Elektroniczny język Penn State, wzmocniony sztuczną inteligencją, wykrywa subtelne różnice w płynach na potrzeby bezpieczeństwa żywności i diagnostyki – z ponad 95% dokładność poprzez zdefiniowanie własnych parametrów.
Nowo opracowany elektroniczny język potrafi odróżnić subtelne różnice w podobnych płynach, takich jak mleko o różnej zawartości wody, a także zidentyfikować różnorodne produkty, w tym różne rodzaje napojów gazowanych i mieszanek kawowych. Może także wykryć psucie się soków owocowych i potencjalne problemy związane z bezpieczeństwem żywności. Zespół kierowany przez naukowców z Penn State odkrył, że dokładność znacznie się poprawiła, gdy: sztuczna inteligencja (AI) zastosowała własne kryteria oceny do interpretacji danych generowanych przez język elektroniczny.
Naukowcy opublikowali niedawno swoje wyniki w Natura.
Zdaniem naukowców język elektroniczny może być przydatny w bezpieczeństwie i produkcji żywności, a także w diagnostyce medycznej. Czujnik i jego sztuczna inteligencja mogą szeroko wykrywać i klasyfikować różne substancje, jednocześnie oceniając ich jakość, autentyczność i świeżość. Ta ocena dała także badaczom wgląd w sposób, w jaki sztuczna inteligencja podejmuje decyzje, co może prowadzić do lepszego rozwoju i zastosowań sztucznej inteligencji – stwierdzili.
„Próbujemy stworzyć sztuczny język, ale proces odczuwania różnych pokarmów obejmuje coś więcej niż tylko język” – powiedział autor korespondencji Saptarshi Das, profesor inżynierii w Ackley oraz profesor nauk technicznych i mechaniki. „Mamy sam język, składający się z receptorów smaku, które wchodzą w interakcję z jedzeniem gatunek i wysyłają informacje do kory smakowej – biologicznej sieci neuronowej.
Symulacja sieci neuronowej percepcji smaku
Kora smakowa to obszar mózgu, który postrzega i interpretuje różne smaki wykraczające poza to, co może wyczuć receptory smaku, które przede wszystkim kategoryzują żywność według pięciu szerokich kategorii: słodki, kwaśny, gorzki, słony i pikantny. Gdy mózg uczy się niuansów smaków, może lepiej rozróżniać subtelności smaków. Aby sztucznie imitować korę smakową, naukowcy opracowali sieć neuronową, która jest algorytmem uczenia maszynowego naśladującym ludzki mózg w ocenie i zrozumieniu danych.
„Wcześniej badaliśmy, jak mózg reaguje na różne smaki i naśladowaliśmy ten proces, integrując różne materiały 2D opracować coś w rodzaju planu co do tego, w jaki sposób sztuczna inteligencja może przetwarzać informacje bardziej jak istota ludzka” – powiedział współautor Harikrishnan Ravichandran, doktorant w dziedzinie nauk inżynieryjnych i mechaniki, któremu doradza Das. „Teraz w ramach tej pracy rozważamy kilka substancji chemicznych, aby sprawdzić, czy czujniki mogą je dokładnie wykryć, a co więcej, czy są w stanie wykryć drobne różnice między podobnymi produktami spożywczymi i rozpoznać przypadki problemów związanych z bezpieczeństwem żywności”.
Język składa się z tranzystora polowego wrażliwego na jony na bazie grafenu lub urządzenia przewodzącego, które może wykrywać jony chemiczne, połączonego ze sztuczną siecią neuronową wyszkoloną na różnych zbiorach danych. Co najważniejsze, zauważył Das, czujniki nie są funkcjonalizowane, co oznacza, że jeden czujnik może wykrywać różne rodzaje substancji chemicznych, zamiast mieć osobny czujnik przeznaczony dla każdej potencjalnej substancji chemicznej. Naukowcy dostarczyli sieci neuronowej 20 konkretnych parametrów do oceny, z których wszystkie są powiązane z interakcją próbki cieczy z właściwościami elektrycznymi czujnika. W oparciu o te parametry określone przez badacza sztuczna inteligencja mogła dokładnie wykryć próbki — w tym rozwodnione mleko, różne rodzaje napojów gazowanych, mieszanki kawy i wiele soków owocowych na kilku poziomach świeżości — i zgłosić ich zawartość przekraczającą 80%. dokładność w ciągu około minuty.
Większa dokładność dzięki parametrom opartym na sztucznej inteligencji
„Po osiągnięciu rozsądnej dokładności parametrów wybranych przez człowieka zdecydowaliśmy się pozwolić sieci neuronowej zdefiniować własne wartości, dostarczając jej surowe dane z czujników. Odkryliśmy, że sieć neuronowa osiągnęła niemal idealną dokładność wnioskowania wynoszącą ponad 95%, korzystając z danych liczbowych uzyskanych od maszyn, a nie tych dostarczonych przez ludzi” – powiedział współautor Andrew Pannone, doktorant nauk technicznych i mechaniki zalecane przez Das. „Zastosowaliśmy więc metodę zwaną wyjaśnieniami addytywnymi Shapleya, która pozwala nam zapytać sieć neuronową, o czym myślała po podjęciu decyzji”.
Podejście to wykorzystuje teorię gier – proces decyzyjny, który uwzględnia wybory innych osób w celu przewidzenia wyniku pojedynczego uczestnika i przypisania wartości rozważanym danym. Dzięki tym wyjaśnieniom badacze mogli dokonać inżynierii wstecznej zrozumienia, w jaki sposób sieć neuronowa waży różne składniki próbki, aby dokonać ostatecznych ustaleń, co dało zespołowi wgląd w proces podejmowania decyzji w sieci neuronowej, który w dużej mierze pozostawał nieprzejrzysty w tej dziedzinie. Zdaniem badaczy AI. Odkryli, że zamiast po prostu oceniać poszczególne parametry przypisane przez człowieka, sieć neuronowa uwzględniła dane, które uznała za najważniejsze łącznie, a wyjaśnienia addytywne Shapleya ujawniły, jak ważne dla sieci neuronowej były każde dane wejściowe.
Naukowcy wyjaśnili, że ocenę tę można porównać do sytuacji, w której dwie osoby piją mleko. Oboje mogą rozpoznać, że jest to mleko, ale jedna osoba może pomyśleć, że to odtłuszczone mleko, które się zepsuło, a druga, że 2% mleka jest jeszcze świeże. Nawet osoba dokonująca oceny nie jest w stanie łatwo wyjaśnić niuansów.
„Odkryliśmy, że sieć przyjrzała się bardziej subtelnym cechom danych – rzeczom, które my, ludzie, mamy trudności z właściwym zdefiniowaniem” – powiedział Das. „A ponieważ sieć neuronowa traktuje charakterystykę czujnika w sposób całościowy, minimalizuje wahania, które mogą pojawiać się codziennie. Jeśli chodzi o mleko, sieć neuronowa może określić różną zawartość wody w mleku i w tym kontekście określić, czy jakiekolwiek wskaźniki degradacji są na tyle znaczące, że można je uznać za kwestię bezpieczeństwa żywności.
Praktyczne korzyści wynikające z niedoskonałości czujnika
Według Dasa możliwości języka są ograniczone jedynie danymi, na których się uczy, co oznacza, że chociaż badanie skupiało się na ocenie żywności, można je zastosować również w diagnostyce medycznej. I chociaż czułość jest ważna bez względu na to, gdzie czujnik jest zastosowany, solidność czujników otwiera drogę do szerokiego zastosowania w różnych gałęziach przemysłu – twierdzą naukowcy.
Das wyjaśnił, że czujniki nie muszą być dokładnie identyczne, ponieważ uczenie maszynowe algorytmy mogą spojrzeć na wszystkie informacje razem i mimo to dać właściwą odpowiedź. Dzięki temu proces produkcyjny jest bardziej praktyczny i tańszy.
„Odkryliśmy, że możemy żyć z niedoskonałością” – powiedział Das. „I taka właśnie jest natura — jest pełna niedoskonałości, a mimo to potrafi podejmować zdecydowane decyzje, zupełnie jak nasz elektroniczny język”.
Odniesienie: „Dokładna analiza chemiczna za pomocą grafen chemosensory i uczenie maszynowe” Andrew Pannone, Aditya Raj, Harikrishnan Ravichandran, Sarbashis Das, Ziheng Chen, Collin A. Price, Mahmooda Sultana i Saptarshi Das, 9 października 2024 r., Natura.
DOI: 10.1038/s41586-024-08003-w
Das jest także stowarzyszony z Instytutem Badań Materiałowych oraz Katedrami Elektrotechniki i Inżynierii Materiałowej. Inni współautorzy z Departamentu Inżynierii i Mechaniki stanu Penn to Aditya Raj, technolog badawczy w czasie prowadzenia badań; Sarbashis Das, absolwent w czasie badań, który w maju uzyskał doktorat z elektrotechniki; Ziheng Chen, absolwent nauk technicznych i mechaniki; oraz Collin A. Price, absolwent, który w maju uzyskał tytuł licencjata w dziedzinie inżynierii i mechaniki. Mahmooda Sultana z NASA Centrum Lotów Kosmicznych Goddarda również wniosło swój wkład.
Prace te wsparto grantem NASA w ramach programu Space Technology Graduate Research Opportunities.