Una lengua electrónica desarrollada recientemente es capaz de detectar diferencias en líquidos similares, como diferencias en el contenido de agua en la leche. productos diversos, incluidas variedades de refrescos y mezclas de café; Síntomas de deterioro del jugo de frutas; y ejemplos de preocupaciones sobre la seguridad alimentaria. El equipo, dirigido por investigadores de Penn State, también descubrió que los resultados eran aún más precisos cuando la inteligencia artificial (IA) utilizaba sus parámetros de diagnóstico para interpretar los datos generados por el lenguaje electrónico.
Los investigadores publicaron sus hallazgos hoy (9 de octubre). la naturaleza
Según los investigadores, la lengua electrónica podría ser útil para la seguridad y producción de alimentos, así como para el diagnóstico médico. El sensor y su IA pueden detectar y categorizar una amplia variedad de sustancias mientras evalúan colectivamente su calidad relativa, autenticidad y frescura. La evaluación también brindó a los investigadores una visión de cómo la IA toma decisiones, lo que podría conducir a un mejor desarrollo y aplicaciones de la IA, dijo.
“Estamos tratando de crear un lenguaje artificial, pero el proceso de cómo experimentamos diferentes alimentos implica algo más que el lenguaje”, dijo el autor correspondiente Saptarshidas, profesor de ingeniería y profesor de ciencias de la ingeniería y mecánica de Akali. “Tenemos la propia lengua, que tiene receptores gustativos que interactúan con las especies de alimentos y envían su información a la corteza gustativa, una red neuronal biológica”.
La corteza gustativa es la región del cerebro que percibe e interpreta los diferentes sabores que pueden percibir los receptores gustativos, que son básicamente las cinco categorías amplias de alimentos dulces, ácidos, amargos, salados y salados. A medida que el cerebro aprende los matices del gusto, puede distinguir mejor los matices de los sabores. Para simular artificialmente la corteza gustativa, los investigadores desarrollaron una red neuronal, un algoritmo de aprendizaje automático que imita al cerebro humano a la hora de inferir y comprender datos.
“Anteriormente, investigamos cómo reacciona el cerebro a diferentes sabores y simulamos este proceso combinando diferentes materiales 2D para crear una especie de modelo de cómo la IA interpreta la información que los humanos pueden procesar”, dijo el coautor Harikrishnan Ravichandran, Ph.D. Estudiante de Ciencias de la Ingeniería y Mecánica asesorado por Das. “Ahora, en este trabajo, estamos analizando varios productos químicos para ver si los sensores pueden detectarlos con precisión y también si pueden detectar diferencias sutiles entre alimentos similares y pueden comprender ejemplos de problemas de seguridad alimentaria”.
La lengua es un transistor de efecto de campo sensible a iones basado en grafeno, o un dispositivo conductor que puede detectar iones químicos, conectado a una red neuronal artificial, entrenada en varios conjuntos de datos. Fundamentalmente, señaló Das, los sensores son pasivos, lo que significa que un sensor puede detectar una amplia variedad de sustancias químicas en lugar de tener un sensor específico para cada sustancia química posible. Los investigadores proporcionaron a la red neuronal 20 parámetros específicos para evaluar, todos los cuales se relacionan con cómo interactúa la muestra líquida con las propiedades eléctricas del sensor. Según los parámetros específicos de estos investigadores, la IA puede detectar con precisión muestras, incluida leche aguada, diferentes tipos de refrescos, mezclas de café y varios jugos de frutas en varios niveles de frescura, y puede informar con más de 80 de los contenidos. % de precisión en aproximadamente un minuto.
“Después de lograr una precisión razonable con parámetros seleccionados por humanos, decidimos dejar que la red neuronal defina sus propias estadísticas de mérito proporcionando datos de sensores sin procesar. % Cuando el mérito fue proporcionado por humanos en lugar de utilizar datos derivados de máquinas”, dijo el coautor Andrew Panone. , estudiante de doctorado en ingeniería y mecánica, sugirió Das. “Entonces, utilizamos un método llamado explicaciones aditivas de Shapley, que nos permite preguntarle a la red neuronal qué estaba pensando después de tomar la decisión”.
Este enfoque utiliza la teoría de juegos, un proceso de toma de decisiones que considera las elecciones de otros para predecir el resultado de un único participante, asignando valores a los datos bajo consideración. Con estas descripciones, los investigadores pueden comprender cómo la red neuronal ha ponderado los diferentes componentes de la muestra para tomar una decisión final, lo que le da al equipo una idea del proceso de toma de decisiones de la red neuronal, que ha sido en gran medida oscuro. Según los investigadores, el campo de la IA. Descubrieron que en lugar de simplemente estimar parámetros individuales asignados por humanos, la red neuronal trataba los datos que determinaba como los más importantes que Pitt considera.
Los investigadores explicaron que esta evaluación podría compararse con la de dos personas que bebieron leche. Ambos pueden identificar que es leche, pero una persona podría pensar que es leche descremada que se ha acabado mientras que la otra piensa que es el 2% que aún está fresco. El motivo no lo explica fácilmente ni siquiera la persona que hace el diagnóstico.
“Descubrimos que la red vio características más sutiles en los datos, cosas que a nosotros, como humanos, nos cuesta describir adecuadamente”, dijo Das. “Y como la red neuronal considera las características del sensor en su conjunto, minimiza las variaciones que pueden ocurrir de un día a otro. Dependiendo de la leche, la red neuronal determina los diferentes contenidos de agua de la lata y, en ese caso, contexto, determinar si algún indicador de degradación es lo suficientemente significativo como para ser considerado un problema de seguridad alimentaria”.
Según Das, las capacidades del lenguaje sólo están limitadas por los datos con los que se entrena, lo que significa que si bien el foco de esta investigación fue la evaluación de alimentos, también podría aplicarse al diagnóstico médico. Y si bien la sensibilidad es importante sin importar dónde se coloque el sensor, la robustez de sus sensores proporciona un camino a seguir para su implementación generalizada en una variedad de industrias, dijeron los investigadores.
Das explicó que no es necesario que los sensores sean exactamente iguales porque los algoritmos de aprendizaje automático pueden analizar toda la información a la vez y aun así dar la respuesta correcta. Esto hace que el proceso de fabricación sea más práctico y menos costoso.
“Descubrimos que podemos vivir con la imperfección”, dijo Das. “Y así es la naturaleza: está llena de defectos, pero aún puede tomar decisiones tan fuertes como nuestra lengua electrónica”.
Das también está asociado con el Instituto de Investigación de Materiales y los Departamentos de Ingeniería Eléctrica y Ciencia e Ingeniería de Materiales. Otros contribuyentes del Departamento de Ingeniería, Ciencias y Mecánica de Penn State incluyen a Aditya Raj, un tecnólogo de investigación en el momento del estudio; Sarbashis Das, un estudiante de posgrado en el momento de la investigación que recibió su doctorado en ingeniería eléctrica en mayo. Ziheng Chen, estudiante de posgrado en ingeniería y mecánica; y Colin A. Price, un estudiante de posgrado que recibió una licenciatura en ciencias de la ingeniería y mecánica en mayo. Mahmoud Sultana también colaboró con el Centro de vuelos espaciales Goddard de la NASA.
Este trabajo fue apoyado por una subvención de Oportunidad de Investigación para Graduados en Tecnología Espacial de la NASA.
