Εισαγωγή μιας Αίσθησης Οσμής στην Ανάπτυξη του AI

Μια νέα βάση δεδομένων AI διδάσκει τις μηχανές να μυρίζουν συσχετίζοντας δεδομένα οσμής με εικόνες, επιτρέποντας στα μοντέλα να αντιστοιχούν οσμές σε αντικείμενα, σκηνές και υλικά.

Πιθανόν επειδή οι μηχανές εξόδου οσμής έχουν ένα τόσο περίπλοκο ιστορικό, η ολφάκτηση είναι μια σχετικά παραμελημένη αίσθηση στην έρευνα του AI. Εκτός αν σκόπευες να παράγεις άλλο ένα επεισόδιο στη μακρά σειρά (πάνω από einen αιώνα, μέχρι σήμερα) σάγκα οσμής, οι περιπτώσεις χρήσης φαίνονταν πάντα κάπως «ειδικές» σε σύγκριση με την εκμετάλλευση εικόνων, ήχου και βίντεο και τα μοντέλα AI που εκπαιδεύονται από αυτά.

Στην πραγματικότητα, η δυνατότητα αυτοματοποίησης, βιομηχανικής και δημοσιοποίησης των εγκαταστάσεων ανίχνευσης που προσφέρουν σκαναδικές σκύλοι, σκύλοι νεκρών, σκύλοι ανίχνευσης ασθενειών και διάφορων άλλων τύπων σκύλων ανίχνευσης, θα ήταν ένα αξιοσημείωτο όφελος στις δημοτικές και ασφαλιστικές υπηρεσίες. Παρά την υψηλή ζήτηση, πολύ πάνω από την προσφορά, η εκπαίδευση και συντήρηση σκύλων ανίχνευσης είναι μια ακριβή επιχείρηση που δεν πάντα προσφέρει καλή αξία για τα χρήματα.

Μέχρι σήμερα, η większość της έρευνας που εισέρχεται σε αυτήν την περιοχή μελέτης έχει περιοριστεί σε ένα εργαστήριο, με κατηλογημένες συλλογές που συνήθως αποτελούνται από παραδείγματα με χειροποίητα χαρακτηριστικά – ένα προφίλ που προορίζεται περισσότερο για εξειδικευμένες λύσεις παρά για βιομηχανικές εφαρμογές.

Πρόταση από τη Μύτη

Σε αυτό το κάπως παλιό κλίμα, έρχεται μια ενδιαφέρουσα νέα ακαδημαϊκή/βιομηχανική συνεργασία από τις ΗΠΑ, όπου μια ομάδα ερευνητών πέρασε几个 μήνες καταλογώντας διάφορες οσμές σε εσωτερικούς και εξωτερικούς χώρους στη Νέα Υόρκη – και, για πρώτη φορά, συλλέγοντας εικόνες που σχετίζονται με τις αναγνωρισμένες οσμές:

Σημείωση το κεντρικό αισθητήρα, τη ‘μύτη’ του ολφασιακού συσκευής. Εκπαιδευμένο μόνο στην οσμή, το μοντέλο υποψιάζεται αν μυρίζει γρανίτη, πλαστικό ή δέρμα – και ακόμη και αναγνωρίζει το δωμάτιο που βρίσκεται, χωρίς να δει ένα seul pixel. Source

Αυτή η έρευνα οδήγησε τους συγγραφείς του νέου έργου να κατασκευάσουν μια σπείρα στην εξαιρετικά δημοφιλή Contrastive Language-Image Pretraining (CLIP) πλαίσιο, το οποίο συνδέει κείμενο και εικόνες, με τη μορφή Contrastive Olfaction-Image Pretraining (COIP) – το οποίο συνδέει οσμές και εικόνες.

