Химики из Университета штата Флорида научили нейросеть делать то, что раньше требовало сложного оборудования: определять состав вещества по фотографии. И не просто определять, а ошибаться всего в одном случае из ста.

Представьте: вы капаете соленую воду на стекло, ждете, пока она высохнет, и щелкаете получившееся пятно на телефон. Компьютер смотрит на снимок и говорит:

Это сульфат натрия, концентрация такая-то.

За этим стоит колоссальная работа с данными.

Руководитель исследования Оливер Штайнбок рассуждает так: мы живем в эпоху, когда информации вокруг очень много. Его команда решила: если накормить искусственный интеллект тысячами фотографий разных высохших пятен, он сам научится их различать. Ведь солевые разводы от разных веществ выглядят по-своему: где-то кристаллы собираются в кольца, где-то — в ветвистые узоры.

Сначала ученые готовили образцы вручную — это было долго и муторно, около семи с половиной тысяч штук. Но для второго этапа они собрали настоящего робота по имени RODI (Robotic Drop Imager). Эта машина каждый день штампует больше двух тысяч капель, заливая их на стеклянные подложки, сушит и фотографирует. Робот неутомим: за время работы он создал библиотеку из 23 тысяч снимков — это в три раза больше первой коллекции.

Каждую фотографию ученые превращали в черно-белую схему и выделяли в ней 47 признаков: яркость, площадь узора, форму кристаллов и другие характеристики, понятные машине. Нейросеть проанализировала эти данные и теперь определяет тип соли с точностью почти 99%. А еще она научилась угадывать, насколько концентрированным был раствор, — тут точность чуть ниже, около 92%.

Подробности опубликованы в издании Digital Discovery.

Постдокторант Амрута С. В., которая работала над проектом, объясняет, что для разных задач нужна разная точность. Но сама возможность просто сфотографировать пятно и понять его химию открывает дорогу дешевым и быстрым тестам. Ведь современные методы вроде спектроскопии требуют дорогих приборов и специальных знаний. А тут — навел камеру, и готово.

В университете поддерживают такие смелые эксперименты. Штайнбок говорит, что искусственный интеллект меняет правила игры. То, что раньше было доступно только профессионалам в лабораториях, может стать обычным делом благодаря простой камере и умному алгоритму. И это пригодится не только в науке, но и в космосе, в криминалистике или даже в обычной аптечке.

Если смотреть на это глазами практика, то работа флоридской команды — это не просто очередное достижение ИИ, а смена парадигмы в аналитической химии. Мы привыкли, что точный анализ требует чистых реактивов, калибровки приборов и длительного времени. Здесь же предлагают подход, который можно назвать «умная фенотипика». Вместо того чтобы измерять длину волны или считать молекулы, мы анализируем визуальный рисунок, который оставляет после себя вещество.

В науке это открывает дорогу высокопроизводительному скринингу. Представьте лаборатории, где роботы каждый день готовят тысячи образцов, а нейросеть мгновенно сортирует их по составу. Это ускорит поиск новых материалов, изучение процессов кристаллизации белков (важно для фармацевтики) или анализ проб воды.

Высокопроизводительный скрининг — это метод, который позволяет ученым тестировать тысячи образцов не за месяцы, а за считанные дни. Представьте конвейер: на одном конце автоматическая рука смешивает реактивы и наносит их на пластинки, а на другом — умная камера и компьютер мгновенно оценивают результат. Это как пролистывать ленту в соцсетях, только вместо фото котиков ты за секунды просматриваешь результаты тысяч химических реакций, чтобы найти одну-единственную нужную.

В реальной жизни применение может быть таким:

• Геология и космос: марсоход может фотографировать высохшую влагу на камнях и сразу понимать их минеральный состав, не тратя время на сложные бурения и забор проб.
• Медицина и диагностика: представь тест-полоски, которые после высыхания мочи или слюны меняют узор. Сфотографировал полоску, приложение сравнило с базой и выдало предварительный диагноз.
• Криминалистика: эксперт на месте преступления фотографирует подозрительное пятно и тут же получает информацию, что это — кровь, вино или реактив для синтеза наркотиков.
• Бытовая химия: можно создать приложение, которое определит подлинность лекарства или наличие вредных примесей в воде по узору высохшей капли.

Главное преимущество — доступность. Не нужно возить с собой центрифуги, нужен только смартфон и облачная база данных.

Работа, безусловно, впечатляет масштабом собранных данных и инженерной мыслью. Однако здесь есть серьезное ограничение: исследование работает в идеальных, «тепличных» условиях. Они брали чистые соли и растворяли их в дистиллированной воде. А что произойдет в реальном образце? Там почти всегда присутствуют примеси — органика, взвеси, несколько типов солей одновременно.

Форма кристалла при высыхании зависит не только от того, что это за соль, но и от того, насколько грязная поверхность, какая влажность в комнате, есть ли сквозняк. В реальной лужице на асфальте или в пятне на одежде будет «каша» из разных веществ. Сможет ли нейросеть, натренированная на стерильных каплях робота, правильно интерпретировать такой сложный „грязный“ узор? Пока это открытый вопрос. Работу стоит воспринимать как блестящее доказательство концепции, но до внедрения в полевую криминалистику или медицину нужно еще научить модель работать с хаосом реального мира.

Ранее ИИ начал ставить диагноз металлу по фотографии.