Command Palette
Search for a command to run...
قامت جامعة كاليفورنيا ببناء مطياف على رقاقة يعتمد على شبكة عصبية متصلة بالكامل، محققة دقة طيفية تبلغ 8 نانومتر بحجم رقاقة.
دخلت كاميرات الهواتف الذكية اليوم عصر الميغابكسل، القادرة على التقاط صور غنية بالتفاصيل. مع ذلك، لا تزال عاجزة عن تحليل التركيب الكيميائي للمواد كما تفعل أجهزة قياس الطيف الاحترافية، مما يُعيق إجراء اختبارات غير مُتلفة لمحتوى السكر في الفاكهة، وتقييم صحة الجلد، أو تحديد آثار الملوثات في البيئة. يكمن جوهر هذه الفجوة في غياب مُكوّن أساسي في الهواتف الذكية وغيرها من الأجهزة، ألا وهو جهاز قياس الطيف، القادر على قراءة "البصمة الطيفية" الفريدة للمواد بدقة.
تُعد أجهزة قياس الطيف التقليدية أداة مهمة لتحليل المواد.يعتمد مبدأ عملها على فصل الضوء المركب إلى أطياف ذات أطوال موجية مختلفة، ثم تحديد تركيب المواد من خلال خطوط طيفية مميزة.مع ذلك، تعتمد هذه الأجهزة عادةً على عناصر تشتيت مثل المحززات أو الموشورات، مما يتطلب مسارًا بصريًا طويلًا لفصل الأطوال الموجية، وهو ما يحدّ بشكل أساسي من تصغير حجمها. حتى النماذج المصغّرة غالبًا ما يبلغ حجمها حوالي 200 سم². ومع تزايد الطلب على أجهزة الكشف المحمولة والأجهزة الطبية القابلة للارتداء، أصبح تطوير أجهزة قياس الطيف التي تجمع بين الأداء العالي والأبعاد الصغيرة تحديًا تقنيًا ملحًا.
وهذا يخلق تناقضًا رئيسيًا: لتحقيق التصغير، يجب التخلي عن البنية التشتتية التقليدية؛ ولكن بدون بنية تشتتية، كيف يمكن الحصول على المعلومات الطيفية؟
ولمعالجة هذه المشكلة،اقترح فريق بحثي من جامعة كاليفورنيا حلاً مبتكراً.تم تصميم بنية نسيجية خاصة لاحتجاز الفوتونات (PTST) على سطح ثنائي ضوئي سيليكوني قياسي، وتم إدخال شبكة عصبية متصلة بالكامل ذات مقاومة عالية للتشويش. تستطيع هذه الشبكة حساب الطيف الأصلي وإعادة بنائه بذكاء مباشرةً من إشارة التيار الضوئي المقاسة بواسطة الجهاز.لا تُمكّن هذه الطريقة جهاز قياس الطيف من تحقيق نسبة إشارة إلى ضوضاء أعلى عند الأطوال الموجية الأطول فحسب، بل يتجاوز أداؤه العام أيضًا أداء أجهزة قياس الطيف التقليدية القائمة على السيليكون.يمثل هذا خطوة رئيسية للأمام في مجال الاستشعار الطيفي المعزز بالذكاء الاصطناعي، مما يتيح للأجهزة المدمجة تحقيق الدقة الطيفية العالية التي كانت متاحة سابقًا فقط من خلال الأنظمة الكبيرة.
تم نشر نتائج البحث ذات الصلة، بعنوان "مطياف احتجاز الفوتون المعزز بالذكاء الاصطناعي على شريحة على منصة السيليكون مع حساسية الأشعة تحت الحمراء القريبة الممتدة"، في مجلة Advanced Photonics.
أبرز الأبحاث:
* يستخدم هذا البحث شبكة عصبية متصلة بالكامل ومقاومة للضوضاء لحل المشكلة العكسية لإعادة بناء الطيف، مما يتيح للأجهزة المدمجة التي تحتوي فقط على 16-32 ثنائي ضوئي تحقيق الدقة الطيفية العالية المطلوبة عادةً للأنظمة التقليدية الكبيرة.