Πάνω: συγχρονισμένα βίντεο και ολφασιακά δεδομένα συλλέγονται σε φυσικά περιβάλλοντα χρησιμοποιώντας ένα ρίγμα κάμερας-μύτης. Κάτω αριστερά (β): μια κοινή εμβέδωση μαθαίνεται μέσω δια-τροπικής αυτο-επιτήρησης. (c): το σύστημα ανακτά οπτικές αντιστοιχίες με βάση μόνο μια ερώτηση οσμής. (d): μεμονωμένα δείγματα οσμής χρησιμοποιούνται για την ταξινόμηση περιβάλλοντος, αντικειμένων και υλικών. (e): πολύ παρόμοιες οσμές, όπως δύο τύποι χόρτου, διακρίνονται χωρίς οπτική είσοδο. Source

Η νέα βάση δεδομένων, με τίτλο Οσμές της Νέας Υόρκης, περιέχει 7.000 ζεύγη οσμής-εικόνας με 3.500 διαφορετικά αντικείμενα. Όταν εκπαιδεύτηκε σε δοκιμές, τα νέα δεδομένα βρέθηκαν να υπερτερούν των δημοφιλών χειροποίητων χαρακτηριστικών στις σχετικά μικρές παλαιότερες βάσεις δεδομένων.

Οι συγγραφείς ελπίζουν ότι η αρχική τους έξοδος θα ανοίξει τον δρόμο για μεταγενέστερες και συνεχείς εργασίες προς συστήματα ανίχνευσης οσμής που σχεδιάζονται να λειτουργούν στο άγριο, με τον ίδιο τρόπο που λειτουργούν οι σκύλοι ανίχνευσης*:

‘Βλέπουμε αυτήν τη βάση δεδομένων ως ένα βήμα προς την ανίχνευση οσμής σε φυσικά περιβάλλοντα, καθώς και ως ένα βήμα προς τη σύνδεση της όρασης με την οσμή. Ενώ η ολφάκτηση έχει παραδοσιακά προσεγγιστεί σε περιορισμένα περιβάλλοντα, όπως η εγγύηση ποιότητας, υπάρχουν πολλές εφαρμογές σε φυσικά περιβάλλοντα.

‘Για παράδειγμα, ως άνθρωποι, χρησιμοποιούμε συνεχώς την αίσθηση της οσμής για να αξιολογήσουμε την ποιότητα των τροφίμων, να αναγνωρίσουμε κινδύνους και να ανιχνεύσουμε αντικείμενα που δεν βλέπουμε.

‘Επιπλέον, πολλά ζώα, όπως οι σκύλοι, οι αρκούδες και τα ποντίκια, εμφανίζουν υπεράνθρωπη ολφάκτηση ικανότητες, υποδεικνύοντας ότι η ανθρώπινη οσμή αντίληψη είναι μακριά από το όριο των ικανοτήτων των μηχανών.’

Αν και το νέο έγγραφο, με τίτλο Οσμές της Νέας Υόρκης: Μια Μεγάλη Πολυτροπική Βάση Δεδομένων για την Ολφάκτηση, υπόσχεται ότι τα δεδομένα και ο κώδικας θα κυκλοφορήσουν, ένα αρχείο 27GB είναι ήδη διαθέσιμο μέσω της ιστοσελίδας του έργου. Το έγγραφο παράχθηκε από εννέα ερευνητές σε πανεπιστήμια της Κολούμπια, Κορνέλ και Osmo Labs.

Μέθοδος

Για τη συλλογή υλικού για τη νέα συλλογή, οι ερευνητές χρησιμοποίησαν το Cyranose 320 ηλεκτρονική μύτη, με ένα iPhone τοποθετημένο πάνω από την εμπρόσθια εισαγωγή για να καταγράψουν οπτικά τις οσμές που καταγράφηκαν:

Ένα χειριστό ρίγμα συλλέγει ζευγαρωμένα βίντεο και δεδομένα οσμής τοποθετώντας ένα iPhone κάμερα πάνω σε ένα Cyranose 320 e-μύτη. Η μύτη στοχεύει στα αντικείμενα ενώ η έξοδος και η εισαγωγή αναρρόφησης διαχειρίζονται τη ροή αέρα κατά τη δειγματοληψία. Một κάμερα RGB‑D καταγράφει το βάθος, ενώ η συγκέντρωση των挥发性 οργανικών ενώσεων (VOC), η θερμοκρασία και η υγρασία καταγράφονται μέσω ενσωματωμένων αισθητήρων, συμπεριλαμβανομένων ενός模块ου Proportional-integral-derivative (PID) και περιβαλλοντικού προβώλου.

Το Cyranose συσκευή λειτουργεί με 2Hz, καταγράφοντας 32-διάστατες ολφασιακές χρονικές βήματα. Οι συγκεντρώσεις των挥发性 οργανικών ενώσεων (VOC) καταγράφηκαν με ένα MiniPID2 PPM WR αισθητήρα.

