हाल ही में विकसित एक इलेक्ट्रॉनिक जीभ समान तरल पदार्थों में अंतर की पहचान करने में सक्षम है, जैसे अलग-अलग पानी की मात्रा वाला दूध;सोडा प्रकार और कॉफी मिश्रण सहित विविध उत्पाद;फलों के रस में खराबी के लक्षण;और खाद्य सुरक्षा संबंधी चिंताओं के उदाहरण।
पेन स्टेट के शोधकर्ताओं के नेतृत्व में टीम ने यह भी पाया कि परिणाम तब और भी सटीक थेकृत्रिम होशियारी(एआई) ने इलेक्ट्रॉनिक जीभ द्वारा उत्पन्न डेटा की व्याख्या करने के लिए अपने स्वयं के मूल्यांकन मापदंडों का उपयोग किया।
शोधकर्ताओं ने अपने परिणाम 9 अक्टूबर को प्रकाशित किएप्रकृति.
शोधकर्ताओं के मुताबिक, इलेक्ट्रॉनिक जीभ उपयोगी हो सकती हैखाद्य सुरक्षाऔर उत्पादन, साथ ही चिकित्सा निदान के लिए भी।सेंसर और इसका एआई व्यापक रूप से विभिन्न पदार्थों का पता लगा सकता है और वर्गीकृत कर सकता है जबकि सामूहिक रूप से उनकी संबंधित गुणवत्ता, प्रामाणिकता और ताजगी का आकलन कर सकता है।उन्होंने कहा, इस मूल्यांकन ने शोधकर्ताओं को यह दृष्टिकोण भी प्रदान किया है कि एआई कैसे निर्णय लेता है, जिससे बेहतर एआई विकास और अनुप्रयोग हो सकते हैं।
"हम एक कृत्रिम जीभ बनाने की कोशिश कर रहे हैं, लेकिन हम विभिन्न खाद्य पदार्थों का अनुभव कैसे करते हैं, इसकी प्रक्रिया में सिर्फ जीभ से ज्यादा शामिल है," संबंधित लेखक सप्तर्षि दास, इंजीनियरिंग के एक्ले प्रोफेसर और इंजीनियरिंग विज्ञान और यांत्रिकी के प्रोफेसर ने कहा।"हमारे पास स्वयं जीभ है, जिसमें स्वाद रिसेप्टर्स शामिल हैं जो खाद्य प्रजातियों के साथ बातचीत करते हैं और अपनी जानकारी ग्रसटरी कॉर्टेक्स को भेजते हैं - एक जैविकतंत्रिका नेटवर्क।"
गस्टरी कॉर्टेक्स मस्तिष्क का वह क्षेत्र है जो समझ से परे विभिन्न स्वादों को समझता है और उनकी व्याख्या करता हैस्वाद रिसेप्टर्स, जो मुख्य रूप से खाद्य पदार्थों को मीठा, खट्टा, कड़वा, नमकीन और नमकीन की पांच व्यापक श्रेणियों के माध्यम से वर्गीकृत करता है।जैसे-जैसे मस्तिष्क स्वाद की बारीकियों को सीखता है, वह स्वादों की सूक्ष्मता को बेहतर ढंग से अलग कर सकता है।गस्टरी कॉर्टेक्स की कृत्रिम रूप से नकल करने के लिए, शोधकर्ताओं ने एक तंत्रिका नेटवर्क विकसित किया, जो एक मशीन लर्निंग एल्गोरिदम है जो डेटा का आकलन करने और समझने में मानव मस्तिष्क की नकल करता है।
"पहले, हमने जांच की थी कि मस्तिष्क विभिन्न स्वादों पर कैसे प्रतिक्रिया करता है और एक प्रकार का ब्लूप्रिंट विकसित करने के लिए विभिन्न 2डी सामग्रियों को एकीकृत करके इस प्रक्रिया की नकल की है कि कैसे एआई एक इंसान की तरह जानकारी को संसाधित कर सकता है," डॉक्टरेट सह-लेखक हरिकृष्णन रविचंद्रन ने कहा।दास द्वारा सलाह दी गई इंजीनियरिंग विज्ञान और यांत्रिकी में छात्र।
