از الگوریتمهای یادگیری ماشین میتوان برای پیشبینی نوسانات بازار سهام و کنترل فرایندهای پیچیده تولید استفاده کرد ولی گروهی از محققان، کاربرد جدید و جالبی برای این فناوری مدرن یافتهاند.
به گزارش وبسایت ساینس دیلی، پژوهشگران مرکز مهندسی تندن (Tandon) وابسته به دانشگاه نیویورک با استفاده از ترکیب فناوری هوش مصنوعی و شبکههای عصبی مصنوعی با تصویربرداری حرارتی مادون قرمز، توانستهاند واکنشهای شیمیایی را با دقت و سرعتی به مراتب بیشتر از شیوههای معمول، بررسی، تفسیر و کنترل کنند.
یکی از دستاوردهای مهم این شیوه، کاهش قابل ملاحظه تولید ضایعات شیمیایی و آزمایشگاهی است.
رایان هارتمن (Ryan Hartman) یکی از محققان دستاندرکار این پروژه میگوید: این سیستم میتواند فرایند تصمیمگیری در مورد برخی از فرایندهای تولید شیمیایی را از یک سال به چند هفته کاهش دهد، و این موضوع، صرفهجویی چند تنی در تولید ضایعات شیمایی را به همراه دارد.
این پژوهشگر سال گذشته نوع جدیدی از رآکتورهای شیمیایی کوچک را معرفی کرد که قادر است تراکنشهای صورت گرفته در رآکتورهای بزرگ را در مقیاس میکرو شبیهسازی کند.
این رآکتورهای میکروسیال برای تجزیه و تحلیل کاتالیزورها در راستای شناسایی یا تولید ترکیبات، و همچنین تحقیقات مربوط به فعل و انفعالات مرتبط با توسعه داروها به کار میرود.
هارتمن و تیم وی توانستند با افزودن دو فناوری دیگر یعنی گرمانگاری مادون قرمز (Infrared Thermography یا به اختصار IRT) و یادگیری ماشین (Machine Learning) به رآکتورهای خود، کارکرد آنها را ارتقاء بخشند.
با ترکیب این دو با هم، محققان توانستند تغییرات صورت گرفته در انرژی حرارتی را در حین واکنشهای شیمیایی به دست آورده و با سرعت بالایی این تغییرات را تفسیر و تحلیل کنند.
با توجه به ماهیت غیرتماسی IRT، این تکنیک حتی میتواند برای واکنشهایی که در دمای بسیار بالا یا شرایط ویژه صورت میگیرد نیز به کار رود؛ نظیر بیورآکتورها که به یک محیط استریل نیاز دارد.
بر اساس این گزارش، غربالگری (Screening) کاتالیزورها با استفاده از فرایندهای رایج آزمایشگاهها ممکن است تا یک سال به طول انجامد ولی در این شیوه جدید، کل فرایند را میتوان در چند هفته به پایان رساند، آن هم با هزینهای ناچیزتر و تولید ضایعاتی به مراتب کمتر.
نتایج این شیوه در نشریه Computers & Chemical Engineering چاپ شده است.