تبریز امروز:
میکروپلاستیک‌ها ذرات ریز پلاستیکی هستند که از تجزیه زباله‌های پلاستیکی بزرگ‌تر به وجود می‌آیند و اندازه‌شان از ۱ میکرومتر تا ۵ میلی‌متر متغیر است. این ذرات در همه جای محیط زیست، از اعماق دریا تا قله کوه اورست، یافت می‌شوند و نگرانی‌های فزاینده‌ای وجود دارد که ممکن است برای سلامت انسان مضر باشند.
یکی از چالش‌های اصلی در مطالعه میکروپلاستیک‌ها، شناسایی دقیق ترکیب شیمیایی آن‌ها است. روش‌های سنتی شامل طیف‌سنجی (اسپکتروسکوپی) هستند که در آن "اثر انگشت" شیمیایی منحصر به فرد یک ماده با توجه به نحوه جذب یا پراکندگی نور تعیین می‌شود. با این حال، این روش می‌تواند غیرقابل اعتماد باشد، زیرا پلاستیک‌های مختلف ممکن است طیف‌های مشابهی داشته باشند و این موضوع منجر به شناسایی‌های مبهم می‌شود.
بطری‌های پلاستیکی معمولاً از پلی‌اتیلن ساخته می‌شوند، در حالی که ظروف غذا معمولاً حاوی پلی‌پروپیلن هستند.
برای حل این مشکل، محققانی مانند آمبوج تیواری، استاد آمار در دانشگاه میشیگان، از یادگیری ماشین برای بهبود قابلیت اطمینان شناسایی میکروپلاستیک‌ها استفاده می‌کنند. تیواری و تیمش ابزاری توسعه داده‌اند که از یک تکنیک یادگیری ماشین به نام پیش‌بینی انطباقی (Conformal Prediction) استفاده می‌کند تا میزان عدم قطعیت در فرآیند شناسایی را مشخص کند.
طیف‌سنجی می‌تواند یک ماده را با اثر انگشت منحصر به فرد آن مطابقت دهد.
پیش‌بینی انطباقی روشی است که حول یک الگوریتم یادگیری ماشین موجود پیچیده می‌شود تا میزان عدم قطعیت را به خروجی اضافه کند. در اینجا نحوه عملکرد آن توضیح داده شده است:
آموزش مدل: محققان ابتدا یک الگوریتم یادگیری ماشین را با استفاده از یک مجموعه داده بزرگ از طیف‌های شناخته‌شده (اثر انگشت شیمیایی) پلاستیک‌های مختلف آموزش می‌دهند.
کالیبراسیون: یک مجموعه کالیبراسیون کوچک‌تر از طیف‌ها با هویت‌های شناخته‌شده برای تنظیم دقیق مدل استفاده می‌شود. این مرحله به الگوریتم کمک می‌کند تا اختلافات بین پیش‌بینی‌های خود و پاسخ‌های صحیح را درک کند.
پیش‌بینی با عدم قطعیت: هنگامی که الگوریتم روی طیف‌های جدید اعمال می‌شود، فقط یک پیش‌بینی واحد (مثلاً "این پلی‌اتیلن است") ارائه نمی‌دهد. در عوض، مجموعه‌ای از هویت‌های ممکن (مثلاً "این می‌تواند پلی‌اتیلن یا پلی‌پروپیلن باشد") همراه با سطح اطمینان (مثلاً ۹۰٪ یا ۹۵٪) ارائه می‌کند. اندازه این مجموعه عدم قطعیت را نشان می‌دهد—مجموعه‌های کوچک‌تر نشان‌دهنده اطمینان بیشتر هستند، در حالی که مجموعه‌های بزرگ‌تر ابهام بیشتری را نشان می‌دهند.
این رویکرد به محققان اجازه می‌دهد تا قابلیت اطمینان شناسایی‌های خود را بهتر ارزیابی کنند. اگر الگوریتم طیف وسیعی از پلیمرهای ممکن را ارائه دهد، این نشان می‌دهد که ممکن است تحلیل بیشتر توسط متخصصان لازم باشد.
تیم تیواری ابزار خود را با استفاده از طیف‌های میکروپلاستیک از آزمایشگاه روچمن در دانشگاه تورنتو به عنوان مجموعه کالیبراسیون آزمایش کردند. سپس نمونه‌هایی از یک پارکینگ در برایتون، میشیگان جمع‌آوری کردند و پیش‌بینی‌های الگوریتم را با شناسایی‌های دستی توسط یک متخصص مقایسه کردند. نتایج نشان داد که روش پیش‌بینی انطباقی موفق شد هویت‌های صحیح پلیمرها را در مجموعه‌های خروجی خود قرار دهد.
شناسایی دقیق میکروپلاستیک‌ها برای درک توزیع، منابع و تأثیرات بالقوه آن‌ها بر سلامت انسان بسیار مهم است. داده‌های حاصل از این تحلیل‌ها می‌توانند به توصیه‌های بهداشت عمومی و تصمیم‌گیری‌های سیاستی، مانند مقرراتی برای کاهش آلودگی میکروپلاستیک‌ها، کمک کنند. به عنوان مثال، کالیفرنیا قبلاً شروع به جمع‌آوری شواهد برای قانون‌گذاری آینده در مورد میکروپلاستیک‌ها کرده است.
با به اشتراک گذاشتن ابزارهای مبتنی بر یادگیری ماشین به صورت آزاد، محققان امیدوارند که علم مبتنی بر شواهد را پیشرفت دهند و به سیاست‌گذاران در مقابله با چالش جهانی آلودگی میکروپلاستیک‌ها کمک کنند.
میکروپلاستیک‌ها یک نگرانی فزاینده برای محیط زیست و سلامت انسان هستند و شناسایی دقیق آن‌ها گامی کلیدی در حل این مشکل است. پیشرفت‌های یادگیری ماشین، به ویژه تکنیک‌هایی مانند پیش‌بینی انطباقی، شناسایی میکروپلاستیک‌ها را با قابلیت اطمینان بیشتر و با اندازه‌گیری واضح عدم قطعیت ممکن می‌سازند. این پیشرفت برای توسعه استراتژی‌های مؤثر جهت کاهش تأثیر میکروپلاستیک‌ها بر محیط زیست و سلامت انسان ضروری است.
