یک مطالعه جدید نشان میدهد که بیش از ۹۷٪ تصاویر بهدستآمده از میکروسکوپ الکترونی، هرگز در مقالات علمی منتشر نمیشوند. این تصاویر که شامل خروجیهای میکروسکوپهای الکترونی روبشی (SEM) و میکروسکوپهای الکترونی عبوری (TEM)، هستند، سالها در مراکز تحقیقاتی ذخیره شدهاند، اما تنها ۲٪ از آنها به عنوان نمونههای «تصاویر اصلی» در مقالهها استفاده شدهاند. والنتاین آنانیکوف، شیمیدان آلی در موسسه زلینسکی مسکو این دادههای منتشرنشده را یک «منبع عظیم دستنخورده» در عصر هوش مصنوعی و تحقیقات دادهمحور میداند. او تأکید میکند که اگر این تصاویر به طور سیستماتیک آرشیو و با فناوریهای هوش مصنوعی سازماندهی شوند، میتوانند الگویی برای آموزش ماشین و شناسایی ساختارها و الگوهای جدید فراهم کنند و روند اکتشافات علمی را تسریع کنند.
هوشمندسازی تحلیل دادههای مواد پیشرفته با توسعه کتابخانه پایتون ایرانی نانومواد
در چارچوب طرحهای توسعه فناوری نانو و هوشمندسازی پژوهشهای مواد پیشرفته، پروژهای با عنوان «توسعۀ مواد نانویی پیشرفته با بهرهگیری از علم داده» به مدیریت دکتر مالک نادری، عضو هیئتعلمی دانشگاه صنعتی امیرکبیر، از سال قبل شروع شده و تا آبان ماه ورژن دوم آن منتشر خواهد شد. هدف این طرح، توسعه یک کتابخانه علمی متنباز پایتون در حوزه مهندسی مواد و نانوساختارها است که تنها با یک خط کد، تحلیل دادههای مواد، تبدیلهای مهندسی و مدلهای یادگیری ماشین را در دسترس پژوهشگران قرار میدهد. این پروژه، نخستین گام برای ایجاد زیرساخت نرمافزاری بومی در علم مواد مبتنی بر دادههای نانویی است و میتواند مبنای شکلگیری یک پایگاه داده ملی آنالیزی برای تحقیقات آینده کشور باشد.
انتشار ویژهنامه «افقهای نوآورانه هوش مصنوعی و فناوری نانو در حوزه آب و محیط زیست» در مجله JWENT
دکتر محسن جهانشاهی، سردبیر مجله Journal of Water and Environmental Nanotechnology (JWENT)، اعلام کرد: به مناسبت دهمین سال انتشار این مجله، ویژهنامه سال ۲۰۲۶ را منتشر خواهد کرد که به بررسی موضوع «هوش مصنوعی و فناوری نانو در حوزه آب و محیط زیست» اختصاص خواهد دارد. هدف این ویژهنامه، ارائه راهکارهای نوین برای چالشهای زیستمحیطی با تکیه بر همگرایی هوش مصنوعی و فناوری نانو است.
از داده تا نانو؛ پلتفرمی که طراحی مواد را هوشمند کرد
در حالیکه طراحی و توسعه نانومواد جدید، یکی از پرهزینهترین و زمانبرترین فرایندها در علم مواد است، پژوهشگران دانشگاه تولین در آمریکا موفق شدهاند با بهرهگیری از هوش مصنوعی، مسیر این فرایند را دگرگون کنند. پلتفرم جدیدی با نام ViNAS-Pro توسعه یافته که بهصورت رایگان و متنباز در اختیار جامعه علمی قرار گرفته و میتواند با تکیه بر مدلهای یادگیری ماشین و بانک دادههای گسترده، خواص فیزیکوشیمیایی، سمیت و رفتار زیستی نانومواد را پیشبینی کند. این سامانه نهتنها به پژوهشگران کمک میکند تا مواد نو را پیش از ساخت واقعی شبیهسازی و تحلیل کنند، بلکه میتواند در صرفهجویی زمانی و مالی و کاهش آزمایشهای حیوانی در تحقیقات زیستپزشکی نیز نقشی اساسی داشته باشد. ViNAS-Pro گامی بزرگ در جهت هوشمندسازی فرایند کشف مواد و آیندهای مبتنی بر علم داده در فناورینانو است.
