البلاستيك الدقيق – الجزيئات الصغيرة من البلاستيك عندما تنهار القمامة – موجودة في كل مكان ، من أعماق البحار إلى جبل إفرست ، ويخشى العديد من الباحثين من أنهم قد يضرون بصحة الإنسان.
أنا باحث في التعلم الآلي. مع فريق من العلماء ، قمت بتطوير أداة لتحديد البلاستيك الدقيق باستخدام بصمات الأصابع الكيميائية الفريدة أكثر موثوقية. نأمل أن يساعدنا هذا العمل في التعرف على أنواع البلاستيك الدقيقة التي تطفو في الهواء في منطقة دراستنا ، ميشيغان.
Microplastics – مشكلة عالمية
يشير مصطلح البلاستيك إلى مجموعة واسعة من البوليمرات التي تم إنشاؤها بشكل مصطنع. يستخدم البولي إيثيلين ، أو PET ، لصنع الزجاجات ؛ يتم استخدام polypropylene ، أو PP ، في حاويات الطعام ؛ ويستخدم كلوريد البولي فينيل ، أو PVC ، في الأنابيب والأنابيب.
البلاستيك الدقيق عبارة عن جزيئات بلاستيكية صغيرة تتراوح حجمها من 1 ميكرومتر إلى 5 ملليمترات. يتراوح عرض شعر الإنسان ، للمقارنة ، من 20 إلى 200 ميكرومتر.
تركز معظم الدراسات العلمية على البلاستيك الدقيق في الماء. ومع ذلك ، تم العثور على البلاستيك microplastics أيضا في الهواء. يعرف العلماء أقل بكثير عن البلاستيك الدقيق في الجو.
عندما يجمع العلماء عينات من البيئة لدراسة البلاستيك الدقيق ، فإنهم عادة ما يريدون معرفة المزيد عن الهويات الكيميائية لجزيئات البلاستيك الدقيقة الموجودة في العينات.
البصمة microplastics
مثلما يحدد بصمات الأصابع بشكل فريد الشخص ، يستخدم العلماء التحليل الطيفي لتحديد الهوية الكيميائية للبلاستيك الدقيق. في التحليل الطيفي ، تمتص مادة إما الضوء أو يبعث الضوء ، اعتمادًا على كيفية اهتزاز جزيئاتها. يخلق الضوء الممتص أو المتناثر نمطًا فريدًا يسمى الطيف ، وهو بصمة المادة بشكل فعال.
تمامًا مثلما يمكن لمحلل الطب الشرعي مطابقة بصمة غير معروفة ضد قاعدة بيانات بصمات الأصابع لتحديد الشخص ، يمكن للباحثين مطابقة طيف جسيم microplastic غير معروف ضد قاعدة بيانات من الأطياف المعروفة.
ومع ذلك ، يمكن لمحللي الطب الشرعي الحصول على مباريات خاطئة في مطابقة بصمات الأصابع. وبالمثل ، فإن المطابقة الطيفية ضد قاعدة البيانات ليست مضمونة. العديد من البوليمرات البلاستيكية لها هياكل مماثلة ، لذلك يمكن أن يكون للبوليمرات المختلفة أطياف مماثلة. يمكن أن يؤدي هذا التداخل إلى الغموض في عملية تحديد الهوية.
لذلك ، يجب أن توفر طريقة تحديد الهوية للبوليمرات مقياسًا لعدم اليقين في إنتاجه. وبهذه الطريقة ، يمكن للمستخدم معرفة مقدار الثقة في تطابق بصمة البوليمر. لسوء الحظ ، لا توفر الأساليب الحالية عادة مقياس عدم اليقين.
يمكن لبيانات تحليلات البلاستيك الدقيقة إبلاغ التوصيات الصحية وقرارات السياسة ، لذلك من المهم للأشخاص الذين يقومون بتلك المكالمات معرفة مدى موثوقية التحليل.
التنبؤ المطابق
التعلم الآلي هو أحد الأدوات التي بدأها الباحثون في استخدامها لتحديد البلاستيك الدقيق.
أولاً ، يجمع الباحثون مجموعة بيانات كبيرة من الأطياف التي تعرف هوياتها. بعد ذلك ، يستخدمون مجموعة البيانات هذه لتدريب خوارزمية التعلم الآلي التي تتعلم التنبؤ بالهوية الكيميائية للمادة من طيفها.
الخوارزميات المتطورة التي يمكن أن تكون أعمالها الداخلية غير شفافة تجعل هذه التنبؤات ، وبالتالي يصبح عدم وجود مقياس عدم اليقين مشكلة أكبر عند إشراك التعلم الآلي.
