیده است.
انتهای پیام
