هوش مصنوعی ۱ به سیستمهای کامپیوتری اطلاق میشود که قادر به انجام وظایف پیچیدهای هستند که از نظر تاریخی فقط یک انسان میتوانست انجام دهد، مانند استدلال، تصمیمگیری یا حل مشکلات [1].
امروزه، اصطلاح «AI» طیف گستردهای از فناوریها را توصیف میکند که بسیاری از خدمات و کالاهایی را که ما هر روز استفاده میکنیم – از برنامههایی که نمایشهای تلویزیونی را پیشنهاد میکنند تا چتباتهایی که پشتیبانی مشتری را در حالت برخط (آنلاین) ارائه میکنند، تقویت میکنند.
در حال حاضر هوش مصنوعی تئوری و توسعه سیستمهای رایانهای است که قادر به انجام وظایفی است که از نظر تاریخی به هوش انسانی نیاز داشته است، مانند تشخیص گفتار، تصمیمگیری و شناسایی الگوها. اگرچه این اصطلاح معمولاً برای توصیف طیف وسیعی از فناوریهای مختلف مورداستفاده امروزه، قرار گرفته است، بسیاری در مورد اینکه آیا اینها واقعاً هوش مصنوعیاند یا خیر، اختلافنظر دارند. در عوض، برخی استدلال میکنند که بسیاری از فناوریهای مورداستفاده در دنیای واقعی امروزه در واقع یادگیری ماشینی بسیار پیشرفته را تشکیل میدهند که بهسادگی اولین گام بهسوی هوش مصنوعی واقعی یا هوش مصنوعی عمومی ۲ است.
1-1- از هوش مصنوعی عمومی تا هوش مصنوعی مولد ۳
هوش مصنوعی، یادگیری ماشین و یادگیری عمیق اصطلاحات رایج در عصر فناوری اطلاعات هستند و
گاهی اوقات بهجای یکدیگر استفاده میشوند، اما تمایزاتی وجود دارد.
- AI – Artificial Intelligence
- AGI – Artificial General Intelligence
- GenAI ـ Generative AI
اصطلاح هوش مصنوعی که در دهه 1950 ابداع شد، به شبیهسازی هوش انسان توسط ماشینها اشاره دارد، که با توسعه فناوریهای جدید، مجموعهای از قابلیتها در حال تغییر را پوشش میدهد، فناوریهایی که زیر چتر هوش مصنوعی قرار میگیرند شامل یادگیری ماشین ۱، یادگیری عمیق ۲ و هوش مصنوعی مولد را در برمیگیرد که توضیح مختصری از هریک آمده است:
شکل 1– جایگاه فناوریهای هوش مصنوعی
هوش مصنوعی عمومی به نوعی از هوش مصنوعی اشاره دارد که دارای توانایی درک، یادگیری و بهکارگیری دانش در طیف وسیعی از وظایف در سطحی قابلمقایسه با هوش انسانی است و بهطورکلی توانا در هرکاری که انسان بتواند انجام دهد. یادگیری ماشین وسیعترین حوزه الگوریتمها و مدلهای آماری را دربرمیگیرد که برنامههای نرمافزاری را قادر میسازد تا در پیشبینی نتایج بدون برنامهریزی صریح، دقیقتر شوند.
————————————————-
- ML – Machine Learning
- DL – Deep Learning
الگوریتمهای یادگیری ماشین از دادههای به ثبت رسیده بهعنوان ورودی برای پیشبینی مقادیر خروجی جدید استفاده میکنند. این رویکرد با افزایش مجموعه دادههای بزرگ برای آموزش، بسیار مؤثرتر شد.
یادگیری عمیق، زیرمجموعهای از یادگیری ماشینی، بر اساس درک ما از ساختار مغز است. استفاده یادگیری عمیق از ساختار شبکه عصبی مصنوعی ۱، زیربنای پیشرفتهای اخیر در هوش مصنوعی از جمله خودروهای خودران، تشخیص سرطان و… است.
