Chemiker der Florida State University haben ein maschinelles Lernwerkzeug entwickelt, das die chemische Zusammensetzung von getrockneten Salzlösungen anhand eines Bildes mit einer Genauigkeit von 99 % bestimmen kann.
Durch den Einsatz von Robotern zur Vorbereitung von Tausenden von Proben und künstlicher Intelligenz zur Analyse ihrer Daten haben sie ein einfaches, kostengünstiges Werkzeug geschaffen, das die Möglichkeiten zur Durchführung chemischer Analysen erweitern könnte. Die Arbeit wurde in Digital Discovery veröffentlicht.
„Wir leben im Zeitalter der künstlichen Intelligenz und der großen Datenmengen“, sagte Co-Autor Oliver Steinbock, Professor an der Fakultät für Chemie und Biochemie der FSU. „Wir dachten, wenn wir ausreichend große Datenbanken mit genügend Bildern von verschiedenen Verbindungen und Flecken verwenden, könnten wir vielleicht mit Hilfe von KI die Zusammensetzung bestimmen.“
Die Forschung könnte billigere und schnellere chemische Analysen ermöglichen, die in der Weltraumforschung, bei der Strafverfolgung, bei Tests zu Hause und in anderen Bereichen eingesetzt werden könnten.
WIE ES FUNKTIONIERT
Dieses Papier baut auf einer früheren Studie aus Steinbocks Labor auf, in der die Forscher maschinelles Lernen einsetzten, um die chemische Zusammensetzung von Salzflecken auf Fotos zu identifizieren. In dieser Studie analysierten die Forscher etwa 7.500 Proben, die sie von Hand vorbereitet hatten.
Die vorliegende Arbeit erweitert diese Arbeit, indem sie einen Roboter zur Verarbeitung von Proben einsetzt, die später von einem verbesserten maschinellen Lernprogramm analysiert werden. Anstatt Proben von Hand zu entnehmen, entwickelten die Forscher den sogenannten Robotic Drop Imager (RODI), der in der Lage ist, mehr als 2.000 Proben pro Tag zu verarbeiten. Auf diese Weise konnten sie eine Bibliothek mit mehr als 23.000 Bildern aufbauen – mehr als dreimal so viele wie in ihrer ursprünglichen Studie.
Nach der Vorbereitung von Proben und der Aufnahme von Fotos vereinfachten die Forscher jedes Bild, indem sie es in Graustufen umwandelten, und extrahierten dann 47 Merkmale wie Musterfläche, Helligkeit und andere Attribute, die sie für ihre Analyse verwendeten.
Mit zusätzlichen Bildern stieg die Genauigkeit ihres maschinellen Lernprogramms von etwa 90 % auf fast 99 %. Die Forscher analysierten auch die Anfangskonzentration der Salzlösung in fünf verschiedenen Stufen und trainierten ihr maschinelles Lernprogramm, um zwischen ihnen zu unterscheiden. Das Programm erreichte eine Genauigkeit von 92 % bei der Identifizierung der Konzentration der Lösung und der Identität des Salzes.
„Die Genauigkeit, die bei verschiedenen Analysen erforderlich ist, hängt von der jeweiligen Situation ab“, so Amrutha S.V., Postdoktorandin und Mitautorin der Studie. „Aus meiner Erfahrung weiß ich, dass einige Arten der Spektroskopie und andere Analysemethoden teuer sind und spezielles technisches Fachwissen erfordern, um sie anzuwenden. Deshalb bin ich begeistert von der Möglichkeit einer einfachen Methode – einfach ein Foto zu machen, um die chemische Zusammensetzung zu bestimmen. Das wäre unglaublich nützlich.“