Η φορητή μονάδα λειτουργούσε ως một ευέλικτο αισθητήρα, μεταφέροντας δεδομένα σε μια πιο ικανή κινητή μονάδα για επεξεργασία.

Για να τοποθετήσει την οσμή στόχο σε контекστό, μια ‘βασική οσμή’ καταγράφηκε, πριν από το πιο συγκεκριμένο αντικείμενο που στοχεύτηκε直接 με τη ‘μύτη’ του Cyranose. Το δείγμα του περιβάλλοντος λήφθηκε από μια πλευρική θύρα στη μονάδα, για να διασφαλιστεί ότι ήταν αρκετά μακριά από την πηγή της οσμής για να μην μολυνθεί.

Δύο δείγματα λήφθηκαν από την κύρια εισαγωγή του αισθητήρα, με κάθε δέκα-δευτερόλεπτο εγγραφή που καταγράφηκε από διαφορετικές θέσεις γύρω από το αντικείμενο, για να βελτιωθεί η αποτελεσματικότητα των δεδομένων. Τα δείγματα συνδυάστηκαν με τη βασική οσμή για να σχηματίσουν một 28×32 πίνακα, που αντιπροσωπεύει την πλήρη ολφασιακή μέτρηση:

Αυτό το παράδειγμα δείχνει το σήμα και την αντίστοιχη εικόνα για ένα λουλούδι. Η πλήρης ολφασιακή σήμα αποτελείται από einen 28×32 πίνακα, που συνδυάζει μια 14-πλαίσια βασική οσμή με δύο 10-δευτερόλεπτα δείγματα που λήφθηκαν από διαφορετικές γωνίες γύρω από το στόχο αντικείμενο.

Δεδομένα και Δοκιμές

Τα μοντέλα Vision Language (VLMs) χρησιμοποιήθηκαν για την αυτόματη επισήμανση αντικειμένων και υλικών που καταγράφηκαν από το iPhone στη ρύθμιση του Cyranose, με GPT-4o που χρησιμοποιήθηκε για αυτήν την εργασία. Ωστόσο, οι κατηγορίες σκηνών επισήμανθηκαν χειροκίνητα:

Ένα μικρό δείγμα από μια εκτεταμένη εικονογράφηση στο αρχικό έγγραφο που περιγράφει τις ποικίλες πηγές οσμής και περιβάλλοντα που καταγράφηκαν στο έργο.

Η βάση δεδομένων χωρίστηκε σε εκπαιδευτικές και επικύρωση διαχωρίσεις, με τα δείγματα από κάθε αντικείμενο να ανατίθενται στην ίδια διαίρεση για να αποφευχθεί η διασταυρούμενη μόλυνση. Η τελική συλλογή αποτελείται από 7.000 ολφασιακά-οπτικά ζεύγη που προέρχονται από 3.500 ανεπεξέργαστα αντικείμενα, μαζί με 70 ώρες βίντεο και 196.000 χρονικές βήματα ολφασιακών δεδομένων από cả τις φάσεις βάσης και δειγματοληψίας.

Τα δεδομένα συλλέχθηκαν σε 60 συνεδρίες κατά τη διάρκεια δύο μηνών, που καλύπτουν πάρκα, πανεπιστημιακά κτήρια, γραφεία, δρόμους, βιβλιοθήκες, διαμερίσματα και τραπεζαρίες, με πολλές συνεδρίες που διεξήχθησαν σε κάθε τοποθεσία. Η αποτέλεσμα βάση δεδομένων περιέχει 41% εξωτερικά και 59% εσωτερικά περιβάλλοντα.

Για την ανάπτυξη γενικής ολφασιακής αναπαράστασης, οι συγγραφείς εκπαίδευσαν ένα αντιθετικό μοντέλο για να συσχετίσουν συγχρονισμένα ζεύγη εικόνων-οσμών από τη βάση δεδομένων. Αυτή η προσέγγιση, η προαναφερθείσα COIP, χρησιμοποιεί μια συνάρτηση απώλειας που προσαρμόζεται από το CLIP για να ευθυγραμμίσει τις εμβέδωση των συγχρονισμένων οπτικών και ολφασιακών σημάτων.

