למידה מכונה מסוגלת לזהות חומרים מסוכנים

This post is also available in: English (אנגלית)

פלטפורמות אינטגרטיביות של למידת מכונה (ML) יכולות לצמצם בצורה משמעותית זמן, עלויות וכפילות ולשפר את הדיוק באיתור איומים כגון חומרי נפץ, חומרים כימיים וסמים.

תוכנית SBIR לחדשנות עסקים קטנים במסגרת המחלקה האמריקאית לביטחון המולדת (DHS) העניקה לאחרונה מימון לשתי חברות לפיתוח טכנולוגיות אימון וסיווג של למידת מכונה ללא מגע ובעלויות נמוכות.

Physical Sciences (PSI) ו-Alakai Defense Sytsems זכו כל אחת בכ-$1 מיליון למימון שלב II של התוכנית לפיתוח טכנולוגיות, שמסוגלות לזהות במהירות ובדיוק אותות ספקטרומטר לא ידועים כבטוחים או מאיימים.

ההשתתפות בתוכנית מותנית בהדגמת ההיתכנות בשלב ה-I של פתרונות הסיווג הקומפקטיים והמדויקים של מודול ML לטכנולוגיות איתור.

במסגרת שלב II, חברת PSI תמשיך לפתח את אלגוריתם הלמידה העמוקה שפיתחה לאיתור וסיווג עקבות חומרי נפץ, אופיואידים ונרקוטיקה על משטחים, עבור מערכות ספקטרוסקופיות אופטיות. היא תרחיב את יכולות האלגוריתם מספקטרוסקופיה בהחזרת אינפרה-אדום להכללת ספטרוסקופיית Raman וכן מוצע אבטיפוס למודול מבצעי שרמת דיוק הסיווג שלו תהיה גדולה מ-90%.

חברת Alakai תמשיך במהלך שלב II בפיתוח הפלטפורמה האגנוסטית של LM לספקטרוסקופיה שלה, שמאתרת במהירות ובצורה מדויקת שאריות כימיקלים מסוכנים ממגוון מכשירים.

עם השלמת שלב II שנמשך 24 חודשים, הזוכות בתוכנית יציגו אבטיפוס להדגמת התקדמות הטכנולוגיה לקראת מימון שלב III, כך מדווח hstoday.us.

מעוניינים לצלול אל תוך עולם העתידנות הטכנולוגית? – הירשמו ל–INNOTECH 2022, הכנס והתערוכה הבינלאומיים לסייבר, HLS וחדשנות באקספו תל אביב ב2-3 בנובמבר.

מעוניינים בחסות / ביתן תצוגה בתערוכת ה-INNOTECH 2022? לחצו כאן לפרטים!