Daha iyi pillerin, daha hızlı elektroniklerin ve daha etkili ilaçların üretilmesi, yeni malzemelerin keşfedilmesine ve bunların kalitesinin doğrulanmasına bağlıdır. Yapay zeka, gelecek vaat eden adayları hızlı bir şekilde etiketlemek için malzeme kataloglarını tarayan araçlarla birincisine yardımcı oluyor.
Ancak bir malzeme üretildiğinde kalitesinin doğrulanması yine de performansının doğrulanması için özel araçlarla taranmasını gerektirir; bu da yeni teknolojilerin geliştirilmesini ve dağıtılmasını geciktirebilecek pahalı ve zaman alıcı bir adımdır.
Artık MIT mühendisleri tarafından geliştirilen yeni bir yapay zeka aracı, kalite kontrol darboğazının giderilmesine yardımcı olabilir ve bazı malzeme odaklı endüstriler için daha hızlı ve daha ucuz bir seçenek sunabilir.
Bugün dergide yayınlanan bir çalışmada KonuAraştırmacılar, sanal bir spektrometre görevi görerek tarama yeteneklerini artıran üretken bir yapay zeka aracı olan “SpectroGen”i sunuyor. Araç, kızılötesi gibi bir tarama yöntemiyle bir malzemenin “spektrasını” veya ölçümlerini alır ve X-ışını gibi tamamen farklı bir yöntemle taransaydı malzemenin spektrumunun nasıl görüneceğini üretir.
Yapay zeka tarafından oluşturulan spektral sonuçlar, malzemenin yeni cihazla fiziksel olarak taranmasından elde edilen sonuçlarla %99 doğrulukla eşleşiyor.
Belirli spektroskopik yöntemler bir malzemedeki belirli özellikleri ortaya çıkarır: Kızılötesi bir malzemenin moleküler gruplarını ortaya çıkarırken, X-ışını kırınımı malzemenin kristal yapılarını görselleştirir ve Raman saçılması bir malzemenin moleküler titreşimlerini aydınlatır. Bu özelliklerin her biri bir malzemenin kalitesinin ölçülmesinde önemlidir ve genellikle ölçümün yapılması birden fazla pahalı ve farklı cihaz üzerinde sıkıcı iş akışları gerektirir.
SpectroGen ile araştırmacılar, tek ve daha ucuz bir fiziksel kapsam kullanılarak çeşitli ölçümlerin yapılabileceğini öngörüyor. Örneğin bir üretim hattı, malzemeleri tek bir kızılötesi kamerayla tarayarak kalite kontrolünü gerçekleştirebilir. Bu kızılötesi spektrumlar daha sonra, fabrikanın ayrı, genellikle daha pahalı bir X-ışını tarama laboratuvarına ev sahipliği yapmasına ve işletmesine gerek kalmadan, malzemenin X-ışını spektrumlarını otomatik olarak oluşturmak için SpectroGen’e beslenebiliyordu.
Yeni yapay zeka aracı, ölçülmesi ve doğrulanması birkaç saatten birkaç güne kadar sürebilen geleneksel yaklaşımlara kıyasla bin kat daha hızlı bir şekilde spektrumları bir dakikadan daha kısa sürede üretiyor.
MIT’de makine mühendisliği yardımcı doçenti olan çalışmanın ortak yazarı Loza Tadesse, “Fiziksel ölçümleri ihtiyacınız olan tüm yöntemlerde yapmak zorunda olmadığınızı, belki de yalnızca tek, basit ve ucuz bir yöntemle yapmanız gerektiğini düşünüyoruz” diyor. “Sonra geri kalanını oluşturmak için SpectroGen’i kullanabilirsiniz. Bu da üretkenliği, verimliliği ve üretim kalitesini artırabilir.”
Araştırmanın başyazarı eski MIT doktora sonrası araştırmacısı Yanmin Zhu’dur.
Tahvillerin ötesinde
Tadesse’nin MIT’deki disiplinlerarası grubu, hızlı hastalık teşhislerinden sürdürülebilir tarıma kadar çeşitli uygulamalar için yenilikler geliştirerek insan ve gezegen sağlığını geliştiren teknolojilere öncülük ediyor.
Tadesse, “Hastalıkların teşhisi ve genel olarak malzeme analizi, genellikle numunelerin taranmasını ve farklı yöntemlerde spektrumların toplanmasını içerir; bu, hantal ve pahalı olan ve hepsini tek bir laboratuvarda bulamayacağınız farklı cihazlarla yapılır” diyor. “Böylece tüm bu ekipmanı nasıl minyatürleştireceğimiz ve deneysel boru hattını nasıl düzene koyacağımız konusunda beyin fırtınası yapıyorduk.”
Zhu, yeni materyallerin ve ilaç adaylarının keşfedilmesinde üretken yapay zeka araçlarının kullanımının giderek arttığına dikkat çekti ve yapay zekanın spektral veriler üretmek için de kullanılıp kullanılamayacağını merak etti. Başka bir deyişle yapay zeka sanal bir spektrometre görevi görebilir mi?
Spektroskop, malzemeye belirli bir dalga boyundaki ışığı göndererek malzemenin özelliklerini araştırır. Bu ışık, malzemedeki moleküler bağların, ışığın bir dalga deseni veya spektrumu olarak kaydedildiği ve daha sonra malzemenin yapısının bir imzası olarak okunabileceği kapsama alanına geri saçılmasını sağlayacak şekilde titreşmesine neden olur.
