Peneliti Menciptakan Lidah Elektronik Bertenaga AI Untuk Mendeteksi Kesegaran dan Keamanan Makanan Secara Instan
Lidah elektronik Penn State, yang disempurnakan dengan AI, mendeteksi variasi halus dalam cairan untuk keamanan pangan dan diagnostik, dengan lebih dari 95% ketepatan dengan menentukan parameternya sendiri.
Lidah elektronik yang baru dikembangkan dapat membedakan perbedaan halus dalam cairan serupa, seperti susu dengan berbagai tingkat kandungan air, serta mengidentifikasi berbagai produk, termasuk berbagai jenis soda dan campuran kopi. Hal ini juga dapat mendeteksi pembusukan pada jus buah dan potensi masalah keamanan pangan. Dipimpin oleh para peneliti di Penn State, tim tersebut menemukan bahwa akurasi meningkat secara signifikan ketika kecerdasan buatan (AI) menggunakan kriteria evaluasinya sendiri untuk menafsirkan data yang dihasilkan oleh lidah elektronik.
Para peneliti baru-baru ini mempublikasikan hasilnya di Alam.
Menurut para peneliti, lidah elektronik dapat berguna untuk keamanan dan produksi pangan, serta untuk diagnosa medis. Sensor dan AI-nya dapat mendeteksi dan mengklasifikasikan berbagai zat secara luas sambil secara kolektif menilai kualitas, keaslian, dan kesegarannya. Penilaian ini juga memberikan para peneliti pandangan tentang bagaimana AI mengambil keputusan, yang dapat mengarah pada pengembangan dan penerapan AI yang lebih baik, kata mereka.
“Kami mencoba membuat lidah buatan, namun proses bagaimana kita merasakan makanan yang berbeda melibatkan lebih dari sekedar lidah,” kata penulis terkait, Saptarshi Das, Profesor Teknik Ackley dan profesor ilmu teknik dan mekanika. “Kami memiliki lidah itu sendiri, yang terdiri dari reseptor rasa yang berinteraksi dengan makanan jenis dan mengirimkan informasinya ke korteks pengecapan – jaringan saraf biologis.”
Simulasi Jaringan Syaraf Persepsi Rasa
Korteks pengecapan adalah wilayah otak yang merasakan dan menafsirkan berbagai rasa di luar apa yang dapat dirasakan oleh reseptor rasa, yang terutama mengkategorikan makanan melalui lima kategori besar yaitu manis, asam, pahit, asin, dan gurih. Saat otak mempelajari nuansa rasa, otak dapat membedakan kehalusan rasa dengan lebih baik. Untuk meniru korteks pengecapan secara artifisial, para peneliti mengembangkan jaringan saraf, yang merupakan algoritma pembelajaran mesin yang meniru otak manusia dalam menilai dan memahami data.
“Sebelumnya, kami menyelidiki bagaimana otak bereaksi terhadap rasa yang berbeda dan meniru proses ini dengan mengintegrasikan materi 2D yang berbeda untuk mengembangkan semacam cetak biru tentang bagaimana AI dapat memproses informasi seperti manusia,” kata rekan penulis Harikrishnan Ravichandran, seorang doktoral. mahasiswa ilmu teknik dan mekanik yang dibimbing oleh Das. “Sekarang, dalam penelitian ini, kami sedang mempertimbangkan beberapa bahan kimia untuk melihat apakah sensor dapat mendeteksinya secara akurat, dan lebih jauh lagi, apakah sensor tersebut dapat mendeteksi perbedaan kecil antara makanan serupa dan membedakan contoh masalah keamanan pangan.”
Lidahnya terdiri dari transistor efek medan peka ion berbasis graphene, atau perangkat konduktif yang dapat mendeteksi ion kimia, terhubung ke jaringan saraf tiruan, dan dilatih pada berbagai kumpulan data. Yang penting, kata Das, sensor-sensor tersebut tidak berfungsi, yang berarti bahwa satu sensor dapat mendeteksi berbagai jenis bahan kimia, dibandingkan memiliki sensor khusus yang didedikasikan untuk setiap bahan kimia potensial. Para peneliti menyediakan jaringan saraf dengan 20 parameter spesifik untuk dinilai, yang semuanya terkait dengan bagaimana sampel cairan berinteraksi dengan sifat listrik sensor. Berdasarkan parameter yang ditentukan peneliti ini, AI dapat mendeteksi sampel secara akurat – termasuk susu encer, berbagai jenis soda, campuran kopi, dan beberapa jus buah pada beberapa tingkat kesegaran – dan melaporkan kandungannya lebih dari 80%. akurasi dalam waktu sekitar satu menit.
