식품 신선도와 안전성을 즉시 감지하는 AI 기반 전자 혀

AI로 강화된 펜실베이니아 주립 대학의 전자 혀는 식품 안전 및 진단을 위해 액체의 미묘한 변화를 감지하며, 자체 매개변수를 정의하여 95% 이상의 정확도를 보인다.

새롭게 개발된 전자 혀는 수분 함량이 다른 우유와 같은 유사한 액체의 미묘한 차이를 구별할 수 있으며, 다양한 종류의 소다와 커피 블렌드를 포함한 다양한 제품을 식별할 수 있다. 또한 과일 주스의 부패와 잠재적인 식품 안전 문제를 감지할 수도 있다. 펜실베이니아 주립 대학의 연구자들이 이끄는 팀은 인공지능(AI)이 자체 평가 기준을 사용하여 전자 혀에서 생성된 데이터를 해석했을 때 정확도가 크게 향상되었음을 발견했다.

연구자들은 최근 네이쳐에 결과를 발표했다.

연구자들에 따르면 전자 혀는 식품 안전 및 생산과 의료 진단에 유용할 수 있다. 센서와 그 AI는 다양한 물질을 광범위하게 감지하고 분류하면서 각각의 품질, 진위성 및 신선도를 공동으로 평가할 수 있다. 이 평가는 또한 연구자들에게 AI가 결정을 내리는 방식에 대한 관점을 제공하여 더 나은 AI 개발과 응용 프로그램으로 이어질 수 있다고 그들은 말했다.

"우리는 인공 혀를 만들려고 노력하고 있지만, 우리가 다양한 음식을 경험하는 과정은 혀 그 이상의 것을 포함한다."라고 액클리 공학 교수이자 공학 과학 및 기계학 교수인 해당 저자 삽타르시 다스가 말했다. "우리는 혀 자체를 가지고 있는데, 이는 음식 종과 상호 작용하고 그 정보를 미각 피질로 보내는 미각 수용체로 구성되어 있다. 생물학적 신경망이다."

미각 인지의 신경망 시뮬레이션

미각 피질은 미각 수용체가 감지할 수 있는 것 이상의 다양한 맛을 인지하고 해석하는 뇌 영역으로, 미각 수용체는 주로 단맛, 신맛, 쓴맛, 짠맛, ​​짭짤한맛의 다섯 가지 광범위한 범주를 통해 음식을 분류한다. 뇌가 맛의 뉘앙스를 배우면서 풍미의 미묘함을 더 잘 구별할 수 있다. 미각 피질을 인공적으로 모방하기 위해 연구자들은 신경망을 개발했다. 신경망은 데이터를 평가하고 이해하는 데 있어 인간의 뇌를 모방하는 머신러닝 알고리즘이다.

"이전에 우리는 뇌가 다양한 맛에 어떻게 반응하는지 조사하고 다양한 2D 재료를 통합하여 이 과정을 모방하여 AI가 인간처럼 정보를 처리할 수 있는 방법에 대한 일종의 청사진을 개발했다."라고 다스의 지도를 받은 공학 과학 및 기계학 박사 과정생인 공동 저자 하리크리슈난 라비찬드란이 말했다. "이번 연구에서 우리는 센서가 화학 물질을 정확하게 감지할 수 있는지, 나아가 유사한 식품 간의 미세한 차이를 감지하고 식품 안전 문제의 사례를 분별할 수 있는지 확인하기 위해 여러 화학 물질을 고려하고 있다."

전자 혀는 그래핀 기반 이온 민감 전계 효과 트랜지스터 또는 화학 이온을 감지할 수 있는 전도성 장치로 구성되어 있으며, 다양한 데이터 세트에서 학습된 인공 신경망에 연결되어 있다. 이는 장치의 오른쪽 상단에 있다. 출처: Saptarshi Das Lab/Penn State

혀는 그래핀 기반 이온 감지 전계 효과 트랜지스터 또는 화학 이온을 감지할 수 있는 전도성 장치로 구성되어 있으며, 다양한 데이터 세트에서 학습된 인공 신경망에 연결되어 있다. 다스는 센서가 기능화되지 않았다는 점이 중요하다고 지적했다. 즉, 각 잠재적 화학 물질에 전용된 특정 센서가 있는 것이 아니라 하나의 센서가 여러 유형의 화학 물질을 감지할 수 있다는 의미이다. 연구자들은 신경망에 평가할 20개의 특정 매개변수를 제공했으며, 이는 모두 샘플 액체가 센서의 전기적 특성과 상호 작용하는 방식과 관련이 있다. 이러한 연구자가 지정한 매개변수를 기반으로 AI는 희석된 우유, 다양한 유형의 소다, 커피 블렌드, 여러 신선도 수준의 여러 과일 주스를 포함한 샘플을 정확하게 감지하고 약 1분 안에 80% 이상의 정확도로 해당 내용을 보고할 수 있다.

