هوش مصنوعی، دقت در تجزیه و تحلیل نانومواد را بهبود می‌بخشد
- بیشتر بخوانید:ربات‌هایی با پوست فوق‌العاده حساس
- لینک مفید:چگونه هوش مصنوعی می تواند درمان شخصی برای سرطان را ارائه دهد
- بیشتر بدانید:ماسک صورت ساخته شده با هوش مصنوعی که با ورزش و سطوح آلودگی سازگار است
هوش مصنوعی، دقت در تجزیه و تحلیل نانومواد را بهبود می‌بخشد
حوزه نانومواد به سرعت در حال پیشرفت است و این پیشرفت به دلیل کاربردهای متنوع آنها در زمینه‌هایی مانند پزشکی، الکترونیک و علم مواد است. این مواد که معمولاً اندازه‌ای بین ۱ تا ۱۰۰ نانومتر دارند، خواص منحصر به فردی از خود نشان می‌دهند که آنها را در توسعه فناوری‌های جدید بسیار ارزشمند می‌کند.
با این حال، تجزیه و تحلیل دقیق ترکیب شیمیایی آنها به دلیل اندازه بسیار کوچک و پیچیدگی‌های موجود در مطالعه آنها، همچنان یک چالش مهم است. تکنیک‌های سنتی اغلب با مسائلی مانند داده‌های نویزی و سیگنال‌های مختلط دست و پنجه نرم می‌کنند که می‌توانند جزئیات مورد نیاز برای تجزیه و تحلیل دقیق را مبهم کنند. این چالش، نیاز به روش‌های قابل اعتمادتر تجزیه و تحلیل شیمیایی را برجسته می‌کند، به ویژه با توجه به اینکه استفاده از نانومواد همچنان در صنایع مختلف در حال گسترش است.
یکی از روش‌های رایج برای تجزیه و تحلیل نانومواد، طیف‌سنجی پراش انرژی اشعه ایکس (EDX) است که اغلب در ترکیب با میکروسکوپ الکترونی عبوری روبشی استفاده می‌شود. این تکنیک می‌تواند نقشه‌های دقیقی از توزیع عناصر در یک نمونه ایجاد کند و بینش‌های ارزشمندی در مورد ترکیب ماده ارائه دهد. با این حال، دقت EDX می‌تواند توسط نویز، به ویژه هنگام برخورد با چنین اشیاء کوچکی، به خطر بیفتد. داده‌های حاصل می‌توانند دانه‌دانه باشند و سیگنال‌های همپوشانی داشته باشند که تشخیص بین مواد مختلف را دشوار می‌کند و منجر به خطاهای احتمالی در تجزیه و تحلیل می‌شود.
برای پرداختن به این چالش‌ها، محققان از تکنیک‌های مختلفی برای «پاکسازی» داده‌های نویزی تولید شده توسط EDX استفاده کرده‌اند. روش‌ها از فیلترینگ مکانی ساده تا رویکردهای پیشرفته‌تر یادگیری ماشین، مانند تجزیه و تحلیل مؤلفه‌های اصلی، که هدف آن جداسازی نویز از سیگنال‌های واقعی است، متغیر است. در حالی که این روش‌ها تا حدودی وضوح داده‌ها را بهبود بخشیده‌اند، اما دارای مجموعه‌ای از اشکالات خاص خود هستند. به عنوان مثال، آنها می‌توانند مصنوعات ایجاد کنند یا در تشخیص بین سیگنال‌های شیمیایی بسیار مشابه، مشکل داشته باشند که به طور بالقوه منجر به نتایج نادرست می‌شود.
توجه به این محدودیت‌ها، تیمی از دانشمندان EPFL هوی چن، دانکن الکساندر و سیسیل هبرت، یک روش جدید مبتنی بر یادگیری ماشینی را توسعه داده‌اند که برای افزایش وضوح و دقت داده‌های EDX طراحی شده است. این روش که با نام PSNMF شناخته می‌شود، گامی مهم در تجزیه و تحلیل شیمیایی نانومواد است. PSNMF با پالایش داده‌های تولید شده توسط EDX، شناسایی و تعیین کمیت عناصر شیمیایی مختلف در یک نمونه را حتی در حضور نویز قابل توجه آسان‌تر می‌کند.