هوش مصنوعی مولد هم، زیرمجموعه دیگری از یادگیری ماشین و یادگیری عمیق و هوش مصنوعی محدود، با یادگیری از دادههای موجود و تولید خروجیهایی که الگوهای آموخته شده را تقلید میکنند، بر ایجاد محتوای جدید مانند متن، تصویر یا صوت تمرکز دارد، مانند چتباتهای هوشمند GPT و Copilot و Gemini و Midjourney و DALL-E که در سطح کاربردی بالایی قرار دارند.
 شکل 2– عکس تولیدشده مدل Dall-E3 |
 شکل 3– عکس تولید شده مدل Midjourney |
با این حال، علیرغم اختلافنظرهای فلسفی فراوان در مورد اینکه آیا ماشینهای هوشمند «واقعی» واقعاً وجود دارند یا خیر، وقتی امروزه بیشتر مردم از اصطلاح هوش مصنوعی استفاده میکنند، به مجموعهای از
——————————————————-
- ANN- Artificial Neural Network
فناوریهای مبتنی بر یادگیری ماشینی مانند چتباتها یا ماشینهای خودکار اشاره میکنند که این به معنای وجود ماشینهایی برای انجام کارهایی که قبلاً فقط انسانها میتوانستند انجام دهند، است (مانند تولید محتوای نوشتاری، هدایت خودکار خودرو یا تجزیهوتحلیل دادهها). امروزه تصور دنیای بدون کامپیوتر همانقدر سخت است که بعد از گذر از انقلاب صنعتی چهارم بدون رباتهای پیشرفته، بدون هوش مصنوعی و بدون اینترنت اشیا و… سخت خواهد بود. تفاوت پیشروی این انقلابها بهجز دستاوردهای بیشتر، سرعت رسوخ آن در صنعت و جامعه نیز است.
2- کاربرد هوش مصنوعی در نانوتکنولوژی
فناوری نانو یا نانوتکنولوژی ۱، توانمندی تولید و آنالیز مواد، ابزار و سیستمهای جدید با در دست گرفتن کنترل در مقیاس نانومتری یا همان سطوح اتمی و مولکولی و فرامولکولی و استفاده از خواصی است که در این سطوح در کاربردهای صنعتی ظاهر میشوند. بهطور میانگین ۳ تا ۶ اتم در کنار یکدیگر طولی معادل یک نانومتر را میسازند که این خود به نوع اتم بستگی دارد. بهطورکلی فناوری نانو گسترش، تولید و استفاده از ابزار و موادی است که ابعادشان در حدود ۱–۱۰۰ نانومتر است. فناوری نانو به دو سطح قابلتقسیم است: مواد و ابزارها.
در نانومواد، به هر مادهای که حداقل یکی از ابعاد آن در مقیاس نانومتری (زیر ۱۰۰ نانومتر) باشد گفته میشود که این تعریف بهوضوح انواع بسیار زیادی از ساختارها، اعم از ساخته دست بشر یا طبیعت را شامل میشود. در ابزارها، تمام تجهیزات صنعت نانوتکنولوژی را پوشش میدهد که شامل تجهیزات ساخت و تولید که تولیدکنندهٔ مواد در ابعاد نانو هستند و تجهیزات شناسایی و آنالیز که مواد را در ابعاد نانو بررسی میکنند، هستند.
——————————————————-
- NanoTechnology
هوش مصنوعی در صنعت کامپیوتر و نانوتکنولوژی از جمله پرطرفدارترین فناوریهای نوظهور هستند، وجودِ همافزایی بین این فناوریها، سبب توسعه هر یک در عصر دیجیتال شده است.
در صنعت نانوتکنولوژی نیز از هوش مصنوعی در تولید و آنالیز مواد استفاده شده است. در حال حاضر باتوجه به بررسیهای انجام شده کاربرد هوش مصنوعی در نانوتکنولوژی به سه دسته تقسیم میشود: کشف و بسط مواد پیشرفته، تجهیزات و فرآیندهای تولید.
