هوش مصنوعی در شیمی تجزیه: تحول طیف‌سنجی، یادگیری ماشین و آینده آنالیز شیمیایی

شیمی‌دانان تجزیه (Analytical Chemists) مدت‌ها پیش از آنکه ChatGPT به تیتر اول رسانه‌ها تبدیل شود، از یادگیری ماشین (Machine Learning) برای تحلیل داده‌های پیچیده استفاده می‌کردند. اکنون با ورود هوش مصنوعی مولد (Generative AI) به آزمایشگاه‌ها، این شاخه از شیمی با فرصت‌های بی‌سابقه‌ای برای توسعه روش‌های تحلیلی روبه‌رو شده است؛ هرچند این تحول بدون ریسک و چالش نیز نخواهد بود.

ورود هوش مصنوعی به آزمایشگاه‌های شیمی؛ فرصت‌ها و چالش‌ها

اگر از مردم بپرسید کدام شاخه از علم یا فناوری بیشترین تأثیر را در آینده نزدیک بر زندگی آن‌ها خواهد گذاشت، چه از جنبه مثبت و چه منفی، احتمال زیادی وجود دارد که پاسخ آن‌ها هوش مصنوعی (Artificial Intelligence یا AI) باشد. دریافت دو جایزه نوبل سال 2024 توسط پیشگامان هوش مصنوعی نیز این موضوع را بیش از پیش برجسته کرد؛ جایزه نوبل شیمی برای توسعه AlphaFold و پیش‌بینی ساختار پروتئین‌ها، و جایزه نوبل فیزیک برای «کشف‌های بنیادی که به شکل‌گیری شبکه‌های عصبی مصنوعی منجر شدند».

این موفقیت‌ها تنها دو سال پس از ظهور ChatGPT رخ داد؛ ابزاری که بسیاری معتقد بودند می‌تواند آموزش عالی و بسیاری از حوزه‌های دیگر را دگرگون کند. مانند سایر متخصصان، شیمی‌دانان نیز به‌سرعت در حال سازگار شدن با دنیایی هستند که هوش مصنوعی در آن نقشی روزافزون پیدا کرده است. این موضوع شاید بیش از همه درباره شیمی‌دانان تجزیه صدق کند؛ متخصصانی که وظیفه اصلی آن‌ها شناسایی و اندازه‌گیری ترکیبات موجود در مواد مختلف است.

هوش مصنوعی فقط ChatGPT نیست

اگر از فردی بپرسید هوش مصنوعی برای او چه معنایی دارد، احتمالاً نام ChatGPT یا یکی از چت‌بات‌های مشابه را خواهد برد. اما این تنها بخش کوچکی از دنیای گسترده هوش مصنوعی است.

به‌طور کلی، هوش مصنوعی به «توانایی رایانه برای انجام فعالیت‌هایی گفته می‌شود که معمولاً به استدلال انسانی نیاز دارند»، از جمله:

• یادگیری
• حل مسئله
• درک و تشخیص
• تصمیم‌گیری
• استدلال منطقی

در این تعریف، هوش مصنوعی تقریباً به اندازه خود رایانه‌ها قدمت دارد و موضوع جدیدی محسوب نمی‌شود. جالب است بدانید که این نخستین دوره‌ای نیست که هوش مصنوعی با موجی از هیجان و انتظارات فراوان روبه‌رو شده است. در واقع، موج کنونی سومین دوره رشد بزرگ AI به شمار می‌رود و دو موج قبلی نیز در نهایت فروکش کردند.

تحلیلگران کسب‌وکار برای توصیف این روند از مدلی به نام چرخه هیجان گارتنر (Gartner Hype Cycle) استفاده می‌کنند. بر اساس این مدل، فناوری‌های نوظهور معمولاً ابتدا به «اوج انتظارات اغراق‌آمیز» می‌رسند، سپس وارد «دره ناامیدی» می‌شوند و در نهایت به «مرحله بهره‌وری پایدار» می‌رسند.

