بدقة 95%.. الذكاء الاصطناعي يكشف الذهب المغشوش

بلغت نسبة الدقة في نماذج التعلم العميق المستخدمة لتمييز الذهب الأصلي عن المقلد 95.02%، متفوقة على الخبراء البشريين الذين سجلوا نحو 89.8%. يعتمد هذا الإنجاز على تحليل صور المشغولات الذهبية الملتقطة بهواتف ذكية، مما يشير إلى تحول في طرق فحص المعادن النفيسة بعيداً عن الاختبارات التقليدية وحدها.

تحليل الصور بواسطة نموذج GoldFormer

في دراسة نُشرت بدورية Algorithms عام 2026، طوّر الباحثون نموذجاً باسم GoldFormer لتصنيف الذهب بناءً على الصور. اعتمد النموذج على قاعدة بيانات GoldNet التي تضم 2127 صورة حقيقية لمشغولات أصلية ومقلدة، التقطت في ظروف إضاءة وزوايا ومسافات متنوعة دون معدات متخصصة. تبحث الخوارزميات في تفاصيل دقيقة مثل ملمس السطح والنقوش والهندسة العامة، لكشف أنماط يصعب على العين المجردة ملاحظتها.

رغم التفوق في التحقق المتقاطع بخمس مجموعات، لا يعني ذلك إمكانية تحديد العيار أو التركيب الكيميائي الداخلي بمجرد إرسال صورة للنموذج. تقتصر قدرة الدراسة على تصنيف الصور كأصلية أو مقلدة، ولا تغني عن التحاليل الكيميائية الدقيقة.

استخدام الخصائص الصوتية لتحديد النقاء

لم تقتصر الأبحاث على الصور، إذ نشرت دراسة في دورية Applied Acoustics عام 2025 نتائج حول استخدام الصوت لتقدير درجة نقاء الذهب. حلل الباحثون تسجيلات صوتية لعينات مختلفة واستخرجوا خصائص تعرف بـ MFCC delta-delta، مستخدمين 10 خوارزميات تعلم آلي تشمل آلات المتجهات الداعمة والغابات العشوائية وXGBoost. حقق أفضل نموذج (SVM) دقة بلغت 94.58% في تصنيف الفئات المدروسة وهي 14 و22 و24 قيراطاً، بينما سجل الانحدار اللوجستي 93.75%.

ترتكز هذه الطريقة على تأثير الخصائص الفيزيائية للمادة مثل الكثافة والمرونة على الإشارات الصوتية. يرى الباحثون أن هذه الوسيلة قد تكون سريعة وغير متلفة مقارنة بالطرق التقليدية التي قد تحتاج وقتاً أو معدات خاصة أو تتسبب في إتلاف العينة، فيما تستخدم تقنيات أخرى كالأشعة السينية للكشف عن التركيب السطحي للسبائك دون إتلافها.

دمج الإشارات الكهرومغناطيسية مع الشبكات العصبية

يتجه البحث العلمي نحو استخدام الذكاء الاصطناعي مع اختبار التيارات الدوامية النبضية (PECT)، وهي تقنية غير متلفة تلتقط إشارات مرتبطة بخصائص المادة. طور الباحثون شبكة عصبية اسمها AC-RSN لمعالجة 14,400 إشارة جمعت خلال تجارب على عينات ذهب مختلفة النقاء والسماكة. أظهرت النتائج دقة تصنيف بلغت 99.27%، حيث ساعدت الشبكة العصبية في تقليل تأثير الضوضاء والتغيرات الناتجة عن حرارة المسبار وتحسين تمثيل الإشارات.

يعمل الذكاء الاصطناعي هنا كأداة لتحليل بيانات جهاز فحص متخصص وليس كبديل مستقل للتصوير. يقترح هذا الاتجاه الدمج بين أجهزة القياس وخوارزميات الذكاء الاصطناعي لتحقيق نتائج أكثر موثوقية.

حدود الاعتماد على الذكاء الاصطناعي

لا يستطيع الذكاء الاصطناعي وحده كشف الذهب المغشوش بشكل كامل حتى الآن. تثبت الدراسات قدرته على اكتشاف أنماط تساعد في التمييز بين الأصلي والمقلد عبر الصور أو الصوت أو الإشارات، لكن الاعتماد على صورة هاتف أو تسجيل صوتي لتحديد العيار ودفع الثمن لا يزال غير كافٍ. الأصالة تختلف عن نسبة الذهب؛ فقد تتعرف الخوارزمية على قطعة كمختلفة عن عينات التدريب، لكن تحديد التركيب الكيميائي بدقة يتطلب تقنيات قياس مناسبة.

الاتجاه الواقعي حالياً هو جعل الذكاء الاصطناعي مساعداً ذكياً يحلل كميات كبيرة من البيانات ويبحث عن أنماط يصعب اكتشافها بشرياً، بينما تبقى أجهزة القياس والتحليل المتخصصة هي المرجع النهائي.