"अब, इस काम में, हम यह देखने के लिए कई रसायनों पर विचार कर रहे हैं कि क्या सेंसर उनका सटीक पता लगा सकते हैं, और इसके अलावा, क्या वे समान खाद्य पदार्थों के बीच सूक्ष्म अंतर का पता लगा सकते हैं और खाद्य सुरक्षा चिंताओं के उदाहरणों को समझ सकते हैं।"
जीभ में एक ग्राफीन-आधारित आयन-संवेदनशील क्षेत्र-प्रभाव ट्रांजिस्टर, या एक प्रवाहकीय उपकरण शामिल होता है जो रासायनिक आयनों का पता लगा सकता है, जो विभिन्न डेटासेट पर प्रशिक्षित एक कृत्रिम तंत्रिका नेटवर्क से जुड़ा होता है।गंभीर रूप से, दास ने कहा, सेंसर गैर-कार्यात्मक हैं, जिसका अर्थ है कि प्रत्येक संभावित रसायन के लिए समर्पित एक विशिष्ट सेंसर होने के बजाय, एक सेंसर विभिन्न प्रकार के रसायनों का पता लगा सकता है।शोधकर्ताओं ने तंत्रिका नेटवर्क को मूल्यांकन के लिए 20 विशिष्ट पैरामीटर प्रदान किए, जो सभी इस बात से संबंधित हैं कि एक नमूना तरल सेंसर के विद्युत गुणों के साथ कैसे इंटरैक्ट करता है।
इन शोधकर्ता-निर्दिष्ट मापदंडों के आधार पर, एआई नमूनों का सटीक रूप से पता लगा सकता है - जिसमें पानी में डूबा हुआ दूध, विभिन्न प्रकार के सोडा, ताजगी के कई स्तरों पर कॉफी और कई फलों के रस का मिश्रण शामिल है - और 80 से अधिक की उनकी सामग्री पर रिपोर्ट कर सकता है।लगभग एक मिनट में % सटीकता।
"मानव-चयनित मापदंडों के साथ उचित सटीकता प्राप्त करने के बाद, हमने तंत्रिका नेटवर्क को कच्चे सेंसर डेटा प्रदान करके योग्यता के अपने आंकड़ों को परिभाषित करने देने का निर्णय लिया। हमने पाया कि तंत्रिका नेटवर्क 95 से अधिक की आदर्श अनुमान सटीकता तक पहुंच गया हैमनुष्यों द्वारा प्रदान किए गए आंकड़ों के बजाय मशीन-व्युत्पन्न योग्यता के आंकड़ों का उपयोग करते समय%, “सह-लेखक एंड्रयू पैनोनोन, दास द्वारा सलाह दी गई इंजीनियरिंग विज्ञान और यांत्रिकी में डॉक्टरेट छात्र ने कहा।
"इसलिए, हमने शेपली एडिटिव स्पष्टीकरण नामक एक विधि का उपयोग किया, जो हमें तंत्रिका नेटवर्क से यह पूछने की अनुमति देता है कि निर्णय लेने के बाद वह क्या सोच रहा था।"
यह दृष्टिकोण गेम थ्योरी का उपयोग करता है, एक निर्णय लेने की प्रक्रिया जो किसी एक प्रतिभागी के परिणाम की भविष्यवाणी करने के लिए, विचाराधीन डेटा को मान निर्दिष्ट करने के लिए दूसरों की पसंद पर विचार करती है।इन स्पष्टीकरणों के साथ, शोधकर्ता इस समझ को उलट सकते हैं कि अंतिम निर्धारण करने के लिए तंत्रिका नेटवर्क ने नमूने के विभिन्न घटकों को कैसे तौला - जिससे टीम को तंत्रिका नेटवर्क की निर्णय लेने की प्रक्रिया की एक झलक मिल गई, जो काफी हद तक अपारदर्शी बनी हुई है।शोधकर्ताओं के अनुसार, एआई का क्षेत्र।
उन्होंने पाया कि, केवल व्यक्तिगत मानव-निर्दिष्ट मापदंडों का आकलन करने के बजाय, तंत्रिका नेटवर्क ने अपने द्वारा निर्धारित डेटा को सबसे महत्वपूर्ण माना, साथ ही शेपली एडिटिव स्पष्टीकरण से पता चला कि तंत्रिका नेटवर्क प्रत्येक इनपुट डेटा को कितना महत्वपूर्ण मानता है।
