به گزارش کارگروه فناوری اطلاعات سایبربان ؛ بررسی و تحلیل نانوذرات از دیرباز نقش کلیدی در پیشرفت علوم مواد، پزشکی و فناوری داشته است. با این حال، روش‌های سنتی تحلیل این ذرات که عمدتاً به تقسیم‌بندی و اندازه‌گیری دستی وابسته‌اند، زمان‌بر بوده و مستعد خطا‌های انسانی هستند. پژوهشی نوین با عنوان «تحلیل نانوذرات با کمک هوش مصنوعی پیش‌آموزش‌یافته با استفاده از مدل بخش‌بندی همه‌چیز»، به سرپرستی گابریل آ. مونتیرو، برونو آ. مونتیرو، جفرسون آ. دوس سانتوس و الکساندر ویتمن که در مجله Scientific Reports (۲۰۲۵) منتشر شده است، رویکرد نوآورانه‌ای را برای شناسایی مورفولوژیکی نانوذرات با استفاده از یک مدل یادگیری عمیق پیش‌آموزش‌یافته معرفی می‌کند. این پژوهش نشان می‌دهد که چگونه هوش مصنوعی می‌تواند دقت و کارایی بخش‌بندی نانوذرات را افزایش داده و به پیشرفت آنالیز میکروسکوپی کمک کند.
یکی از چالش‌های اصلی در تحلیل نانوذرات، شناسایی دقیق ذرات چندبخشی و تفکیک دقیق ساختار‌های پیچیده در تجمعات نانوذره‌ای است. روش‌های متداول مانند تقسیم‌بندی بیزی یا شبکه‌های عصبی خاص برای ذرات کلوئیدی، محدودیت‌هایی از نظر دقت و مقیاس‌پذیری دارند. پژوهشگران برای حل این چالش‌ها از مدل Segment Anything Model (SAM)، یک الگوریتم یادگیری عمیق پیش‌آموزش‌یافته، استفاده کردند که برای بخش‌بندی تصاویر در حوزه‌های گوناگون طراحی شده است. برخلاف روش‌های سنتی یادگیری ماشینی که به آموزش گسترده در یک حوزه خاص نیاز دارند، SAM قادر است بدون نیاز به آموزش اضافی، تصاویر جدید را با دقت بالا بخش‌بندی کند.
در این مطالعه، کارایی SAM بر روی سه نوع نانوذره شامل نانوکره‌ها، دوتایی‌ها و سه‌تایی‌ها آزمایش شد. این ذرات به دلیل پیچیدگی‌های مورفولوژیکی مختلفشان انتخاب شدند. هوش مصنوعی توانست کل ذرات و زیرمجموعه‌های آنها را با دقت بالا شناسایی کند، در حالی که روش‌های سنتی معمولاً در تفکیک بخش‌های همپوشان مشکل داشتند. مدل SAM با سازماندهی این زیرمجموعه‌ها در قالب مجموعه‌های ساختاری، ارتباطات سلسله‌مراتبی بین اجزای نانوذرات را مشخص کرد که رویکرد جدیدی در طبقه‌بندی نانوذرات محسوب می‌شود.
ادغام موفق هوش مصنوعی در تحلیل نانوذرات می‌تواند پیشرفت‌های گسترده‌ای را در حوزه‌های علمی و صنعتی رقم بزند. در علم مواد، این فناوری به بهینه‌سازی ویژگی‌های نانوذرات برای کاربردهای مختلف از جمله کاتالیزورها، پوشش‌های پیشرفته و زیست‌پزشکی کمک خواهد کرد. دقت بالای شناسایی ساختار‌های پیچیده نانومقیاس می‌تواند توسعه سیستم‌های دارورسانی، مواد الکترونیکی و فناوری‌های محیط‌زیستی را تسریع کند.
علاوه بر این، تحلیل تصاویر با کمک هوش مصنوعی می‌تواند زمان مورد نیاز برای بررسی‌های مورفولوژیکی را به میزان قابل‌توجهی کاهش دهد. این پژوهش پیشنهاد می‌دهد که روش بخش‌بندی مبتنی بر SAM می‌تواند در حوزه‌های دیگری مانند تحلیل بافت تومورها، شناسایی عیوب در آلیاژ‌های فلزی و تصویربرداری سلولی نیز به کار رود. قابلیت مدل‌های هوش مصنوعی مانند SAM در ارائه نتایج آنی در جریان‌های کاری میکروسکوپی، امکان دستیابی به بینش سریع‌تر از رفتار مواد را فراهم کرده و چرخه‌های آزمایشی و نوآوری را تسریع می‌کند.
نتایج این پژوهش نشان‌دهنده تغییری بنیادین در شیوه تحلیل نانوذرات است و استانداردی جدید برای بخش‌بندی خودکار و بدون خطای تصاویر میکروسکوپی معرفی می‌کند. با بهره‌گیری از مدل‌های یادگیری عمیق پیش‌آموزش‌یافته، پژوهشگران می‌توانند از فرایند‌های زمان‌بر بخش‌بندی دستی عبور کرده و دقت ارزیابی‌های مورفولوژیکی را افزایش دهند. به‌کارگیری مدل SAM در میکروسکوپی، گامی مهم در مسیر دیجیتالی‌سازی نانوعلم بوده و زمینه‌ساز اکتشافات مبتنی بر هوش مصنوعی در حوزه‌هایی همچون شیمی و زیست‌فناوری خواهد شد.
با پیشرفت مداوم هوش مصنوعی، پژوهش‌های آینده احتمالاً بر بهبود دقت بخش‌بندی، یکپارچه‌سازی تحلیل‌های آنی مبتنی بر هوش مصنوعی در جریان‌های کاری آزمایشی و گسترش دامنه کاربردهای مدل SAM به سایر نانومواد تمرکز خواهند کرد.
