Decision Tree and K-Means Analysis of Raman Spectra for Edible Oils: A Physics-Informed AI Approach
تُظهر هذه الدراسة أن دمج مطيافية رامان مع الذكاء الاصطناعي المستند إلى الفيزياء، وتحديداً أشجار القرار وتجميع الوسائل الكيمية (K-means clustering)، يُمكّن من التحقق بدقة عالية وقابلية للتفسير من أصالة الزيوت الصالحة للأكل في كل من المصفوفات الغذائية النقية والمعقدة باستخدام مجموعة مختزلة بشكل كبير من الميزات الطيفية، مما يدعم تطوير أنظمة فعالة ومحمولة لمراقبة جودة الأغذية.
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
تعتمد سلامة الأغذية غالباً على معرفة ما يوجد بالضبط داخل زجاجة أو كيس. فعندما يشتري المستهلك كيساً من رقائق البطاطس، فإنه يتوقع أن يكون الزيت المستخدم في قليها هو النوع الأصلي، وليس بديلاً أرخص تم خلطه به. إن التحقق من نوع الزيت أمر بالغ الأهمية للصحة، ولمنع الغش، ولتلبية اللوائح الحكومية. ومع ذلك، فإن فحص محتويات مادة غذائية مصنعة يعد أمراً صعباً لأن الزيت لم يعد موجوداً في زجاجة شفافة؛ بل تشربته حبة بطاطس نشوية وغُلِّف بورق. ولحل هذه المشكلة، يستخدم العلماء تقنية تسمى "مطيافية رامان" (Raman spectroscopy)، والتي تعمل مثل ماسح بصمات الأصابع الجزيئية. فبدلاً من أخذ عينة إلى المختبر لإذابتها في مواد كيميائية، تقوم هذه الطريقة بتسليط الضوء على الطعام وقراءة الاهتزازات الدقيقة لجزيئاته. ولكل نوع من أنواع الزيوت نمط اهتزاز فريد، مما يسمح للباحثين بتحديد ما إذا كان زيت عباد الشمس، أو زيت الصويا، أو زيت النخيل. وتنشأ التحديات عندما يكون الزيت مخبأً داخل خليط معقد، حيث يمكن للإشارات الصادرة من البطاطس وورق التغليف أن تطغى على الإشارات الدقيقة للزيت نفسه.
لقد وضع فريق من الباحثين هدفاً لفهم كيفية قراءة بصمات الأصابع الجزيئية هذه بوضوح، حتى عندما يكون الزيت مدفوناً داخل منتج غذائي مقلي. وقد ركزوا على خمسة أنواع شائعة من الزيوت الصالحة للأكل: زيت عباد الشمس، وزيت الصويا، وزيت الفول السوداني، وزيت النخيل، والبنسبالتي (vanaspati). أولاً، فحصوا الزيوت في شكلها النقي، حيث تكون الإشارات الجزيئية قوية ومتميزة. وباستخدام أدوات حاسوبية ترسم خرائط لمدى تشابه أو اختلاف العينات، وجدوا أن الزيوت النقية تتجمع طبيعياً في مجموعات منفصلة ومنظمة؛ وكأن الزيوت كانت تتحدث بأصوات واضحة ومتميزة. ولكن عندما حلل الباحثون نفس الزيوت بعد استخدامها لقلي رقائق البطاطس، تغيرت الصورة. فقد أدى وجود نشا البطاطس وغلاف الورق إلى إدخال الكثير من الضجيج في الخلفية، مما تسبب في تداخل مجموعات الزيوت المختلفة واختلاطها. واجهت النماذج الحاسوبية صعوبة في التمييز بينها لأن صوت الزيت الفريد كان يتعرض للتهميش بسبب المكونات الأخرى.
