40 گام به سوی آینده‌ای هوشمند - مجموعه وبینارهای رایگان در حوزه هوش مصنوعی
Filter by دسته‌ها
chatGTP
آموزش هوش مصنوعی و انواع آن
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
پایتون و ابزارهای یادگیری عمیق
کتابخانه‌ های یادگیری عمیق
یادگیری با نظارت
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
اخبار
تیتر یک
رسانه‌ها
آموزش پردازش زبان طبیعی
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
رویدادها
کاربردهای هوش مصنوعی
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
 بهینه سازی آزمایشگاه هایی که با زیست‌مولکول‌های فاسدشدنی سر و کار دارند

بهینه سازی آزمایشگاه هایی که با زیست‌مولکول‌های فاسدشدنی سر و کار دارند

گروهی از محققان به سرپرستی هاروکا اوزاکی (استادیار مؤسسه‌ی پژوهشی هوش مصنوعی دانشگاه سوکوبا) و کویچی تاکاهاشی (مؤسسه‌ی پژوهشی RIKEN) با تکیه بر الگوریتم‌های ریاضی، موفق به بهینه سازی آزمایشگاه ها با برنامه‌ ربات‌های به کاررفته در آن‌ها شدند. برخی نمونه‌های آزمایشگاهی باید با استفاده از چندین ابزار متفاوت مورد بررسی قرار بگیرند، اما از نظر زمانی حساسیت بالایی دارند (فاسدشدنی هستند). محققان توانستند با تحلیل نیازهای این نوع نمونه‌ها، تعداد آزمایشاتی که می‌توان با توجه به منابع محدود آزمایشگاه‌ها، در بازه‌ی زمانی مشخصی انجام داد را به حداکثر برسانند و از این طریق قدم بزرگی در بهینه سازی آزمایشگاه ها بردارند. این تحقیقات به طراحی آزمایشگاه‌ها و سایر محیط‌های کاری زیست‌شناسی در آینده کمک می‌کنند.

بهینه سازی آزمایشگاه ها

ربات‌ها می‌توانند بسیاری از مسائل زیست‌شناسی، از قبیل پیپت کردن یا انتقال سلول‌ها از ابزاری به ابزار دیگر، را انجام دهند؛ به همین دلیل، آزمایشگاه‌ها روز به روز بیشتر به سمت خودکارسازی پیش می‌روند. کنترل برنامه‌ این ماشین‌ها به منظور انجام بیشترین آزمایشات ممکن در یک بازه‌ی زمانی مشخص، امری پیچیده است؛ چون سلول‌های زنده و شناساگرهای فاسدشدنی اغلب محدودیت‌های زمانی خاص خود را دارند. الگوریتم‌های برنامه‌ریزی قدیمی به «محدودیت زمانی با مرزهای دوطرفه» توجهی نداشتند (یعنی هنگامی که بین شروع و پایان یک عملیات با مرز عملیات بعدی، زمان محدودی وجود دارد). این نوع محدودیت‌ها در مسائل زیست‌شناسی به کرّات مشاهده می‌شوند؛ برای مثال، در صورتی که مولکول‌های پروتئین فوراً مورد پردازش قرار نگیرند، تغیر ماهیت داده یا فاسد می‌شوند.

در حال حاضر، پژوهشگران دانشگاه سوکوبا چارچوب ریاضیاتی جدیدی ساخته‌اند که علاوه بر این محدودیت‌های زمانی، تعارض احتمالی بین منابع (مثل ظرفیت محدود ابزارها) را نیز مدنظر قرار می‌دهد. اوزاکی می‌گوید: «ما نام S-LAB را برای رویکرد خود انتخاب کرده‌ایم که مخفف «برنامه‌ریزی خودکارسازی آزمایشگاه‌های زیست‌شناسی» است. هدف از این نام‌گذاری، تأکید بر محدودیت‌های زمانی خاصی که در این آزمایشگاه‌ها وجود دارد، بود.»

حتی در حال حاضر که در عصر ربات‌های چندمنظوره زندگی می‌کنیم، چندین نوع ابزار آزمایشگاهی (مثل گرداننده‌های حرارتی یا تبخیرکننده‌ها) هستند که برای آزمایشات زیست‌شناسی ساده به کار می‌روند. این ربات‌ها باید به نحوی برنامه‌ریزی شوند که نمونه‌ها را، بدون این‌که بیش از حد در تماس با عناصر و فضای باز قرار گیرند، جلو و عقب ببرند. اوزاکی در ادامه می‌گوید: «با استفاده از رو‌ش برنامه‌ریزی هدف‌مند، آزمایشگاه‌های خودکار می‌توانند کارآیی خود را در طیفی وسیع از آزمایشات علوم زیستی ارتقاء دهند.» این موضوع به بهینه سازی آزمایشگاه ها کمک زیادی خواهد کرد. این پژوهش‌ها را می‌توان در سایر فرآیندهای صنعتی که با مواد فاسدشدنی (که نباید خیلی در فضای باز قرار گیرند) سر و کار دارند نیز به کار برد.

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید

میانگین امتیاز / ۵. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
[wpforms id="48325"]