نخستین موج بزرگ هوش مصنوعی در دهه ۱۹۵۰ و هم‌زمان با معرفی نخستین شبکه‌های عصبی ساده شکل گرفت. در همان دوران، مجموعه داستان‌های مشهور I, Robot نوشته آیزاک آسیموف (Isaac Asimov) نیز منتشر شد. موج دوم در دهه ۱۹۸۰ و با گسترش الگوریتم‌های یادگیری ماشین (Machine Learning) به وجود آمد و موج سوم نیز همان موجی است که امروزه با هوش مصنوعی مولد (Generative AI) و چت‌بات‌ها در حال تجربه آن هستیم.

مسیر طولانی هوش مصنوعی در شیمی

اما سؤال مهم این است که پس از پایان موج هیجان فعلی، هوش مصنوعی در شیمی به چه جایگاهی خواهد رسید؟ راسموس برو (Rasmus Bro)، پژوهشگر حوزه یادگیری ماشین در شیمی تجزیه از دانشگاه کپنهاگ دانمارک، معتقد است که هنوز تا رسیدن به مرحله بهره‌وری واقعی فاصله زیادی وجود دارد.

او می‌گوید:

«ما به‌طور روزمره از تکنیک‌های یادگیری ماشینی استفاده می‌کنیم که در دهه ۱۹۸۰ معرفی شده‌اند و همین ابزارها نیازهای فعلی ما را برطرف می‌کنند. روش‌های مولد (Generative AI) الزاماً باعث نمی‌شوند کارهای فعلی را بسیار بهتر انجام دهیم، اما دامنه مسائلی را که می‌توانیم حل کنیم، به شکل چشمگیری گسترش خواهند داد. زمانی که این فناوری به بلوغ برسد، تحول آن انقلابی خواهد بود، نه صرفاً یک پیشرفت تدریجی؛ اما هنوز به آن مرحله نرسیده‌ایم.»

مدت‌ها پیش از ظهور هوش مصنوعی مولد، شکل‌های متداول‌تر هوش مصنوعی، به‌ویژه یادگیری ماشین (Machine Learning)، شیوه تحلیل داده‌های علمی را متحول کرده بودند. توانایی این الگوریتم‌ها در طبقه‌بندی داده‌ها و شناسایی الگوها در مجموعه‌داده‌های بسیار بزرگ، باعث شده است که تحلیل داده‌ها هم دقیق‌تر باشد و هم زمان بسیار کمتری نیاز داشته باشد.

امروزه تقریباً هر شیمی‌دانی که با حجم زیادی از داده‌ها سروکار دارد ــ و این شامل بسیاری از دانشجویان نیز می‌شود ــ به نوعی از یادگیری ماشین استفاده می‌کند، حتی اگر خود از این موضوع آگاه نباشد. این فناوری به‌ویژه در حوزه کمومتریکس (Chemometrics) اهمیت فراوانی دارد؛ شاخه‌ای از علم که به استخراج اطلاعات از داده‌های شیمیایی با استفاده از روش‌های آماری و ریاضی می‌پردازد. یادگیری ماشین، ارزش داده‌های حاصل از طیف‌سنجی (Spectroscopy) و سایر روش‌های آنالیز شیمیایی را به میزان قابل توجهی افزایش داده است.

هوش مصنوعی مولد؛ گام بعدی در تحول شیمی تجزیه

هوش مصنوعی مولد (Generative AI) در اصل نوعی از یادگیری ماشین (Machine Learning) است. تفاوت اصلی آن با الگوریتم‌های سنتی یادگیری ماشین در همان واژه «مولد» (Generative) نهفته است. برخلاف الگوریتم‌های معمول که تنها داده‌ها را طبقه‌بندی یا پیش‌بینی می‌کنند، مدل‌های مولد قادرند بر اساس الگوهایی که از مجموعه‌داده‌های بسیار بزرگ آموخته‌اند، محتوایی کاملاً جدید تولید کنند.

هر مدل مولد بر پایه یک مدل احتمالاتی (Probabilistic Model) از داده‌ها ساخته می‌شود و می‌تواند نمونه‌های جدیدی را بر اساس همین توزیع احتمالاتی ایجاد کند. جروم ورکمن جونیور (Jerome Workman Jr.)، پژوهشگر سابق توسعه نرم‌افزار و تجهیزات علمی در کالیفرنیا، معتقد است که مدل‌های مولد می‌توانند «داده‌های طیفی را تکمیل، شبیه‌سازی و با دقت بیشتری توصیف کنند.»

