هوش مصنوعی هم اکنون قابلیت تشخیص علل فوران آتشفشان‌ها را دارد

این هوش مصنوعی با استفاده از آنالیز خاکستر‌های باقی مانده از انفجارات یک آتشفشان، توانایی تشخیص علل فوران آتشفشان و موارد دیگر مرتبط با آن را دارد.

هوش مصنوعی آنالیز کننده‌ی خاکستر

آتشفشان شناسان (بله این یک تخصص است)، با بررسی شکل ذرات موجود در خاکستر فوران آتشفشان‌ها قابلیت تشخیص نوع فورانی که آن را تولید کرده است را دارند. شاید برای شما سوال باشد که کاربرد این کار چیست؟ در پاسخ باید بگوییم که شناسایی نوع فوران به تیم‌های کمک کننده این امکان را می‌دهد تا خود را برای اتفاقات بعد از وقوع یک فوران، آماده کنند. برای مثال نوع فوران رخ داده، در مورد محدوده‌ای که پس از وقوع آن باید تخلیه شود، اطلاعاتی را از خود بروز می‌دهد. اما تا قبل از ساخت هوش مصنوعی که قابلیت انجام این کار را داشته باشد، دسته بندی خاکستر آتشفشان‌ها زمان‌بر ،منحصر به فرد و نیازمند افراد ماهری در زمینه تشخیص این ذرات می‌بود.

اما هم اکنون، دانشمندان موسسه‌ی Earth-Life Science که زیر مجموعه‌ای از موسسه‌ی تکنولوژی توکیو هستند، به تازگی هوش مصنوعی را ساخته‌اند که که قادر به آنالیز ذرات خاکستر آتشفشانی به منظور تشخیص شکل آن‌ها است. دانشمندان این موسسه از جزییات پروژه‌ی خود در مقاله‌ای که در ماه می در روزنامه‌ی ساینتیفیک ریپورتس (Scientific Reports) به چاپ رسید، پرده برداشتند.

تمرین کردن با CNN

هوش مصنوعی ساخته شده به دست موسسه‌ی علمی توکیو به شبکه عصبی کانوولاتور (یا همان CNN) شناخته شده است. این هوش مصنوعی نوعی هوش مصنوعی است که به منظور بررسی و آنالیز تصاویر مختلف به وجود آمده است. به منظور تمرین دادن به این هوش مصنوعی، محققان از یک آنالیزگر خودکار ذرات برای ساخت هزاران تصاویر دو بعدی از ذرات خاکستر آتشفشانی استفاده کردند.

آنگاه دانشمندان به صورت دستی این ذرات را در چهار دسته پایه‌ای از نظر شکلی طبقه بندی کردند، این اشکال عبارت‌اند از مسطح، منفذ دار، دراز و گرد. برخی از ذرات ترکیبی از این اشکال بودند. سپس، آن‌ها به CNN خود ،تعداد ۲۰۰ تصویر از این ذرات را خوراندند ویژگی اصلی ین تصاویر آن بود که به شکل دقیقی با ویژگی‌های هر گروه مطابقت داشتند. آن‌ها از این تصاویر برای مهارت دادن به هوش مصنوعی خود استفاده کردند تا برخی از پارامترهای مهم هر گروه را به یاد داشته باشد( برای مثال مقداری گرد بودن در گروه ذرات گرد یک پارامتر مهم محسوب می‌شد که در خاطر هوش مصنوعی باید باقی بماند.)

عبور از مراحل آزمایشی

گروه محقق این پروژه، بعد از تمرین دادن و افزایش مهارت هوش مصنوعی خود در تشخیص تصاویر،به عنوان یک آزمایش، به آن ۴۰ تصویر دیگر از ذرات را ارائه دادن تا آن‌ها را با توجه به ویژگی‌های مشهود هر کدام در گروه مربوطه قرار دهد. نتیجه‌ی این آزمایش ۹۲ درصد موفقیت هوش مصنوعی در تشخیص درست ذرات و قرار دادن آن در گروه مناسب بود. و همچنین این هوش مصنوعی برای تصاویری که قابلیت تشخیص و گروهبندی آن‌ها را نداشت، یک ضریب احتمال تعریف کرد. (برای مثال یک تصویر گروهبندی نشده، ۹۰ درصد احتمال قرار گیری در گروه منفذ دارها و ۱۰ درصد احتمال قرار گیری در گروه ذرات مسطح را داشت.)

همانطور که واضح است، این هوش مصنوعی در حال حاضر کابردی بودن خود را در تشخیص ذرات آتشفشانی اثبات کرده است اما گروه محققان این پروژه امیدوار هستند که با ارتقاء هوش مصنوعی خود، قابلیت تشخیص ذرات آتشفشانی را با استفاده از ابعاد ظاهری دیگر از قبیل رنگ و نوع بافت آن‌ها نیز فراهم آورند.