شکل 4– مثالی از کاربردهای هوش مصنوعی در نانوتکنولوژی برای درمان سرطان دهانه رحم [15]
2-1- کشف و بسط مواد پیشرفته
بهرهگیری از هوش مصنوعی برای کشف مواد پیشرفته نانویی هماکنون به مهمترین ترند حوزهٔ مواد پیشرفته تبدیل شده است که برنامهریزی در این خصوص از اهمیت ویژهای برخوردار است، در واقع یک زمینه میانرشتهای پیشرفته است که از نقاط قوت نانوتکنولوژی و هوش مصنوعی برای توسعه مواد جدید با خواص پیشرفته برای کاربردهای مختلف استفاده میکند، بهعنوان مثال مدلهای هوش مصنوعی میتوانند خواص و رفتار مواد را بر اساس ساختار و ترکیب اتمی آنها پیشبینی کنند، همچنین هوش مصنوعی در تجزیهوتحلیل دادهها نیز به کمک نانوتکنولوژی آمده و میتواند مقادیر زیادی از دادههای تجربی و شبیهسازی را برای شناسایی الگوها و همبستگیهایی که ممکن است توسط محققان انسانی نادیده گرفته شود، پردازش کند. با الگوریتمهای هوش مصنوعی میتوان فرآیندهای طراحی و سنتز را بهینه و بهترین ترکیب پارامترها را برای خواص مواد موردنظر پیدا کرد. علاوه بر این موارد، هوش مصنوعی میتواند فرآیند کشف مواد جدید را با تولید و آزمایش فرضیهها با سرعتی بسیار سریعتر از روشهای سنتی خودکار کند.
به همین منظور مطالعهٔ موردی صورت گرفته است که در رصد بهکارگیری هوش مصنوعی در صنعت تایر، که میتواند روند بررسی را با توجه به اینکه کمپانیهای بزرگ تولیدکنندهٔ تایر مانند میشلین ۱، کونتیننتال ۲ و نوکیان ۳ به اینسو حرکت کردهاند را نتیجهبخش دانسته و مهر تأییدی بر رسوخ هوش مصنوعی در بسط مواد پیشرفته زده شود.
در توسعه مواد تایر باتوجه به ترکیب تعداد زیادی ماده در تولید تایر از هوش مصنوعی هم در بهبود روند ترکیب میتوان بهره برد و هم در کشف مواد جدیدی که میتوان جهت بهبود عملکردی مشخص به فرمولاسیون اضافه شود. این مواد جدید با دادههای عظیمی که توسط هوش مصنوعی آموزش داده میشوند با ویژگیهای منحصربهفرد و درصدی مشخص پدیدار میشوند.
——————————————————-
- Michelin
- Continental
- Nokian
سازمان پیشگامی ژنوم مواد1 آمریکا، در برنامهای استراتژیک بهخوبی بررسیهایی در این حوزه انجام داده است. هدف این سازمان تسریع روند کشف، توسعه و استقرار مواد پیشرفته است که مواد پیشرفته را با هزینه کمتر و دو برابر سریعتر ایجاد کنند. با درک پیش از رشد این حوزه در جهان، آمریکا این کار را از سال 2011 تسریع بخشیده و با طرح اهداف واضح آن را ملزم به رشد کرده است. این اهداف شامل توسعه نیروی کار در این حوزه، دسترسی آسان به مراکز داده، ایجاد زیرساخت داده دیجیتال برای همکاری بین صنایع و همچنین اشتراک آسان بین آنها، تشویق دانشگاهها و آزمایشگاهها و صنعت به همکاری با یکدیگر و در انتها پر کردن شکاف بین کشف مواد تا استفاده تجاری است. [2]
شکل 5- استراتژی پلن سال 2021 سازمان پیشگامی ژنوم مواد آمریکا
——————————————————-
MGI – Materials Genome Initiative
2-2- تجهیزات
هوش مصنوعی در تجهیزات بهمنظور افزایش دقت، همچنین افزایش سرعت تولید یا آنالیز و نتیجهگیری نقشی حیاتی در آینده خواهد داشت. بهطوریکه تجهیزات نانویی که به هوش مصنوعی مجهز نشده و در نرمافزارهای خود از آن بیبهره باشند در آیندهای نزدیک شانسی برای رقابت با نمونههای خارجی و صادرات نخواهند داشت.