يعالج عملنا الأخير هذه المشكلة من خلال إنشاء أداة مع تقدير عدم اليقين لتحديد البلاستيك الدقيق. نحن نستخدم تقنية التعلم الآلي تسمى التنبؤ المطابق.
التنبؤ المطابق يشبه الغلاف حول خوارزمية التعلم الآلي الموجودة بالفعل مدربة بالفعل والتي تضيف تقديرًا كميًا من عدم اليقين. لا يتطلب ذلك من مستخدم خوارزمية التعلم الآلي أن يكون لديه أي معرفة مفصلة للخوارزمية أو بيانات التدريب الخاصة بها. يجب أن يكون المستخدم فقط قادرًا على تشغيل خوارزمية التنبؤ على مجموعة جديدة من الأطياف.
لإعداد التنبؤ المطابق ، يجمع الباحثون مجموعة معايرة تحتوي على أطياف وهوياتها الحقيقية. غالبًا ما تكون مجموعة المعايرة أصغر بكثير من بيانات التدريب المطلوبة لتدريب خوارزميات التعلم الآلي. عادة ما تكون بضع مئات من الأطياف كافية للمعايرة.
بعد ذلك ، يحلل التنبؤ المطابق التناقضات بين التنبؤات والإجابات الصحيحة في مجموعة المعايرة. باستخدام هذا التحليل ، يضيف هويات أخرى معقولة إلى ناتج الخوارزمية المفردة على طيف جسيم معين. بدلاً من إخراج واحد ، ربما غير صحيح ، التنبؤ مثل “هذا الجسيم هو البولي إيثيلين” ، فإنه يخرج الآن مجموعة من التنبؤات – على سبيل المثال ، “يمكن أن يكون هذا الجسيم البولي إيثيلين أو البولي بروبيلين.”
تحتوي مجموعات التنبؤ على الهوية الحقيقية بمستوى من الثقة يمكن للمستخدمين تعيين أنفسهم – على سبيل المثال ، 90 ٪. يمكن للمستخدمين بعد ذلك إعادة تشغيل التنبؤ المطابق بثقة أعلى – على سبيل المثال ، 95 ٪. ولكن كلما ارتفع مستوى الثقة ، زادت تنبؤات البوليمر التي قدمها النموذج في الإخراج.
قد يبدو أن الطريقة التي تخرج مجموعة بدلاً من هوية واحدة ليست مفيدة. لكن حجم المجموعة بمثابة وسيلة لتقييم عدم اليقين – تشير مجموعة صغيرة إلى قدر أقل من عدم اليقين.
من ناحية أخرى ، إذا توقعت الخوارزمية أن العينة يمكن أن تكون العديد من البوليمرات المختلفة ، فهناك حالة من عدم اليقين الكبير. في هذه الحالة ، يمكنك إحضار خبير بشري لفحص البوليمر عن كثب.
اختبار الأداة
لتشغيل تنبؤنا المطابق ، استخدم فريقي مكتبات من أطياف البلاستيك الدقيقة من مختبر Rochman في جامعة تورنتو كمجموعة المعايرة.
بمجرد معايرة ، جمعنا عينات من موقف للسيارات في برايتون ، ميشيغان ، وحصلنا على أطيافها ، وقمنا بتشغيلها عبر الخوارزمية. كما طلبنا من خبير تصنيف الأطياف يدويًا مع هويات البوليمر الصحيحة. لقد وجدنا أن التنبؤ المطابق لم ينتج مجموعات شملت العلامة التي قدمها لها الخبير البشري.
البلاستيك الدقيق هي مصدر قلق ناشئ في جميع أنحاء العالم. بدأت بعض الأماكن مثل كاليفورنيا في جمع أدلة على التشريعات المستقبلية للمساعدة في كبح التلوث الدقيق.
يمكن أن يساعد العلم القائم على الأدلة الباحثين وصانعي السياسات على فهم مدى تلوث البلاستيك الدقيق والتهديدات التي تشكلها على الرفاهية البشرية. يعد بناء الأدوات القائمة على التعلم الآلي ومشاركتها علناً إحدى الطرق للمساعدة في تحقيق ذلك.
يتم إعادة نشر هذه المقالة من المحادثة ، وهي مؤسسة إخبارية مستقلة غير ربحية تجلب لك الحقائق والتحليلات الجديرة بالثقة لمساعدتك على فهم عالمنا المعقد. كتبه: Ambuj Tewari ، جامعة ميشيغان
اقرأ المزيد:
Ambuj Tewari يتلقى تمويل من NSF و NIH. يتم تمويل مشروع البلاستيك الدقيق من قبل مبادرة “Meet the Moment” من كلية الأدب والعلوم والفنون بجامعة ميشيغان. تركز هذه المبادرة على البحوث المؤثرة على القضايا المجتمعية الملحة.