研究人员创造出人工智能驱动的电子舌头 可即时检测食品的新鲜度和安全性

研究人员利用人工智能开发了一种能够识别各种液体样本的电子舌。 当被要求定义自己的评估参数时，人工智能可以更准确地解释电子舌产生的数据。 图片来源：Saptarshi Das 实验室/宾夕法尼亚州立大学

在宾夕法尼亚州大学研究人员的领导下，该研究小组发现，当人工智能（AI）使用自己的评估标准来解释电子舌产生的数据时，准确性会显著提高。

研究人员最近在《自然》（Nature.）上发表了他们的研究成果。

据研究人员称，电子舌头可用于食品安全和生产以及医疗诊断。 传感器及其人工智能可以广泛地检测各种物质并对其进行分类，同时对其各自的质量、真实性和新鲜度进行综合评估。 他们说，这种评估还让研究人员了解了人工智能是如何做出决策的，这可能会带来更好的人工智能开发和应用。

通讯作者、阿克利工程学教授兼工程科学与力学教授萨普塔什-达斯（Saptarshi Das）说："我们正在尝试制造一个人造舌头，但我们体验不同食物的过程涉及的不仅仅是舌头。我们有舌头本身，由味觉感受器组成，这些感受器与食物种类相互作用，并将它们的信息发送到味觉皮层--一个生物神经网络。"

味觉皮层是大脑中感知和解释各种味道的区域，而不是味觉感受器所能感知的味道，味觉感受器主要通过甜、酸、苦、咸和美味五大类对食物进行分类。 随着大脑对各种味道细微差别的了解，它能更好地分辨出各种味道的微妙之处。 为了人工模拟味觉皮层，研究人员开发了一种神经网络，这是一种模仿人脑评估和理解数据的机器学习算法。

"此前，我们研究了大脑如何对不同的味道做出反应，并通过整合不同的二维材料来模仿这一过程，从而开发出一种蓝图，即人工智能如何能更像人类一样处理信息，"合著者、工程科学与力学专业博士生哈里克里希南-拉维钱德兰（Harikrishnan Ravichandran）说，他是达斯的顾问。"现在，在这项工作中，我们正在考虑几种化学物质，看看传感器是否能准确检测到它们，此外，它们是否能检测到类似食品之间的细微差别，并分辨出食品安全问题的实例。"

电子舌包括一个基于石墨烯的离子敏感场效应晶体管，或者说是一个可以检测化学离子的导电装置，它与一个人工神经网络相连，该网络是在各种数据集上训练出来的。 它位于设备的右上方。 图片来源：Saptarshi Das 实验室/宾夕法尼亚州立大学

舌头由一个基于石墨烯的离子敏感场效应晶体管（或可检测化学离子的导电装置）和一个人工神经网络组成，人工神经网络根据不同的数据集进行训练。 达斯指出，至关重要的是，这些传感器是非功能化的，这意味着一个传感器可以检测不同类型的化学物质，而不是为每种潜在的化学物质配备一个专门的传感器。 研究人员为神经网络提供了 20 个需要评估的特定参数，所有这些参数都与样本液体如何与传感器的电特性相互作用有关。 根据研究人员指定的这些参数，人工智能可以准确检测样品，包括冲淡的牛奶、不同类型的苏打水、混合咖啡和多种新鲜度的果汁，并在大约一分钟内报告其含量，准确率超过 80%。

"在使用人工选择的参数达到合理的准确度后，我们决定通过向神经网络提供原始传感器数据，让它自己定义参数。 我们发现，当使用机器得出的优点数据而不是人类提供的数据时，神经网络的推理准确率接近理想水平，达到 95% 以上，"合著者、工程科学与力学博士生安德鲁-潘诺内（Andrew Pannone）说，"因此，我们使用了一种名为夏普利加法解释的方法，它允许我们在神经网络做出决定后询问它在想什么。"

这种方法利用博弈论--一种考虑他人选择来预测单个参与者结果的决策过程--来为所考虑的数据赋值。 有了这些解释，研究人员就能通过逆向工程了解神经网络是如何权衡样本的各个组成部分以做出最终决定的--这让研究小组得以一窥神经网络的决策过程，而据研究人员称，在人工智能领域，这一过程在很大程度上仍然是不透明的。 他们发现，神经网络不是简单地评估人类指定的单个参数，而是将它认为最重要的数据放在一起考虑，夏普利加法解释揭示了神经网络认为每个输入数据的重要性。

研究人员解释说，这种评估可以比作两个人喝牛奶。 他们都能辨别出这是牛奶，但一个人可能认为这是已经变质的脱脂牛奶，而另一个人则认为这是仍然新鲜的 2% 牛奶。 其中的细微差别甚至连做出评估的个人也难以解释。

达斯说："我们发现，该网络能够观察到数据中更微妙的特征--这些特征是我们人类难以正确定义的。由于神经网络全面考虑了传感器的特性，因此可以减少每天可能出现的变化。 就牛奶而言，神经网络可以确定牛奶中不同的含水量，并在这种情况下确定任何降解指标是否有意义，足以被视为食品安全问题。"

根据达斯的说法，舌头的能力只受到训练它的数据的限制，这意味着虽然这项研究的重点是食品评估，但它也可以应用于医疗诊断。 研究人员说，虽然无论传感器应用于何处，灵敏度都很重要，但传感器的鲁棒性为在不同行业的广泛应用提供了前进的道路。传感器不需要完全相同，因为机器学习算法可以综合考虑所有信息，并得出正确的答案。 这使得制造过程更加实用，成本更低。

编译自/ScitechDaily

DOI: 10.1038/s41586-024-08003-w.