Η εκπαίδευση χρησιμοποιούσε τόσο einen οπτικό κωδικοποιητή όσο και einen ολφασιακό κωδικοποιητή, με στόχο να διδάξει το μοντέλο να φέρει αντιστοιχίες οσμών και εικόνων πιο κοντά σε ένα κοινό χώρο αναπαράστασης. Οι αποτέλεσες αναπαραστάσεις υποστηρίζουν eine σειρά καθηκόντων, συμπεριλαμβανομένης της ανάκτησης εικόνων-οσμών, αναγνώρισης σκηνών και αντικειμένων, ταξινόμησης υλικών και λεπτομερούς διάκρισης οσμών.

Το μοντέλο εκπαιδεύτηκε χρησιμοποιώντας δύο τύπους ολφασιακών εισόδων: το πλήρες ακατέργαστο σήμα αισθητήρα και eine συντομευμένη χειροποίητη περίληψη γνωστή ως οσμηπτύνσεις – ευρέως χρησιμοποιούμενα χαρακτηριστικά στην έρευνα ολφάκτησης που συμπιέζουν κάθε απάντηση αισθητήρα σε έναν αριθμό, συγκρίνοντας την αντίσταση κατά την δειγματοληψία με την μέση αντίσταση κατά τη βασική οσμή.

Αντίθετα, η ακατέργαστη είσοδος που καταγράφηκε σε όλη τη Νέα Υόρκη αποτελείται από eine χρονοσειρά από 32 χημικούς αισθητήρες μέσα στη συσκευή Cyranose, καταγράφοντας πώς η ηλεκτρική αντίσταση κάθε αισθητήρα άλλαξε με το χρόνο καθώς ανταποκρίνεται στην οσμή.

Για τη συλλογή της βάσης δεδομένων, αυτό το ακατέργαστο σήμα τροφοδοτήθηκε απευθείας σε ένα νευρωνικό δίκτυο, επιτρέποντας την εκμάθηση από άκρου σε άκρο με einen συν볼ικό ή einen μετασχηματισμό-βάσει πυρήνα. Τα μοντέλα εκπαιδεύτηκαν χρησιμοποιώντας cả οσμηπτύνσεις και την ακατέργαστη είσοδο που συλλέχθηκε από διάφορα περιβάλλοντα στη Νέα Υόρκη, με και τις δύο εισόδους να αξιολογούνται χρησιμοποιώντας αντιθετική εκμάθηση.

Δια-τροπική Ανάκτηση

Η δια-τροπική ανάκτηση αξιολογήθηκε ενσωματώνοντας κάθε δείγμα οσμής και την αντίστοιχη εικόνα σε einen κοινό χώρο αναπαράστασης και δοκιμάζοντας αν η σωστή εικόνα μπορούσε να ανακτηθεί με βάση μόνο την ολφασιακή είσοδο.

Η κατάταξη καθορίστηκε από την εγγύτητα κάθε εμβέδωσης εικόνας προς την ερώτηση οσμής σε αυτόν τον χώρο και η απόδοση μετρήθηκε χρησιμοποιώντας μέσο βαθμό, μεσό βαθμό και ανακληση σε πολλαπλά κατώφλια:

Ακρίβεια δια-τροπικής ανάκτησης για διαφορετικούς κωδικοποιητές οσμής, δείχνοντας πώς καλά τα μοντέλα αναγνωρίζουν την σωστή εικόνα από μια ερώτηση οσμής. Τα αποτελέσματα συγκρίνουν αρχιτεκτονικές που εκπαιδεύτηκαν σε ακατέργαστα ολφασιακά σήματα με εκείνες που χρησιμοποιούν οσμηπτύνσεις.

Σχετικά με αυτά τα αποτελέσματα, οι συγγραφείς δηλώνουν:

‘Η αντιθετική προ-εκπαίδευση χρησιμοποιώντας οσμηπτύνσεις επιτελεί καλύτερα από την τύχη σε όλα τα μετρικά. Ωστόσο, η εκπαίδευση του ολφασιακού κωδικοποιητή στο ακατέργαστο ολφασιακό σήμα οδηγεί σε σημαντική βελτίωση σε σχέση με τον κωδικοποιητή οσμηπτύνσεων, ανεξάρτητα από την αρχιτεκτονική.

‘Αυτό δείχνει την πλουσιότερη πληροφορία που υπάρχει στα ακατέργαστα ολφασιακά δεδομένα, ξεκλείδωνας ισχυρότερες δια-τροπικές συσχετίσεις μεταξύ όρασης και οσμής.’