تجهیزات در نانو میتواند در دو بخش تجهیزات ساخت و تولید و تجهیزات شناسایی و آنالیز مورداستفاده قرار گیرد. از آنجایی که آنالیز داده از ابتدا مرکز توجه گروههای فعال در حوزهٔ هوش مصنوعی بوده است، در بخش تجهیزات شناسایی و آنالیز باتوجه به ماهیت تجهیزات که تولیدکننده داده هستند، روند سریعتری برای ادغام با هوش مصنوعی طی خواهد شد.
شکل 6- آئروژل های گرافنی ۱
—————————————————-
- آئروژل های گرافنی چاپ سهبعدی میتوانند حسگرها و باتریها را بهبود بخشند.
2-2- فرایندهای تولید
در فرآیندهای تولیدی صنعت نانوتکنولوژی نیز با بهرهگیری از هوش مصنوعی سیر تکاملی ادغام این فناوریها طی خواهد شد، بهعنوانمثال در خط تولید با استفاده از اینترنت اشیا، جمعآوری داده صورت گرفته و پردازش آنها با هوش مصنوعی که در حال حاضر در بسیاری از کارخانجات تولیدی جایگذاری شده است، انجام میپذیرد.
هوش مصنوعی با تجزیهوتحلیل داده سیستمهای نظارت بر خط تولید، جهت افزایش راندمان کنترل کیفی استفاده میشود. بهعنوان مثال در خط تولید صنعت دارویی با تشخیص خودکار ورقهای خالی قرص، آنها را از خط تولید خارج میکند.
تصویر 7- یکی از کاربردهای هوش مصنوعی در تحلیل دادههای خط تولید است.
3- چالشهای موجود در استفاده از هوش مصنوعی در نانو
هر فناوری جدید علاوه بر ارائه دستاوردهای بیشمار، دارای چالشهای خاص محوریت خود نیز است، در تعامل با هوش مصنوعی، اصلیترین سطح متعلق به دادههاست و نقطه عطف چالشهای این حوزه نیز داده بهشمار میرود. چند چالش موجود در ادغام دو فناوری هوش مصنوعی و نانوتکنولوژی:
3-1- کیفیت و در دسترس بودن دادهها
در صورت عدم وجود داده اجرای این امر، غیرقابل امکان است. میتوان اظهار داشت که با افزایش داده نرخ دقت هوش مصنوعی نیز بالاتر خواهد رفت، هرچه اطلاعات در مورد داده بیشتر شود مدل تحت آموزش میتواند دقیقتر یاد بگیرد و حتی پیشبینی و پیشنهادات بهتری را ارائه دهد، در اصل دادهها با ویژگیهای مهمتر اهمیت بسیار زیادی در نحوهٔ اجرای هوش مصنوعی دارند. الگوریتمهای هوش مصنوعی برای یادگیری و تطبیق به دادههای با کیفیت بالا و فراوان نیاز دارند. با این حال، تجهیزات نانوتکنولوژی اغلب دادههای محدودی تولید میکنند که توسعه مدلهای قوی هوش مصنوعی و یادگیری ماشین را به چالش خواهد کشید.
3-2- یکپارچهسازی با تجهیزات موجود
ادغام خروجی این الگوریتمها با تجهیزات نانو میتواند پیچیده و زمانبر بوده و نیاز به تغییرات و ارتقاء قابلتوجهی داشته باشد.
