Al solicitarle que defina sus propios parámetros de evaluación, la IA podría interpretar con mayor precisión los datos generados por la lengua electrónica
Los investigadores desarrollaron una lengua electrónica que puede identificar varias muestras líquidas utilizando inteligencia artificial. / Crédito: Das Lab.
Pablo Javier Piacente
21 OCT 2024
Un dispositivo electrónico similar a una lengua humana permite distinguir entre diferentes mezclas de café o detectar cuándo la comida o la bebida pueden estar a punto de salir mal. Según los investigadores, la lengua electrónica puede ser útil para la seguridad y producción de alimentos, así como también para el diagnóstico médico. Un punto clave es que la IA gestiona mejor la información de la lengua electrónica al trabajar con sus propias interpretaciones.
Investigadores de la Universidad de Pensilvania, en Estados Unidos, han desarrollado una lengua electrónica impulsada por Inteligencia Artificial (IA): confeccionada con grafeno y dotada de una red neuronal artificial, logra detectar e identificar diferentes gustos y compuestos. El dispositivo podría ser de gran utilidad en la industria alimenticia para realizar pruebas de calidad y en el campo de la medicina.
Los científicos destacaron en el nuevo estudio, publicado en la revista Nature, que la IA es capaz de mejorar su precisión en el análisis e identificación de las muestras y los gustos al trabajar de manera independiente, aplicando sus propios parámetros. Aunque estos criterios provienen del entrenamiento adquirido, demuestran el potencial de las redes neuronales artificiales para desarrollar cierto grado de autonomía.
Una cuestión de gustos
El trabajo se basa en la función de la corteza gustativa, que es la región del cerebro que percibe e interpreta varios gustos, más allá de aquellos detectados por los receptores sensitivos, que los dividen en categorías amplias como dulce, agrio, amargo o salado. A medida que el cerebro aprende los matices de los sabores, puede diferenciar mejor la sutileza de los mismos y encontrar variedades más específicas.
Para imitar artificialmente a la corteza gustativa, los investigadores desarrollaron una red neuronal que trabaja con los mismos datos y criterios mediante un algoritmo. La lengua artificial comprende un transistor de efecto de campo sensible a iones basado en grafeno, que funciona como dispositivo conductor y puede detectar iones químicos, vinculado a una red neuronal artificial entrenada con varios conjuntos de datos.
Los investigadores proporcionaron a la red neuronal 20 parámetros específicos para evaluar, relacionados con la forma en que un líquido de muestra interactúa con las propiedades eléctricas de los sensores. De acuerdo a estos parámetros especificados, la IA pudo detectar con precisión diferentes muestras, como leches diluidas, distintos tipos de refrescos, mezclas de café y múltiples jugos de frutas, obteniendo más del 80 % de precisión en aproximadamente un minuto de análisis.
La lengua electrónica utiliza grafeno y una red neuronal artificial para detectar diferentes gustos. / Crédito: Das Lab.
Criterios propios
“Después de lograr una precisión razonable con parámetros seleccionados por humanos, decidimos dejar que la red neuronal definiera sus propias cifras de mérito, proporcionándole los datos brutos del sensor. Encontramos que la red neuronal alcanzó una precisión de inferencia casi ideal de más del 95 % cuando utilizó las cifras derivadas de la máquina, en lugar de las proporcionadas por los humanos", indicó en una nota de prensa el investigador Andrew Pannone, autor principal del estudio.
Según informa The Independent, un modelo les permite además a los investigadores preguntar a la red neuronal artificial qué estaba pensando después de tomar una decisión en cuanto a los gustos. Luego de varias pruebas, confirmaron que la IA detectaba detalles más sutiles en los gustos cuando trabajaba con sus propios criterios, en vez de hacerlo únicamente con los datos humanos.
___________
Referencia
Robust chemical analysis with graphene chemosensors and machine learning. Andrew Pannone et al. Nature (2024). DOI:https://doi.org/10.1038/s41586-024-08003-w
______
Fuente:
