تصور کنید جهانی را تصور کنید که در آن می‌توان آزبست پنهان شده در داخل دیوارها را بدون سوراخ کردن حتی یک سانتی‌متر از سطح شناسایی کرد. با بهره‌گیری از ویژگی‌های الکترومغناطیسی خاص این کانی، یک مهندس ثابت کرد که ترکیب رادار موج میلیمتری (mmWave) و شبکه‌های عصبی می‌تواند یک فرآیند آزمایشگاهی هزینه‌بر و زمان‌بر را به یک امضای دیجیتال لحظه‌ای تبدیل کند.
در اروپا، آزبست همچنان یک بحران گسترده بهداشت عمومی است. اکثر ساختمان‌ها حاوی این کانی در دیوارها هستند و شناسایی آن معمولاً مستلزم استخراج نمونه‌های فیزیکی و ارسال آن‌ها به آزمایشگاه‌های تخصصی است. مردم مجبورند به متخصصانی هزینه پرداخت کنند تا به خانه‌هایشان بیایند و تعیین کنند که آیا آن‌ها از دوران کودکی در حال استنشاق این سم بوده‌اند یا خیر. شناخته شده است که آزبست باعث سرطان و التهاب شدید ریه‌ها می‌شود. این وضعیت یک گلوگاه رگولاتوری (اجرایی) ایجاد کرده است که در آن یک تحلیل ساده می‌تواند برای مصرف‌کننده نهایی از قیمت ۱ دلار به ۶۰ دلار جهش کند. زمانی که یک پروژه نیاز به ده‌ها نمونه از این دست داشته باشد، قیمت‌ها به دلیل سودجویی واسطه‌ها از قوانین و ترس مصرف‌کنندگان از مسمومیت، به شدت افزایش می‌یابد.
در ۳۰ ژوئن ۲۰۲۶، گوتیه لِشوالیه (Gauthier Lechevalier) جزئیات فنی ساخت ابزاری غیرتهاجمی برای شکستن این چرخه را منتشر کرد. به نقل از وب‌سایت شخصی او (gauthier-lechevalier.com)، هدف ساخت راداری بود که قادر باشد بین لایه‌های مختلف مواد تمایز قائل شود و حضور تکه‌های آزبست را بر اساس تأثیر آن‌ها بر گذردهی الکترومغناطیسی (Permittivity) شناسایی کند. این پروژه در واقع به عنوان یک پروژه «پایان تحصیلات» برای فارغ‌التحصیل جدید مهندسی با تخصص در علوم مواد و فیزیک موج توسعه یافت.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی سخت‌افزارهای لبه (Edge Computing) اشاره کردیم، پیوند دادن مدل‌های هوش مصنوعی به حسگرهای فیزیکی، پیچیدگی‌های عملیاتی متفاوتی دارد تا اجرای آن‌ها روی سرور.
زیرساخت سخت‌افزاری
لشوالیه برای پرهیز از زمان‌های طولانی انتظار برای سفارش و ساخت بردهای مدار چاپی (PCB) سفارشی، از یک رویکرد سخت‌افزاری چابک و کم‌هزینه استفاده کرد. او از یک کیت توسعه Texas Instruments IWRL6432 BOOST و یک میکروکنترلر ESP32 بهره برد تا زیرساخت پردازشی و ارتباطی خود را ایجاد کند.
او شش ماه وقت صرف ساخت این استارت‌آپ سخت‌افزاری کرد و در توصیف این مسیر اشاره کرد که این فرآیند «بسیار سخت» (fucking hard) بوده است. او یک میز تست (Test Bench) سفارشی طراحی و ساخت تا پاسخ الکترومغناطیسی مواد مختلف را ارزیابی کند؛ این میز به او اجازه می‌داد مواد را به‌سرعت تعویض کرده (hot-swap) و میزان سفت بودن یا فشردگی آن‌ها را تنظیم کند تا حساسیت دستگاه را در شرایط مختلف بسنجد.
او بدنه مکانیکی را حول بردهای موجود طراحی کرد، به‌جای اینکه الکترونیک را مجبور کند در یک پوسته پیش‌ساخته جا شود. این استراتژی باعث شد نمونه‌سازی سریع (Rapid Prototyping) شود و بتواند بدون منتظر ماندن برای ساخت PCB، طراحی‌های تکرارشونده و اصلاحی را اعمال کند. او در نهایت به این نتیجه رسید که طراحی بدنه حول بردهای توسعه، برای پروژه‌ای از این دست، رویکردی بسیار برتر است.
