TL;DR
- فرمولبندی مجدد یک محصول مصرفی میتواند ماهها تحقیق و پول زیادی را ببرد.
- در آزمایشگاه فرمولاسیون مستقل در NIST،.
- هوش مصنوعی به توسعه «دستور العملهایی» کمک میکند که سپس میتوانند بهعنوان بخشی از توسعه محصول آزمایش شوند.
چه اتفاقی افتاد
فرمولبندی مجدد یک محصول مصرفی میتواند ماهها تحقیق و پول زیادی را ببرد. در آزمایشگاه فرمولاسیون مستقل در NIST،.
هوش مصنوعی به توسعه «دستور العملهایی» کمک میکند که سپس میتوانند بهعنوان بخشی از توسعه محصول آزمایش شوند. اعتبار: ام.
کینگ/NIST هر بار که خمیر دندان را روی مسواک خود فشار میدهید،. عطر را روی پوست خود میپاشید،.
یا قرصی را قورت میدهید،. از نتیجه یک دستور پخت با دقت ساخته شده در آزمایشگاه استفاده میکنید.
به اینها فرمولاسیون میگویند. فرمولاسیونها فقط مخلوطهای ساده نیستند - آنها ترکیبات پیچیدهای از مواد هستند که برای کار.
با هم به روشهای خاص طراحی شده اند. درست کردن دستور غذا میتواند به معنای تفاوت بین محصولی باشد که در قفسه مینشیند (یا.
هرگز به قفسه نمیرسد) و محصولی که زندگی را تغییر میدهد. در اینجا در NIST، ما در حال ایجاد انقلابی در نحوه ایجاد و بهبود فرمولاسیون توسط دانشمندان هستیم.
ما امیدواریم که نتیجه محصولات بهتری باشد که هر روز استفاده میکنید. این فرآیند ترکیبی از رباتیک، هوش مصنوعی و تجزیه و تحلیل مواد پیشرفته است.
برای مثال،. میتوانیم از نوترونها یا اشعه ایکس برای عکسبرداری از نحوه چیدمان مولکولهای میلیونها برابر کوچکتر از موی انسان.
در مواد استفاده کنیم. محصولات بهتر این در مورد ساخت آنها به روشهایی است که سریعتر و کارآمدتر باشند و در.
عین حال ردپای سبکتری بر سلامت و محیط زیست بگذارند. این در آزمایشگاه فرمولاسیون خودمختار ما (AFL) در پردیس NIST در Gaithersburg، مریلند اتفاق میافتد.
اکنون محصولات شما چگونه ساخته میشوند،. فرض کنید شما صاحب یک شرکت شامپو هستید و به دلیل مشکلات زنجیره تامین،.
یک عنصر کلیدی در شامپو شما دیگر در دسترس نیست. اکنون باید فرمول خود را دوباره بسازید تا یک ماده جایگزین قرار دهید.
اما چه مادهای؟ چقدر از آن؟
اگر آن ماده جدید پیامدهای ناخواستهای داشته باشد که بر سایر قسمتهای دستور غذا تأثیر بگذارد،. چه؟
اغلب به آزمون و خطا یا دانش تخصصی نیاز دارد. در حالی که این دانش ارزشمند است،.
کارشناسان ممکن است در تطبیق با جدید یا تغییر با مشکل مواجه شوند مواد تشکیل دهنده محققان NIST،. تایلر مارتین (جلو چپ)،.
پیتر بیوکیج (جلو سمت راست) و دانکن ساترلند از هوش مصنوعی برای کمک به سرعت بخشیدن و بهبود. فرآیند فرمولبندی محصول استفاده میکنند.
اما بهعنوان یک جامعه علمی، میتوانیم بهتر عمل کنیم. NIST کارشناسانی دارد که از ابزارهایی برای بررسی ساختار مواد و اندازهگیری آنها در کوچکترین مقیاسها.
استفاده میکنند. اما تعداد زیاد نمونهها انجام این کار را در آزمایشگاه فرمولاسیون سنتی چالش برانگیز میکند.
هوش مصنوعی را وارد کنید. یک حلقه هوشمند و تعاملی در اینجا نحوه عملکرد این فرآیند آمده است:.
مرحله 1:. مخلوط کردن دقیق،.
مانند پخت و پز،. ما با جمع آوری مواد شروع میکنیم.
به جای اینکه آنها را در فر قرار دهیم،. آنها را در ویالهای کوچکی به اندازه یک قوطی فیلم قرار میدهیم و به رایانه می.
گوییم که چه هستند. سپس کامپیوتر یک سیستم روباتیک مجهز به پیپت را کنترل میکند.
