电子舌使用人工智能检测液体差异 - 神经科学新闻

摘要：研究人员开发了一种由人工智能驱动的“电子舌”，能够区分液体中的细微差异，例如牛奶的新鲜度、苏打水的类型和咖啡的混合比例。通过神经网络分析传感器数据，该设备在识别液体质量、真实性及潜在安全问题方面达到了超过95%的准确率。有趣的是，当允许AI自行选择其分析参数时，其表现优于人工定义的设置，展示了它如何全面评估细微的数据差异。

这种基于石墨烯传感器的技术有可能彻底改变食品安全评估，并可能扩展到医学诊断领域。该设备的AI洞察还为神经网络的决策过程提供了独特的视角。这一创新在质量与安全至关重要的各个行业中都具有实际应用前景。

关键事实

• 电子舌使用人工智能以超过95%的准确率识别食品质量的细微差异。
• 该设备的神经网络在定义自己的分析指标时表现更好。
• 应用程序不仅限于食品安全，还可能应用于医学诊断。

来源:宾夕法尼亚州立大学

最近开发的一种电子舌能够识别相似液体之间的差异，例如含水量不同的牛奶；多种产品，包括不同类型的苏打水和咖啡混合物；以及果汁变质的迹象；还能发现食品安全问题的情况。

由宾夕法尼亚州立大学研究人员领导的团队还发现，当人工智能使用其自身的评估参数来解释电子舌生成的数据时，结果更加准确。

研究人员今天（10月9日）在自然。

根据研究人员的说法，电子舌在食品安全和生产以及医学诊断方面都十分有用。该传感器及其人工智能可以广泛地检测和分类各种物质，并综合评估它们各自的品质、真伪和新鲜度。

这项评估还让研究人员了解了AI如何做出决策，这可能有助于更好的人工智能开发和应用。

“我们正试图制造一个人工舌头，但体验不同食物的过程不仅仅是舌头的作用，”通讯作者萨普塔尔西·达斯（Ackley工程学教授兼工程科学与力学教授）说。

“我们有舌头本身，它包含与食物分子相互作用的味觉受体，并将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，这些味道超出了味觉受体所能检测到的范围。味觉受体主要通过五种基本类别（甜、酸、苦、咸和鲜）来分类食物。随着大脑学习品味的细微差别，它能够更好地区分风味的微妙之处。

为了人工模仿味觉皮层，研究人员开发了一个神经网络，这是一种模拟人脑评估和理解数据的机器学习算法。

“此前，我们研究了大脑对不同味道的反应，并通过整合不同的二维材料模仿这一过程，以开发出一种蓝图，说明人工智能如何像人类一样处理信息，”论文共同作者哈里克里希南·拉维昌德兰（由Das指导的工程科学与力学专业的博士生）说。

现在，在这项工作中，我们正在考虑几种化学物质，以查看传感器是否能准确地检测它们，并且进一步检查它们能否辨别类似食品之间的微小差异以及发现食品安全问题。

舌头包含一种基于石墨烯的离子敏感场效应晶体管，或者是一种可以检测化学离子的导电设备，并且与经过各种数据集训练的人工神经网络相连。关键的是，Das指出，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，而不是为每种可能的化学物质专门配备一个特定的传感器。

研究人员为神经网络提供了20个特定参数来进行评估，所有这些参数都与样本液体如何与传感器的电学性质相互作用有关。基于这些由研究人员指定的参数，AI能够准确检测各种样品——包括稀释过的牛奶、不同类型的汽水、混合咖啡以及几种不同程度新鲜度的果汁，并在大约一分钟内以超过80%的准确性报告其成分。

在使用人工选择的参数达到合理的准确度后，我们决定通过提供原始传感器数据让神经网络自行定义其评价标准。

论文的共同作者、由Das指导的工程科学与力学专业的博士生Andrew Pannone表示：“我们发现，当使用机器生成的质量度量指标而非人类提供的指标时，神经网络达到了超过95%的近乎理想的推理准确率。”