همین ویژگی، ارتباط میان کاربردهای علمی هوش مصنوعی مولد و چت‌بات‌هایی مانند ChatGPT را نیز روشن می‌کند. برای مثال، در ChatGPT مدل‌های زبانی بزرگ (Large Language Models) که در برخی موارد با استفاده از تقریباً تمام اینترنت عمومی آموزش دیده‌اند، نقش همان مخازن عظیم داده را ایفا می‌کنند؛ درست مشابه پایگاه‌های داده علمی که در کاربردهای شیمی مورد استفاده قرار می‌گیرند.

با این حال، استفاده از یادگیری ماشین برای تولید محتوای جدید بر اساس یک درخواست یا «پرامپت» (Prompt)، آن‌قدرها هم که تصور می‌شود فناوری تازه‌ای نیست. فاروق وهاب (Farooq Wahab)، شیمی‌دان تجزیه و پژوهشگر مهندسی در دانشگاه تگزاس آرلینگتون، قدیمی‌ترین اشاره به اصطلاح «Generative AI» را در بیش از ۳۰ سال پیش پیدا کرده است.

او می‌گوید:

«تا جایی که اطلاع دارم، نخستین استفاده از اصطلاح “Generative AI” با مفهومی نزدیک به معنای امروزی، در سال ۱۹۹۱ و در مقاله‌ای از تحلیلگر نرم‌افزار بریتانیایی-آمریکایی، اندی جانسون لیرد (Andy Johnson Laird)، درباره هوش مصنوعی و مالکیت فکری مطرح شده است.»

آیا می‌توان به پاسخ‌های هوش مصنوعی اعتماد کرد؟

وهاب نگاهی محتاطانه و انتقادی به استفاده از هوش مصنوعی مولد در شیمی دارد و برای توضیح دیدگاه خود از داستان معروف «اسب باهوش هانس» (Clever Hans) استفاده می‌کند. «هانس باهوش» اسبی بود که در اوایل قرن بیستم در آلمان، در نمایش‌های عمومی به نظر می‌رسید می‌تواند مسائل ساده ریاضی را حل کند. اما بعدها اسکار فونگست (Oskar Pfungst)، روان‌شناس آلمانی، نشان داد که این اسب در واقع محاسبات را انجام نمی‌دهد، بلکه به نشانه‌های ناخودآگاه صاحب خود واکنش نشان می‌دهد.

به اعتقاد وهاب، بسیاری از سیستم‌های هوش مصنوعی نیز ممکن است رفتاری مشابه داشته باشند. آن‌ها گاهی پاسخ‌هایی کاملاً منطقی و متقاعدکننده ارائه می‌کنند، اما مسیر استدلال آن‌ها اشتباه است.

او هشدار می‌دهد:

«باید به‌ویژه مراقب پاسخ‌هایی باشیم که از نظر ظاهری کاملاً درست و زیبا به نظر می‌رسند، زیرا ممکن است بر پایه استدلالی نادرست تولید شده باشند.»

به همین دلیل، در کاربردهای علمی، هیچ پاسخ تولیدشده توسط هوش مصنوعی نباید بدون بررسی و اعتبارسنجی علمی پذیرفته شود.

هوش مصنوعی و طیف‌سنجی؛ نقطه عطفی در شیمی تجزیه

به‌طور کلی، یک آزمایش معمول در طیف‌سنجی (Spectroscopy) شامل عبور دادن پرتوی تابشی از میان نمونه، ثبت میزان جذب نور در طول‌موج‌های مختلف و تولید یک طیف (Spectrum) برای تحلیل و تفسیر است. روش‌های ریاضی مورد استفاده برای تفسیر این طیف‌ها، بخش مهمی از علم کمومتریکس (Chemometrics) را تشکیل می‌دهند.

در ساده‌ترین حالت، این تحلیل ممکن است تنها شامل کالیبره کردن دستگاه با استفاده از رگرسیون (Regression) باشد، اما در تحلیل‌های پیچیده‌تر، برای توصیف و پیش‌بینی داده‌های طیفی، استفاده از الگوریتم‌های یادگیری ماشین ضروری است. در گزارشی که اخیراً در مجله Spectroscopy منتشر شده، از طیف‌سنجی به عنوان علمی «در یک دوراهی» یاد شده است.