این کامپیوتر بهطور دقیق مقادیر کمیاز مواد شیمیایی را از ویالهای مختلف اندازهگیری و مخلوط. میکند.
مقدار مخلوط ناچیز است - حدود 30 میکرولیتر، کمتر از یک نقطه جوهر از یک قلم نوک ریز. مرحله 2:.
تجزیه و تحلیل ساختاری پیشرفته هنگامیکه نمونه آماده شد،. آن را در سطح بسیار دقیق،.
با استفاده از تجهیزاتی که مانند یک میکروسکوپ پیشرفته کار میکنند. ما به این تکنیکهای پراکندگی پیشرفته میگوییم.
این تکنیکها به ما اجازه میدهند تا مشاهده کنیم که چگونه مواد شیمیایی مختلف خود را در ساختارهای. بزرگتر در فرمول دهی میکنند.
سپس میتوانیم پیشبینیهایی در مورد نحوه رفتار محصولات پس از تهیه «دستور غذا» انجام دهیم. این تکنیکهای پراکندگی معمولاً در یک منبع نوترونی مانند مرکز تحقیقات نوترون NIST در محوطه دانشگاه گیترزبورگ.
ما اتفاق میافتد. آنها همچنین گاهی اوقات در دستگاهی به طول نیم مایل اتفاق میافتند که پرتوهای ایکس فوقالعاده درخشانی را.
ایجاد میکند که بهعنوان سنکروترون شناخته میشود. مرحله 3: بهینهسازی و یادگیری مبتنی بر هوش مصنوعی در اینجا جادو اتفاق میافتد.
در طول فرآیند اندازهگیری فرمولبندی،. دادههای زیادی را جمعآوری کرده و آنها را به یک سیستم هوش مصنوعی وارد میکنیم.
هوش مصنوعی اطلاعات را تجزیه و تحلیل میکند،. در مورد آن میآموزد و پیش بینی میکند که کدام ساختار فرمول کار خواهد کرد بهترین.
با توجه به اهداف سازنده سپس به سیستم روباتیک دستور میدهد تا این فرمول جدید را بر. اساس آنچه از وظایف گذشته آموخته است ایجاد کند.
اما به همین جا ختم نمیشود. ربات فرمول جدید را تجزیه و تحلیل میکند و نتایج را به هوش مصنوعی برمیگرداند.
با هر تکرار،. هوش مصنوعی یاد میگیرد،.
درک خود را اصلاح میکند و پیش بینیهای پیچیدهای را انجام میدهد. گویی سیستم در حال فکر کردن، یادگیری و تکامل رویکرد خود در زمان واقعی است.
محققین NIST پیتر بوکیج (سمت چپ) و تایلر مارتین (راست) در یک کامپیوتر در آزمایشگاه کار میکنند. این یک حلقه آزمایش و بهبود ایجاد میکند و بهطور چشمگیری روند توسعه داروها و سایر محصولات.
مصرفی را تسریع میکند. آنچه ممکن است ماهها یا سالها آزمون و خطا طول بکشد،.
اکنون میتواند در چند ساعت یا روز انجام شود. البته، هوش مصنوعی کامل نیست و نمیتوانید بدون آزمایش محصول گسترده به آن اعتماد کنید.
شرکتهای درگیر در این فرآیند هنوز محصولات خود را آزمایش میکنند. هوش مصنوعی به آنها کمک میکند تا سریعتر و راحتتر از آنچه که قبلاً میتوانستند،.
«دستورالعملهای غذایی» خود را توسعه دهند. تأثیر دنیای واقعی در همکاری اخیر با یک شرکت داروسازی،.
AFL تنها در چند ساعت به یک مسئله پیچیده فرمولاسیون رسیدگی کرد - فرآیندی که ممکن است با. استفاده از روشهای سنتی ماهها طول بکشد.
با تمرکز بر آرایش ساختاری اجزای فرمولاسیون و یادگیری از هر تلاش،. تیم میتواند به سرعت مسائل مؤثر بر عملکرد دارو را شناسایی و حل کند.
اما تأثیر AFL فراتر از داروسازی است. ما به تولیدکنندگان کمک میکنیم تا طیف وسیعی از محصولات را با بهینهسازی ترکیبات ساختاری خود.
بهبود بخشند. این امر در مورد همه چیز از شامپو و رنگ گرفته تا مایعات خودرو و مواد شوینده اعمال.
میشود. AFL میتواند تقریباً هر فرمول مایع را در حال حاضر اداره کند.
ما در حال بررسی راههایی برای تطبیق آن برای تجزیه و تحلیل جامدات ساختاریافته در آینده هستیم. ایجاد تفاوت با علوم صنعتی مانند بسیاری از افرادی که این نوع کار را انجام میدهند،.