* وقد أدى هذا البحث، بالإضافة إلى إعادة البناء الذكية باستخدام التعلم العميق، إلى تحسين نسبة الإشارة إلى الضوضاء للنظام بأكثر من 30 ديسيبل في منطقة الطول الموجي الطويل، مما أدى إلى تجاوز حد الكشف البالغ 950 نانومتر لأجهزة قياس الطيف التقليدية القائمة على السيليكون.
يتميز النظام المتكامل الذي تم تطويره في هذه الدراسة بحجم صغير للغاية يبلغ 0.4 مم²، واستجابة فائقة السرعة تبلغ 57 بيكو ثانية، وكسب عالٍ يزيد عن 7000، ومقاومة للضوضاء تبلغ 40 ديسيبل. وقد تم التحقق من قيمته التطبيقية العملية من خلال التصوير الطيفي الفائق للفراشات.
عنوان الورقة:
https://doi.org/10.1117/1.AP.8.1.016008
تابع حسابنا الرسمي على WeChat وأجب بكلمة "PTST" في الخلفية للحصول على ملف PDF كامل.
مزيد من أوراق البحث الرائدة في مجال الذكاء الاصطناعي:
بالتركيز على نطاق 640-1000 نانومتر، تم استخدام 16 بنية سطحية مختلفة لاحتجاز الفوتونات لإعادة البناء.
للتحقق من الأداء الفعلي لجهاز قياس الطيف المطوّر على الشريحة في التصوير الطيفي الفائق، اختارت هذه الدراسة مجموعة بيانات الفراشات الطيفية الفائقة المتاحة للجمهور ككائن اختبار.تغطي مجموعة البيانات هذه نطاقًا من الأطوال الموجية يتراوح بين 420 و1000 نانومتر وتحتوي على 59 قناة طيفية (بفاصل طيفي قدره 10 نانومتر).يتم توفيرها على شكل مكعب من الصور الطيفية ثلاثية الأبعاد بدقة مكانية تبلغ 512 × 512 بكسل.
بما أن استجابة الكفاءة الكمية الخارجية للأجهزة المصنعة تجريبياً تتركز بشكل أساسي في نطاق 640-1000 نانومتر ضمن نطاق جمع البيانات، فقد استخدمت هذه الدراسة الاستجابات الطيفية لـ 16 ثنائيًا ضوئيًا ذات هياكل سطحية مختلفة لاحتجاز الفوتونات (PTSTs) في هذا النطاق الموجي لإعادة بناء الصورة. في البداية، تم استيفاء مجموعة البيانات الأصلية إلى 361 نقطة طول موجي متباعدة بمقدار 1 نانومتر ضمن نطاق 640-1000 نانومتر، ثم تم دمجها مع الاستجابات الطيفية المحاكاة للثنائيات الضوئية لتوليد بيانات التيار الضوئي المقابلة. أخيرًا، تم إدخال البيانات إلى نموذج شبكة عصبية مدرب لإعادة بناء الصورة الطيفية الفائقة.
استخدمت مرحلة تدريب الشبكة مجموعة بيانات اصطناعية تحتوي على أكثر من 500,000 طيف غاوسي بقيم ذروة وعرض متفاوتة، وجرى تقييم أداء النموذج باستخدام مجموعات تحقق مستقلة. وكما هو موضح في الشكل أدناه، وجد الباحثون أن الصور الطيفية الفائقة المُعاد بناؤها استنادًا إلى الاستجابات الطيفية التجريبية لـ 16 ثنائيًا ضوئيًا في نطاق الأشعة تحت الحمراء القريبة 640-1100 نانومتر كانت متطابقة بصريًا بشكل كبير مع البيانات الحقيقية.
لزيادة دقة التقييم، اختارت هذه الدراسة بكسلين ممثلين من الصورة (كما هو موضح في الصورة أعلاه، مُحددين بمربعين أحمر وأزرق على التوالي) للمقارنة الطيفية. كما هو موضح في الصورة أدناه...يتطابق الطيف المعاد بناؤه مع الطيف الحقيقي بشكل جيد، حيث يلتقط بدقة التغيرات في خصائص انعكاس أصباغ الفراشات في نطاق الأشعة تحت الحمراء.