Λεπτομέρεια από την έβδομη εικονογράφηση στο αρχικό έγγραφο, η οποία είναι πολύ πυκνή για να αναπαραχθεί με νόημα εδώ. Εδώ, παραδείγματα δια-τροπικής ανάκτησης που δείχνουν πώς το μοντέλο συνδέει οσμές με αντιστοιχίες εικόνων. Κάθε σειρά αρχίζει με μια ερώτηση οσμής, ακολουθούμενη από τις κορυφαίες προβλέψεις εικόνων στο κοινό χώρο εμβέδωσης. Η σωστή εικόνα για κάθε ερώτηση περιβάλλεται με πράσινο, δείχνοντας πώς οι οσμές από βιβλία, φυτά, μασίφ και άλλα υλικά οδηγούν το μοντέλο προς οπτικά και σεμαντικά συναφείς σκηνές.

Οι συγγραφείς σημειώνουν επίσης ότι τα αποτελέσματα ανάκτησης έδειξαν σαφείς σεμαντικές μοτίβους:

‘Οι ανάκτησεις από το μοντέλο μας συχνά δείχνουν σεμαντικές ομαδοποιήσεις. Η οσμή ενός βιβλίου ανακτά εικόνες άλλων βιβλίων, η οσμή των φύλλων ανακτά εικόνες φυλλώματος.

‘Αυτά τα αποτελέσματα υποδεικνύουν ότι η εκμαθημένη αναπαράσταση κατέχει σημαντική δια-τροπική δομή.’

Αναγνώριση Σκηνής, Αντικειμένου και Υλικού

Η ικανότητα του μοντέλου να αναγνωρίζει οσμές χωρίς οπτική είσοδο αξιολογήθηκε εκπαιδεύοντας το να αναγνωρίζει σκηνές, αντικείμενα και υλικά με βάση μόνο ολφασιακά δεδομένα. Για αυτόν τον σκοπό, χρησιμοποιήθηκε ένας γραμμικός προβολέας (ένας απλός ταξινομητής εκπαιδευμένος σε παγωμένα αναπαραστάσεις) για να αξιολογήσει πόση πληροφορία κωδικοποιείται στις εκμαθημένες εμβέδωσης οσμών.

Οι ετικέτες προέρχονταν από τις ζευγαρωμένες εικόνες στη συνθήκη εκπαίδευσης χρησιμοποιώντας GPT-4o – αλλά μόνο η ολφασιακή σήμα χρησιμοποιήθηκε κατά τη διάρκεια της ταξινόμησης.

Δοκιμάστηκαν διάφοροι τύποι κωδικοποιητών: κάποιοι αρχικοποιήθηκαν τυχαία, κάποιοι εκπαιδεύτηκαν από το μηδέν και άλλοι εκπαιδεύτηκαν χρησιμοποιώντας αντιθετική εκμάθηση για να ευθυγραμίσουν την οσμή και την όραση σε einen κοινό χώρο αναπαράστασης, με ακατέργαστα δεδομένα και οσμηπτύνσεις που αξιολογήθηκαν:

Ακρίβεια ταξινόμησης για σκηνές, υλικά και αντικείμενα αξιολογήθηκε χρησιμοποιώντας μόνο ολφασιακά δεδομένα. Η ακατέργαστη είσοδος του αισθητήρα υπερέβη τις οσμηπτύνσεις, με τα CNN που εκπαιδεύτηκαν από το μηδέν να αποδίδουν τα υψηλότερα αποτελέσματα, συμπεριλαμβανομένων 99,5% για τις σκηνές. Η προ-εκπαίδευση με αυτο-επιτήρηση βοήθησε σε ορισμένες περιπτώσεις, αλλά γενικά ξεπεράστηκε από την επιτηρούμενη εκπαίδευση. Οι τυχαίες-βαρών βασικές γραμμές δείχνουν ότι η ικανότητα του μοντέλου μόνο δεν επαρκεί.

Σημαντικά υψηλότερη ακρίβεια επιτεύχθηκε όταν χρησιμοποιήθηκαν ακατέργαστα ολφασιακά δεδομένα, ιδιαίτερα σε μοντέλα που εκπαιδεύτηκαν με δια-τροπική επιτήρηση. Οι συγγραφείς σχολιάζουν**:

‘Μοντέλα που εκπαιδεύτηκαν σε ακατέργαστες αισθητηριακές εισόδους επιτύγχαναν επίσης υψηλότερη ακρίβεια από μοντέλα που εκπαιδεύτηκαν με τις χειροποίητες οσμηπτύνσεις. Αυτά τα αποτελέσματα δείχνουν ότι η βαθιά εκμάθηση από ακατέργαστα ολφασιακά σήματα είναι σημαντικά καλύτερη από τις χειροποίητες οσμηπτύνσεις.’