نویسندگان این گزارش سه روند مهم را عامل تغییرات آینده این حوزه معرفی می‌کنند:

• هوش مصنوعی (Artificial Intelligence)
• اتوماسیون (Automation)
• کوچک‌سازی تجهیزات (Miniaturization)

یکی از مهم‌ترین دلایل کوچک شدن تجهیزات طیف‌سنجی، افزایش استفاده از آن‌ها خارج از آزمایشگاه‌های بزرگ است؛ برای مثال در کلینیک‌های پزشکی یا در صحنه جرم برای تحقیقات پزشکی قانونی.

تولید طیف مصنوعی؛ یکی از مهم‌ترین کاربردهای هوش مصنوعی مولد

به اعتقاد جروم ورکمن، زمانی که هوش مصنوعی مولد توانست به جای صرفاً ایجاد ارتباط میان داده‌های ورودی (مانند داده‌های طیف‌سنجی) و خروجی‌ها (مانند غلظت ماده مورد نظر)، خود فضای داده‌ها را مدل‌سازی کند، اهمیت آن برای متخصصان طیف‌سنجی چند برابر شد.

او توضیح می‌دهد:

«این نقشه‌ها یا مدل‌های تولیدشده توسط هوش مصنوعی، زمانی اهمیت پیدا می‌کنند که تهیه نمونه‌های واقعی برای کالیبراسیون دشوار، پرهزینه، زمان‌بر یا حتی غیرممکن باشد.»

به گفته او، اکنون می‌توان با استفاده از این فناوری، طیف‌های مصنوعی (Synthetic Spectra) تولید کرد که از نظر قوانین فیزیکی کاملاً منطقی و قابل قبول باشند. البته این فناوری نیز محدودیت‌های خود را دارد. همان‌طور که بسیاری از استادان دانشگاه تجربه کرده‌اند، دانشجویانی که برای انجام تکالیف خود از مدل‌های زبانی بزرگ استفاده می‌کنند، گاهی با منابع و مراجع ساختگی (Hallucinated References) روبه‌رو می‌شوند؛ مراجعی که در نگاه اول کاملاً واقعی به نظر می‌رسند، اما در حقیقت هرگز وجود نداشته‌اند.

ورکمن معتقد است همین مشکل درباره داده‌های طیفی نیز ممکن است رخ دهد.

او می‌گوید:

«طیف‌های تولیدشده توسط هوش مصنوعی نیز ممکن است دچار “توهم” شوند؛ یعنی از نظر ظاهری کاملاً معتبر به نظر برسند، اما در واقع نادرست باشند، به‌ویژه اگر الگوریتم به‌خوبی آموزش ندیده باشد یا خارج از حوزه‌ای استفاده شود که برای آن آموزش دیده است.»

او تأکید می‌کند که اعتبارسنجی دقیق و تطبیق نتایج با اصول فیزیک و شیمی، مهم‌ترین راه جلوگیری از چنین خطاهایی است.

ChatGPT تا چه اندازه در شیمی توانمند است؟

ابزارهای مبتنی بر هوش مصنوعی مولد (Generative AI)، به‌ویژه چت‌بات‌هایی مانند ChatGPT، تنها برای تولید متن کاربرد ندارند و می‌توانند در برخی بخش‌های تحلیل‌های شیمیایی نیز مفید باشند. فاروق وهاب (Farooq Wahab) از ChatGPT به‌عنوان دستیار برنامه‌نویسی استفاده کرده و تجربه خود را این‌گونه توصیف می‌کند:

«در ابتدا، ChatGPT دستیار برنامه‌نویسی چندان قابل اعتمادی نبود، اما با گذشت زمان پیشرفت قابل توجهی کرده است.»

او در ادامه به نکته مهمی اشاره می‌کند:

«ChatGPT هنوز در شیمی به اندازه ریاضیات توانمند نیست.»