بناء مطياف لالتقاط الفوتونات على رقاقة معزز بالذكاء الاصطناعي
في هذه الدراسة، يتمحور جوهر إعادة بناء الطيف حول شبكة عصبية متصلة بالكامل مصممة خصيصًا لاستخلاص طيف الإشارة الساقطة المجهولة من إشارة التيار الضوئي المقاسة بواسطة مصفوفة الثنائيات الضوئية. وتُعد هذه العملية في جوهرها حلًا لمسألة عكسية: فبسبب تداخل الاستجابات الطيفية للكاشف، تصبح مصفوفة استجابة النظام غير مستقرة، مما يجعل طرق الانعكاس المباشر التقليدية غير مستقرة وحساسة للضوضاء. ومع ذلك، تستطيع الشبكات العصبية تعلم إنشاء علاقة قوية بين الإشارة المقاسة والطيف الأصلي، مع امتلاكها بطبيعتها قدرات على إزالة الضوضاء والتنظيم.
تتكون بنية الشبكة من طبقة إدخال، وأربع طبقات مخفية، وطبقة إخراج.تستقبل طبقة الإدخال إشارات التيار الضوئي من 16 ثنائي ضوئي.تُخرج طبقة الإخراج البيانات الطيفية المُعاد بناؤها مباشرةً. تستخدم الطبقات المخفية دالة التنشيط ReLU لإدخال اللاخطية، بينما تستخدم طبقة الإخراج دالة تنشيط خطية. تم تحسين حجم الشبكة (عدد الخلايا العصبية) خصيصًا بناءً على تعقيد البيانات الطيفية.استخدم التدريب مجموعة بيانات اصطناعية كبيرة تحتوي على أكثر من 500000 طيف محاكاة.تتكون هذه الأطياف من منحنيات غاوسية ذات قمم وعرض مختلفين لضمان قدرة النموذج على تعلم مجموعة واسعة من الأشكال الطيفية.
في استراتيجية التدريب، استخدم الباحثون مُحسِّن آدم المُطبَّق باستخدام إطار عمل بايتورش. بعد اختبار دوال خسارة مُتعددة، تم اختيار دالة خسارة مُخصصة تجمع بين جذر متوسط مربع الخطأ (RMSE) ومعامل ارتباط بيرسون (R). أثبتت هذه الدالة فعاليتها بشكل خاص في إعادة بناء أطياف النطاق الضيق ذات القمم الحادة. تحديدًا، تم ضبط حجم دفعة التدريب على 32، ومعدل التعلم على 0.001.قام الباحثون بتدريب النموذج لمدة 1000 دورة تدريبية ثم خفضوا معدل التعلم إلى 0.0001 بعد الدورة التدريبية رقم 600 لتعزيز تقارب النموذج بشكل أفضل.ولتجنب فرط التخصيص، تم استخدام الإيقاف المبكر أثناء التدريب. وكما هو موضح في الشكل أدناه، انخفضت خسائر التدريب والتحقق بسرعة وتقاربت في النهاية، مما يشير إلى أن النموذج قد تعلم جيدًا ولديه قدرة تعميم قوية.
للتحقق من أداء هذه الشبكة العصبية، قارنها الباحثون بطريقتين تقليديتين لإعادة بناء الطيف. وكما هو موضح في الشكل أدناه، فقد أظهرت كل من طريقة الانعكاس الزائف البسيطة وطريقة التركيب الخطي لدوال الأساس (مثل دوال غاوس أو الجيب) للطيف أداءً ضعيفًا في إعادة بناء أطياف الليزر ذات عرض الخط الضيق، حيث بلغ متوسط الخطأ التربيعي (RMSE) حوالي 0.12 ومعامل الارتباط (R) حوالي 0.63.
في المقابل، تستطيع الشبكات العصبية التقاط السمات الطيفية الحادة بدقة.تم تخفيض قيمة RMSE بشكل كبير إلى 0.046، وتم زيادة معامل الارتباط R إلى 0.87.تُظهر هذه النتيجة بوضوح تفوق الشبكات العصبية في حلّ مثل هذه المسائل العكسية. فهي لا تحقق دقة إعادة بناء أعلى فحسب، بل إن خصائصها التعليمية المتأصلة تجعلها أكثر مقاومة لتداخل الضوضاء.
تم تحقيق دقة طيفية تبلغ 8 نانومتر على مساحة 0.4 مم².
