Veštački inteligentni softver je razvijen da poboljša medicinske tretmane koji koriste mlazove elektrifikovanog gasa poznatog kao plazma. Kompjuterski kod predviđa hemikalije koje emituju plazma uređaji, koji se mogu koristiti za lečenje raka, promovisanje zdravog rasta tkiva i sterilizaciju površina.
Softver je naučio da predvidi koktel hemikalija koje izlaze iz mlaza na osnovu podataka prikupljenih tokom eksperimenata u stvarnom svetu i koristeći zakone fizike kao smernice. Ova vrsta veštačke inteligencije (AI) je poznata kao mašinsko učenje jer sistem uči na osnovu dobijenih informacija. Istraživači uključeni u projekat objavili su rad o svom kodu u Journal of Phisics D: Applied Phisics.
Plazma proučavana u eksperimentima poznata je kao hladna atmosferska plazma (CAP). Kada je CAP mlaz uključen, brojne hemijske vrste u plazmi učestvuju u hiljadama reakcija. Ove hemikalije modifikuju ćelije koje su podvrgnute tretmanu na različite načine, u zavisnosti od hemijskog sastava mlaza. Iako naučnici znaju da se CAP mogu koristiti za ubijanje ćelija raka, lečenje rana i ubijanje bakterija na hrani, nije u potpunosti razumljivo zašto.
„Ovo istraživanje je korak ka sticanju dubljeg razumevanja kako i zašto CAP mlaznice funkcionišu i takođe bi se jednog dana moglo koristiti za usavršavanje njihove upotrebe“, rekao je Jevgenij Rajces, izvršni glavni istraživač fizičar u Laboratoriji za fiziku plazme u Prinstonu pri Ministarstvu energetike SAD. (PPPL).
Projekat je završen od strane Princeton Collaborative Lov Temperature Plasma Research Faciliti (PCRF), saradnje između istraživača sa PPPL-a i Univerziteta Džordž Vašington (GVU).
PPPL ima sve veći obim posla koji kombinuje svojih 70 godina pionirskog istraživanja plazme sa svojom stručnošću u AI za rešavanje društvenih problema. Misija Laboratorije se proteže dalje od korišćenja plazme za generisanje fuzione snage do njene upotrebe u oblastima kao što su medicina i proizvodnja, između ostalog.
Softver koristi pristup poznat kao neuronska mreža zasnovana na fizici (PINN). U PINN-u podaci su organizovani u delove koji se nazivaju čvorovi i neuroni. Tok podataka oponaša način na koji se informacije obrađuju u ljudskom mozgu. Zakonu su dodati i zakoni fizike.
„Znati šta izlazi iz mlaza je veoma važno. Veoma je teško znati šta tačno izlazi“, rekla je Sofija Geršman, vodeći inženjer PPPL istraživanja iz PCRF-a koja je radila na ovom zajedničkom projektu. Proces bi zahtevao nekoliko različitih uređaja za prikupljanje različitih vrsta informacija o mlaznjaku.
„U praktičnim studijama, teško je ići i koristiti sve različite tehnološki napredne dijagnostike odjednom za svaki uređaj i za različite vrste površina koje tretiramo“, objasnio je Geršman.
Li Lin, naučnik iz GVU i primarni autor rada, rekao je da je takođe teško izračunati hemikalije u CAP mlazu jer se interakcije moraju smatrati nanosekundama u isto vreme.
„Kada uzmete u obzir da je uređaj u radu nekoliko minuta, broj proračuna čini problem više nego jednostavno računski intenzivnim. To je praktično nemoguće“, rekao je Lin. „Mašinsko učenje vam omogućava da zaobiđete komplikovani deo.
Projekat je počeo sa malim skupom podataka iz stvarnog sveta koji su prikupljeni korišćenjem tehnike poznate kao infracrvena apsorpciona spektroskopija sa Furijeovom transformacijom. Istraživači su koristili taj mali skup podataka da kreiraju širi skup podataka. Ti podaci su zatim korišćeni za obuku neuronske mreže korišćenjem evolucionog algoritma, što je vrsta kompjuterskog koda inspirisana prirodom koji traži najbolje odgovore koristeći pristup opstanka najprilagođenijih.
Nekoliko uzastopnih serija podataka se generiše korišćenjem malo različitih pristupa, a samo najbolji skupovi podataka iz svake runde se prenose u sledeći krug obuke dok se ne postignu željeni rezultati.
Na kraju, tim je bio u stanju da precizno izračuna hemijske koncentracije, temperaturu gasa, temperaturu elektrona i koncentraciju elektrona hladnog atmosferskog plazma mlaza na osnovu podataka prikupljenih tokom eksperimenata u stvarnom svetu.
U hladnoj atmosferskoj plazmi, elektroni – male, negativno naelektrisane čestice – mogu biti veoma vruće, iako su ostale čestice blizu sobne temperature. Elektroni mogu biti u dovoljno niskoj koncentraciji da plazma ne bude vruća ili ne opeče kožu, a da i dalje može da ima značajan uticaj na ciljane ćelije.
Michael Keidar, profesor inženjerstva A. James Clark na GVU i čest saradnik sa PPPL-om koji je takođe radio na ovom projektu, rekao je da je dugoročni cilj da se ove kalkulacije mogu izvesti dovoljno brzo da softver može automatski prilagoditi plazmu tokom procedure za optimizaciju lečenja. Keidar trenutno radi na prototipu takvog „plazma adaptivnog“ uređaja u svojoj laboratoriji.
„U idealnom slučaju, može se personalizovati. Na način na koji mi to zamišljamo, vi tretirate pacijenta, a odgovor svakog pacijenta će biti drugačiji“, objasnio je Keidar. „Dakle, možete da merite odgovor u realnom vremenu, a zatim da pokušate da informišete, koristeći povratne informacije i mašinsko učenje, prava podešavanja u uređaju za proizvodnju plazme.“
Potrebno je više istraživanja da bi se usavršio takav uređaj. Na primer, ova studija je posmatrala CAP mlaz tokom vremena, ali samo u jednoj tački u svemiru. Dalja istraživanja bi morala da prošire rad kako bi se razmotrilo više tačaka duž izlaznog toka mlaza.
Studija je takođe posmatrala izolaciju plazme. Budući eksperimenti bi morali da integrišu površine tretirane plazmom da bi se videlo kako to utiče na hemijski sastav na mestu tretmana.