به گفته او، استفاده از ChatGPT برای پاسخ‌گویی به پرسش‌های تخصصی شیمی را نمی‌توان به شیمی‌دانان توصیه کرد، اما این ابزار می‌تواند برای پژوهشگرانی که زمینه ریاضی قوی ندارند، نقش یک دستیار ریاضی در سطح دکتری را ایفا کند. وهاب همچنین اشاره می‌کند که اگر مدل‌های زبانی با داده‌های تخصصی شیمی آموزش داده شوند، توانایی آن‌ها به‌مراتب افزایش خواهد یافت؛ همان کاری که عمر یاقی (Omar Yaghi)، برنده بخشی از جایزه نوبل شیمی ۲۰۲۵ به دلیل توسعه چارچوب‌های فلزی-آلی (Metal–Organic Frameworks یا MOFs)، در حال انجام آن است. او از کاربران حرفه‌ای هوش مصنوعی مولد محسوب می‌شود.

فرصت‌ها، چالش‌ها و توهم‌های هوش مصنوعی

با وجود تمام مزایای هوش مصنوعی مولد، توسعه این فناوری بدون رعایت اصول اخلاقی، هزینه‌هایی نیز به همراه خواهد داشت. شرکت Anthropic برای آموزش چت‌بات شناخته‌شده خود، Claude، حجم عظیمی از اطلاعات موجود در اینترنت را جمع‌آوری کرده است؛ فرایندی که به گفته برخی منتقدان، شامل استفاده از تعداد بسیار زیادی کتاب دارای حق نشر (Copyright) بدون دریافت مجوز نیز بوده است.

جروم ورکمن می‌گوید پنج جلد از کتاب‌های او در زمینه طیف‌سنجی نیز در میان آثاری قرار دارند که در یک دادخواست گروهی (Class Action Lawsuit) علیه این شرکت مطرح شده‌اند.

او توضیح می‌دهد:

«این پرونده آن‌قدر گسترده است که سهم مالی هر فرد احتمالاً بسیار ناچیز خواهد بود، اما مسئله اصلی پول نیست؛ بلکه اصل رعایت حقوق مؤلفان اهمیت دارد.»

این موضوع نشان می‌دهد که پیشرفت سریع هوش مصنوعی، علاوه بر چالش‌های فنی، مسائل حقوقی و اخلاقی مهمی نیز ایجاد کرده است؛ مسائلی که در سال‌های آینده نقش مهمی در توسعه این فناوری خواهند داشت.

هوش مصنوعی چگونه از روی طیف، ساختار مولکولی را پیش‌بینی می‌کند؟

ژیانگ‌لیانگ ژانگ (Xiangliang Zhang) و کهان گوئو (Kehan Guo)، دو دانشمند علوم کامپیوتر در دانشگاه نوتردام (University of Notre Dame) آمریکا، همکاری نزدیکی با متخصصان طیف‌سنجی رزونانس مغناطیسی هسته‌ای (NMR Spectroscopy) و شیمی‌دانان دارند تا مسائل مرتبط با طیف‌سنجی را به گونه‌ای طراحی کنند که بتوان آن‌ها را با استفاده از یادگیری ماشین (Machine Learning) و هوش مصنوعی مولد (Generative AI) حل کرد. یکی از مسیرهای پژوهشی آن‌ها، پیش‌بینی طیف از روی ساختار مولکولی است. اما مسیر دشوارتر، حل مسئله معکوس است؛ یعنی تولید ساختارهای مولکولی احتمالی بر اساس یک طیف مشخص.

تولید ساختارهای مولکولی با هوش مصنوعی

مدل‌های مولد در این زمینه مزیت بزرگی دارند، زیرا می‌توانند در مدت زمان کوتاهی فضای بسیار وسیعی از ساختارهای مولکولی ممکن را بررسی کنند؛ کاری که انجام آن به‌صورت دستی تقریباً غیرممکن یا بسیار زمان‌بر است. در نتیجه، شیمی‌دانان به جای بررسی تعداد محدودی فرضیه، می‌توانند صدها یا هزاران ساختار پیشنهادی را برای ارزیابی در اختیار داشته باشند.

این ساختارهای پیشنهادی معمولاً به صورت رشته‌های SMILES (Simplified Molecular Input Line Entry System) نمایش داده می‌شوند و سپس با پایگاه‌های داده شیمیایی مانند PubChem مقایسه می‌شوند تا میزان شباهت آن‌ها با ترکیبات شناخته‌شده مشخص شود. البته پژوهشگران تأکید می‌کنند که اگر ساختاری در پایگاه داده‌ای مانند PubChem یافت نشود، این موضوع به‌تنهایی به معنای جدید بودن، قابلیت سنتز یا ارزش علمی آن نیست.

