İnsanların dış dünyadan bilgi alıp harekete geçmelerini sağlayan görme, işitme, dokunma, koklama ve tat alma gibi beş temel duyusu, yaşamın her alanında kritik bir rol oynamaktadır.
Beş organın, yani sırasıyla göz, kulak, deri, burun ve dilin görme, işitme, dokunma, koklama ve tat alma yeteneği bir sensör tarafından organize edilir. Sensör, dış kaynaklardan gelen sinyalleri (veri) üzerinde taşıdığı bilgi çeşidine göre algılayabilen sistemlerdir. Toplanan verilerin işitilmesinin yanında işlenebilmesi bilgisayarlar teknolojilerinin pratiğindedir. Dolayısıyla, sensör hem tanıma hem de alım rollerini üstlenmektedir. Akıllı sensörlerin gelişimi de bu doğrultudadır.1
Tat alma korteksi, beynin tat reseptörleri tarafından algılanabilenin ötesinde çeşitli tatları algılayan ve yorumlayan bölgesidir. Bu bölge öncelikle gıdaları tatlı, ekşi, acı, tuzlu ve tuzlu olmak üzere beş geniş kategoride sınıflandırır. Beyin tatların nüanslarını öğrendikçe, tatları inceliklerine göre daha iyi ayırt edebilir.
Mühendislik alanında araştırmalar yürüten bilim insanları, beynin farklı tatlara verdiği tepkileri incelemiştir. Bu bağlamda, yapay zekanın bilgiyi insan gibi işleyebilmesi amacıyla çeşitli iki boyutlu malzemeler entegre edilerek beynin tatlara olan tepki süreci taklit edilmiştir.2
Mevcut çalışmada, bu sensörlerin farklı kimyasalları doğru bir şekilde tespit etme yetisi araştırılmakta ve benzer gıdalar arasındaki küçük farklılıkları algılayıp gıda güvenliği açısından önemli olabilecek endişeleri ayırt edip edemeyeceği değerlendirilmektedir. Bu sayede, yapay zekanın insan beynini taklit edebilecek şekilde bilgi işlem sürecini geliştirme potansiyeli araştırılmaktadır.3
Elektronik dil, grafen tabanlı iyon-duyarlı alan etkili bir transistörden (ISFETs), yani kimyasal iyonları tespit edebilen yarı iletken bir cihazdan oluşmakta olup (Şekil 2), çeşitli veri setleri üzerinde eğitilmiş yapay bir sinir ağına bağlıdır.3 Çalışmanın yazarlarından Das’ın belirttiği gibi, sensörler işlevselleştirilmemiştir; bu, her bir kimyasal tür için özel bir sensör gerekmeksizin tek bir sensörün farklı kimyasal türlerini algılayabileceği anlamına gelir. Araştırmacılar, sinir ağına, örnek bir sıvının bir sensörün elektriksel özellikleri ile nasıl etkileşime girdiğiyle ilgili 20 özel parametre tanımlamıştır.
Belirlenen bu parametrelere dayanarak yapay zeka, sulandırılmış sütler, farklı gazlı içecek türleri, kahve karışımları ve çeşitli tazelik seviyelerindeki meyve suları gibi örnekleri yaklaşık bir dakika içinde %80’in üzerinde bir doğrulukla tespit etmiş ve içeriklerini raporlayabilmiştir.4
İnsan tarafından atanan parametreleri tek tek değerlendirmek yerine, sinir ağının en önemli olduğunu belirlediği verileri birlikte değerlendirdiğini ve Shapley katkı açıklamalarının sinir ağının her bir girdi verisini ne kadar önemli gördüğünü ortaya koyduğunu buldular. Bu yaklaşım, tek bir katılımcının sonucunu tahmin etmek için başkalarının seçimlerini dikkate alan bir karar verme süreci olan oyun teorisini, söz konusu verilere değer atamak için kullanır. Araştırmacılar bu açıklamalarla, sinir ağının nihai bir karar vermek için numunenin çeşitli bileşenlerini nasıl tarttığını tersine mühendislikle anlayabildiler ve bu da ekibe, yapay zeka alanında büyük ölçüde opak kalan sinir ağının karar verme sürecine bir bakış sağladı.
Araştırmacılar bu değerlendirmenin iki kişinin süt içmesine benzetilebileceğini açıkladı. Her ikisi de bunun süt olduğunu anlayabilir, ancak bir kişi sütün yağsız olduğunu düşünürken diğeri hala taze olan %2’lik süt olduğunu düşünebilir. Bunun nedenine ilişkin nüanslar, değerlendirmeyi yapan kişi tarafından bile kolayca açıklanamaz.
Araştırmacılar, elektronik dilin gıda güvenliği ve üretiminde olduğu kadar tıbbi tanı alanında da faydalı olabileceğini düşünmektedir. Sensör ve yapay zeka, çeşitli maddeleri geniş ölçekte algılayıp sınıflandırabilirken, aynı zamanda bu maddelerin kalitesini, özgünlüğünü ve tazeliğini de topluca değerlendirebiliyor. Bu değerlendirme, araştırmacılara yapay zekanın nasıl karar verdiğine dair bir bakış açısı sağlamış ve daha iyi yapay zeka geliştirme ve uygulamalarına yol açabilecek bir potansiyel sunmuştur.
Kaynaklar
- https://techxplore.com/news/2024-10-electronic-tongue-subtle-differences-liquids.html
- Fu, W., Jiang, L., van Geest, E. P., Lima, L. M., & Schneider, G. F. (2017). Sensing at the surface of graphene field‐effect transistors. Advanced Materials, 29(6), 1603610.
- Ghasemi-Varnamkhasti, M., Mohtasebi, S. S., & Siadat, M. (2010). Biomimetic-based odor and taste sensing systems to food quality and safety characterization: An overview on basic principles and recent achievements. Journal of food Engineering, 100(3), 377-387.
- Pannone, A., Raj, A., Ravichandran, H., Das, S., Chen, Z., Price, C. A., … & Das, S. (2024). Robust chemical analysis with graphene chemosensors and machine learning. Nature, 1-7.