Elektroniczny język
Opracowanie zautomatyzowanego sposobu testowania smaku produktów w skali masowej produkcji od dekad stanowiło wyzwanie dla przemysłu spożywczego. Aby przezwyciężyć ograniczenia czujnika chemicznego, naukowcy zastosowali w nowym badaniu uczenie maszynowe. Oznacza to, że już wkrótce „robotyczny język” może ocenić mleko lub wino, zanim zrobi to konsument.
Kiedy jony w cieczy – na przykład w pysznym napoju – „dotykają” przewodzącej warstwy tranzystora polowego czułego na jony (ISFET), przepływający prąd elektryczny zmienia się w zależności od składu trunku i przyłożonego napięcia. Pozwala to wykorzystywać ISFET-y do przekształcania zmian chemicznych w sygnały elektryczne. Skład chemiczny każdego napoju, a tym samym jego smak, jest zależny od jego czystości i świeżości – a to ISFET-y potrafią rozpoznać.
„Przemysł spożywczy napotyka wiele problemów w ustalaniu, czy produkt nie został sfałszowany lub czy nie zawiera toksycznych substancji” – mówi Saptarshi Das, inżynier z Pennsylvania State University. Pierwsze ISFET-y zostały zaprezentowane ponad 50 lat temu, ale czujniki te nie są szeroko stosowane komercyjnie. Pojawienie się grafenu – idealnego materiału przewodzącego – pomogło naukowcom opracować ulepszone czujniki ISFET, które wykrywają określone jony.
Jednak pozostawał poważny problem: wyniki różniły się w zależności od czujnika i warunków, takich jak temperatura czy wilgotność. W ramach pracy opisanej w „Nature” Das i jego zespół zajęli się tym problemem, łącząc ISFET-y z sieciami neuronowymi i trenując algorytm uczenia maszynowego w klasyfikowaniu napojów na podstawie odczytów z czujników. Powstały system stwierdzał, czy mleko nie zostało rozcieńczone, rozróżniał marki napojów gazowanych lub rodzaje kawy, a także identyfikował różne soki owocowe, dodatkowo oceniając ich świeżość.
W trakcie badań zespół próbował trenować algorytm na podstawie danych wybranych przez ludzi, ale okazało się, że system działał lepiej, gdy algorytm miał dostęp do wszystkich wyników pomiaru i sam wybierał cechy do podejmowania decyzji. Cechy wybierane przez ludzi były podatne na różnice między urządzeniami, podczas gdy algorytm analizował całość danych jednocześnie, znajdując elementy mniej wrażliwe. „W procesie uczenia maszynowego są wychwytywane bardzo subtelne rozbieżności, które trudno byłoby zdefiniować człowiekowi” – wyjaśnia Das. System osiągnął podczas prób ponad 97-procentową dokładność.
„Dane są bardzo przekonujące” – mówi Kiana Aran, inżynier z University of California w San Diego, która jest współzałożycielką firmy zajmującej się komercjalizacją czujników biologicznych opartych na grafenie. W przeciwieństwie do ludzkiego języka, który wykrywa specyficzne molekuły, system wykorzystujący ISFET-y wykrywa jedynie zmiany chemiczne – „co ogranicza zakres jego działania do określonych, zdefiniowanych wcześniej profili chemicznych”, takich jak formuły marek czy zakresy świeżości, dodaje.
Das i jego zespół planują teraz testować większe i bardziej zróżnicowane zestawy danych treningowych oraz bardziej złożone algorytmy, aby rozszerzyć zastosowania systemu. „Można wykorzystać tę technikę w medycynie: do monitorowania poziomu glukozy we krwi czy składu chemicznego potu – mówi Das. – To jest kolejny obszar, którym chcemy się zająć.”