خط لوله‌ی پردازش سیگنال (DSP Pipeline)
این دستگاه به عنوان یک رادار موج پیوسته مدوله شده با فرکانس (FMCW) عمل می‌کند. به جای ارسال یک تک-فرکانس ثابت، رادار فرکانس‌ها را به صورت یک «chirp» یا جاروب فرکانسی به سمت بالا می‌برد. زنجیره پردازش سیگنال دیجیتال (DSP) این پژواک‌ها را در چهار مرحله کلیدی به یک اثر انگشت ماده تبدیل می‌کند:
- مشخصه‌یابی Chirp: آنتن‌های فرستنده (TX) یک جاروب فرکانسی خطی ایجاد می‌کنند. از آنجایی که تمام مراحل بعدی به شکل دقیق موج — یعنی فرکانس شروع، شیب و پهنای باند — وابسته است، لشوالیه دو ماه کامل را صرف تحلیل و مشخصه‌یابی موج خروجی از بخش Front-end کرد. این مرحله شامل یک چرخه فرسایشی از کامپایل، فلش کردن و عیب‌یابی سفت‌افزار (Firmware) تعبیه‌شده بود.
- ترکیب و سیگنال ضربان (Beat Signal): پژواک دریافتی با موج ارسالی ترکیب (Mix) می‌شود. این فرآیند یک تُن «ضربان» با فرکانس پایین تولید می‌کند که در آن، فرکانس به‌طور مستقیم با فاصله رفت و برگشت تا بازتاب‌کننده متناسب است.
- تبدیل فوریه محدوده (Range FFT): یک تبدیل سریع فوریه (FFT) روی سیگنال ضربان انجام می‌شود تا فرکانس به فاصله تبدیل شود. هر «بین» (Bin) حاصل، نشان‌دهنده عمق مشخصی در داخل ماده است و انرژی بازتابی را به عنوان تابعی از محدوده/فاصله ارائه می‌دهد.
- پرتو-پردازی کاپون (Capon Beamforming): با استفاده از روش پاسخ بدون اعوجاج با حداقل واریانس (MVDR) در یک آرایه گیرنده MIMO، سیستم زاویه ورود (AOA) را برای هر بینِ محدوده شناسایی می‌کند. این کار باعث می‌شود به جای یک بازگشت تار و نامشخص، یک طیف چگالی زاویه‌ای بسیار تیز و دقیق ایجاد شود.
این فرآیند یک «طیف» (Spectre) چگالی با رزولوشن بالا برای هر محدوده و زاویه ایجاد می‌کند. این اثر انگشت الکترومغناطیسی از سطح ماده، دقیقاً همان تانسوری است که به شبکه عصبی برای طبقه‌بندی داده می‌شود.
طبقه‌بندی مواد با AI
برای تفسیر این امضاها، لشوالیه یک شبکه عصبی پیچشی (CNN) کلاسیک را پیاده‌سازی کرد. دلیل انتخاب این مدل این بود که رادار بر اساس فرضیه «یک سطح، یک لایه» عمل می‌کند و فرض می‌کند که «تغییر ماده ناگهانی و ناپیوسته است». بنابراین، هوش مصنوعی می‌تواند استنتاج کند که کل یک لایه از یک ماده خاص تشکیل شده است.
زمینه علوم مواد
این مدل آموزش دیده بود تا ویژگی‌های الکترومغناطیسی خاص — به‌ویژه اپسیلون primed (گذردهی یا Permittivity) و اپسیلون double-primed (ضریب تلفات یا Loss Factor) — مواد مختلف را شناسایی کند. باید توجه داشت که آزبست یک ماده واحد نیست، بلکه خانواده‌ای از کانی‌هاست که به صورت تکه‌های ریز یا الیاف (Fibers) ظاهر می‌شوند. این الیاف‌ها عنصر خطرناک هستند؛ زیرا در صورت استنشاق، باعث التهاب شدید و تخریب سریع ریه‌ها می‌شوند.