Yapay zekanın spektral veri üretmesi için geleneksel yaklaşım, bir malzemedeki fiziksel atomlar ve özellikler arasındaki bağlantıları ve bunların ürettikleri spektrumları tanıyacak bir algoritmanın eğitilmesini içerecektir. Tadesse, tek bir malzemedeki moleküler yapıların karmaşıklığı göz önüne alındığında, böyle bir yaklaşımın hızla kontrol edilemez hale gelebileceğini söylüyor.
“Bunu tek bir malzeme için bile yapmak imkansız” diyor. “Peki, spektrumları yorumlamanın başka bir yolu var mı diye düşündük?”
Ekip matematikle bir cevap buldu. Bir dizi dalga formu olan spektral bir modelin matematiksel olarak temsil edilebileceğini fark ettiler. Örneğin, bir dizi çan eğrisi içeren bir spektrum, belirli bir matematiksel ifadeyle ilişkilendirilen “Gauss” dağılımı olarak bilinir ve ayrı, farklı bir algoritmayla tanımlanan “Lorentz” dağılımı olarak bilinen bir dizi daha dar dalgayla karşılaştırıldığında.
Ve ortaya çıktığı gibi, çoğu malzeme için kızılötesi spektrumlar karakteristik olarak daha fazla Lorentzian dalga formu içerirken, Raman spektrumları daha Gaussian’dır ve X-ışını spektrumları bu ikisinin bir karışımıdır.
Tadesse ve Zhu, spektral verilerin bu matematiksel yorumunu bir algoritmaya dönüştürerek daha sonra üretken bir yapay zeka modeline dahil ettiler.
Tadesse, “Bu, spektrumların ne olduğunu anlayan, fizik konusunda bilgili, üretken bir yapay zeka” diyor. “Ve en önemli yenilik, spektrumları kimyasallardan ve bağlardan nasıl geldiğine göre değil, aslında bir yapay zeka aracının anlayıp yorumlayabileceği matematik eğrileri ve grafikler olduğu şeklinde yorumladık.”
Veri yardımcı pilotu
Ekip, SpectroGen AI aracını 6.000’den fazla mineral örneğinden oluşan geniş, halka açık bir veri kümesi üzerinde gösterdi. Her numune, mineralin elementel bileşimi ve kristal yapısı gibi özelliklerine ilişkin bilgileri içerir. Veri kümesindeki birçok örnek aynı zamanda X-ışını, Raman ve kızılötesi gibi farklı modalitelerdeki spektral verileri de içerir.
Ekip, bir mineralin farklı spektral modaliteleri arasındaki korelasyonları öğrenmek için sinir ağı olarak da bilinen yapay zeka aracını eğiten bir süreçte bu örneklerden birkaç yüz tanesini SpectroGen’e besledi. Bu eğitim, SpectroGen’in kızılötesi gibi tek bir yöntemle bir malzemenin spektrumunu almasını ve X-ışını gibi tamamen farklı bir yöntemle bir spektrumun nasıl görünmesi gerektiğini oluşturmasını sağladı.
Yapay zeka aracını eğittikten sonra araştırmacılar, eğitim sürecine dahil olmayan veri setindeki bir mineralden SpectroGen spektrumlarını beslediler. Araçtan, bu “yeni” spektruma dayalı olarak farklı bir yöntemle bir spektrum oluşturmasını istediler. Yapay zeka tarafından üretilen spektrumların, mineralin orijinal olarak fiziksel bir aletle kaydedilen gerçek spektrumlarına yakın bir eşleşme olduğunu buldular. Araştırmacılar bir dizi başka mineralle de benzer testler gerçekleştirdi ve yapay zeka aracının %99 korelasyonla hızlı bir şekilde spektrum oluşturduğunu buldu.
Zhu, “Spektral verileri ağa besleyebiliyoruz ve çok yüksek doğrulukla, tamamen farklı türden başka bir spektral veriyi bir dakikadan kısa sürede elde edebiliyoruz” diyor.
Ekip, SpectroGen’in her türlü mineral için spektrum oluşturabildiğini söylüyor. Örneğin bir üretim ortamında, yarı iletkenler ve pil teknolojileri yapımında kullanılan mineral bazlı malzemeler ilk önce kızılötesi lazerle hızlı bir şekilde taranabilir. Bu kızılötesi taramadan elde edilen spektrumlar SpectroGen’e beslenebilir ve bu daha sonra X-ray’de bir spektrum oluşturabilir ve bu spektrumlar, operatörlerin veya çok aracılı bir yapay zeka platformunun malzemenin kalitesini değerlendirmek için kontrol edebilir.
Tadesse, “Bunu araştırmacıları, teknisyenleri, boru hatlarını ve endüstriyi destekleyen bir temsilci veya yardımcı pilota sahip olmak olarak düşünüyorum” diyor. “Bunu farklı endüstrilerin ihtiyaçlarına göre özelleştirmeyi planlıyoruz.”
Ekip, yaklaşan bir proje aracılığıyla yapay zeka aracını hastalık teşhisi ve tarımsal izleme için uyarlamanın yollarını araştırıyor. Tadesse ayrıca yeni bir girişim aracılığıyla teknolojiyi sahaya taşıyor ve SpectroGen’i ilaçtan yarı iletkenlere ve savunmaya kadar geniş bir sektör yelpazesi için kullanılabilir hale getirmeyi öngörüyor.