هدف اصلی هوش مصنوعی در این حوزه، جایگزین کردن تخصص شیمی‌دان نیست؛ بلکه کمک به پژوهشگران برای تمرکز بر ارزیابی ساختارهایی است که از نظر:

• شیمیایی معتبر باشند؛
• با داده‌های طیف‌سنجی سازگار باشند؛
• از نظر آزمایشگاهی ارزش بررسی داشته باشند.

به بیان دیگر، تصمیم نهایی همچنان بر عهده متخصص شیمی است و هوش مصنوعی تنها فرایند جست‌وجو و تولید فرضیه‌ها را سرعت می‌بخشد.

هوش مصنوعی فراتر از آزمایشگاه

فناوری‌هایی که قادر به جداسازی و شناسایی مخلوط‌های پیچیده از ترکیبات شیمیایی هستند، تنها به آزمایشگاه‌های تحقیقاتی محدود نمی‌شوند. این فناوری‌ها می‌توانند در حوزه‌هایی مانند علوم پزشکی قانونی (Forensic Science)، تشخیص بیماری‌ها (Diagnostics) و ایمنی مواد غذایی (Food Safety) نیز کاربردهای گسترده‌ای داشته باشند.

ترکیب روش‌های کلاسیک شیمی تجزیه با هوش مصنوعی (Artificial Intelligence) می‌تواند دقت، سرعت، قابلیت اطمینان و استحکام نتایج را نسبت به روش‌های سنتی به میزان قابل توجهی افزایش دهد. از بسیاری جهات، این فناوری از یکی از پیچیده‌ترین سیستم‌های زیستی الهام گرفته است؛ یعنی حس بویایی. پستانداران طی میلیون‌ها سال تکامل یافته‌اند تا بتوانند مواد مختلف موجود در هوا را از روی ساختار مولکولی آن‌ها تشخیص دهند. در این میان، سگ‌ها تقریباً به کامل‌ترین سیستم بویایی در میان پستانداران دست یافته‌اند.

ترکیبات آلی فرار (Volatile Organic Compounds یا VOCs) هنگام ورود به بینی، به گیرنده‌های بویایی متصل می‌شوند و سیگنال‌هایی تولید می‌کنند که مغز آن‌ها را به‌عنوان بو تفسیر می‌کند. برآورد می‌شود بینی انسان توانایی تشخیص حدود ۱۰ هزار بو را داشته باشد، در حالی که سگ‌ها به دلیل داشتن حدود ۴۰ برابر گیرنده بویایی بیشتر، قادرند میلیون‌ها بو را از یکدیگر تفکیک کنند.

بینی الکترونیکی (e-Nose)؛ ترکیب شیمی تجزیه و هوش مصنوعی

دوناتلا پوگلیسی (Donatella Puglisi)، فیزیک‌دان دانشگاه لینشوپینگ (Linköping University) سوئد، به همراه گروه تحقیقاتی خود سامانه‌ای موسوم به بینی الکترونیکی (Electronic Nose یا e-Nose) را توسعه داده‌اند.

در این سامانه، ترکیبات فرار موجود در هوا به مجموعه‌ای از حسگرها متصل می‌شوند و سیگنال‌هایی تولید می‌کنند که توسط الگوریتم‌های یادگیری ماشین (Machine Learning) با سرعت و دقت بالا طبقه‌بندی می‌شوند؛ حتی زمانی که مقدار نمونه بسیار کم باشد. این e-Nose از آرایه‌ای شامل ۳۲ حسگر گازی مختلف تشکیل شده است که هر یک در چهار دمای متفاوت به‌طور ثابت نگهداری می‌شوند. هنگامی که گازهای حاوی ترکیبات آلی فرار (VOCs) از روی این حسگرها عبور می‌کنند، سیگنال‌های الکتریکی تولیدشده به یک سامانه پیشرفته مبتنی بر یادگیری ماشین منتقل می‌شوند.

پوگلیسی این فرایند را این‌گونه توضیح می‌دهد:

«هوش مصنوعی موجود در e-Nose آموزش می‌بیند تا الگوهای مختلف سیگنال‌ها را از یکدیگر تشخیص دهد؛ درست همان‌گونه که مغز انسان در سال‌های نخست زندگی یاد می‌گیرد بوی پنیر را از مربای توت‌فرنگی تشخیص دهد.»

