Hassas Elektronik Dil: İçeceklerinizi Tadabilir
21 Ocak 2025, 2 dakika okuma
Bir Hassas Elektronik Dil, Suyun Bozulmaya Başladığını Tadabiliyor
Suyun bozulması, tazelik ve tür tespiti için bir AI analizi ve kimyasal sensör kullanıyor Thomas Fuchs
Gıda ve içecek endüstrisini yıllardır zorlayan otomatik bir “tadım testi” yöntemi arayışı, hız ve ölçekte kitlesel üretim hızında ürünleri deneyimleme hedefini aşamadı. Ancak yeni bir çalışmada, araştırmacılar, umut vadeden bir kimyasal sensör türünün sınırlamalarını aşmak için makine öğrenimini kullandılar. Bu da demek oluyor ki, yakında bir robot dil, sütünüzü veya şarabınızı sizden önce değerlendirebilir.
Hassas bir alan etkili transistörün (ISFET) iletken tabakasına temas eden sıvıdaki iyonlar -mesela lezzetli bir içecek- elektrik akıntısını değiştirir. Bu, bilim insanlarının ISFET’leri kimyasal değişikliklere dönüştürmesine olanak tanır. Herhangi bir içeceğin kimyasal yapısı ve dolayısıyla tadı, kontaminasyon ve tazelik tarafından etkilenir – ki ISFET’ler bunu ayırt edebilir.
“Gıda endüstrisinin, gıdanın sahte olduğunu ya da içinde toksik bir şey olup olmadığını belirlemede birçok sorunu var,” diyor Pennsylvania State Üniversitesi mühendisi Saptarshi Das. İlk ISFET’ler 50 yıldan fazla bir süre önce gösterildi, ancak sensörler ticari olarak pek kullanılmıyor. Grafenin gelişi, ideal bir iletken malzeme olduğu için araştırmacıların belirli kimyasal iyonları algılayan gelişmiş ISFET sensörleri oluşturmasına yardımcı oldu. Ancak büyük bir sorun vardı: okumalar sensörden sensöre ve sıcaklık veya nem gibi koşullardaki değişikliklerle değişiyordu.
Eğer bu makaleyi beğeniyorsanız, ödüllü gazeteciliğimizi desteklemeyi düşünün. Bir abonelik satın alarak, günümüzü şekillendiren keşifler ve fikirler hakkında etkili hikayelerin geleceğini sağlamaya yardımcı oluyorsunuz. Doğada, Das ve meslektaşları, ISFET’leri sinir ağlarıyla evlendirerek, sensörlerin okumalarını kullanarak içecekleri sınıflandırmak için bir makine öğrenme algoritması eğittiler. Ortaya çıkan sistem, sütün sulandırılıp sulandırılmadığını söyleyebilir, soda markaları veya kahve karışımları arasında ayrım yapabilir ve farklı meyve sularını tanıyabilirken tazeliklerini değerlendirebilir.
Geliştirme sırasında ekip, insan seçili veri noktalarına dayalı eğitim denemeleri yaptı, ancak bilim insanları, algoritmanın kararlarını temellendirmek için kendi veri özelliklerini seçtiğinde atamaların daha doğru olduğunu buldular. İnsan seçimli özellikler, cihazlardaki değişikliklere karşı savunmasızdı, oysa algoritma tüm verileri aynı anda analiz etti ve daha az değişen öğeleri buldu. “Makine öğrenme, insanların tanımlamasının zor olabileceği daha ince farklılıkları çözebiliyor” diyor Das. Sistem, pratik görevlerde %97’den fazla doğruluk sağladı.
“Veriler çok ikna edici,” diyor grafen tabanlı biyosensörleri ticarileştirmek için bir şirket kuran Kaliforniya Üniversitesi, San Diego mühendisi Kiana Aran. İnsan dilinin belirli molekülleri algıladığı aksine, bu tür ISFET sistemi sadece kimyasal değişiklikleri algılar – “ki bu, belirli, önceden tanımlanmış kimyasal profillerle sınırlıdır” diyor. Das ve meslektaşları, sistemin kapsamını genişletirken daha büyük, daha çeşitli eğitim veri setlerini ve daha karmaşık algoritmaları test edecekler. “Örneğin, bu teknolojiyi sağlık uygulamaları için kullanabilirsiniz: kan glukoz seviyesi veya ter izleme,” diyor Das. “Bunu keşfetmek istediğimiz bir başka alan olacak.”