Λεπτομερούς Διακρίσεις

Για να αξιολογηθεί εάν λεπτομερούς διακρίσεις οσμών θα μπορούσαν να μάθουν, κατασκευάστηκε ένα βENCHMARK από δύο είδη χόρτου που συνυπάρχουν στο ίδιο γκαζόν. Εναλλάξιμα δείγματα συλλέχθηκαν σε έξι 30-λεπτά συνεδρίες, αποδίδοντας 256 παραδείγματα. Ένας γραμμικός ταξινομητής εκπαιδεύτηκε σε χαρακτηριστικά από αντιθετική ολφασιακή-οπτική εκμάθηση και αξιολογήθηκε σε ένα διατηρημένο σύνολο 42 δειγμάτων:

Ακρίβεια ταξινόμησης ειδών χόρτου από οσμή μόνο. Μοντέλα αξιολογήθηκαν στην ικανότητά τους να διακρίνουν μεταξύ δύο οπτικά παρόμοιων ειδών χόρτου χρησιμοποιώντας μόνο ολφασιακή είσοδο. Η απόδοση συγκρίθηκε σε οσμηπτύνσεις και ακατέργαστα δεδομένα αισθητήρα, με μοντέλα που είτε αρχικοποιήθηκαν τυχαία, εκπαιδεύτηκαν από το μηδέν ή εκπαιδεύτηκαν χρησιμοποιώντας αυτο-επιτήρηση (SSL) και ακολουθούμενο από einen γραμμικό προβολέα. Η υψηλότερη ακρίβεια, 92,9%, επιτεύχθηκε χρησιμοποιώντας ακατέργαστα ολφασιακά σήματα με SSL, υποδεικνύοντας ότι λεπτομερούς διακρίσεις οσμών είναι καλύτερα κατειλημμένες μέσω ακατέργαστης εισόδου και οπτικής-καθοδηγούμενης εκπαίδευσης.

Εδώ οι ερευνητές δηλώνουν:

‘Η εκπαίδευση στο ακατέργαστο ολφασιακό σήμα (αντί για χειροποίητες οσμηπτύνσεις) οδηγεί στην υψηλότερη ακρίβεια – υπερβαίνοντας όλες τις παραλλαγές που βασίζονται σε οσμηπτύνσεις.

‘Αυτά τα αποτελέσματα δείχνουν ότι η ολφασιακή-οπτική εκμάθηση διατηρεί περισσότερη λεπτομερούς πληροφορία από την εκμάθηση με οσμηπτύνσεις, και ότι η οπτική επιτήρηση παρέχει ένα σήμα για την εκμετάλλευση αυτής της πληροφορίας.’

Συμπέρασμα

Αν και η σύνθεση οσμών φαίνεται να παραμένει ένα ανεπίλυτο πρόβλημα για κάποιο διάστημα, ένα αποτελεσματικό και προσιτό σύστημα ανάλυσης οσμών στο άγριο έχει τεράστιο δυναμικό, όχι μόνο για αστυνομικές, ασφαλιστικές και ιατρικές εφαρμογές, αλλά και για την ποιότητα ζωής και την αστική παρακολούθηση.

Σήμερα, το εξοπλισμό που εμπλέκεται είναι εξειδικευμένο και συνήθως πολύ ακριβό. Έτσι, η πραγματική πρόοδος στην ‘ολφασιακή AI’ για ανίχνευση φαίνεται να απαιτεί ένα οραματικό και προσιτό αισθητήρα στο πνεύμα του Raspberry PI.

* Η μετατροπή μου των ενσωματωμένων παραπομπών των συγγραφέων σε υπερσυνδέσμους.

** Παρακαλώ σημειώστε ότι περαιτέρω εικονογραφήσεις (εικόνα 8) είναι διαθέσιμες στο αρχικό έγγραφο, αλλά είναι καλύτερα να προβληθούν σε εκείνο το контекστό.

Πρώτη δημοσίευση Παρασκευή, 28 Νοεμβρίου 2025