Lengua electrónica con IA detecta diferencias sutiles en líquidos

Comparta este Artículo en:

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

El equipo, dirigido por investigadores de Penn State, también descubrió que los resultados eran aún más precisos cuando la inteligencia artificial (IA) usaba sus propios parámetros de evaluación para interpretar los datos generados por la lengua electrónica.

Según los investigadores, la lengua electrónica puede ser útil para la seguridad y la producción de alimentos, así como para los diagnósticos médicos.

El sensor y su IA pueden detectar y clasificar ampliamente varias 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 crear una lengua artificial, pero el proceso mediante el cual experimentamos diferentes alimentos implica más que solo 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 en sí, que consta de receptores del gusto 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 varios sabores más allá de lo que pueden percibir los receptores del gusto, que clasifican principalmente los alimentos a través de las cinco amplias categorías de dulce, ácido, amargo, salado y sabroso.

A medida que el cerebro aprende los matices de los sabores, puede diferenciar mejor la sutileza de los mismos.

Para imitar artificialmente la corteza gustativa, los investigadores desarrollaron una red neuronal, que es un algoritmo de aprendizaje automático que imita al cerebro humano al evaluar y comprender los datos.

“Anteriormente, investigamos cómo reacciona el cerebro a diferentes sabores e imitamos este proceso integrando diferentes materiales 2D para desarrollar una especie de modelo sobre cómo la IA puede procesar la información de manera más parecida a un ser humano“, dijo el coautor Harikrishnan Ravichandran, un estudiante de doctorado en 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 minúsculas 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.

Das señaló que, de manera crítica, los sensores no están funcionalizados, lo que significa que un sensor puede detectar diferentes tipos de productos químicos, en lugar de tener un sensor específico dedicado a cada producto químico potencial.

Los investigadores proporcionaron a la red neuronal 20 parámetros específicos para evaluar, todos ellos relacionados con la forma en que un líquido de muestra interactúa con las propiedades eléctricas del sensor.

En función de estos parámetros especificados por los investigadores, la IA pudo detectar con precisión muestras (incluidas leches diluidas, distintos tipos de refrescos, mezclas de café y varios zumos de frutas con distintos niveles de frescura) e informar sobre su contenido con una precisión superior al 80 % en aproximadamente un minuto.

“Después de lograr una precisión razonable con los parámetros seleccionados por humanos, decidimos dejar que la red neuronal definiera sus propias cifras de mérito proporcionándole los datos del sensor sin procesar.

Descubrimos que la red neuronal alcanzó una precisión de inferencia casi ideal de más del 95 % al utilizar las cifras de mérito derivadas de la máquina en lugar de las proporcionadas por los humanos“, dijo el coautor Andrew Pannone, un estudiante de doctorado en ciencias de la ingeniería y mecánica asesorado por Das.

“Por lo tanto, utilizamos un método llamado explicaciones aditivas de Shapley, que nos permite preguntar 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, para asignar valores a los datos en consideración.

Con estas explicaciones, los investigadores pudieron aplicar ingeniería inversa para comprender cómo la red neuronal ponderó 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 campo de la IA, según los investigadores.

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

Los investigadores explicaron que esta evaluación podría compararse con la de dos personas que beben leche.

Ambas pueden identificar que se trata de leche, pero una persona puede pensar que es leche desnatada que se ha estropeado mientras que la otra piensa que es leche fresca al 2%.

Los matices de la razón no se explican fácilmente ni siquiera por la persona que realiza la evaluación.

“Descubrimos que la red examinaba características más sutiles de los datos, cosas que a nosotros, como humanos, nos cuesta definir correctamente“, dijo Das.

“Y como la red neuronal considera las características del sensor de forma holística, mitiga las variaciones que pueden ocurrir día a día.

En cuanto a la leche, la red neuronal puede determinar el contenido variable de agua de la leche y, en ese contexto, determinar si algún 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 está entrenada, lo que significa que, si bien el enfoque de este estudio fue la evaluación de 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 los sensores no necesitan ser exactamente idénticos porque los algoritmos de aprendizaje automático pueden analizar toda la información en conjunto y aún 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 nuestra lengua electrónica”.

Fuente: Nature