چالش اصلی فنی این بود که آیا رادار آن‌قدر حساس هست که بتواند به‌طور مداوم تفاوت بین یک ماده استاندارد و نسخه مشابه آن را که حاوی تکه‌های آزبست در غلظت‌های مختلف است، تشخیص دهد یا خیر.
مجموعه‌داده و دقت
بر اساس مستندات پروژه، با استفاده از مجموعه‌داده‌ای شامل ۵۰۰ کیلوبایت داده طیفی برای هر کلاس، که در محیط‌ها و جهت‌گیری‌های مختلف جمع‌آوری شده بود، طبقه‌بند (Classifier) روی یک دیکشنری خاص از ترکیبات مواد تست شد:
- چوب و آلومینیوم (0)
- چوب و کتاب (1)
- چوب و سنگ (2)
- چوب و پلاستیک (3)
- سنگ و آلومینیوم (4)
- سنگ و چوب (5)
- سنگ و کتاب (6)
- سنگ و پلاستیک (7)
- سنگ و پلکسی‌گلاس (8)
شبکه CNN به‌طور مؤثری «یاد گرفت» که چگونه تکه‌های آزبست در داخل یک ماده، امضای الکترومغناطیسی آن را به‌قدری تغییر می‌دهند که رادار بتواند آن‌ها را به‌طور پایدار شناسایی کند.
مهندسی معکوس RF
طراحی فرکانس رادیویی (RF) به عنوان «جادوی سیاه» توصیف شده است؛ چرا که با معادلات دیفرانسیلی جزئی (PDEs)، فیزیک پیچیده و سیستم‌های آشوبناک سر و کار دارد. لشوالیه اشاره کرد که نرم‌افزارهای شبیه‌سازی حرفه‌ای RF مانند Ansys HFSS به شدت گران هستند (به قیمت «تقریباً یک کلیه کامل»!)؛ به همین دلیل او از OpenEMS استفاده کرد که یک جایگزین متن‌باز و رایگان است.
متدولوژی شبیه‌سازی
نرم‌افزار OpenEMS از روش تفاوت محدود در حوزه زمان (FDTD)، و به‌طور خاص روش Yee، برای مدل‌سازی نحوه انتشار معادلات ماکسول استفاده می‌کند. با این حال، از آنجایی که OpenEMS روی پردازنده‌های گرافیکی (GPU) اجرا نمی‌شود، شبیه‌سازی‌ها می‌توانند بسیار کند باشند. برای دور زدن این محدودیت، لشوالیه یک شبیه‌سازی پارامتریک در داخل OpenEMS توسعه داد تا شکل آنتن‌ها را برای انطباق با سخت‌افزار Texas Instruments بهینه کند.
او برای سرعت بخشیدن به این فرآیند، نوعی «تقلب» مهندسی به کار برد: به‌جای اجرای یک شبیه‌سازی کامل و سنگین، او تابع انتقال (Transfer Function) را از فرستنده (TX) به گیرنده (RX) محاسبه کرد. او از به‌کارگیری پالس دیراک (Dirac pulse) پرهیز کرد، زیرا باعث ناپایداری شبیه‌سازی و عدم همگرایی می‌شد. در عوض، او از یک پالس گاوسی (Gaussian pulse) استفاده کرد. سپس در حوزه فرکانس، خروجی را بر ورودی تقسیم کرد تا تابع انتقال را به دست آورد.
ظرافت‌های تئوری سیگنال
او به یک نکته ظریف در تئوری سیگنال اشاره کرد: اگر یک تابع گاوسی در مرکز صفر قرار نداشته باشد، خروجی شبیه به یک شکل سینوسی ظاهر می‌شود که تابع گاوسی نقش پوش (Envelope) آن را ایفا می‌کند. او با استفاده از نمودار بود (Bode diagram) و کانولوشن Chirp با این تابع انتقال، توانست شبیه‌سازی کند که چگونه موج‌ها ارسال شده، از سطح بازتاب می‌یابند و توسط آنتن‌ها دریافت می‌شوند. این بهینه‌سازی باعث شد زمان شبیه‌سازی از یک ساعت به تنها دو دقیقه برای هر تکرار در رایانه شخصی او کاهش یابد.