3-3- استانداردسازی و قابلیت بهروزرسانی
در بهروزرسانیهای فنی و رفع نواقص نرمافزاری قابلیت در دسترس بودن سروری که بتوان این امکان را فراهم کند مسئلهای ضروری به حساب خواهد آمد، همچنین عدم نقض اطلاعات بهدستآمده از کاربران در مسئلهٔ استانداردسازی نیز نقش اساسی خواهد داشت.
4- نمونههای مشابه خارجی تجهیزات آنالیزی و تولیدی نانو با هوش مصنوعی
همانطور که پیشتر ذکر شد دستگاههای آنالیز داده در بخش تجهیزات صنعت نانو از اهمیت بالایی برخوردارند، باتوجه به این موضوع به شرح چند نمونه از دستگاههای موجود در ایران پرداخته شده است که نسخههای خارج از کشور آنها با تکیهبر الگوریتمهای هوش مصنوعی توانستهاند خود را بهخوبی بهروزرسانی کنند، با درک بر اینکه هوش مصنوعی و به اصطلاح هوشمندسازی دستگاههای آزمایشگاهی و صنعتی به افزایش دقت و کاهش زمان اپراتورها کمک شایانی خواهد کرد.
4-1- دستگاه اندازهگیری زاویه تماس سطح
برای اندازهگیری زاویهٔ سطح تماس، از الگوریتمهای یادگیری ماشین و یادگیری عمیق مانند شبکه عصبی کانولوشن ۱ و الگوریتم تبدیل دایرهای ۲ برای آموزش مدل و هم برای پیشپردازش دادهها استفاده میکند تا بتواند بعد از دیدن عکس قطره روی سطح بلافاصله زاویه تماس را اندازهگیری کند، علاوه بر اندازهگیری زاویه سطح تماس، زاویه کشش سطح نیز میتواند با همین الگوریتمها اندازهگیری شود.
CAG-20PE شکل 8- دستگاه اندازهگیری زاویه تماس ژیکان
——————————————————-
- CNN – Convolutional Neural Network
- CHT – CircleHough Transform
مقالات متعددی مانند مرکز تحقیقات ماکروسافت ۱ در سال 2017، مرکز تحقیقات آی بی ام ۲ در سال 2019، دانشگاه کمبریج ۳ در سال 2016 و در سالهای 2021 و 2023 نیز مقالاتی در این زمینه به انتشار رسیده است. شرکت بیولین ۴ نیز علاوه بر تولید دستگاه، نرمافزار شیمی سطح مبتنی بر هوش مصنوعی را ارائه میدهد. این نرمافزار از ترکیبی از شبکه عصبی کانولوشن و الگوریتم تبدیل دایرهای برای پیشبینی شیمی سطح مواد از جمله زاویه تماس قطرات استفاده میکند. [5][4][3]
شکل ۹ – تصاویر دستگاه اندازهگیری زاویه تماس
—————————————————-
- Microsoft Research
- IBM Research
- University of Cambridge
- Biolin Scientific
4-2- دستگاههای طیفسنج رامان
با توسعه دستگاههای طیفسنج رامان و گسترش حوزههای کاربردی آن، روشهای مرسوم برای تجزیهوتحلیل دادههای طیفی محدودیتهای زیادی را آشکار کردهاند، همچنین کاوش رویکردهای جدید برای تسهیل طیفسنجی و تحلیل رامان، نقطه تمرکز برای محققان این حوزه شده است. نشان داده شده است که تکنیکهای یادگیری ماشینی میتوانند بهطور مؤثرتری اطلاعات ارزشمند را از دادههای طیفی استخراج کنند و فرصتهای بیسابقهای را برای علوم تحلیلی ایجاد کنند.
پیشرفتهای تحقیقاتی هوش مصنوعی در طیفسنجی رامان از چندین زمینه از جمله علم مواد، کاربردهای زیستپزشکی، علوم مواد غذایی و موارد دیگر به کار گرفته شده که به سطوح قابلتوجهی از دقت تحلیلی رسیده است. ترکیب طیفسنجی رامان و هوش مصنوعی فرصتهای بیسابقهای را برای دستیابی به توان عملیاتی بالا و شناسایی سریع در بسیاری از این زمینههای کاربردی ارائه میدهد.