ولإصلاح ذلك، طبق العلماء طريقة تعتمد على القوانين الفيزيائية بدلاً من مجرد التخمين الإحصائي. فقد علموا أن طيف "رامان" هو ببساطة مجموع كل الأجزاء المختلطة معاً؛ فالضوء الذي يصطدم برقاقة البطاطس هو ضوء الزيت مضافاً إليه ضوء الورق وضوء البطاطس. وباستخدام نهج رياضي يحترم هذه الحقيقة الفيزيائية، تمكنوا من طرح مساهمات الورق والبطاطس من الإشارة الإجمالية. هذه العملية، التي وصفوها بأنها "مستندة إلى الفيزياء"، نجحت فعلياً في تجريد الضجيج من الخلفية للكشف عن التوقيع الحقيقي للزيت الكامن تحتها. وبمجرد الانتهاء من خطوة التنظيف هذه، أصبحت إشارات الزيت أكثر وضوحاً، وبدأت أنواع الزيوت المختلفة في الانفصال عن بعضها البعض مرة أخرى، تماماً كما حدث في العينات النقية.
قام الباحثون بعد ذلك ببناء نموذج حاسوبي لاتخاذ القرار، يشبه المخطط الانسيابي الذي يطرح سلسلة من الأسئلة التي تُجاب بنعم أو لا لتحديد نوع الزيت. وبالنسبة للزيوت النقية، اكتشفوا شيئاً مذهلاً: لم يكن النموذج بحاجة إلى فحص الطيف المعقد بالكامل لإجراء تحديد مثالي. فمن بين ما يقرب من ألفي نقطة بيانات في القياس الكامل، احتاج النموذج فقط إلى فحص أربع نقاط محددة للتمييز بين الزيوت الخمسة بدقة مائة بالمائة. ويشير هذا الاكتشاف إلى أن المعلومات الأساسية اللازمة لتحديد نوع الزيت تتركز في جزء صغير ومحدد جداً من بصمة الأصابع الجزيئية. ومن خلال التركيز فقط على هذه النقاط الأربع الرئيسية، قلل الباحثون من كمية البيانات المطلوبة بنسبة تزيد عن تسعة وتسعين بالمائة دون فقدان أي دقة. هذا النهج، الذي يسمونُه "الذكاء الاصطناعي المقتصد" (Frugal AI)، يعني أن الأجهزة المستقبلية يمكن أن تكون صغيرة، وسريعة، وموفرة للطاقة، وقادرة على العمل على أجهزة بسيطة بدلاً من الحواسيب الفائقة القوية.
وعندما طبق الفريق هذا المنطق نفسه على رقائق البطاطس المقلية، كانت النتائج مشجعة بنفس القدر. فبعد استخدام الطريقة المستندة إلى الفيزياء لإزالة التداخل الناتج عن الورق والبطاطس، تحسنت قدرة النموذج الحاسوبي على تحديد الزيت بشكل كبير. فالنماذج التي كانت تعاني سابقاً من الإشارات المختلطة والفوضوية للرقائق أصبحت أكثر موثوقية. وانخفض عدد نقاط البيانات التي يحتاجها النموذج لاتخاذ القرار بشكل كبير، وارتفعت الدقة إلى أكثر من خمسة وثمانين بالمائة. وهذا يثبت أن الصعوبة في تحديد نوع الزيت لم تكن فشلاً في الخوارزمية الحاسوبية، بل كانت مشكلة في جودة البيانات الخام. فمن خلال تنظيف البيانات باستخدام المبادئ الفيزيائية، جعل الباحثون المهمة سهلة بالنسبة للحاسوب. وتخلص الدراسة إلى أن التحقق الدقيق من أصالة الغذاء لا يتطلب أنظمة ضخمة ومعقدة؛ بل من خلال فهم الطبيعة الفيزيائية للإشارات والتركيز على التفاصيل الأكثر أهمية، يمكن إنشاء أدوات بسيطة، وشفافة، وفعالة للغاية لضمان جودة الغذاء في العالم الحقيقي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.