Ερευνητές του NUS (National University of Singapore) ανέπτυξαν μια νέα μέθοδο για τον εντοπισμό των προϊόντων- «μαϊμού», ονόματι DeepKey. Η μέθοδος αυτή αναπτύχθηκε μέσα σε οκτώ μήνες και χρησιμοποιεί δύο 2D tags και λογισμικό τεχνητής νοημοσύνης.
Σύμφωνα με τους δημιουργούς του, το DeepKey λειτουργεί ταχύτερα, επιτυγχάνει ακριβέστερα αποτελέσματα και χρησιμοποιεί ανθεκτικά tags που δεν υφίστανται εύκολα ζημιά σε σχέση με συμβατικές τεχνολογίες τέτοιου τύπου. Η νέα αυτή τεχνολογία θα μπορούσε να χρησιμοποιηθεί σε διάφορα προϊόντα υψηλής αξίας, από φάρμακα μέχρι κοσμήματα και ηλεκτρονικές συσκευές. Για παράδειγμα, οι δημιουργητές του τονίζουν ότι το DeepKey είναι κατάλληλο για το tagging εμβολίων για Covid-19, ώστε να επιβεβαιώνεται γρήγορα η αυθεντικότητά τους- κάτι που είναι ιδιαίτερα σημαντικό, δεδομένου πως κάποια από αυτά πρέπει αν αποθηκεύονται σε πολύ χαμηλές θερμοκρασίες.
Της σχετικής έρευνας ηγήθηκαν οι επίκουροι καθηγητές Τσεν Πο-Γιεν και Γουάνγκ Σιαονάν. Τα tags της ομάδας, φτιαγμένα από 2D υλικά, επιδεικνύουν μοτίβα PUF (Physically Unclonable Functions) που παράγονται τυχαία από το συστηματικό τσαλάκωμα εξαιρετικά λεπτών ταινιών που αποτελούνται από αυτά τα υλικά. Τα πολύπλοκα 2D μοτίβα με τα πολλαπλά τους χαρακτηριστικά μπορούν μετά να καταχωρηθούν και να επιβεβαιωθούν από ένα καλά «εκπαιδευμένο» μοντέλο deep learning, που επιτρέπει αξιόπιστη (ακριβείας 100%) επιβεβαίωσε σε λιγότερο από 3,5 λεπτά.
Οι παρούσες τεχνολογίες anti-counterfeiting που χρησιμοποιούν μοτίβα PUF αντιμετωπίζουν πολλά εμπόδια, όπως πολύπλοκες διαδικασίες κατασκευής, εξειδικευμένες και επίπονες διαδικασίες επιβεβαίωσης, μεγάλους χρόνους κ.α. «Με αυτή την έρευνα αντιμετωπίσαμε πολλαπλά εμπόδια που αντιμετωπίζουν άλλες τεχνικές» είπε η Γουάνγκ. «Τα PUF tags μας, 2D υλικών, είναι περιβαλλοντικά σταθερά, ευανάγνωστα, απλά και φθηνά στην κατασκευή. Ειδικότερα η υιοθέτηση του deep learning επιτάχυνε σημαντικά τη συνολική διαδικασία επιβεβαίωσης, ωθώντας την εφεύρεσή μας ένα βήμα παραπέρα στην πρακτική εφαρμογή».
Οι ερευνητές δημοσιοποίησαν τα αποτελέσματά τους στο Matter στις 2 Δεκεμβρίου. Η έρευνα διεξήχθη σε συνεργασία με ερευνητές από το Anhui University of Technology και το Nanyang Technological University.
