Штучний інтелект виявляє мікропластик і прогнозує його шляхи

Мікропластик за кілька десятиліть перетворився на одну з найстійкіших форм забруднення планети. Виробництво пластику з 1950-х років зросло з приблизно 2 до понад 400 мільйонів тонн на рік, а сумарний обсяг уже перевищив 10 мільярдів тонн. Під дією ультрафіолету, механічного стирання, окиснення та біологічних процесів великі відходи дробляться на частинки менші за 5 міліметрів, які нині знаходять у морях, річках, ґрунтах, повітрі, а також у крові людини та плаценті.

У великому оглядовому дослідженні в журналі Environmental Earth Sciences, на яке посилається видання Scienmag, стверджується, що саме штучний інтелект здатен нарешті працювати в масштабі цієї кризи. Автори пропонують перехід від повільних описових спостережень до прогнозної та «приписиної» науки про мікропластик.

Чому мікропластик так складно аналізувати

Головний бар’єр — аналітичний. Частинки мікропластику різняться за розміром, формою, типом полімеру та ступенем вивітрювання і приховані в дуже складних природних середовищах. Класичні методи — мікроскопія, Фур’є-інфрачервона (FTIR) та Raman-спектроскопія, піролізна газова хроматографія-масспектрометрія — трудомісткі, залежать від оператора і погано вловлюють сильно вивітрені частинки та нанопластик.

Звичайні статистичні підходи, як-от регресія чи аналіз головних компонент, слабо працюють з нелінійною, мінливою у просторі й часі поведінкою мікропластику у взаємопов’язаних системах «повітря–вода–суходіл».

Огляд, очолюваний Обінною Чіґозієм Акакулу (Obinna Chigoziem Akakuru) з Університету Маямі та Університету Цинциннаті, показує, як машинне навчання і глибинне навчання знімають ці обмеження майже на всіх етапах роботи з мікропластиком.

Автоматичне розпізнавання частинок: комп’ютерний зір

Найбільш розвинений напрям — автоматичне виявлення частинок. Глибинні моделі комп’ютерного зору перетворили колись суто ручну роботу на високопродуктивний кількісний аналіз.

Моделі сегментації об’єктів на зразок Mask R-CNN, натреновані на підібраних мікроскопічних зображеннях волокон, фрагментів і плівок, досягають тестової точності понад 93%. Вони створюють піксельні маски для кожної частинки, що одночасно дає змогу рахувати, вимірювати розміри й класифікувати форми.

Архітектури U-Net добре підходять для семантичної сегментації в «захаращених» сценах, де частинки згруповані та оточені іншими об’єктами, зберігаючи просторовий контекст.

Однак на реальних польових зображеннях з природним фоном — органічними рештками, біоплівками, мінералами — якість різко падає. Моделі важко розпізнають вивітрені та вицвілі частинки, переплутані волокна й об’єкти менші за 20 мікрометрів. Щоб зрозуміти, на які ознаки спираються ці «чорні скриньки», дослідники застосовують методи на кшталт Gradient-weighted Class Activation Mapping.

Спектроскопія в епоху машинного навчання

Подібна революція відбувається і в спектроскопії. FTIR та Raman залишаються «золотим стандартом» для визначення полімерів, але ручний пошук збігів у бібліотеках спектрів повільний і ненадійний, особливо для старих чи забруднених зразків.

Одновимірні згорткові нейронні мережі, застосовані до наборів FTIR і Raman-даних, демонструють точність класифікації щонайменше 97% для окремих класів полімерів у перехресній перевірці, стійко працюючи навіть за наявності шуму та зміщення базової лінії спектру.

Ансамблі Random Forest перевершують традиційне порівняння з бібліотеками, оскільки «навчаються» ігнорувати ділянки спектру, спотворені добавками або продуктами вивітрювання. Гіперспектральна зйомка у поєднанні з тривимірними згортковими мережами відкриває шлях до швидкого, безруйнівного картування частинок у ґрунті й біоті. Водночас ці методи наразі працюють лише з частинками більшими за 100 мікрометрів і стикаються з перешкодами від матриці зразка та величезними масивами даних.

«Розумні» сенсори: специфічність у програмному забезпеченні

Один з найрадикальніших підходів фактично переосмислює саме поняття сенсора. Замість одного високоспецифічного елемента розпізнавання дослідники поєднали широкий за взаємодіями шар естрогенових рецепторів на плазмонному оптичному волокні з алгоритмом k-nearest neighbors, який аналізує часову «відбитку» взаємодії кожної частинки.

Оскільки різні полімери, розміри та заряди поверхні дають трохи відмінну кінетику зв’язування, система змогла класифікувати невідомі частинки з точністю близько 90%. Точність у такій схемі «живе» в програмному забезпеченні, а не в апаратному забезпеченні, тому сенсор перетворюється на програмовану, оновлювану платформу.

Подібні підходи з використанням молекулярно імпринтованих полімерів і напівселективних пептидних масивів створюють багатоканальні сигнали, які потім розшифровує машинне навчання.

