باز کردن قفل هوش مصنوعی به عنوان یک ابزار تحقیقاتی برای میکروسکوپ گیاهی

ویرایش شده توسط لیزا لاک، 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:

نرم افزار ایجاد شده توسط دانشمندان دانشگاه کوئینزلند می تواند به پلتفرم های هوش مصنوعی کمک کند تا بر نقطه کوری که ارزش آنها را در تحقیقات گیاهی محدود می کند غلبه کنند. UQ Ph.D. دانش‌آموز Tianqi Wei گفت حتی مدل‌های پیشرفته زبان بینایی (VLM) در تفسیر تصاویر جزئیات میکروسکوپی گیاه مشکل دارند.

وی گفت: "VLM ها به طور گسترده ای به عنوان ابزار تحقیقاتی در سایر زمینه های میکروسکوپ استفاده می شوند، اما نه علوم گیاهی، زیرا نمی توان به آنها برای تجزیه و تحلیل دقیق جزئیات سلولی اعتماد کرد." در نهایت، نقاط کوری وجود دارد که ما را از استفاده از این ابزارها برای دستیابی به اکتشافاتی که باعث پیشرفت تحقیقات در زمینه‌هایی مانند امنیت غذایی و پایداری محیط‌زیست می‌شود، باز می‌دارد.»

وی و همکارانش در دانشکده مهندسی برق و علوم کامپیوتر UQ، برای هدایت VLM ها به سمت درک قوی تر از میکروسکوپ گیاهی، یک مجموعه داده محک AI به نام PlantMicro ایجاد کرده اند که اکنون در GitHub در دسترس است. این تحقیق در کنفرانس اروپایی بینایی کامپیوتر (ECCV 2026) که در مالمو، سوئد، 8 تا 12 سپتامبر برگزار شد، ارائه شد.

این نرم افزار که با همکاری دانشکده کشاورزی و پایداری غذایی UQ توسعه یافته و تا حدی توسط شرکت تحقیق و توسعه غلات (GRDC) پشتیبانی می شود، هزاران تصویر میکروسکوپی را ادغام می کند و از مکانیسم های آموزشی پیچیده برای آزمایش توانایی VLM ها برای شناسایی، مرتب سازی و شمارش جزئیات دقیق در گیاهان و بیماری های گیاهی استفاده می کند.

وی گفت: «بخشی از دلیل وجود شکاف عملکرد هوش مصنوعی در میکروسکوپ گیاهی به این دلیل است که ما نمی‌توانیم دقیقا ببینیم که VLM‌ها کجا کوتاه می‌آیند و چگونه می‌توانند بهبود یابند. با PlantMicro، می‌توانیم به وضوح تشخیص دهیم که این مدل‌های اصلی هوش مصنوعی در کجا با مشکل مواجه هستند.

وی گفت آزمایش‌های انجام‌شده با PlantMicro تأیید کرد که VLM‌های منبع باز و بسته در شناسایی میزبان گیاه و شناسایی بیماری ضعیف عمل می‌کنند، با دقت متوسط ​​حدود 30%. این نتایج به طور جزئی بالاتر از حدس زدن تصادفی است، که نشان می دهد VLM ها هنوز با چالش های قابل توجهی در شناسایی انواع میزبان یا پاتوژن از روی شواهد میکروسکوپی مواجه هستند.

او گفت که شناسایی این شکاف‌های عملکردی بازخورد حیاتی برای توسعه‌دهندگان هوش مصنوعی فراهم می‌کند که برای بهبود محصولات خود برای استفاده در تحقیقات گیاهان میکروسکوپی تلاش می‌کنند. وی گفت: "ما امیدواریم برنامه ما پایه و اساس بهتری برای هوش مصنوعی فراهم کند تا در علوم گیاهی برای بهبود همه افراد روی کره زمین استفاده شود."

Tianqi Wei و همکاران، مدل‌های بینایی-زبان معیار برای درک تصویر گیاهی میکروسکوپی، یادداشت‌های سخنرانی در علوم کامپیوتر (2026). DOI: 10.1007/978-3-032-37432-5_14

لیسانس تاریخ هنر، کارشناسی ارشد فرهنگ مادی. سردبیر سابق موزه، پیراپزشک و هماهنگ کننده پیوند. ویرایش برای Science X از سال 2021. 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 →