روشهای تجزیهوتحلیلی که معمولاً در یادگیری ماشین برای کاربردهای مختلف طبقهبندی و شناسایی مبتنی بر طیفسنجی رامان استفاده میشوند شامل پیدا کردن نزدیکترین همسایه ۱، جنگل تصادفی ۲ و ماشینبردار پشتیبان ۳ و همچنین الگوریتمهای یادگیری عمیق مبتنی بر شبکه عصبی ۴ مانند شبکههای عصبی مصنوعی ۵، شبکههای عصبی کانولوشنال و غیره است.
شرکت اوژن اوپتیک ۶ سیستمهای طیفسنجی رامان را با الگوریتمهای یادگیری ماشین ارائه میکنند همچنین علاوه بر این، شرکتهای دیگری مانند اجیلنت تکنولوژی و… ۷ به دلیل ترکیب تکنیکهای یادگیری ماشین در رامان برای کارهایی مانند شناسایی و طبقهبندی مواد شناخته شدهاند
—————————————————-
- KNN – K Nearest Neighbor
- Random Forest
- Support Vector Machine
- Neural Network-based
- Artificial Neural Networks
- Ocean Optics
- Agilent Technologies, Corporatio, Thermo Fisher Scientific
. [8][7][6]
شکل 10- شبکه عصبی یادگیری طیفهای رامان
دستگاههای اسپکتروفتومتر و اسپکترومتر
در دستگاههای اسپکتروفتومتر و اسپکترومتر هم باتوجه به اینکه محصولی پرکاربرد در صنایع است میتوان با افزایش دقت خروجی دستگاه و کم کردن خطای انسانی و خودکار کردن تشخیص مواد، این محصول را برای فروش بیشتر چه در بازارهای داخلی و چه در رقابت با بازارهای جهانی آماده کرد.
هوش مصنوعی (یادگیری ماشین – یادگیری عمیق) میتواند در چند قسمت به کمک اسپکتروفتومترها بیاید. در قسمت پیشپردازش دادهها، میتواند نویزهای داخل سیگنالی که از آشکارساز دریافت میشود را حذف یا آنها را کمتر کند ۱، در قسمت پیدا کردن ویژگیهای مهم میتواند نقش بهسزایی داشته باشد ۲ و همچنین در پردازش دادهها میتوان هم از یادگیری ماشین و هم از یادگیری عمیق استفاده کرد ۳.
———————————————————-
- mean centering، SNV-standard normal variate، MSC-multiplicative scatter correction،EMSC-extended multiplicative scatter correction، ISC -inverse scatter correction
- PSO-Particle Swarm Optimization, BPSO-Binary Particle Swarm Optimization، GAs-Genetic Algorithms
- PLS-partial least squares، ELM-extreme learning machines, SVR-support vector regression, ……
شرکت آمریکایی اجیلنت تکنولوژی در این حوزه کاملاً پیشرو بوده است و از یادگیری ماشین در دستگاه اسپکتروفتومتری خود استفاده کرده است. [9][10]
شکل 11 – مثالی از ورودی و خروجیهای الگوریتمهای یادگیری ماشین برای طیفهای اسپکتروفتومتر
4-4- میکروسکوپ نیروی اتمی 1
میکروسکوپ نیروی اتمی بهعنوان یک ذرهبین فوقالعاده قدرتمند است که به دانشمندان اجازه میدهد تکتک اتمهای سازنده مولکولها را بررسی کنند. با CO-AFM که نوع خاصی از میکروسکوپ نیروی اتمی است، از یک مولکول مونوکسید کربن متصل به نوک میکروسکوپ برای گرفتن تصاویر با وضوح بسیار بالا استفاده میکنند. اما درک تصاویری که دانشمندان دریافت میکنند بسیار سخت است، بهخصوص اگر مولکولها صاف نباشند. این مانند تلاش برای درک یک شی سهبعدی از سایه آن است، با استفاده از
یک پایگاه داده عظیم که از مولکولهای مختلف ایجاد و شبیهسازی کردند که تصاویر میکروسکوپ نیروی اتمی آنها چگونه خواهد بود، یک مدل یادگیری عمیق را آموزش دادند.
