Determination of Nanoparticle and Microdroplet Parameters in Levitating Microdroplets of Suspension by Speckle Image Analysis Using Convolutional Neural Networks
تُظهر هذه الدراسة أن الشبكات العصبية الالتفافية يمكنها تحليل صور نمط الليزر (laser speckle) لقطيرات مجهرية عائمة بفعالية لتحديد قطر القطيرة، وتركيز الجسيمات النانوية، وحجم الجسيمات النانوية في آن واحد، مما يقدم نهجاً قابلاً للتطبيق يعتمد على البيانات للتشخيص البصري متعدد المعلمات لأنظمة التعليق.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
الفكرة الكبرى: قراءة "بصمة" قطرة عائمة
تخيل أن لديك قطرة سائلة صغيرة عائمة (مثل قطرة مطر مجهرية) معلقة في الهواء. داخل هذه القطرة، توجد آلاف الجسيمات الصغيرة، مثل الغبار أو الجسيمات النانوية.
أراد العلماء في هذا البحث الإجابة على سؤال صعب: هل يمكننا النظر إلى نمط الضوء المنعكس من هذه القطرة ومعرفة ما بداخلها بالضبط؟
على وجه التحديد، أرادوا معرفة ثلاثة أشياء بمجرد النظر إلى الضوء:
- ما هو حجم القطرة؟
- كم عدد الجسيمات بداخلها؟ (التركيز)
- ما هو حجم الجسيمات؟ (الحجم)
المشكلة: ضجيج "الاستاتيكية"
عادةً، عندما يصطدم الضوء بسطح خشن أو خليط فوضوي، فإنه يخلق نمطاً عشوائياً محبباً يسمى "النمش الليزري" (Laser Speckle). فكر في الأمر كأنه التشويش (الاستاتيكية) الذي تراه على تلفاز قديم، أو النمط المتلألئ والمتحرك الذي تراه عندما تسقط أشعة الشمس على مياه بركة متموجة.
لفترة طويلة، اعتقد العلماء أن هذا "التشويش" ليس سوى ضجيج — مجرد فوضى عشوائية لا تخبرهم بالكثير. الأمر يشبه محاولة قراءة كتاب حيث الحروف فيه تتغير أماكنها باستمرار.
ومع ذلك، أدرك الباحثون أن هذا "الضجيج" يحتوي في الواقع على شفرة مخفية. فالطريقة المحددة التي يرقص بها الضوء تعتمد على حجم القطرة والجسيمات الموجودة بداخلها. لكن الشفرة معقدة ودقيقة للغاية لدرجة أن العين البشرية (أو برنامج كمبيوتر قياسي) لا يمكنها فك رموزها.
الحل: "الطالب المتفوق" - الذكاء الاصطناعي
لحل هذه المشكلة، استخدم الفريق شبكة عصبية تلافيفية (CNN).
التشبيه:
تخيل أنك تحاول تعليم طفل التعرف على أنواع مختلفة من السحب.
- الطريقة القديمة: تعطي الطفل كتاب قواعد: "إذا كانت بيضاء ومنفوشة، فهي سحابة ركامية. إذا كانت داكنة ومسطحة، فهي سحابة طبقية". هذا أمر صعب لأن السحب يتغير شكلها.
- طريقة الشبكة العصبية (CNN): تعرض للطفل آلاف الصور للسحب وتقول له: "اكتشف الأنماط بنفسك". يبدأ الطفل (الذكاء الاصطناعي) في ملاحظة تفاصيل دقيقة لم تكن أنت تفكر فيها حتى — مثل الطريقة المحددة التي يصطدم بها الضوء بحافة السحابة أو ملمس قاعدتها. في النهاية، يصبح الطفل خبيراً في تحديد السحب بمجرد النظر إلى الصورة، دون الحاجة إلى كتاب قواعد.
في هذا البحث، "الطفل" هو الذكاء الاصطناعي. لقد قاموا بتغذيته بمئات الآلاف من صور النمش الليزري لقطرات عائمة. تعلم الذكاء الاصطناعي كيفية رصد الأنماط غير المرئية التي تربط نمط ضوء معين بحجم قطرة محدد أو عدد جسيمات معين.
التجربة: المختبر العائم
استخدم العلماء جهازاً خاصاً يسمى المصيدة الكهروديناميكية (Electrodynamic Trap). فكر فيها كأنها حقل قوة غير مرئي يحمل قطرة سائل واحدة في الهواء، بحيث لا تلمس أي شيء.
قاموا بملء هذه القطرات بثاني أكسيد التيتانيوم (مسحوق أبيض يستخدم غالباً في الطلاء وواقي الشمس) مخلوطاً بسائل كثيف. ثم سلطوا ليزراً أخضر عبر القطرة والتقطوا صوراً لنمط "اللمعان" الناتج.
النتائج: كيف كان أداء الذكاء الاصطناعي؟
تم اختبار الذكاء الاصطناعي في ثلاث مهام مختلفة، وكانت النتائج تشبه لعبة فيديو تزداد صعوبة:
1. المستوى الأول: تخمين حجم القطرة (الفوز السهل)
- النتيجة: كان الذكاء الاصطناعي ممتازاً في هذا.
- لماذا: حجم القطرة يغير "الصورة الكبيرة" لنمط الضوء، تماماً كما أن صوت الطبل الكبير يختلف عن الطبل الصغير. نجح الذكاء الاصطناعي في هذا بنسبة 94% تقريباً (بنسبة خطأ أقل من 6%).
2. المستوى الثاني: تخمين حجم الجسيمات (الفوز المتوسط)
- النتيجة: كان الذكاء الاصطناعي جيداً جداً في هذا أيضاً.
- لماذا: على الرغم من أن الجسيمات صغيرة جداً، إلا أنها تغير "ملمس" اللمعان. تعلم الذكاء الاصطناعي التمييز بين القطرات ذات الجسيمات الصغيرة مقابل الجسيمات متوسطة الحجم.
3. المستوى الثالث: تخمين التركيز (الوضع الصعب)
- النتيجة: كان هذا الأمر صعباً. استطاع الذكاء الاصطناعي التمييز إذا كان التركيز مختلفاً جداً (مثلاً: قطرة طلاء واحدة مقابل 20 قطرة طلاء)، لكنه واجه صعوبة إذا كانت الكميات متقاربة.
- لماذا: إشارة "عدد الجسيمات" ضعيفة جداً، مثل محاولة سماع همس في غرفة صاخبة. كما كان من الصعب خلط السائل بشكل مثالي، لذا لم تكن "الحقيقة الأرضية" (النتائج المرجعية) دقيقة بنسبة 100% دائماً.
معركة الزعيم: القيام بكل ذلك في وقت واحد
أخيراً، طلبوا من الذكاء الاصطناعي تخمين الأشياء الثلاثة في آن واحد (حجم القطرة، حجم الجسيمات، وعدد الجسيمات).
- النتيجة: لقد نجح الأمر! تمكن الذكاء الاصطناعي من تصنيف القطرات إلى 27 فئة مختلفة في وقت واحد.
- العقبة: أحياناً كان الذكاء الاصطناعي يرتبك بين الفئات المتشابهة (مثل الخلط بين قطرة تحتوي على 5 جسيمات وقطرة تحتوي على 6 جسيمات)، لكنه كان لا يزال قادراً على تقديم تخمين مدروس للغاية.
لماذا يهم هذا الأمر؟
هذا يعتبر "إثبات مفهوم". الأمر يشبه إثبات أن محرك سيارة جديد يعمل في حلبة الاختبار قبل وضعه في سيارة حقيقية.
- التطبيق في العالم الحقيقي: تخيل مصنعاً يرش الطلاء أو الدواء في الهواء على شكل رذاذ (هباء جوي). حالياً، من الصعب التحقق مما إذا كانت القطرات بالحجم الصحيح أو ما إذا كان الدواء ممزوجاً بشكل متساوٍ دون إيقاف الآلة وأخذ عينات.
- المستقبل: باستخدام طريقة الذكاء الاصطناعي هذه، يمكننا تسليط ليزر على الرذاذ في الوقت الفعلي ومعرفة فوراً: "مهلاً، القطرات كبيرة جداً"، أو "تركيز الدواء منخفض جداً"، كل ذلك دون لمس عملية الرش.
الملخص
لقد أخذ العلماء نمطاً فوضوياً ومبعثراً من الضوء (النمش الليزري) واستخدموا كمبيوتراً ذكياً (الذكاء الاصطناعي) لفك تشفيره. لقد أثبتوا أنه يمكنك "قراءة" الأسرار المخفية لقطرة عائمة — حجمها وما بداخلها — فقط من خلال تحليل اللمعان. إنها خطوة كبيرة نحو إنشاء مستشعرات ذكية يمكنها مراقبة الهواء، والسحب، والرشاشات الصناعية في الوقت الفعلي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.