هوش مصنوعی در سال 2023 به کمک محققان گرده‌شناسی می آید!!!

به گزارش مکاترونیک نیوز، در حال حاضر، محققان دانشگاه اکستر و دانشگاه سوانسی در حال ادغام فناوری‌های پیشرفته مانند هوش مصنوعی، فلوسیتومتری و تصویربرداری  برای ساختن سیستمی هستند که پتانسیل تعیین و طبقه‌بندی گرده‌های محیط را با سرعت بسیار سریع‌تری دارد. دانه‌های گرده از گونه‌های مختلف گیاهی بسته به شکل آنها منحصر به فرد و قابل تشخیص هستند. بررسی اینکه کدام دانه‌های گرده در نمونه‌هایی مانند هسته‌های رسوبی دریاچه‌ها جمع‌آوری شده‌اند، به محققان کمک می‌کند تا بفهمند کدام گیاهان در هر نقطه‌ای از تاریخ شکوفا شده‌اند و احتمالاً هزاران تا میلیون‌ها سال قدمت دارند.

تاکنون، محققان به صورت دستی انواع گرده را در رسوبات یا نمونه‌های هوا با استفاده از میکروسکوپ نوری شمارش کرده‌اند که یک کار تخصصی و خسته‌کننده است. در حال حاضر، توسعه تحقیقات با کمک هوش مصنوعی توسط دانشمندان در یک مطالعه تحقیقاتی در New Phytologist گزارش شده است. این گروه تحقیقاتی علاوه بر ایجاد تصویری کامل از فلور گذشته، بر این باور است که این فناوری به کمک هوش مصنوعی می‌تواند برای تشخیص گرده‌های بسیار دقیق در محیط امروزی به کار رود، که ممکن است به مبتلایان به تب یونجه در کاهش علائم کمک کند.

به نقل از دکتر ان پاور، علوم زیستی، دانشگاه اکستر:

گرده یک شاخص مهم زیست محیطی است، و کنار هم قرار دادن گرده‌های اره منبت کاری و گرده‌های  اره مویی و انواع گرده‌های مختلف در جو زمین، چه امروز و چه در گذشته، می‌تواند به ما کمک کند تا تصویری از تنوع زیستی و تغییرات آب و هوایی ایجاد کنیم. با این حال، تشخیص این که گرده به چه گونه گیاهی در زیر میکروسکوپ تعلق دارد، کار بسیار سختی است و همیشه نمی‌توان آن را انجام داد ولی سیستم های هوش مصنوعی می توانند در این مسیر به ما کمک کنند.

پاور افزود: «سیستمی که ما به کمک هوش مصنوعی در حال توسعه آن هستیم، زمان این کار را به طور چشمگیری کاهش می‌دهد و طبقه‌بندی‌ها را بهبود می‌بخشد. این بدان معناست که ما می‌توانیم تصویری غنی‌تر از گرده‌های موجود در محیط را با سرعت بسیار بیشتری بسازیم و نشان دهیم که چگونه آب و هوا، فعالیت‌های انسانی و تنوع زیستی در طول زمان تغییر کرده‌اند، یا بهتر بفهمیم که چه آلرژن‌هایی در هوایی که تنفس می‌کنیم، وجود دارد.

پیش از این، گروه تحقیقاتی از این سیستم برای بررسی خودکار یک برش 5500 ساله از هسته رسوب دریاچه استفاده کرد و به سرعت بیش از هزار دانه گرده را دسته‌بندی کرد. در گذشته، شمارش و طبقه‌بندی یک متخصص تا هشت ساعت طول می‌کشید – وظیفه‌ای که سیستم جدید در کمتر از یک ساعت به پایان می‌رساند.

این سیستم جدید از فلوسیتومتری تصویربرداری استفاده می‌کند، یک فناوری که معمولاً برای بررسی سلول‌ها در تحقیقات پزشکی استفاده می‌شود تا به سرعت تصاویر گرده را ثبت کند.

نوع خاصی از هوش مصنوعی بسته به یادگیری عمیق برای تعیین انواع مختلف گرده در یک نمونه محیطی توسعه یافته است. این روش می تواند چنین تمایزاتی را حتی زمانی که نمونه ناقص بوده است ایجاد کند.

دکتر کلر بارنز، دانشگاه سوانسی:

تا کنون، سیستم‌های هوش مصنوعی در حال توسعه، برای دسته‌بندی گرده‌ها از همان کتابخانه‌های گرده استفاده می کردند و یاد گیری سیستم های هوش مصنوعی بر آن اساس بود و روی آن‌ها با استفاده از روش های هوش مصنوعی  آزمایش می‌کردند – به این معنی که هر نمونه کامل است و متعلق به گونه‌هایی است که قبلاً توسط شبکه دیده شده است.

این سیستم‌ها نمی‌توانند گرده‌ها را از محیطی که در طول مسیر با آن برخورد می‌کند شناسایی کنند، و همچنین نمی‌توانند گرده‌هایی را که در کتابخانه‌های آموزشی گنجانده نشده است، دسته‌بندی کنند. گنجاندن یک نسخه منحصر به فرد از یادگیری عمیق در سیستم ما به این معنی است که هوش مصنوعی هوشمندتر است و رویکرد انعطاف پذیرتری را برای یادگیری اعمال می کند.

این قابلیت می‌تواند با تصاویر بی کیفیت مقابله کند و می‌تواند از ویژگی‌های گونه‌های مشترک برای پیش‌بینی اینکه گرده متعلق به چه خانواده‌ای از گیاهان است استفاده کند، حتی اگر سیستم قبلاً آن را در طول آموزش ندیده باشد

در سال‌های آینده، این تحقیق به بهبود و راه‌اندازی سیستم جدید و استفاده از آن برای کسب اطلاعات بیشتر در مورد گرده علف‌ها، یک محرک خاص برای مبتلایان به تب یونجه، موثر خواهد بود.

برخی از گرده‌های چمن حساسیت زاتر از سایرین هستند. اگر بتوانیم بهتر بفهمیم کدام گرده ها در زمان های خاص شایع هستند، منجر به پیشرفت هایی در پیش بینی گرده می شود که می تواند به افراد مبتلا به تب یونجه کمک کند تا میزان قرار گرفتن در معرض آنها را کاهش دهند.

اطلاعات بیشتر در مورد گرده شناسی در دسترس می باشد و تحقیقات در مورد آن رو به افزایش است.

نام خبرنگار : سمیه آموت سر

منبع خبر: https://news.exeter.ac.uk