هوش مصنوعی بر روی تصاویر میکروسکوپ نیروی اتمی شبیهسازی و واقعی آزمایش شده و عملکرد بسیار خوبی را از خود نشان داده است و این بدان معناست که ساختارها را با دقت شناسایی کرده است. مانند مولکولهای کافور روی سطح مس و فولرن C60 2 که در آن پیشبینیهای هوش مصنوعی با ساختارهای مولکولی واقعی مطابقت داشته است.
———————————————————-
- AFM – Atomic Force Microscopy
- camphor molecules on a copper surface and fullerene C60
در جایی دیگر در ژورنال Nano Letters، از دستاورد تیمی صحبت به میان آمده که با کمک هوش مصنوعی و یادگیری عمیق، مشخصات ارتفاع و زبری دقیق را بدون محدودیتهای ذاتی روشهای معمولیتر ریاضی به دست آوردند که در ابتدا برای آموزش این الگوریتم، محققان تصاویر مصنوعی از ساختارهای سهبعدی تولید کردند و بازخوانیهای میکروسکوپ نیروی اتمی آنها را شبیهسازی کردند. محققان در اینجا برای آزمایش الگوریتم خود، نانوذرات طلا و پالادیوم را با ابعاد مشخص بر روی میزبان سیلیکونی سنتز کردند. این الگوریتم با موفقیت اثرات نوک پرآب را حذف کرد و ویژگیهای سهبعدی نانوذرات را بهدرستی شناسایی کرد.
شرکت Park Systems واقع در کرهٔ جنوبی هم در ساخت تجهیز میکروسکوپ نیروی اتمی ادغام شده با هوش مصنوعی پیشروی کرده است و از یادگیری ماشینی برای تشخیص درست قرار گرفتن پرآب بهطور خودکار استفاده میکند. [12][11]
شکل 12 – دستگاه AFM و تصاویری از ساختارهای سهبعدی
4-5- دستگاه الکتروریسی ۱
قطر نانوالیاف تولیدی از دستگاه الکتروریسی در صنعت حائز اهمیت است، زیرا کاربردهای مختلفی دارند. بهعنوان مثال، الیاف بسیار نازک ممکن است برای فیلترهای خاص بهتر باشد، در حالی که الیاف ضخیمتر ممکن است برای استفادههای دیگر قویتر باشند. پیشبینی قطر به طراحی فرآیند برای به دست آوردن الیاف موردنیاز کمک میکند. محققان الگوریتمهای یادگیری ماشین را با دادههای کامل دستگاه مانند ولتاژ، نرخ جریان و… برای پیشبینی قطر فیبر آموزش دادند. با پیشبینی دقیق قطر الیاف، سازندگان میتوانند فرآیند الکتروریسی را برای تولید نانوالیاف با خواص مطلوب بهینه کنند. این میتواند منجر به محصولات و کاربردهای بهتر در زمینههای مختلف مانند مهندسی محیطزیست، پزشکی و موارد دیگر شود.
شکل 13 – طرحی از استراتژی بهینهسازی و خروجیهای دریافتی از پارامترهای پردازش الکتروریسی به کمک RSM.
همچنین با استفاده از هوش مصنوعی میتوان بهصورت خودکار نانوالیاف الکتروریسی شده ناقص را تشخیص داد. بدینصورت که با استفاده از ترکیب تکنیکهای یادگیری ماشین بدون نظارت و با نظارت، نانوالیافهای الکتروریسی شده را به دو صورت همگن (بدون نقص) و غیرهمگن (با نقص) بر اساس تصاویر گرفته شده توسط میکروسکوپ الکترونی روبشی ۲ شناسایی و طبقهبندی کرد.