AI에서 파생한 매개변수를 통한 향상된 정확도

"인간이 선택한 매개변수로 합리적인 정확도를 달성한 후, 신경망이 원시 센서 데이터를 제공하여 자체적인 성능 수치를 정의하도록 하기로 결정했다. "우리는 신경망이 인간이 제공한 수치가 아닌 기계에서 도출한 수치를 활용했을 때 95%가 넘는 이상적인 추론 정확도에 도달했다는 것을 발견했다."라고 다스의 지도를 받은 공학 과학 및 역학 박사과정 학생 앤드류 파노네의 말이다. "그래서 우리는 샤플리 가산 설명이라는 방법을 사용했는데, 이를 통해 신경망이 결정을 내린 후 무엇을 생각하고 있는지 물어볼 수 있다.

이 접근 방식은 다른 사람의 선택을 고려하여 단일 참가자의 결과를 예측하는 의사 결정 프로세스인 게임 이론을 사용하여 고려 중인 데이터에 값을 할당한다. 이러한 설명을 통해 연구자들은 신경망이 최종 결정을 내리기 위해 샘플의 다양한 구성 요소를 어떻게 평가했는지에 대한 이해를 역공학할 수 있었다. 연구자들에 따르면, AI 분야에서 대체로 불투명한 상태로 남아 있는 신경망의 의사 결정 프로세스를 팀에서 엿볼 수 있었다. 그들은 신경망이 인간이 지정한 개별 매개변수를 단순히 평가하는 대신 가장 중요하다고 결정한 데이터를 함께 고려했으며, 샤플리 가산 설명은 신경망이 각 입력 데이터를 얼마나 중요하게 고려했는지 보여준다.

연구자들은 이 평가가 두 사람이 우유를 마시는 것에 비유될 수 있다고 설명했다. 두 사람 모두 그것이 우유라는 것을 알아낼 수 있지만, 한 사람은 그것이 상한 탈지분유라고 생각하고 다른 한 사람은 그것이 여전히 신선한 2%라고 생각할 수 있다. 왜 그런지에 대한 미묘한 차이는 평가를 내리는 사람조차도 쉽게 설명할 수 없다.

"우리는 네트워크가 데이터에서 더 미묘한 특성을 살펴보았다는 것을 발견했다. 인간이 제대로 정의하기 어려운 것들이다."라고 다스가 말했다. "그리고 신경망이 센서 특성을 전체적으로 고려하기 때문에 매일 발생할 수 있는 변화를 완화한다. 우유의 경우 신경망은 우유의 다양한 수분 함량을 결정하고, 그 맥락에서 저하 지표가 식품 안전 문제로 간주될 만큼 의미 있는지 여부를 결정할 수 있다."

센서 결함의 실질적인 이점

다스에 따르면, 혀의 기능은 훈련된 데이터에 의해서만 제한되므로 이 연구의 초점은 식품 평가에 있었지만 의료 진단에도 적용될 수 있다. 그리고 센서가 어디에 적용되든 민감성이 중요하지만, 센서의 견고성은 다양한 산업에서 광범위하게 배포할 수 있는 길을 제공한다고 연구자들은 말했다.

다스는 센서가 정확히 동일할 필요는 없다고 설명했다. 머신러닝 알고리즘은 모든 정보를 함께 살펴보고 여전히 올바른 답을 생성할 수 있기 때문이다. 이는 더 실용적이고 비용이 덜 드는 제조 공정을 가능하게 한다.

다스는 "우리는 불완전함을 감수할 수 있다는 것을 알아냈다."라고 말했다. "그리고 그것이 바로 자연이다. 불완전함으로 가득 차 있지만, 우리의 전자 혀처럼 여전히 강력한 결정을 내릴 수 있다."