من عاشق یک مشکل جالب هستم. وقتی برای اولین بار بهعنوان یک محقق فوق دکترا به NIST آمدم، بسیار ساده لوح بودم.
من مدتی در صنایع شیمیایی تخصصی کار کرده بودم،. اما فکر میکردم که بیشتر مشکلات صنعتی به مهندسی نزدیکتر است تا علم عمیق.
اما من کار روی این پروژه را شروع کردم که شامل بیرون کشیدن نمک از آب دریا است. در بسیاری از مناطق خاورمیانه و آفریقای جنوبی آب آشامیدنی به این صورت است.
این است در مقیاس انبوه استفاده میشود و هیچ کس واقعاً نمیداند که چرا کار می. کند.
دیدن این فرآیند باورنکردنی که مسئول زنده نگه داشتن میلیونها نفر است بسیار چشمنواز بود و هنوز سؤالات. اساسی در مورد اینکه چرا کار میکند وجود دارد.
این سوالات ما را از مهندسی چیزی بهتر باز میدارد. از طریق آن کار،.
من با کنسرسیومیاز شرکتهایی که با NIST کار میکنند،. به نام nSoft درگیر شدم.
من به سرعت متوجه شدم که این نوع مشکل کاملاً معمولی است. هر جا که به علم اعضا نگاه میکردم - از نوارهای چسب قابل جابجایی برای آویزان کردن.
تصاویر روی دیوار گرفته تا حبابهای صابون - سؤالات عمیق و اساسی در مورد جهان وجود داشت. تیمهایی از باهوشترین افرادی که تا به حال ملاقات کردهام،.
به این سؤالات نگاه میکنند و سعی میکنند بفهمند. من تبدیل شدم.
در آزمایشگاه فرمولاسیون خودمختار،. پیتر بیوکیج و سایر متخصصان در حال ایجاد انقلابی در نحوه ایجاد و بهبود فرمولاسیون محصولات،.
مانند داروها و شامپوها هستند. درست قبل از همهگیری،.
همکارم تایلر مارتین پروژهای را آغاز کرد که شامل خرید و ساخت رباتهایی برای مخلوط کردن محلولهای خودکار. بود.
تایلر از من دعوت کرد تا به سخت افزار نگاه کنم و در مورد چند مشکل کوچک کمک. کنم.
وقتی دستگاهها رسیدند،. مدام به آزمایشگاه میرفتم تا روی نرمافزار برای آنها کار کنم و نحوه جابجایی راهحلها را سرهمبندی کنم.
من میخواستم تواناییها را درک کنم و از آن برای به دست آوردن نتایج واقعی استفاده. کنم.
در نهایت، این "سرگرمی" تمرکز علمیاصلی من شد. این پروژه برای من بسیار رضایت بخش بوده است.
ما در حال دریافت نتایج عالی هستیم و واقعاً مشکلات معناداری را با شرکتهایی که با آنها. کار میکنیم حل میکنیم.
چیزی که بهعنوان یک تیم کوچک دو نفره شروع شد،. به شبکهای از دانشجویان،.
فوقدکترها،. همکاران علمیو سایر دانشمندان تأسیساتی که در سراسر جهان هستند،.
تبدیل شده است. زمانی که به سر کار بیایید و رباتهایی بسازید و عیب یابی کنید تا به سوالات اساسی.
در مورد آن رسیدگی کنید جهانی که میلیاردها نفر را تحت تأثیر قرار میدهد،. شما کار بسیار خوبی دارید.
من به ویژه خوش شانس هستم که با تیم فوق العادهای که ساخته ایم کار میکنم. به معنای واقعی کلمه هیچ کاری وجود ندارد که من ترجیح میدهم انجام دهم.
من در حال زندگی رویایی 10 ساله خود هستم - ساخت روبات و تغییر جهان. نگاه به آینده در حالی که این رویکرد وعدههای فوقالعادهای دارد،.
ما باید آن را افزایش دهیم تا شرکتهای بیشتری بتوانند از آن در فرآیندهای فرمولبندی محصول خود استفاده. کنند.
ما روششناسی خود را برای هر کسی که میخواهد آن را بازسازی کند منتشر میکنیم. ما همچنین با شرکتهای کنسرسیوم nSoft کار میکنیم و به آنها پشتیبانی عملی میکنیم تا آن را در.
سایر امکانات مانند ما در سراسر کشور ایجاد کنند. با ادامه تکامل این فناوری،.
میتوانیم منتظر محصولات مؤثرتر و نوآورانهتر در طیف گستردهای از صنایع باشیم - همه اینها به لطف سیستمی. است که هرگز یادگیری و بهبود را متوقف نمیکند.
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.