Una lengua electrónica desarrollada recientemente es capaz de identificar diferencias en líquidos similares, como la leche con diferente contenido de agua;diversos productos, incluidos tipos de refrescos y mezclas de café;signos de deterioro en jugos de frutas;y casos de preocupaciones sobre la seguridad alimentaria.

El equipo, dirigido por investigadores de Penn State, también encontró que los resultados eran aún más precisos cuandointeligencia artificial(AI) utilizó sus propios parámetros de evaluación para interpretar los datos generados por la lengua electrónica.

Los investigadores publicaron sus resultados el 9 de octubre enNaturaleza.

Según los investigadores, la lengua electrónica puede ser útil paraseguridad alimentariay producción, así como para el diagnóstico médico.El sensor y su IA pueden detectar y clasificar ampliamente diversas sustancias mientras evalúan colectivamente su respectiva calidad, autenticidad y frescura.Esta evaluación también ha proporcionado a los investigadores una visión de cómo la IA toma decisiones, lo que podría conducir a un mejor desarrollo y aplicaciones de la IA, dijeron.

"Estamos tratando de hacer una lengua artificial, pero el proceso de cómo experimentamos diferentes alimentos implica algo más que la lengua", dijo el autor correspondiente Saptarshi Das, profesor de ingeniería de Ackley y profesor de ciencias de la ingeniería y mecánica."Tenemos la lengua misma, que consta de receptores gustativos que interactúan con las especies de alimentos y envían su información a la corteza gustativa, una función biológica.red neuronal".

La corteza gustativa es la región del cerebro que percibe e interpreta diversos sabores más allá de lo que puede sentir el cerebro.receptores del gusto, que clasifican principalmente los alimentos a través de cinco categorías amplias: dulce, ácido, amargo, salado y salado.A medida que el cerebro aprende los matices de los sabores, puede diferenciar mejor las sutilezas de los sabores.Para imitar artificialmente la corteza gustativa, los investigadores desarrollaron una red neuronal, que es un algoritmo de aprendizaje automático que imita el cerebro humano en la evaluación y comprensión de datos.

"Anteriormente, investigamos cómo reacciona el cerebro a diferentes gustos e imitamos este proceso integrando diferentes materiales 2D para desarrollar una especie de modelo sobre cómo la IA puede procesar información más como un ser humano", dijo el coautor Harikrishnan Ravichandran, doctorado.Estudiante de ciencias de la ingeniería y mecánica asesorado por Das.

"Ahora, en este trabajo, estamos considerando varios productos químicos para ver si los sensores pueden detectarlos con precisión y, además, si pueden detectar diferencias mínimas entre alimentos similares y discernir casos de problemas de seguridad alimentaria".

La lengua comprende un transistor de efecto de campo sensible a iones basado en grafeno, o un dispositivo conductor que puede detectar iones químicos, vinculado a una red neuronal artificial, entrenada en varios conjuntos de datos.Lo más importante, señaló Das, es que los sensores no están funcionalizados, lo que significa que un sensor puede detectar diferentes tipos de sustancias químicas, en lugar de tener un sensor específico dedicado a cada sustancia química potencial.Los investigadores proporcionaron a la red neuronal 20 parámetros específicos para evaluar, todos los cuales están relacionados con cómo interactúa una muestra de líquido con las propiedades eléctricas del sensor.

Con base en estos parámetros especificados por los investigadores, la IA podría detectar muestras con precisión, incluidas leches aguadas, diferentes tipos de refrescos, mezclas de café y múltiples jugos de frutas en varios niveles de frescura, e informar sobre su contenido con más de 80% 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 cifras de mérito proporcionándole los datos sin procesar del sensor. Descubrimos que la red neuronal alcanzó una precisión de inferencia casi ideal de más del 95% cuando se utilizan cifras de mérito derivadas de máquinas en lugar de las proporcionadas por humanos", dijo el coautor Andrew Pannone, estudiante de doctorado en ciencias de la ingeniería y mecánica asesorado por Das.

"Entonces, utilizamos un método llamado explicaciones aditivas de Shapley, que nos permite preguntarle a la red neuronal qué estaba pensando después de tomar una 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 solo participante y asignar valores a los datos bajo consideración.Con estas explicaciones, los investigadores pudieron realizar ingeniería inversa para comprender cómo la red neuronal pesó varios componentes de la muestra para tomar una determinación final, lo que le dio al equipo una idea del proceso de toma de decisiones de la red neuronal, que ha permanecido en gran medida opaco en el pasado.campo de la IA, según los investigadores.

Descubrieron que, en lugar de simplemente evaluar parámetros individuales asignados por humanos, la red neuronal consideraba los datos que determinaba que eran más importantes juntos, y las explicaciones aditivas de Shapley revelaban cuán importante consideraba la red neuronal cada dato de entrada.

Los investigadores explicaron que esta evaluación podría compararse con la de dos personas bebiendo leche.Ambos pueden identificar que es leche, pero uno puede pensar que es descremada que se ha desprendido mientras que el otro piensa que es un 2% que aún está fresco.Los matices del por qué no los explica fácilmente ni siquiera el individuo que realiza la evaluación.

"Descubrimos que la red analizó características más sutiles en los datos: cosas que a nosotros, como seres humanos, nos cuesta definir adecuadamente", dijo Das.

"Y debido a que la red neuronal considera las características del sensor de manera integral, mitiga las variaciones que pueden ocurrir día a día. En términos de la leche, la red neuronal puede determinar el contenido variable de agua de la leche y, en ese contexto, determinar sicualquier indicador de degradación es lo suficientemente significativo como para ser considerado un problema de seguridad alimentaria".

Según Das, las capacidades de la lengua están limitadas únicamente por los datos con los que se entrena, lo que significa que si bien el objetivo de este estudio fue la evaluación de los alimentos, también podría aplicarse al diagnóstico médico.Y si bien la sensibilidad es importante sin importar dónde se aplique el sensor, la robustez de sus sensores proporciona un camino a seguir para una amplia implementación en diferentes industrias, dijeron los investigadores.

Das explicó que no es necesario que los sensores sean exactamente idénticos porque los algoritmos de aprendizaje automático pueden analizar toda la información en conjunto y aun así producir 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 eso es lo que es la naturaleza: está llena de imperfecciones, pero aún puede tomar decisiones sólidas, al igual que nuestralengua electronica".