مرز باریک میان واقعیت و جعل: هشدار درباره تصاویر نانومواد تولیدشده با هوش مصنوعی
سردبیر نشریه نیچر به تازگی مقالهای درباره سوء استفاده از هوش مصنوعی برای تولید تصاویر نانومواد منتشر کرده است. رشد خیرهکننده هوش مصنوعی، اکنون ساخت تصاویری از نانومواد با جزئیاتی واقعیتر از همیشه تنها با چند دستور ساده ممکن شده است. پژوهشگران هشدار میدهند که این توانایی، در کنار مزایای علمی فراوان، تهدیدی جدی برای صداقت پژوهشهای علمی در حوزه نانو بهشمار میآید. در شماره جدید مجله Nature Nanotechnology، نویسنده چنین عنوان کرده که هوش مصنوعی میتواند تصاویر میکروسکوپی از نانوساختارهایی خلق کند که حتی متخصصان نیز قادر به تشخیص جعلی بودن آنها نیستند. این مسئله پرسشی اساسی را پیش روی جامعه علمی قرار داده است: چگونه میتوان در عصر هوش مصنوعی، مرز میان کشف علمی و جعل داده را از هم تفکیک کرد؟
طراحی هوشمند پپتیدها در چند روز؛ وعده هوشمصنوعی برای نبرد با مقاومت آنتیبیوتیکی
پژوهشگران با بهرهگیری از هوش مصنوعی و فناوری نانو، روشی نوین برای طراحی و رسانش پپتیدهای ضدمیکروبی ارائه کردهاند؛ روشی که میتواند به درمان مؤثرتر عفونتها، مقابله با بحران جهانی مقاومت آنتیبیوتیکی و حتی کاربردهای گسترده در کشاورزی و صنایع غذایی منجر شود. این تیمهای پژوهشی با استفاده از مدلهای زبانی پروتئین و یادگیری تقویتی موفق شدند در مدت کمتر از دو هفته، پپتیدهایی با توان بالا و پایداری چشمگیر تولید کنند که در برابر باکتریهای مقاوم به دارو عملکردی بیسابقه نشان دادهاند. علاوه بر این، نانوساختارهای هوشمند طراحیشده در قالب هیدروژلها و کمپلکسهای فلزیـپپتیدی، امکان رهایش کنترلشده و اثر همزمان ضدباکتریایی و ترمیم زخم را فراهم کردهاند. این دستاورد، نقطه عطفی در داروسازی و زیستفناوری به شمار میآید.
هوش مصنوعی Neurosnap؛ پلی میان پژوهشهای شیمی و دنیای بیکدنویسی
با گسترش هوش مصنوعی در علوم زیستی و شیمی، بسیاری از پژوهشگران با چالشی اساسی روبهرو هستند: بهرهگیری از فناوریهای یادگیری ماشین بدون نیاز به دانش برنامهنویسی. پلتفرم Neurosnap پاسخی نو به این نیاز است؛ سامانهای آنلاین که ابزارهای هوش مصنوعی را در قالب محیطی کاربرپسند و رایگان در اختیار شیمیدانان، زیستپژوهان و داروسازان قرار میدهد. این پلتفرم با پردازش هوشمند دادههای زیستی و تقویت سیگنالهای آزمایشگاهی، فرایند تحلیل واکنشها و برهمکنشهای سلولی را سریعتر، دقیقتر و سادهتر میسازد.
معرفی یک ابزار کاربردی برای تحلیل تصاویر میکروسکوپی با هوش مصنوعی
با رشد روزافزون کاربرد هوش مصنوعی در پژوهشهای علمی، روشهای سنتی تحلیل تصاویر میکروسکوپی نیز دستخوش تغییر شدهاند. نرمافزار شناختهشده ImageJ سالهاست که ابزار اصلی محققان در تحلیل تصاویر حاصل از میکروسکوپهای الکترونی و نوری است، اما محدودیتهای آن در اجرای مدلهای یادگیری عمیق، زمینه را برای ظهور نسل جدیدی از ابزارهای تحلیلی فراهم کرده است. پلتفرم آنلاین ImJoy بهعنوان بستری تعاملی و ترکیبی، امکان اجرای مدلهای یادگیری ماشین و هوش مصنوعی را در محیطی تحت وب و بدون نیاز به نصب نرمافزار فراهم میکند و میتواند نقطهعطفی در تحلیل دادههای تصویری علمی بهشمار آید.
نانو، ناجی هوش مصنوعی از بحران انرژی
با افزایش روزافزون نیازهای محاسباتی هوش مصنوعی و رسیدن فناوریهای سنتی به مرزهای فیزیکی، پژوهشگران به سراغ نانوفناوری رفتهاند؛ راهکاری که در ابعاد اتمی میتواند توان پردازشی را بالا برده، مصرف انرژی را کاهش دهد و آینده سختافزارهای هوشمند را متحول سازد.
کشف رازهای حرکت نانوذرات با هوش مصنوعی
محققان مؤسسه فناوری جورجیا (Georgia Tech) با توسعه یک مدل هوش مصنوعی به نام «لئوناردو» (LEONARDO)، توانستهاند حرکات پیچیده و تصادفی نانوذرات در محیطهای مایع را تحلیل و حتی شبیهسازی کنند. این پیشرفت نهتنها پنجرهای جدید به دنیای نانومواد گشوده، بلکه راه را برای طراحی داروهای دقیقتر، مواد پیشرفتهتر و حسگرهای هوشمند هموار کرده است.