Cette « langue » alimentée par l'IA peut différencier Coca et Pepsi
infohightech ·
Des chercheurs ont mis au point une langue électronique capable d'identifier divers échantillons de liquide grâce à l'intelligence artificielle. Lorsqu'on lui demande de définir ses propres paramètres d'évaluation, l'IA peut interpréter plus précisément les données générées par la langue électronique. Crédit : fourni par le laboratoire Das. Tous droits réservés.
Une langue électronique récemment mise au point est capable d'identifier les différences entre des liquides similaires, tels que le lait dont la teneur en eau varie, des produits divers, notamment des types de soda et des mélanges de café, des signes d'altération dans les jus de fruits et des cas de problèmes de sécrité alimentaire. L'équipe, dirigée par des chercheurs de Penn State, a également constaté que les résultats étaient encore plus précis lorsque l'intelligence artificielle (IA) utilisait ses propres paramètres d'évaluation pour interpréter les données générées par la langue électronique.
Les chercheurs ont publié leurs résultats aujourd'hui (9 octobre) dans la revue Nature.
Selon les chercheurs, la langue électronique peut être utile pour la sécurité et la production alimentaires, ainsi que pour les diagnostics médicaux. Le capteur et son IA peuvent détecter et classer diverses substances tout en évaluant collectivement leur qualité, leur authenticité et leur fraîcheur respectives. Cette évaluation a également permis aux chercheurs de comprendre comment l'IA prend des décisions, ce qui pourrait conduire à un meilleur développement et à de meilleures applications de l'IA, ont-ils déclaré.
« Nous essayons de fabriquer une langue artificielle, mais le processus de perception des différents aliments ne se limite pas à la langue », explique l'auteur correspondant, Saptarshi Das, titulaire de la chaire Ackley d'ingénierie et professeur de sciences de l'ingénieur et de mécanique. « Nous avons la langue elle-même, composée de récepteurs gustatifs qui interagissent avec les aliments et envoient leurs informations au cortex gustatif, un réseau neuronal biologique.
Le cortex gustatif est la région du cerveau qui perçoit et interprète les différents goûts au-delà de ce qui peut être perçu par les récepteurs gustatifs, qui classent principalement les aliments selon les cinq grandes catégories que sont le sucré, l'acide, l'amer, le salé et le savoureux. En apprenant les nuances des goûts, le cerveau peut mieux différencier la subtilité des saveurs. Pour imiter artificiellement le cortex gustatif, les chercheurs ont mis au point un réseau neuronal, un algorithme d'apprentissage automatique qui imite le cerveau humain dans l'évaluation et la compréhension des données.
« Auparavant, nous avions étudié la manière dont le cerveau réagit aux différents goûts et imité ce processus en intégrant différents matériaux 2D afin de développer une sorte de schéma directeur sur la manière dont l'IA peut traiter les informations plus comme un être humain », a déclaré le coauteur Harikrishnan Ravichandran, étudiant en doctorat en sciences de l'ingénieur et en mécanique, conseillé par Das. « Dans ce travail, nous examinons plusieurs produits chimiques pour voir si les capteurs peuvent les détecter avec précision et, en outre, s'ils peuvent détecter d'infimes différences entre des aliments similaires et discerner les cas de problèmes de sécurité alimentaire."
La langue électronique comprend un transistor à effet de champ sensible aux ions à base de graphène, ou un dispositif conducteur capable de détecter les ions chimiques, relié à un réseau neuronal artificiel entraîné sur différents ensembles de données. Celui-ci est situé en haut à droite de l'appareil. Crédit : fourni par le laboratoire Das. Tous droits réservés.
La languette comprend un transistor à effet de champ sensible aux ions à base de graphène, ou un dispositif conducteur capable de détecter les ions chimiques, relié à un réseau neuronal artificiel entraîné sur divers ensembles de données. Il est important de noter que les capteurs ne sont pas fonctionnalisés, ce qui signifie qu'un seul capteur peut détecter différents types de produits chimiques, plutôt que d'avoir un capteur spécifique dédié à chaque produit chimique potentiel.
Les chercheurs ont fourni au réseau neuronal 20 paramètres spécifiques à évaluer, tous liés à la manière dont un échantillon de liquide interagit avec les propriétés électriques du capteur. Sur la base de ces paramètres spécifiés par les chercheurs, l'IA a pu détecter avec précision des échantillons - y compris des laits dilués, différents types de sodas, des mélanges de café et plusieurs jus de fruits à plusieurs niveaux de fraîcheur - et rendre compte de leur contenu avec une précision supérieure à 80 % en une minute environ.