因此，我们使用了一种叫做夏普利加性解释的方法，这种方法允许我们询问神经网络在做出决策后它是如何思考的。

这种方法使用博弈论，一种考虑他人选择以预测单个参与者结果的决策过程，为所考虑的数据分配价值。

通过这些解释，研究人员能够反向工程出神经网络如何权衡样本的各种成分以做出最终决定的理解——这让团队得以一窥神经网络的决策过程，在人工智能领域这一过程一直很大程度上是不透明的。

他们发现，神经网络并非仅仅评估单个人工设定的参数，而是综合考虑它认为最重要的数据，并且通过夏普利加法解释揭示了神经网络对每个输入数据的重要性。

研究人员解释说，这项评估可以比作两个人在喝牛奶。他们都能识别这是牛奶，但一个人可能认为那是变质的脱脂奶，而另一个人则认为那是新鲜的2%脂肪含量的牛奶。做出评估的人也很难确切说明其中的区别所在。

“我们发现网络关注了数据中更为微妙的特征——这些是我们人类难以准确定义的事物，”Das说。

“由于神经网络全面考虑了传感器的特性，它可以缓解每天可能发生的差异。就牛奶而言，神经网络可以确定牛奶中水分含量的变化，并在此背景下判断任何降解迹象是否足够严重以至于被视为食品安全问题。”

根据Das的说法，舌头的能力仅受限于其训练的数据，这意味着虽然这项研究的重点是食物评估，但它也可以应用于医学诊断。

而无论传感器应用于何处，敏感性都非常重要，研究人员表示，他们传感器的坚固性为在不同行业中广泛部署提供了前进的道路。

这说明传感器不需要完全相同，因为机器学习算法可以一起分析所有信息并仍然得出正确的答案。这使得制造过程更加实际且成本更低。

“我们发现我们可以接受不完美，”Das说。“而这正是自然界的特征——它充满了不完美，但它仍然能够做出稳健的决策，就像我们的电子舌一样。”

这是与材料研究研究所和电机工程系以及材料科学与工程系相关的。宾州州立大学工程科学与力学系的其他贡献者包括Aditya Raj（在进行该项研究时为研究技术员）；Sarbashis Das（在进行该研究期间为研究生，于5月获得电气工程博士学位）；Ziheng Chen（工程科学与力学专业的研究生）；Collin A. Price（获得工程科学与力学学士学位的毕业生，在5月份完成了他的学业）。NASA戈达德太空飞行中心的Mahmooda Sultana也做出了贡献。

资金：NASA的空间技术研究生研究机会补助金支持了这项工作。

关于这项人工智能研究新闻

作者： Ashley Wennersherron
来源:宾夕法尼亚州立大学
联系人： Ashley WennersHerron – 宾夕法尼亚州立大学
图片：图片来自Neuroscience News

原创研究：封闭访问。
“具备石墨烯化学传感器和机器学习的 robust 化学分析Saptarshi Das等人著作的"自然

摘要

基于石墨烯化学传感器和机器学习的稳健化学分析

离子敏感场效应晶体管（ISFET）已成为化学传感应用中不可或缺的工具。

ISFET通过将化学溶液成分的变化转化为电信号来工作，使其非常适合环境监测、医疗诊断和工业过程控制。最近在ISFET技术方面的进步，包括功能化多路复用阵列和高级数据分析，已经提高了它们的性能。

在这里，我们展示了将机器学习算法纳入构建预测模型的优势，这些模型使用ISFET传感器生成的大量数据集来进行分类和量化任务。这种集成还为ISFET的工作原理提供了新的见解，超出了仅凭人类专业知识所能得出的理解。

此外，它减轻了周期与周期之间、传感器与传感器之间以及芯片与芯片之间的实际变化带来的挑战，为ISFET在商业应用中的更广泛应用铺平了道路。具体而言，我们使用非功能化石墨烯基ISFET阵列生成的数据来训练人工神经网络，这些神经网络具有识别食品欺诈、食品变质和食品安全问题的卓越能力。

我们预计，基于石墨烯的紧凑、节能且可重复使用的ISFET技术与强大的机器学习算法相结合，有可能彻底改变对细微化学和环境变化的检测，提供快速的数据驱动见解，并适用于广泛的应用领域。