Peningkatan Akurasi Melalui Parameter Turunan AI
“Setelah mencapai akurasi yang wajar dengan parameter yang dipilih manusia, kami memutuskan untuk membiarkan jaringan saraf menentukan angka manfaatnya sendiri dengan menyediakan data sensor mentah. Kami menemukan bahwa jaringan saraf mencapai akurasi inferensi yang mendekati ideal, yaitu lebih dari 95% ketika menggunakan angka manfaat yang diturunkan dari mesin, dibandingkan menggunakan angka yang dihasilkan oleh manusia,” kata rekan penulis Andrew Pannone, seorang mahasiswa doktoral di bidang ilmu teknik dan mekanika. saran dari Das. “Jadi, kami menggunakan metode yang disebut penjelasan aditif Shapley, yang memungkinkan kami menanyakan jaringan saraf apa yang dipikirkannya setelah mengambil keputusan.”
Pendekatan ini menggunakan teori permainan, suatu proses pengambilan keputusan yang mempertimbangkan pilihan orang lain untuk memprediksi hasil dari satu peserta, untuk memberikan nilai pada data yang sedang dipertimbangkan. Dengan penjelasan ini, para peneliti dapat merekayasa balik pemahaman tentang bagaimana jaringan saraf menimbang berbagai komponen sampel untuk membuat keputusan akhir – memberikan tim gambaran sekilas tentang proses pengambilan keputusan jaringan saraf, yang sebagian besar masih belum jelas di lapangan. AI, menurut para peneliti. Mereka menemukan bahwa, alih-alih hanya menilai parameter individual yang ditetapkan manusia, jaringan saraf menganggap data yang ditentukan sebagai yang paling penting, dengan penjelasan aditif Shapley mengungkapkan betapa pentingnya jaringan saraf mempertimbangkan setiap data masukan.
Para peneliti menjelaskan bahwa penilaian ini bisa dibandingkan dengan dua orang yang minum susu. Mereka berdua dapat mengidentifikasi bahwa itu adalah susu, namun satu orang mungkin mengira itu adalah susu skim yang sudah hilang sementara yang lain mengira itu adalah 2% yang masih segar. Nuansa mengapa tidak mudah dijelaskan bahkan oleh individu yang melakukan penilaian.
“Kami menemukan bahwa jaringan melihat karakteristik yang lebih halus dalam data – hal-hal yang sulit kita definisikan dengan benar sebagai manusia,” kata Das. “Dan karena jaringan saraf mempertimbangkan karakteristik sensor secara holistik, hal ini memitigasi variasi yang mungkin terjadi sehari-hari. Terkait dengan susu, jaringan saraf dapat menentukan berbagai kandungan air dalam susu dan, dalam konteks tersebut, menentukan apakah ada indikator degradasi yang cukup berarti untuk dianggap sebagai masalah keamanan pangan.”
Manfaat Praktis dari Ketidaksempurnaan Sensor
Menurut Das, kemampuan lidah hanya dibatasi oleh data yang digunakan untuk melatihnya. Artinya, meskipun fokus penelitian ini adalah pada penilaian makanan, hal ini juga dapat diterapkan pada diagnostik medis. Dan meskipun sensitivitas penting di mana pun sensor diterapkan, ketahanan sensor mereka memberikan jalan ke depan untuk penerapan secara luas di berbagai industri, kata para peneliti.
Das menjelaskan, sensornya tidak perlu sama persis karena pembelajaran mesin algoritma dapat melihat semua informasi secara bersamaan dan tetap menghasilkan jawaban yang benar. Hal ini membuat proses produksi menjadi lebih praktis dan lebih murah.
“Kami menyadari bahwa kami bisa hidup dengan ketidaksempurnaan,” kata Das. “Dan memang begitulah alam — penuh dengan ketidaksempurnaan, namun ia masih bisa membuat keputusan yang kuat, sama seperti lidah elektronik kita.”
Referensi: “Analisis kimia yang kuat dengan graphene chemosensors dan pembelajaran mesin” oleh Andrew Pannone, Aditya Raj, Harikrishnan Ravichandran, Sarbahis Das, Ziheng Chen, Collin A. Price, Mahmooda Sultana dan Saptarshi Das, 9 Oktober 2024, Alam.
DOI: 10.1038/s41586-024-08003-w
Das juga berafiliasi dengan Lembaga Penelitian Material dan Departemen Teknik Elektro serta Ilmu dan Teknik Material. Kontributor lain dari Departemen Sains dan Mekanika Teknik Penn State termasuk Aditya Raj, seorang teknolog penelitian pada saat penelitian dilakukan; Sarbahis Das, seorang mahasiswa pascasarjana pada saat penelitian yang memperoleh gelar doktor di bidang teknik elektro pada bulan Mei; Ziheng Chen, seorang mahasiswa pascasarjana di bidang ilmu teknik dan mekanik; dan Collin A. Price, seorang mahasiswa pascasarjana yang memperoleh gelar sarjana sains di bidang ilmu teknik dan mekanik pada bulan Mei. Mahmooda Sultana, dengan NASA Pusat Penerbangan Luar Angkasa Goddard, juga berkontribusi.
Hibah Peluang Penelitian Pascasarjana Teknologi Luar Angkasa dari NASA mendukung pekerjaan ini.