—————————————————–
- Electrospinning
- SEM – Scanning Electron Microscope
شکل 14 – نانوالیاف های الکتروریسی شده به دو صورت بدون نقص (a) و با نقص (b).
اطمینان از کیفیت این نانوالیاف مهم است زیرا نقص میتواند عملکرد آنها را مختل کند. بهطور سنتی، کارشناسان تصاویر میکروسکوپی نانوالیاف را بهصورت بصری بازرسی میکنند تا عیوب را شناسایی کنند که زمانبر و ذهنی است. با خودکارسازی طبقهبندی کیفیت نانوالیاف، این سیستم میتواند فرآیند بازرسی را به میزان قابلتوجهی سرعت بخشد، خطای انسانی را کاهش دهد و از ثبات بالاتر در کنترل کیفیت تولید نانوالیاف اطمینان حاصل کند. ترکیبی از این مدلها1 و 2 ابزار قدرتمندی برای طبقهبندی خودکار نانوالیاف الکتروریسی شده، افزایش کارایی و قابلیت اطمینان در فرآیندهای کنترل کیفیت فراهم میکند. [14][13]
شکل 15 – یادگیری ماشین برای نانوالیافهای بدون نقص
————————————————-
- Autoencoder – AE
- Multilayer Perceptron – MLP
شکل 16 – یادگیری ماشین برای نانوالیافهای با نقص
بهطور کل این تجهیزات نمونهای از تمامی موارد ادغام هوش مصنوعی و صنعت نانوتکنولوژی هستند و هر یک از این مثالها با توجه به رشد صعودی الگوریتمهای هوش مصنوعی، رو به بهبودی و افزایش دقت مدل پیش خواهند رفت و در آیندهای نزدیک هر یک از موارد موجود در صنعت در هر سه حالت موردبررسی قرار داده شده، به هوش مصنوعی تجهیز خواهند شد.
———————————
5- منابع
- https://www.coursera.org/articles/what-is-artificial-intelligence
- https://www.mgi.gov/
- https://arxiv.org/abs/2211.15243
- https://github.com/michaelorella/droppy/tree/master
- https://www.biolinscientific.com/measurements/contact-angle
- https://arxiv.org/pdf/2104.04599
- https://doi.org/10.1117/12.464039
- https://doi.org/10.1016/j.cplett.2021.139283
- https://doi.org/10.56530/spectroscopy.js8781e3
- https://doi.org/10.56530/spectroscopy.og4284z8
- https://arxiv.org/abs/1905.10204
- https://www.asminternational.org/afm-resolution-boosted-by-ai/
- https://www.nature.com/articles/s41598-023-36431-7
- https://ieeexplore.ieee.org/document/9205684
- https://doi.org/10.1016/j.jddst.2023.104392
- https://doi.org/10.1016/j.jddst.2023
———————————————————————
تهیه و تنظیم:
- مهندس زینب معیری
- مهندس مهدی راجی پور (مدیر توسعه کسب و کار ستاد توسعه فناوری های نانو و میکرو)
AI گروه صنعت و بازار ستاد توسعه فناوری های نانو و میکرو
====================================================================================
[جهت دسترسی به گزارش نهایی محصولات و شرکتهای دارای گواهی نانومقیاس ستاد توسعه فناوریهای نانو و میکرو به «کتب مرجع محصولات و تجهیزات نانو و صنعت» به نشانی (INDnano.ir/category/book) مراجعه کنید]
[همچنین برای دانلود فایل PDF کلیه گزارشات بهمراه جزئیات، به بخش گزارش های صنعتی پایگاه اینترنتی رسانه تخصصی نانو و صنعت (www.INDnano.ir/category/report) مراجعه نمایید]
====================================================================================
