از غذا گرفته تا سوخت، هوش مصنوعی به تعیین دقیق نحوه رشد «ریزجلبک» در مقیاس کمک می‌کند

ویرایش شده توسط گابی کلارک، بررسی توسط اندرو زینین

این مقاله با توجه به روند و سیاست‌های ویرایشی Science X بررسی شده است. ویراستاران ضمن اطمینان از اعتبار محتوا، ویژگی های زیر را برجسته کرده اند:

ریزجلبک ها (جانداران میکروسکوپی که از نور و دی اکسید کربن برای رشد استفاده می کنند) می توانند برای ساختن مواد و غذای حیوانات، رنگدانه ها و سوخت های بالقوه تجدید پذیر استفاده شوند. اما رشد موثر ریزجلبک ها در مقیاس صنعتی دشوار است.

تحقیقات خود من با ریزجلبک ها با پتانسیل آنها برای تولید سوخت زیستی آغاز شد. من در حال بررسی این موضوع بوده‌ام که چگونه هوش مصنوعی می‌تواند به دانشمندان کمک کند تا رشد ریزجلبک‌ها را افزایش دهند، به‌ویژه برای تولید سوخت زیستی از گونه‌های ریزجلبکی مانند Chlorella vulgaris و Nannochloropsis oculata.

هزاران گونه از ریزجلبک های کوچک در دریاها، رودخانه ها و دریاچه ها فراوان هستند. آنها به عنوان تولیدکنندگان اولیه عمل می کنند و از فرآیند فتوسنتز برای تبدیل نور به پروتئین، چربی و کربوهیدرات و همچنین سایر ترکیبات آلی استفاده می کنند.

ریزجلبک ها را می توان در فتوبیوراکتورها پرورش داد. این سیستم های صنعتی به گونه ای طراحی شده اند که شرایط مناسبی را برای میکروارگانیسم های فتوسنتزی فراهم کنند. چندین پارامتر باید در طول کشت کنترل شوند. اینها شامل نور، دما، pH و غلظت اکسیژن است.

این پارامترها نیز بر یکدیگر تأثیر می گذارند. به عنوان مثال، نور ناکافی می تواند فتوسنتز را محدود کند، در حالی که نور بیش از حد می تواند باعث مهار نور شود، جایی که نور بیش از حد باعث کاهش کارایی فتوسنتز می شود. با افزایش مقدار ریزجلبک ها در راکتور، سلول ها می توانند روی یکدیگر سایه بزنند و میزان نور موجود را کاهش دهند. هوادهی می تواند به طور همزمان بر عرضه دی اکسید کربن، حذف اکسیژن و pH تأثیر بگذارد.

کنترل همه این پارامترها در طول کشت می تواند دشوار باشد. تحقیقات کنونی من این مشکل کشت را با دقت بیشتری در آزمایشگاه بررسی می کند. بخشی از کار من بررسی می کند که چگونه می توان از نظارت و تصویربرداری به کمک هوش مصنوعی برای تجزیه و تحلیل رشد میکروجلبک ها و بهبود کشت استفاده کرد.

هوش مصنوعی و روش های یادگیری ماشینی در حال حاضر توسط محققان برای کمک به نظارت و بهینه سازی برخی از این شرایط استفاده می شود.

سنسورها می توانند به طور مداوم پارامترهایی مانند دما، pH، اکسیژن محلول، نور و دی اکسید کربن را اندازه گیری کنند. مدل های یادگیری ماشینی می توانند داده های جمع آوری شده از این حسگرها را تجزیه و تحلیل کنند و الگوهای مربوط به شرایط و رشد فرهنگ را شناسایی کنند.

من در حال بررسی نحوه استفاده از هوش مصنوعی در فتوبیوراکتورها و اینکه کجا می‌تواند مزایای عملی داشته باشد را بررسی کرده‌ام. روش‌های یادگیری ماشینی قبلا برای پیش‌بینی رشد ریزجلبک‌ها و بهینه‌سازی شرایط کشت استفاده شده‌اند.

رویکردهای مبتنی بر تصویر نیز برای نظارت بر ریزجلبک‌ها بدون تکیه بر نمونه‌برداری دستی مورد مطالعه قرار می‌گیرند. به عنوان مثال، تصاویر یک فرهنگ را می توان برای تخمین تغییرات در زیست توده یا تراکم کشت تجزیه و تحلیل کرد. این نیز یکی از رویکردهایی است که من و همکارانم در آزمایشگاه میکروجلبک خود در حال توسعه هستیم.

اندازه گیری مداوم برخی تغییرات بیولوژیکی دشوارتر است. شرایطی که ریزجلبک‌ها را تحت استرس قرار می‌دهند – و در نتیجه رشد یا بهره‌وری را مهار می‌کنند – می‌توانند قبل از مشاهده تغییر واضح در فرهنگ شروع به ایجاد کنند. ترکیب اندازه‌گیری‌های مختلف حسگر با مدل‌های یادگیری ماشینی می‌تواند به محققان در شناسایی این تغییرات و درک بهتر آنچه در طول کشت اتفاق می‌افتد کمک کند.

