ИИ в аналитической химии: Прогнозирование химического состава по фотографиям

Введение

Искусственный интеллект (ИИ) и машинное обучение преобразуют множество индустрий, выступая в качестве вспомогательного инструмента для ученых. Недавнее исследование, поддержанное NASA и опубликованное в журнале Digital Discovery, показывает, как ИИ может предсказывать химический состав по фотографиям с высокой точностью, что имеет потенциал принести пользу нескольким отраслям в будущем.

Важность химического анализа

Аналитическая химия играет важную роль для многих индустрий и целей, включая фармацевтику, биотехнологии, качество и безопасность продуктов питания, материаловедение, судебную экспертизу, контроль качества воды, мониторинг окружающей среды, здравоохранение, академические исследования и исследование космоса.

Химия представляет собой научное изучение веществ, включая их структуру, состав, свойства, реакции, взаимодействия и изменения. Большинство химических анализов проводятся с использованием инструментальных методов анализа, в отличие от классического анализа, известного также как мокрый химический анализ. Примеры инструментального анализа включают спектроскопию, кристаллографию, микроскопию, хроматографию, электроаналитические методы, вольтамметрию, кулонометрию, потенциометрию, калориметрию, термогравиметрический анализ и многие другие техники.

Почему использовать ИИ в аналитической химии?

Предсказательные возможности алгоритмов машинного обучения ИИ были использованы в других научных исследованиях для идентификации объектов, животных, растений и людей. Можно ли обучить модель ИИ определять химический состав по фотографиям?

“Макроскопические паттерны осадков, возникающие в результате высушивания растворов и дисперсий, зачастую воспринимаются как случайные и не имеют значимой информации,” - пишет профессор Флоридского государственного университета, главный автор исследования, доктор Оливер Стейнбок с соавторами.

Исследователи высказали гипотезу о том, что ИИ сможет распознавать трудноопределяемые паттерны в сложных данных о химических и остаточных компонентах.

Инновационный подход к обучающим данным

Эффективность и точность моделей ИИ зависят от качества обучающих данных. Алгоритмы машинного обучения ИИ обучаются, используя огромные объемы данных, что позволяет избежать жесткого программирования от разработчиков. Если высококачественные обучающие базы данных отсутствуют, ученым приходится создавать их либо путем реального сбора данных, либо синтетически с помощью ИИ и компьютеров.

Для данного исследования исследователи решили создать собственную базу изображений. Поскольку обучающие алгоритмы требуют больших объемов данных, команда выбрала автоматизацию процесса, вместо того чтобы полагаться на трудоемкое и повторяющееся ручное пипетирование, выполняемое лаборантами.

Ученые сгенерировали более 23,400 высококачественных реальных изображений высушенных соляных растворов семи неорганических солей и пяти концентраций с помощью роботизированного устройства для захвата капель, названного RODI. Роботизированная система производила капли и захватывала изображения химических осадков. Более того, для каждого изображения были получены и проанализированы характеристики химических паттернов осадков вдоль 47 измерений, включая текстурный анализ, характеристики краев, статистический анализ, пространственное распределение, радиальные вариации, сложность структуры и другие описательные факторы.

Алгоритмы машинного обучения и глубокого обучения ИИ

Для модели ИИ использовались три типа алгоритмов машинного обучения: случайный лес, XGBoost и многослойный перцептрон (MLP). Алгоритмы случайного леса и XGBoost применялись для определения типа соли. Исследователи обнаружили, что, несмотря на различные уровни концентрации, модель ИИ смогла предсказать тип соли с высокой степенью точности.

Затем команда использовала алгоритм глубокого обучения многослойного перцептрона для дальнейшей характеристики солей и предсказания концентрации раствора соли. Глубокое обучение - это подмножество машинного обучения ИИ, архитектура которого в некоторой степени основана на биологическом человеческом мозге. Глубокое обучение представляет собой полносоединенную глубокую нейронную сеть, состоящую из входного слоя, выходного слоя и нескольких скрытых слоев между ними с искусственными нейронами, которые также называют узлами.

Многослойный перцептрон - это сеть искусственных нейронов с прямой связью, состоящая из взаимосвязанных узлов. Для данного исследования многослойный перцептрон включал четыре полносоединенных слоя с разным количеством искусственных нейронов (1,024, 512, 256 и 128) на каждом слое.

Ученые обнаружили, что все три алгоритма ИИ могут быть использованы для классификации типа соли и концентрации. Они выяснили, что многослойный перцептрон показал наилучшие результаты, а случайный лес был наиболее простым для интерпретации.

Результаты исследования

Исследователи сообщили, что им удалось достичь точности предсказания 98.7% для типа соли и 92.2% для совокупного типа соли и начальной концентрации. Они уверены, что исследование демонстрирует, как ИИ может выявлять тонкие паттерны кристаллизации осадков различных высохших солевых растворов в сложных изображениях для получения высокоточных прогнозов о типе соли и концентрации первоначального раствора.

Заключение

Кроме того, ученые видят потенциальные применения этого принципа за пределами лаборатории и на реальных объектах. “Интеграция нашего рабочего процесса извлечения признаков с высокопроизводительным сбором образцов от RODI может демократизировать традиционно дорогие (био)аналитические измерения, которые часто зависят от масс-спектрометрии и аналогичных специализированных инструментов. В идеальном сценарии эти приложения могут выполняться только с помощью камеры смартфона и приложения.”

Используя предсказательные возможности ИИ в сочетании с большими объемами высококачественных реальных данных, полученных с помощью роботизированной автоматизации, исследователи этого исследования, поддерживаемого NASA, создали инновационное и относительно недорогое потенциальное решение не только для лабораторий, но и для полевых условий в будущем.