دیوار تامین مالی
با وجود موفقیت در اثبات مفهوم (POC) که روی مواد پایه مانند مس، آلومینیوم، چوب و پلاستیک کار می‌کرد، این سرمایه‌گذاری به دلیل نبودe سرمایه متوقف شد. لشوالیه دریافت که مشتریان بالقوه شدیداً بدبین هستند؛ آن‌ها بدون داشتن محصول نهایی در دست، حاضر به امضای تفاهم‌نامه‌های قصد خرید (LOI) نبودند.
علاوه بر این، کاربران محصولی را می‌خواستند که پیش از پیش تمام مجوزهای نظارتی و استانداردهای اتحادیه اروپا را دریافت کرده باشد. شکاف بین یک نمونه فنی (POC) و یک دستگاه گواهی‌شده پزشکی یا ایمنی، بدون بودجه‌ای کلان بسیار عمیق بود و نمی‌شد آن را پر کرد. حتی نمایش یک نمونه اولیه فعال نیز نتوانست مشتریان بدبین را که خواهان محصولی با تطابق کامل (High-conformity) بودند، متقاعد کند.
برای خواننده، این داستان نشان‌دهنده یک شکاف حیاتی در عصر «سخت‌افزار AI» است. در حالی که نرم‌افزار (با کمک ابزارهایی مانند Claude Code) به یک کالای عمومی و در دسترس تبدیل شده است، دنیای فیزیکی — که توسط فیزیک RF و مقررات دولتی اداره می‌شود — همچنان محیطی با اصطکاک بسیار زیاد است. این پروژه ثابت می‌کند که توانایی فنی برای شناسایی مخاطرات وجود دارد، اما مسیر تجاری برای تجاری‌سازی اغلب توسط بدبینی‌های نظارتی مسدود شده است.
درس‌های آموخته شده برای استارت‌آپ‌های سخت‌افزاری
تجربه لشوالیه نقشه‌راهی برای اجتناب از تله‌های مشابه در فضای سخت‌افزاری ارائه می‌دهد:
- اعتبارسنجی پیش از ساخت: یک صفحه فرود (Landing Page) و یک ویدئوی معرفی بسازید تا تمایل مشتری به پرداخت را بسنجید. از یک سیستم پیش‌سفارش Stripe متصل با قابلیت بازگشت وجه استفاده کنید تا تقاضای واقعی را پیش از هزینه برای بازاریابی اندازه‌گیری کنید. اگر کسی نیامد، شما استارت‌آپ ندارید، بلکه فقط یک ایده دارید.
- چابک بمانید (Stay Lean): برای حذف سریع قطعات غیرضروری، از بردهای توسعه استفاده کنید. بدنه‌های سه-بعدی را حول الکترونیک طراحی کنید، زیرا زمان انتظار برای ساخت PCBهای سفارشی بیش از حد طولانی است.
- تکرار از طریق نرم‌افزار: محصولات را به‌گونه‌ای طراحی کنید که از طریق به‌روزرسانی‌های از راه دور (OTA) ارتقا یابند. اطمینان حاصل کنید که کدها با نسخه‌های قبلی سازگار هستند تا بتوانید بر اساس بازخورد مشتری تغییرات ایجاد کنید.
- تا حد امکان از RF دوری کنید: طراحی RF استثنائتاً دشوار است. اگر مجبور به استفاده از آن هستید، برای مدیریت پیچیدگی‌ها به دنبال ابزارهای متن‌باز باشید.
برای کسانی که با توسعه سخت‌افزاری از راه دور دست و پنجه نرم می‌کنند، او پیشنهاد می‌کند از ابزار متن‌باز خود، Nanoforgeflow استفاده کنند که به توسعه‌دهندگان اجازه می‌دهد «سخت‌افزار را از راه دور با Claude Code» توسعه دهند.
گام بعدی شما
- اگر در حال توسعه سخت‌افزاری هستید، پیش از ساخت، تقاضای بازار را با یک صفحه فرود (Landing Page) و سیستم پیش‌سفارش Stripe اعتبارسنجی کنید.
- برای نمونه‌سازی سریع، به‌جای PCBهای سفارشی، از بردهای توسعه استفاده کرده و بدنه را حول آن‌ها طراحی کنید.
- برای کاهش هزینه‌های شبیه‌سازی RF، ابزارهای متن‌باز مانند OpenEMS را جایگزین نرم‌افزارهای گران‌قیمت کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell برای پردازش سیگنال‌های پیچیده مراجعه کنید.
گفتگو