اطلاعات به‌دست‌آمده از این سیستم‌ها سپس می‌تواند برای حمایت از تصمیم‌گیری در مورد شرایط عملیاتی مانند تامین دی اکسید کربن، pH و نور استفاده شود.

تحقیقات من جنبه های مختلف تولید ریزجلبک ها را بررسی کرده است. بیشتر ریزجلبک‌هایی که من بررسی کرده‌ام در مقیاس آزمایشگاهی یا آزمایشی کوچک باقی می‌مانند، اگرچه کنترل مبتنی بر هوش مصنوعی در برخی از سیستم‌های کشت در فضای باز بزرگتر نیز آزمایش شده است.

یک مطالعه در سال 2026 توسط محققان در آلمریا در جنوب شرقی اسپانیا، یادگیری تقویتی را در یک راهروی باز 80 متر مربعی (860 فوت مربع) مورد آزمایش قرار داد که برای کشت ریزجلبک ها استفاده می شد. راهروی باز یک سیستم کشت کم عمق و در هوای آزاد است که در آن آب حاوی ریزجلبک‌ها در اطراف کانال‌ها به گردش در می‌آید و معمولا از یک چرخ دستی استفاده می‌کند.

در این مطالعه، سیستم هوش مصنوعی به فرآیند کشت متصل شد و برای تنظیم pH با کنترل تزریق دی اکسید کربن استفاده شد. یادگیری تقویتی نوعی از یادگیری ماشینی است که در آن یک سیستم کامپیوتری می آموزد که کدام اقدامات نتایج مناسبی را ایجاد می کنند. سیستم کنترل کامپیوتری مبتنی بر هوش مصنوعی از اندازه‌گیری‌هایی از جمله دما، نور خورشید و اکسیژن محلول برای تصمیم‌گیری میزان دی اکسید کربن استفاده می‌کرد.

این کنترلر به مدت هشت روز تحت شرایط متغیر در فضای باز مورد آزمایش قرار گرفت و محققان نشان دادند که کنترل کننده قادر به تنظیم فرآیند در حالی که به تغییرات در شرایط عملیاتی پاسخ می دهد، می باشد. این مطالعه تنها یک نمونه از کنترل مبتنی بر هوش مصنوعی را ارائه می‌کند که به جای اینکه فقط از طریق مدل‌سازی یا آزمایش‌های آزمایشگاهی ارزیابی شود، در یک سیستم کشت میکروجلبک‌های عامل اعمال می‌شود.

قبل از اینکه این رویکردها به طور معمول در تولید تجاری مورد استفاده قرار گیرند، هنوز چندین مشکل باید برطرف شوند.

مدل های هوش مصنوعی به داده های قابل اعتماد بستگی دارند. حسگرهای مورد استفاده در فتوبیوراکتورها ممکن است دچار آلودگی شوند یا اندازه گیری آنها در طول زمان تغییر کند. سویه های ریزجلبک نیز می توانند به شرایط کشت واکنش متفاوتی نشان دهند. در نتیجه، مدلی که با استفاده از یک سویه یا فوتو بیوراکتور توسعه یافته است، ممکن است عملکرد یکسانی را هنگام اعمال بر روی سیستم دیگر نداشته باشد.

این به ویژه به کار خود من مربوط است زیرا کشت ریزجلبک مشکلات بیولوژیکی و مهندسی را ترکیب می کند. بهبود کشت تنها در مورد توسعه یک مدل هوش مصنوعی بهتر نیست. فتوبیوراکتور، حسگرها، فشار ریزجلبک و شرایط عملیاتی همه باید با هم در نظر گرفته شوند.

بنابراین هوش مصنوعی باید به جای جایگزینی برای مهندسی فرآیند مرسوم، ابزاری اضافی برای محققان و اپراتورهای فرآیند در نظر گرفته شود. این می تواند به تجزیه و تحلیل مقادیر زیادی از داده های کشت کمک کند و از تصمیم گیری در مورد چگونگی تنظیم شرایط عملیاتی حمایت کند. اکنون تاکید تحقیق من بر شناخت و رسیدگی به محدودیت های عملی ناشی از حرکت از آزمایش های آزمایشگاهی به سمت سیستم های بزرگتر خواهد بود.

کارشناسی ارشد زبان انگلیسی، ویرایشگر کپی از سال 2021 با تجربه در آموزش عالی و محتوای بهداشتی. تقدیم به اخبار معتبر علمی. نمایه کامل →

فوق لیسانس فیزیک با تجربه تحقیق. علاقه مندان به اخبار علمی طولانی مدت. نقش کلیدی در موفقیت سرمقاله Science X ایفا می کند. نمایه کامل →

این مقاله از The Conversation تحت مجوز Creative Commons بازنشر شده است. مقاله اصلی را بخوانید.