« Après avoir obtenu une précision raisonnable avec des paramètres sélectionnés par l'homme, nous avons décidé de laisser le réseau neuronal définir ses propres chiffres de mérite en lui fournissant les données brutes du capteur. Nous avons constaté que le réseau neuronal atteignait une précision d'inférence presque idéale de plus de 95 % lorsqu'il utilisait les chiffres de mérite dérivés de la machine plutôt que ceux fournis par les humains », a déclaré le co-auteur Andrew Pannone, un étudiant en doctorat en sciences de l'ingénieur et en mécanique conseillé par Das. « Nous avons donc utilisé une méthode appelée explications additives de Shapley, qui nous permet de demander au réseau neuronal ce qu'il pensait après avoir pris une décision."
Cette approche utilise la théorie des jeux, un processus de prise de décision qui prend en compte les choix des autres pour prédire le résultat d'un seul participant, afin d'attribuer des valeurs aux données étudiées. Grâce à ces explications, les chercheurs ont pu comprendre, par rétro-ingénierie, comment le réseau neuronal pondérait les différents éléments de l'échantillon pour parvenir à une décision finale, donnant ainsi à l'équipe un aperçu du processus décisionnel du réseau neuronal, qui est resté largement opaque dans le domaine de l'IA, selon les chercheurs.
Ils ont constaté qu'au lieu d'évaluer simplement les paramètres individuels attribués par l'homme, le réseau neuronal prenait en compte les données qu'il jugeait les plus importantes ensemble, les explications additives de Shapley révélant l'importance que le réseau neuronal accordait à chaque donnée d'entrée.
Les chercheurs ont expliqué que cette évaluation pouvait être comparée à deux personnes buvant du lait. Elles peuvent toutes deux reconnaître qu'il s'agit de lait, mais l'une d'elles peut penser qu'il s'agit de lait écrémé qui a perdu de sa fraîcheur, tandis que l'autre pense qu'il s'agit de lait à 2 % qui est encore frais. Les nuances du pourquoi ne sont pas faciles à expliquer, même par la personne qui fait l'évaluation.
« Nous avons constaté que le réseau prenait en compte des caractéristiques plus subtiles dans les données - des choses que nous, en tant qu'humains, avons du mal à définir correctement », a déclaré M. Das. « Et comme le réseau neuronal prend en compte les caractéristiques du capteur de manière globale, il atténue les variations qui peuvent survenir au quotidien. En ce qui concerne le lait, le réseau neuronal peut déterminer les variations de la teneur en eau du lait et, dans ce contexte, déterminer si les indicateurs de dégradation sont suffisamment significatifs pour être considérés comme un problème de sécurité alimentaire ».
Selon M. Das, les capacités de la langue ne sont limitées que par les données sur lesquelles elle est entraînée, ce qui signifie que, bien que cette étude se soit concentrée sur l'évaluation des aliments, elle pourrait également être appliquée aux diagnostics médicaux. Et si la sensibilité est importante quel que soit le domaine d'application du capteur, la robustesse de leurs capteurs ouvre la voie à un large déploiement dans différentes industries, ont déclaré les chercheurs.
M. Das a expliqué qu'il n'est pas nécessaire que les capteurs soient exactement identiques, car les algorithmes d'apprentissage automatique peuvent examiner toutes les informations ensemble et produire la bonne réponse. Cela rend le processus de fabrication plus pratique et moins coûteux.
« Nous avons compris que nous pouvions vivre avec l'imperfection », a déclaré M. Das. « La nature est pleine d'imperfections, mais elle peut toujours prendre des décisions solides, tout comme notre langue électronique".
M. Das est également affilié à l'Institut de recherche sur les matériaux et aux départements d'ingénierie électrique et de science et d'ingénierie des matériaux. Les autres contributeurs du département des sciences de l'ingénieur et de la mécanique de Penn State sont Aditya Raj, technologue de recherche au moment de la recherche ; Sarbashis Das, étudiant diplômé au moment de la recherche, qui a obtenu son doctorat en génie électrique en mai ; Ziheng Chen, étudiant diplômé en sciences de l'ingénieur et en mécanique ; et Collin A. Price, étudiant diplômé qui a obtenu sa licence en sciences de l'ingénieur et en mécanique en mai. Mahmooda Sultana, du Goddard Space Flight Center de la NASA, a également apporté sa contribution.
Ce travail a été financé par une bourse de la NASA pour les opportunités de recherche des diplômés en technologies spatiales.
https://www.psu.edu/news/research/story/matter-taste-electronic-tongue-reveals-ai-inner-thoughts