للتحقق بشكل كامل من أداء مطياف الذكاء الاصطناعي الموجود على الشريحة، أجرت هذه الدراسة سلسلة من التجارب، مع التركيز على تقييم الدور الأساسي لنموذج الشبكة العصبية في إعادة بناء الطيف وأدائه الفعلي.
في البداية، اختبر الباحثون قدرات الكشف الأساسية للنظام باستخدام ليزرات ضيقة النطاق. وأظهرت التجارب أن الثنائيات الضوئية التي تتضمن هياكل سطحية لاحتجاز الفوتونات أظهرت حساسية ونسبة إشارة إلى ضوضاء محسّنة بشكل ملحوظ في نطاق الأطوال الموجية من 640 إلى 1100 نانومتر، وخاصة في منطقة الأشعة تحت الحمراء القريبة ذات الموجات الطويلة. والأهم من ذلك، أنه من خلال إدخال استجابات مصفوفات الكاشف هذه إلى شبكة عصبية مدربة، تمكن النظام من إعادة بناء طيف الليزر بدقة.عندما يزداد عدد أجهزة الكشف المشاركة في إعادة البناء إلى أكثر من 16، ينخفض متوسط الخطأ بين الطيف المعاد بناؤه والقيمة الحقيقية المرجعية إلى أقل من 0.05، ويتجاوز معامل الارتباط 0.85.وهذا يؤكد أن التشفير الطيفي الفريد الذي توفره الأجهزة والقدرات التحليلية لخوارزمية الذكاء الاصطناعي يمكن أن تعمل معًا بشكل فعال لتحقيق قياسات عالية الدقة.
تُعدّ مقاومة الضوضاء عاملاً حاسماً في تقييم أداء خوارزميات إعادة البناء. تتناول هذه الدراسة مقاومة النظام من خلال إضافة ضوضاء محاكاة عالية الشدة إلى بيانات قياس حقيقية. تُظهر النتائج أنه حتى مع إضافة ضوضاء تصل إلى 40 ديسيبل، يظل نموذج الشبكة العصبية قادراً على إعادة بناء طيف واضح بثبات، مع الحفاظ على نسبة إشارة إلى ضوضاء تبلغ حوالي 30 ديسيبل. وهذا يتناقض بشكل حاد مع الطرق التقليدية التي يتدهور أداؤها بشكل كبير في ظل وجود الضوضاء.وهذا يسلط الضوء على القدرات القوية الكامنة في تنظيم الشبكة العصبية المستخدمة وقمع الضوضاء.هذا هو المفتاح لتحقيق قيمتها التطبيقية العملية.
ولإثبات قدرة النظام على حلّ المشكلات المعقدة، طبّق البحث النظام على مهمة تصوير طيفي فائق. وباستخدام شبكة عصبية مُدرّبة، نجح النظام في إعادة بناء مكعب صورة طيفية فائقة بحجم 512×512 بكسل من مجموعة بيانات الفراشات مفتوحة المصدر، وذلك بالاعتماد على استجابات 16 كاشفًا فقط. وأخيرًا، استخدم الباحثون متوسط مربع الخطأ (MSE) ومؤشر التشابه الهيكلي (SSIM) لتقييم دقة إعادة البناء كميًا. وبلغ متوسط مربع الخطأ 2.3×10⁻⁴، بينما بلغ متوسط مؤشر التشابه الهيكلي 0.9926، وذلك عبر جميع أطوال موجات إعادة البناء.وهذا يدل على أن النظام يتمتع بدقة طيفية عالية للغاية، مما يثبت أن الذكاء الاصطناعي يمكنه فك تشفير وإعادة بناء المعلومات الطيفية المكانية المعقدة عالية الأبعاد من الحد الأدنى من معلومات الأجهزة.لقد أكملت القفزة من "طيف النقطة" إلى "التصوير الطيفي".
في نهاية المطاف، حقق هذا المطياف المُعزز بالذكاء الاصطناعي دقة طيفية تبلغ 8 نانومترات، ونطاقًا ديناميكيًا يصل إلى 50 ديسيبل، ونسبة إشارة إلى ضوضاء عملية تبلغ 30 ديسيبل على مستوى شريحة صغيرة (0.4 مم²). تُظهر المقارنات الأفقية أن هذا النظام، المُصمم بالاشتراك مع خوارزميات ذكية وأجهزة ضوئية متطورة، يتفوق على معظم الحلول المصغرة المماثلة في الأداء العام، مما يُمثل خطوة راسخة نحو التطبيق العملي للاستشعار الطيفي الذكي.