نوآوری پشت PSNMF در توانایی آن در بهره‌گیری از یک ویژگی خاص داده‌ها به نام نویز پواسون نهفته است. این نوع نویز از ماهیت تصادفی تشخیص فوتون اشعه ایکس در طول تجزیه و تحلیل EDX ناشی می‌شود. هنگامی که یک پرتو الکترونی با نمونه تعامل می‌کند، فوتون‌های اشعه ایکس تولید می‌کند، اما تعداد فوتون‌های شناسایی شده به طور تصادفی تغییر می‌کند و منجر به یک الگوی نویزی می‌شود. با پرداختن به این نویز پواسون، محققان توانستند نسبت سیگنال به نویز را در داده‌های خود به طور قابل توجهی بهبود بخشند، اگرچه این امر در ابتدا به قیمت از دست رفتن وضوح مکانی تمام شد.
اولین گام در فرآیند آنها شامل ترکیب داده‌ها از پیکسل‌های مجاور برای افزایش نسبت سیگنال به نویز در داده‌های طیفی بود. اگرچه این رویکرد وضوح اطلاعات طیفی را بهبود بخشید، اما منجر به از دست رفتن جزئیات مکانی نیز شد و در نتیجه تصاویر تار با پیکسل‌های بزرگتر ایجاد شد. برای مقابله با این مشکل، تیم از تکنیکی به نام فاکتورگیری ماتریس غیرمنفی (NMF) برای مجموعه داده‌های بهبود یافته استفاده کرد. NMF یک روش ریاضی است که یک مجموعه داده بزرگ را به اجزای ساده‌تر و غیرمنفی تجزیه می‌کند و شناسایی الگوها در داده‌ها را آسان‌تر می‌کند. این مرحله به محققان اجازه داد تا داده‌های طیفی واضح‌تری را به دست آورند، اما به قیمت از دست رفتن وضوح مکانی.
با این حال، برای حفظ وضوح مکانی بالای مجموعه داده‌های اصلی، محققان فرآیند NMF را روی داده‌های با وضوح بالای اصلاح نشده تکرار کردند. آنها تجزیه را با استفاده از اجزای طیفی شناسایی شده در مرحله قبل آغاز کردند و به آنها اجازه دادند تا اطلاعات مکانی دقیق را حفظ کنند و در عین حال از وضوح طیفی بهبود یافته نیز بهره‌مند شوند. نتیجه نهایی، یک مجموعه داده با کیفیت بالا بود که هم دقت طیفی بالا و هم وضوح مکانی بالا را با هم ترکیب می‌کرد و تصویری بسیار واضح‌تر و دقیق‌تر از ترکیب نانومواد ارائه می‌داد.
برای اعتبارسنجی اثربخشی PSNMF، محققان روش خود را با استفاده از داده‌های مصنوعی که چالش‌های دنیای واقعی، مانند تجزیه و تحلیل نمونه‌های معدنی تشکیل شده در شرایط سخت را شبیه‌سازی می‌کردند، آزمایش کردند. این آزمایش‌ها نشان داد که PSNMF می‌تواند مواد مختلف را حتی زمانی که در مقادیر بسیار کم وجود دارند، به طور دقیق شناسایی و جدا کند. هنگامی که این روش بر روی نمونه‌های واقعی، از جمله یک نانومعدنی و یک نانوکاتالیست، اعمال شد، مواد همپوشانی را با موفقیت جدا و تعیین مقدار کرد و پتانسیل آن را برای کاربردهای عملی برجسته کرد.
تجزیه و تحلیل دقیق حاصل از PSNMF برای پیشبرد درک و توسعه فناوری‌های جدید مبتنی بر نانوساختارهای پیچیده بسیار مهم است. با افزایش استفاده از نانومواد در زمینه‌های مختلف از الکترونیک پیشرفته گرفته تا دستگاه‌های پزشکی، توانایی توصیف دقیق ترکیب شیمیایی آنها به طور فزاینده‌ای اهمیت می‌یابد. PSNMF نشان‌دهنده پیشرفت قابل توجهی در تجزیه و تحلیل شیمیایی در مقیاس نانو است و ابزاری قدرتمند برای مطالعه و استفاده مؤثرتر از این مواد در اختیار محققان قرار می‌دهد.
با توجه به اینکه نانومواد به طور فزاینده‌ای به بخش جدایی‌ناپذیر فناوری مدرن تبدیل می‌شوند، روش‌هایی مانند PSNMF نقش مهمی در تضمین این امر ایفا می‌کنند که محققان بتوانند به گسترش مرزهای دستاوردهای این مواد ادامه دهند. این پیشرفت در EPFL گامی امیدوارکننده در تلاش مداوم برای درک بهتر و مهار خواص منحصر به فرد نانومواد است و راه‌های جدیدی را برای نوآوری و کشف باز می‌کند.
تاریخ:1404/3/11
مهسانعمتی