Від вимірювання до прогнозу: звідки і куди рухається мікропластик

ШІ виходить за межі виявлення і переходить до прогнозу джерел та шляхів міграції забруднення. Наглядові (unsupervised) методи, наприклад кластеризація, поєднують полімерні та морфологічні «відбитки» частинок із конкретними видами землекористування — стічними водами, сільськогосподарською плівкою, пранням текстилю.

Керовані (supervised) моделі кількісно розподіляють внесок різних джерел, використовуючи адаптовані під мікропластик підходи рецепторного моделювання, відомі з науки про якість повітря.

Фізично обґрунтовані нейронні мережі (physics-informed neural networks) вбудовують рівняння переносу безпосередньо в архітектуру глибинного навчання. Такі моделі імітують рух мікропластику в річках, естуаріях і прибережних відкладеннях з вищою просторовою роздільною здатністю, ніж традиційні скінченно-елементні моделі, і потребують менше даних для навчання.

Автономні підводні та повітряні платформи з легкими алгоритмами комп’ютерного зору можуть майже в реальному часі картувати поверхневі концентрації, фіксуючи сплески після штормів і просторову «плямистість», яку звичайне відбирання проб пропускає.

Приклад США: гарячі точки та регуляторні прогалини

У огляді США розглядаються як приклад того, як географія та регулювання формують можливості для ШІ. Гарячі зони зосереджуються там, де сильні потоки пластику поєднуються з механізмами затримання.

Серед таких зон згадують систему річок Колумбія–Снейк із численними водосховищами-«пастками», а також Мексиканську затоку, куди система Міссісіпі–Атафалая, що дренує майже 41% континентальної частини країни, виносить величезні обсяги сміття. Це сприяє стійким зонам накопичення біля узбережжя Техасу, дельти Міссісіпі та західної Флориди. Окремо згадується техаське узбережжя, що постраждало від розливу пластикових гранул Formosa Plastics у 2019 році.

Регуляторна система при цьому залишається строкатою. Закони Каліфорнії SB 1422 та AB 818 стимулювали створення платформ зі штучним інтелектом для дотримання норм, але відсутність єдиного національного протоколу роздрібнює дані. У результаті інновації часто «застрягають» у регіональних рішеннях замість масштабованих загальнонаціональних систем.

Головні перешкоди: дані, прозорість, розрив «лабораторія–поле»

Попри успіхи, проблем залишається чимало. Навчальні дані рідкісні, розрізнені та методологічно несумісні: різні протоколи відбору проб, неоднорідне географічне покриття, несумісні метадані. Відчутний розрив між умовами лабораторії та реального середовища погіршує роботу моделей, коли ідеальні лабораторні частинки замінюються вивітреними, зарослими біоплівкою або вкритими мінералами.

Додатково недовіру викликають «чорна скринька» складних моделей, проблеми відтворюваності та закриті алгоритми, які не дають потрібної прозорості для регуляторів.

Автори пропонують чіткий критерій: моделі ШІ мають отримувати регуляторне визнання лише тоді, коли вони перевершують прості базові моделі в реалістичних схемах тестування, демонструють стабільні результати для нових умов, покращують ключові для рішень показники та мають повністю аудитовні робочі потоки. Якщо ці умови не виконані, перевагу слід віддавати більш інтерпретованим низьковимірним моделям.

Очищення довкілля: біологічні, фізичні й хімічні стратегії під контролем ШІ

На боці ліквідації забруднення штучний інтелект починає оптимізувати поєднання різних технологій. Біологічні підходи використовують мікробні ферменти та мікроводорості, наприклад Scenedesmus, які вилучають мікропластик шляхом біофлокуляції з ефективністю понад 84%.

Фізичні методи включають адсорбенти — магнітні вуглецеві нанотрубки, біовугілля, гранульоване активоване вугілля. Хімічні підходи охоплюють коагуляцію та передові процеси окиснення.

Розглядаються і спекулятивні рішення — мікророботизовані рої, керовані алгоритмами оптимізації рою частинок, які в майбутньому могли б прицільно очищувати, наприклад, коралові рифи. Водночас їхня довговічність, можливість збирання та вартість наразі залишаються серйозними перешкодами. Автори наголошують: саме по собі очищення недостатнє, головне навантаження мають нести скорочення джерел забруднення та політика циркулярної економіки.

Потрібен зрушення парадигми: дані, пояснюваний ШІ та спільні стандарти

Висновок огляду — заклик до скоординованого зрушення парадигми. Серед пріоритетних напрямів:

• гармонізовані відкриті набори даних, які охоплюють властивості частинок і різні середовища;
• гібридні моделі, що поєднують ШІ з механістичними моделями переносу та дозо-ефекту;
• пояснюваний штучний інтелект для токсикології та регулювання;
• узгодження виходів моделей з орієнтирами ризику ВООЗ, EPA та EFSA.

Особливо для регіонів з обмеженими ресурсами «розумний» моніторинг може забезпечити відносно недорогі системи раннього попередження. Технології розвиваються дуже швидко, і тепер, підсумовують автори, стандартам даних, міждисциплінарній співпраці та системам управління час наздогнати цей прогрес, аби потенціал прогнозної науки про мікропластик міг реалізуватися повною мірою.