کاربرد بینی الکترونیکی در پزشکی قانونی

حساسیت و دقت بالای بینی الکترونیکی (e-Nose) می‌تواند در تحقیقات پزشکی قانونی نقش بسیار مهمی ایفا کند.

برای مثال، کارآگاهان و متخصصان پزشکی قانونی باید بتوانند:

• بین بافت افراد زنده و متوفی تفاوت قائل شوند.
• بقایای انسانی را از بقایای حیوانی تشخیص دهند.
• زمان تقریبی مرگ را برآورد کنند.

سامانه e-Nose هنوز به‌صورت عملیاتی در صحنه جرم مورد استفاده قرار نگرفته است، اما انتظار می‌رود نسبت به دو روش رایج فعلی مزایای قابل توجهی داشته باشد. در حال حاضر، دقیق‌ترین روش استاندارد برای چنین تحلیل‌هایی کروماتوگرافی گازی-طیف‌سنجی جرمی (Gas Chromatography–Mass Spectrometry یا GC–MS) است، اما این تجهیزات برای استفاده در صحنه جرم بسیار حساس و شکننده هستند و انجام آزمایش‌ها نیز زمان نسبتاً زیادی نیاز دارد. از سوی دیگر، استفاده از سگ‌های آموزش‌دیده در بسیاری از پرونده‌ها نتایج موفقی داشته است، اما یافته‌های آن‌ها به‌تنهایی به‌عنوان مدرک فیزیکی قابل استناد در دادگاه پذیرفته نمی‌شود.

کاربرد هوش مصنوعی در تشخیص سرطان

کاربردهای بینی الکترونیکی تنها به علوم جنایی محدود نمی‌شود. این سامانه اکنون در حوزه انکولوژی (Oncology) نیز در حال آزمایش است تا بتواند میان پلاسمای خون بیماران مبتلا به سرطان تخمدان و افراد سالم تفاوت قائل شود. پوگلیسی در این پروژه با همکار خود ینس اریکسون (Jens Eriksson) و همچنین شرکت VOC Diagnostics همکاری می‌کند تا نسخه‌ای از این فناوری را برای استفاده در مراکز درمانی توسعه دهند.

او می‌گوید:

«هدف ما ساخت دستگاهی است که بتواند تنها در عرض چند دقیقه و با استفاده از یک نمونه ساده خون، سرطان تخمدان را با دقتی بیشتر از هر روش موجود غربالگری کند.»

تمرکز اولیه این شرکت بر سرطان تخمدان است، زیرا بنیان‌گذار آن، گیورگی هوروات (György Horvath)، متخصص زنان و زایمان بوده و سال‌ها در زمینه این بیماری فعالیت کرده است. با این حال، پژوهشگران معتقدند همین فناوری می‌تواند برای انواع دیگر سرطان نیز توسعه یابد.

پوگلیسی در پایان می‌گوید:

«مایلیم در آینده حسگری طراحی کنیم که بتواند چندین نوع سرطان را به‌طور هم‌زمان تشخیص دهد، اما ابتدا باید مطمئن شویم که هر نوع سرطان واقعاً “بوی” متفاوتی تولید می‌کند.»

آیا هوش مصنوعی جای شیمی‌دانان تجزیه را خواهد گرفت؟

همه کاربردهای هوش مصنوعی (AI) که به شیمی‌دانان کمک می‌کنند، مستقیماً به انجام آزمایش‌های شیمیایی مربوط نمی‌شوند. یکی از مهم‌ترین کاربردهای آن، ترجمه مقالات و منابع علمی است. زبان انگلیسی تنها طی چند دهه اخیر به زبان اصلی علم تبدیل شده است. حتی حدود ۴۰ سال پیش، بسیاری از دانشجویان شیمی مجبور بودند زبان آلمانی بیاموزند تا بتوانند مقالات تخصصی را مطالعه کنند. در نتیجه، هنوز حجم عظیمی از دانش شیمی در مقالات و کتاب‌هایی به زبان‌های دیگر پنهان مانده است و ترجمه انسانی آن‌ها بسیار زمان‌بر و پرهزینه است.