शोधकर्ताओं ने बताया कि इस आकलन की तुलना दूध पीने वाले दो लोगों से की जा सकती है।वे दोनों पहचान सकते हैं कि यह दूध है, लेकिन एक व्यक्ति सोच सकता है कि यह मलाई निकल गई है, जबकि दूसरा सोचता है कि यह 2% है जो अभी भी ताजा है।मूल्यांकन करने वाले व्यक्ति द्वारा भी क्यों की बारीकियों को आसानी से नहीं समझाया जा सकता है।
दास ने कहा, "हमने पाया कि नेटवर्क ने डेटा में अधिक सूक्ष्म विशेषताओं को देखा है, जिन्हें हम, मनुष्य के रूप में, ठीक से परिभाषित करने के लिए संघर्ष करते हैं।"
"और क्योंकि तंत्रिका नेटवर्क सेंसर विशेषताओं पर समग्र रूप से विचार करता है, यह दिन-प्रतिदिन होने वाली विविधताओं को कम करता है। दूध के संदर्भ में, तंत्रिका नेटवर्क दूध में अलग-अलग जल सामग्री निर्धारित कर सकता है और, उस संदर्भ में, यह निर्धारित कर सकता है कि क्यागिरावट का कोई भी संकेतक इतना सार्थक है कि उसे खाद्य सुरक्षा का मुद्दा माना जा सकता है।"
दास के अनुसार, जीभ की क्षमताएं केवल उस डेटा द्वारा सीमित होती हैं जिस पर इसे प्रशिक्षित किया जाता है, जिसका अर्थ है कि इस अध्ययन का ध्यान खाद्य मूल्यांकन पर था, इसे चिकित्सा निदान पर भी लागू किया जा सकता है।शोधकर्ताओं ने कहा कि संवेदनशीलता महत्वपूर्ण है, चाहे सेंसर कहीं भी लगाया गया हो, उनके सेंसर की मजबूती विभिन्न उद्योगों में व्यापक तैनाती के लिए आगे बढ़ने का मार्ग प्रदान करती है।
दास ने बताया कि सेंसर को बिल्कुल समान होने की आवश्यकता नहीं है क्योंकि मशीन लर्निंग एल्गोरिदम सभी सूचनाओं को एक साथ देख सकता है और फिर भी सही उत्तर दे सकता है।यह अधिक व्यावहारिक-और कम खर्चीली-विनिर्माण प्रक्रिया बनाता है।
दास ने कहा, "हमें पता चला कि हम अपूर्णता के साथ जी सकते हैं।""और प्रकृति यही है - यह खामियों से भरी है, लेकिन फिर भी यह हमारी तरह ही मजबूत निर्णय ले सकती है।"इलेक्ट्रॉनिक जीभ।"
अधिक जानकारी:एंड्रयू पैन्नोन एट अल, ग्राफीन केमोसेंसर और मशीन लर्निंग के साथ मजबूत रासायनिक विश्लेषण,प्रकृति(2024)।डीओआई: 10.1038/एस41586-024-08003-डब्ल्यू
उद्धरण:एक इलेक्ट्रॉनिक जीभ जो तरल पदार्थों में सूक्ष्म अंतर का पता लगाती है, यह भी एक दृश्य प्रदान करती है कि एआई निर्णय कैसे लेता है (2024, 9 अक्टूबर)9 अक्टूबर 2024 को पुनः प्राप्तhttps://techxplore.com/news/2024-10-electronic-tongue-subtle-differences-liquids.html से
यह दस्तावेज कॉपीराइट के अधीन है।निजी अध्ययन या अनुसंधान के उद्देश्य से किसी भी निष्पक्ष व्यवहार के अलावा, नहींलिखित अनुमति के बिना भाग को पुन: प्रस्तुत किया जा सकता है।सामग्री केवल सूचना के प्रयोजनों के लिए प्रदान की गई है।