Сомелье из нейросети: российские ученые научили ИИ определять состав вина
Ученые МГУ разработали систему искусственного интеллекта, которая определяет состав вина менее чем за минуту. Алгоритм оценивает содержание пяти основных компонентов напитка. Технология поможет снизить стоимость программного обеспечения для экспресс-анализа и может применяться при проверке других продуктов.
Специалисты физического факультета МГУ и Научно-исследовательского института ядерной физики имени Д. В. Скобельцына создали систему на основе машинного обучения для анализа химического состава вина. Она определяет концентрацию этанола, сахаров, кислот, глицерина и диоксида серы по инфракрасному спектру образца. Результаты исследования опубликованы в научном журнале Scientific Reports.
Разработка решает практическую задачу винодельческой отрасли: помогает быстрее получать данные о составе напитка и может стать основой для более доступных приборов контроля качества. При этом ученым не пришлось создавать отдельный алгоритм для каждого вещества, поскольку система обучена распознавать характерные особенности спектров сразу нескольких компонентов.
Все видно в капле
В основе метода лежит инфракрасная спектроскопия. При взаимодействии инфракрасного излучения с веществом молекулы поглощают энергию на определенных частотах. В результате формируется спектр, это своеобразный набор сигналов, связанный с химическим составом образца.
Но в вине одновременно присутствуют и другие вещества, и их сигналы накладываются друг на друга. Поэтому определить концентрацию отдельного компонента по спектру не всегда просто. Здесь и пригодились методы машинного обучения. Алгоритмы помогают находить закономерности в сложных данных и оценивать содержание нужных веществ.
Исследователи обучили систему распознавать инфракрасные спектры в среднем диапазоне. В работе использовали несколько подходов, в том числе нейросетевые модели. Они обрабатывают полученные данные и рассчитывают концентрации компонентов, которые интересуют специалистов по качеству продукции.
Как делают анализ
Для анализа требуется менее 50 микролитров вина, это буквально капля. Измерение спектра занимает меньше минуты, а при наличии подготовленной базы данных результат можно получить практически сразу.
Работа алгоритмов была проверена на 1 734 образцах. В выборку вошли модельные растворы, имитирующие состав белых и красных вин, а также реальные напитки. Такой подход позволил оценить, как система справляется и с подготовленными составами, и с продукцией, в которой одновременно присутствует множество компонентов.
По данным исследователей, точность определения содержания этанола составила 0,36%, сахаров – 8 г/л, кислот – 2 г/л, глицерина – 3,4 г/л. Для диоксида серы точность измерения достигала уровня предельно допустимой концентрации.
Контроль качества
Эти показатели важны не только для лабораторных исследований. При производстве вина необходимо контролировать состав продукта на разных этапах, а быстрые измерения помогают боле оперативно получать информацию для тех или иных технологических решений. Например, данные о содержании сахаров и кислот могут использоваться при оценке характеристик напитка, а информация об этаноле и диоксиде серы – при проверке соответствия заданным параметрам.
Один из главных практических результатов разработки заключается в возможности сократить расходы на программное обеспечение для приборов экспресс-анализа состава вина с использованием инфракрасной спектроскопии. Такие приборы нужны производителям и лабораториям, которым приходится регулярно проверять множество образцов. Чем быстрее проходит измерение, тем быстрее специалисты получают информацию о продукции. А если обработка спектров обходится дешевле, у предприятий появляется больше возможностей использовать подобные решения в повседневной работе.
От вина – к другим продуктам
Авторы уверены, что их метод по точности не уступает зарубежным коммерческим аналогам. А значит, российская разработка может заменить иностранное программное обеспечение, которое сейчас используют для спектроскопических приборов. Программу для обработки спектров можно подгонять под разное оборудование и разные производства. В дальнейшем исследователи предлагают применять этот же подход для соков и газированных напитков.