فاروق وهاب معتقد است:

«هوش مصنوعی مولد می‌تواند تقریباً تمام انواع مقالات شیمی را به‌خوبی ترجمه کند، البته به شرطی که معادلات به‌صورت LaTeX در متن وجود داشته باشند.»

به گفته او، این فناوری دسترسی نسل جدید پژوهشگران را به منابع ارزشمندی مانند مجموعه‌های چندجلدی Beilstein، Gmelin Handbook of Organic Chemistry و حتی مقالات قدیمی شیمی کوانتومی به زبان آلمانی بسیار آسان‌تر کرده است. اما در نهایت، پرسش اصلی همچنان پابرجاست:

آیا هوش مصنوعی باعث می‌شود شیمی تجزیه از یک علم “مبتنی بر هوش مصنوعی” به یک علم “تحت سلطه هوش مصنوعی” تبدیل شود؟ و مهم‌تر از آن، آیا در آینده همچنان به شیمی‌دانان تجزیه نیاز خواهیم داشت؟ با وجود آنکه جروم ورکمن خود یکی از شاکیان پرونده حقوقی علیه شرکت Anthropic است، درباره آینده شغلی شیمی‌دانان دیدگاهی خوش‌بینانه دارد.

او معتقد است پاسخ این پرسش «بیشتر، نه کمتر» است.

به گفته او:

«بخش عمده کارهای تکراری و روتین به‌صورت خودکار انجام خواهند شد، اما نقش شیمی‌دانان تجزیه به سمت کنترل کیفیت، تفسیر نتایج و ارزیابی داده‌ها تغییر خواهد کرد. در آینده، تقاضا برای دانشمندانی که کمومتریکس را به‌خوبی می‌شناسند و توانایی کار با هوش مصنوعی را دارند، افزایش خواهد یافت.»

اگر این پیش‌بینی درست باشد، آینده روشنی در انتظار بسیاری از شیمی‌دانان تجزیه خواهد بود؛ آینده‌ای که در آن انسان و همکاران رباتیک او در کنار یکدیگر به توسعه علم کمک خواهند کرد.

جمع‌بندی

هوش مصنوعی، به‌ویژه یادگیری ماشین و هوش مصنوعی مولد، در حال ایجاد تحول عمیقی در شیمی تجزیه است. این فناوری‌ها از سال‌ها قبل در تحلیل داده‌های شیمیایی، کمومتریکس و طیف‌سنجی نقش مهمی داشته‌اند و اکنون با ظهور مدل‌های مولد، امکان تولید داده‌های مصنوعی، پیش‌بینی ساختارهای مولکولی، تسریع تحلیل طیف‌ها و حتی کمک به توسعه ابزارهای نوینی مانند بینی الکترونیکی فراهم شده است.

با این حال، همان‌طور که پژوهشگران این حوزه تأکید می‌کنند، هوش مصنوعی بدون محدودیت نیست. تولید نتایج نادرست یا به‌اصطلاح «توهم» (Hallucination)، مسائل مربوط به اعتبارسنجی داده‌ها، چالش‌های حقوقی و اخلاقی در آموزش مدل‌ها و لزوم تفسیر صحیح نتایج، از مهم‌ترین موضوعاتی هستند که باید مورد توجه قرار گیرند. به همین دلیل، استفاده از هوش مصنوعی در شیمی تجزیه همواره باید همراه با قضاوت علمی و بررسی دقیق توسط متخصصان باشد.

بر اساس دیدگاه بسیاری از پژوهشگران، آینده شیمی تجزیه نه حذف شیمی‌دانان، بلکه همکاری نزدیک انسان و هوش مصنوعی خواهد بود. انجام خودکار فعالیت‌های تکراری، افزایش سرعت پردازش داده‌ها و ارائه فرضیه‌های جدید، این فرصت را در اختیار شیمی‌دانان قرار می‌دهد تا تمرکز بیشتری بر تحلیل، تفسیر و تصمیم‌گیری علمی داشته باشند. در نتیجه، به نظر می‌رسد هوش مصنوعی در سال‌های آینده بیش از آنکه جایگزین شیمی‌دانان شود، به ابزاری قدرتمند برای افزایش توانایی‌های آن‌ها تبدیل خواهد شد.