الاستشعار الطيفي المصغر: الحاضر والمستقبل
أصبح التصغير والاستشعار الطيفي الذكي في طليعة البحث العلمي العالمي والاختراقات الصناعية. ففي السنوات الأخيرة، ومن خلال البحوث الأساسية في أفضل الجامعات إلى استكشاف التطبيقات من قبل شركات التكنولوجيا، أثبتت سلسلة من الحالات المبتكرة بوضوح أن دمج قدرات التحليل الطيفي على مستوى المختبر في الرقائق الإلكترونية وحتى الأجهزة اليومية قد دخل مسارًا سريعًا نحو التطبيق.
في الأوساط الأكاديمية، يركز البحث على إعادة تشكيل شكل أجهزة قياس الطيف بشكل جذري من خلال تصميم رقائق ضوئية ثورية والتعاون العميق مع الذكاء الاصطناعي.اقترح فريق بحثي من جامعة سيول الوطنية في كوريا الجنوبية مخططًا جديدًا في مجلة Nature Communications.باستخدام التجاويف الدقيقة المكونة من جسيمات نانوية من البلازما كمصفوفات مرشحات ودمجها مع خوارزميات التعلم الآلي، تم تحقيق دقة طيفية دون النانومتر على مقياس الميكرومتر.
عنوان الورقة:مطياف حسابي مصغر مزود بمصفوفة مرشحات دقيقة من الجسيمات النانوية البلازمونية داخل تجويف
رابط الورقة:https://www.nature.com/articles/s41467-024-47487-y
في نفس الوقت،تناول العلماء في المعهد الفدرالي السويسري للتكنولوجيا في لوزان (EPFL) القضية من جانب حاسم آخر يتعلق بتكامل الأنظمة.تم بنجاح تصنيع ليزر موجي عالي الأداء وقابل للضبط بدقة، مطعّم بالإربيوم، على شريحة إلكترونية. هذا الإنجاز، المنشور في مجلة Nature Photonics، يعني أن أنظمة التحليل الطيفي المتكاملة المستقبلية يمكنها أن تتوقع مصدر ضوء مستقر وعالي الجودة على الشريحة، مما يمثل خطوة راسخة نحو بناء "مختبر متكامل على شريحة".
عنوان الورقة:ليزر متكامل هجين بالكامل قائم على الإربيوم
رابط الورقة:https://www.nature.com/articles/s41566-024-01454-7
إن الابتكار في هذه الصناعة أكثر توجهاً نحو السوق، حيث يركز على تحويل التقنيات المتطورة إلى منتجات وحلول تعالج مشاكل العالم الحقيقي.أطلقت شركة Iron Analytics التشيكية الناشئة أول مطياف موسباور محمول في العالم عام 2025.تكمن ثورية هذا الجهاز في نجاحه في تصغير حجم المعدات المختبرية الأصلية، التي كانت تزن 15 كيلوغرامًا ويبلغ طولها 70 سنتيمترًا، إلى جهاز محمول بحجم علبة كوكاكولا. وهذا يدل على أن تقنية التحليل الطيفي المصغر تتغلغل بعمق من كونها أداة فضولية للمستهلكين إلى مجالات صناعية أساسية، لتصبح قوة إنتاجية حقيقية لتحسين كفاءة الإنتاج والتحكم في العمليات.
في الختام، تتحقق رؤية الاستشعار الطيفي المصغر والذكي تدريجيًا، مع اكتمال كل جزء من أجزاء هذا المشروع التكنولوجي. ومع ذلك، لا يزال دمج هذه التقنية في الحياة اليومية يواجه تحديات عملية كالتكلفة والموثوقية وسهولة تفسير البيانات. ربما في المستقبل القريب، عندما يصبح إنتاج وحدات الاستشعار الطيفي بكميات كبيرة وبتكلفة منخفضة وموثوقية عالية كالكاميرات الحالية، ستشهد نظرتنا للعالم ثورة صامتة وعميقة. حينها، لن تبقى "البصمة الضوئية" التي تفسر كل شيء حكرًا على المختبرات، بل ستصبح دافعًا إضافيًا لفهم الإنسان لمحيطه.
