חוקרים מאוניברסיטת סנטיאגו בצ’ילה, העובדים בתחום של למידת מכונה, הצליחו לפתח שיטה חדשנית לזיהוי תרכובות אורגניות המבוססת על מקדם השבירה באורך גל אופטי יחיד
[תרגום מאת ד”ר משה נחמני]
שיטת הזיהוי החדשנית תוכל לאפשר לחוקרים לפתח יישומים מחקריים ותעשייתיים עבור ניתוח כימי אוטומטי שיהיה זול יותר, בטוח יותר וכזה המחייב פחות מקצועיות. במסגרת המאמר, שפורסם בכתב העת המדעי היוקרתי Journal of Physical Chemistry A, מתאר כיצד החוקרים פיתחו שיטה יצירתית וחדשנית שבאמצעותה הם הצליחו לקבל אוסף נתונים ייחודיים ואת השלבים שבהם הם השתמשו על מנת לפתח גלאי לזיהוי תרכובות אורגניות.
למידת מכונה “אומנה” בעזרת מאגרי נתונים זמינים לציבור של ניסויים אופטיים בעבר שפורסמו בספרות המדעית החל משנות הארבעים של המאה הקודמת. במאגרים אלו החוקרים מצאו את כל המדדים שנדרשו להם על מנת להכין מערכי זיהוי של 61 מולקולות אורגניות: מהירות הקבוצה (group velocity) ופיזור מהירות הקבוצה (group velocity dispersion), טווח אורכי הגל הנמדדים ומצב החומר של הדגימות, מקדמי שבירה, מקדמי בליעה על פני טווח נרחב של אורכי גל ועוד. בסך הכל, התקבלו כמאתיים אלפים עקומות של מקדמי השבירה והבליעה של 61 תרכובות ופולימרים אורגניים. בגלאי זיהוי רגיל בתחום של קרינת תת-אדום, זהות המולקולה נקבעת על ידי הבליעות של פיזור ראמאן, תוך יצירת “טביעת אצבע” ייחודית של מדדים משולבים המתאימים למאגר נתונים נתון. מקדם השבירה של תרכובות אורגניות מהווה יסוד חד-חד ערכי שאינו בעל מידע מוצפן זהה. הדבר נכון גם באשר לנתוני מקדמי שבירה שאורכי הגל שלהם רחוקים מתחום הבליעה של קרינת על-סגול וקרינת תת-אדום, מה שאולי מסביר מדוע התחום של האור הנראה (אורכי הגל שבין 380 ל-750 ננומטר) לא שימש עד כה לזיהוי תרכובות אורגניות.
מבדקים ראשוניים עם הנתונים הגולמיים הובילו לרמת דיוק של שמונים אחוזים, והחוקרים ניסו להגביר את אחוזי הדיוק הללו. מאגר הנתונים המקורי לא היה מיועד לאופטימיזציה בעזרת למידת מכונה, מאחר ורובו הגיע ממחקרים שנערכו עוד לפני המצאתו של המחשב הביתי הראשון. היתה שם כמות כבירה של מידע באשר לאורכי גל בתחומי העל-סגול והתת-אדום, שאותם הבינה המלאכותית הצליחה לעבד. בשלב זה החוקרים החליטו לנקוט בגישה ממוקדת יותר.
החוקרים החליטו ליישם מספר גישות לעיבוד נתונים על מנת לדמות סביבת למידה אידיאלית יותר עבור הבינה המלאכותית. המטרה הייתה ליצור מערך נתונים מאוזן כך שהבינה המלאכותית לא תיתן משקל-יתר למדדים מסוימים על חשבון אחרים, רק בשל נפח המידע אודותיהם. החוקרים השתמשו בשיטות של תת-דיגום, דיגום-יתר ושל הגדלה פיזיקלית על מנת, הלכה למעשה, להפחית את ההשפעה של אורכי הגל בתחום התת-אדום במסגרת המערך הכולל של אוסף הנתונים. על ידי אימון המכונה עם הנתונים המאוזנים, טרם העיבוד שלהם, החוקרים הצליחו להשיג רמת דיוק של למעלה מתשעים ושמונה אחוזים מבחינת זיהוי המולקולות הנכונות בתחום האור הנראה.
החוקרים מציינים כי נדרש מחקר נוסף על מנת להרחיב ולקבל שיטת זיהוי כללית יותר בכדי לאפיין מדדים מבניים וכימיים אחרים של המולקולות הנמצאות במאגר הנתונים של מקדמי השבירה. לסיכום, החוקרים קבעו כי המחקר שלהם מהווה נקודת התחלה טובה עבור הפיתוח של גלאים כימיים נשלטים מרחוק.
עוד בנושא באתר הידען:
