Une langue électronique qui détecte les différences subtiles dans les liquides donne également une idée de la manière dont l'IA prend des décisions.

Une langue électronique récemment développée est capable d'identifier les différences entre des liquides similaires, tels que le lait avec une teneur en eau variable ; des produits divers, notamment des types de sodas et des mélanges de café ; signes d'altération des jus de fruits ; et les cas de problèmes de sécurité 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 le 9 octobre dans 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 largement diverses substances tout en évaluant collectivement leur qualité, leur authenticité et leur fraîcheur respectives. Cette évaluation a également fourni aux chercheurs une vision de la manière dont 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 par lequel nous expérimentons différents aliments implique plus que la langue », a déclaré l'auteur correspondant Saptarshi Das, professeur d'ingénierie Ackley et professeur de sciences de l'ingénierie et de mécanique. « Nous avons la langue elle-même, constituée de récepteurs gustatifs qui interagissent avec les espèces alimentaires et envoient leurs informations au cortex gustatif, un réseau neuronal biologique. »

Le cortex gustatif est la région du cerveau qui perçoit et interprète divers goûts au-delà de ce qui peut être détecté par les récepteurs gustatifs, qui classent principalement les aliments selon les cinq grandes catégories sucrées, acides, amères, salées et salées. À mesure que le cerveau apprend les nuances des goûts, il peut mieux différencier la subtilité des saveurs. Pour imiter artificiellement le cortex gustatif, les chercheurs ont développé un réseau neuronal, qui est un algorithme d'apprentissage automatique qui imite le cerveau humain pour évaluer et comprendre les données.

« Auparavant, nous avons étudié comment le cerveau réagit à différents goûts et imité ce processus en intégrant différents matériaux 2D pour développer une sorte de modèle sur la façon dont l'IA peut traiter les informations davantage comme un être humain », a déclaré le co-auteur Harikrishnan Ravichandran, doctorant. étudiant en sciences de l'ingénieur et mécanique conseillé par Das.

« Maintenant, dans ce travail, nous étudions plusieurs produits chimiques pour voir si les capteurs peuvent les détecter avec précision et, en outre, s'ils peuvent détecter des différences infimes entre des aliments similaires et discerner des cas de problèmes de sécurité alimentaire. »

La langue comprend un transistor à effet de champ sensible aux ions à base de graphène, ou un dispositif conducteur capable de détecter des ions chimiques, lié à un réseau neuronal artificiel, formé sur divers ensembles de données. De manière critique, a noté Das, 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 pourrait détecter avec précision des échantillons, notamment des laits dilués, différents types de sodas, des mélanges de café et de multiples jus de fruits à plusieurs niveaux de fraîcheur, et rendre compte de leur contenu avec une précision supérieure à 80 %. dans environ une minute.

« Après avoir atteint une précision raisonnable avec les paramètres sélectionnés par l'homme, nous avons décidé de laisser le réseau neuronal définir ses propres valeurs de mérite en lui fournissant les données brutes des capteurs. Nous avons constaté que le réseau neuronal atteignait une précision d'inférence presque idéale de plus de 95. % en utilisant les chiffres de mérite dérivés de la machine plutôt que ceux fournis par les humains », a déclaré le co-auteur Andrew Pannone, doctorant en sciences de l'ingénierie 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 et attribuer des valeurs aux données considérées. Grâce à ces explications, les chercheurs ont pu comprendre par ingénierie inverse la façon dont le réseau neuronal a pesé divers composants de l'échantillon pour prendre 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 de simplement évaluer les paramètres individuels attribués par l'homme, le réseau neuronal considérait les données qu'il déterminait comme étant les plus importantes ensemble, les explications additives de Shapley révélant l'importance que le réseau neuronal prenait en compte chaque donnée d'entrée.

Les chercheurs ont expliqué que cette évaluation pouvait être comparée à deux personnes buvant du lait. Ils peuvent tous deux identifier qu'il s'agit de lait, mais une personne peut penser qu'il s'agit de lait écrémé qui s'est décollé tandis que l'autre pense qu'il s'agit de 2 % encore frais. Les nuances du pourquoi ne sont pas faciles à expliquer, même par la personne qui procède à l’évaluation.

« Nous avons constaté que le réseau examinait des caractéristiques plus subtiles dans les données, des choses que nous, en tant qu'humains, avons du mal à définir correctement », a déclaré Das.

« Et parce que le réseau neuronal considère les caractéristiques des capteurs de manière globale, il atténue les variations qui pourraient survenir au quotidien. En ce qui concerne le lait, le réseau neuronal peut déterminer la teneur variable en eau du lait et, dans ce contexte, déterminer si tous les indicateurs de dégradation sont suffisamment significatifs pour être considérés comme un problème de sécurité alimentaire. »

Selon Das, les capacités de la langue ne sont limitées que par les données sur lesquelles elle est formée, ce qui signifie que même si cette étude était axée sur l'évaluation des aliments, elle pourrait également être appliquée au diagnostic médical. Et même si la sensibilité est importante quel que soit l'endroit où le capteur est appliqué, la robustesse de leurs capteurs ouvre la voie à un large déploiement dans différentes industries, ont indiqué les chercheurs.

Das a expliqué que les capteurs n'ont pas besoin d'être exactement identiques, car les algorithmes d'apprentissage automatique peuvent examiner toutes les informations ensemble tout en produisant la bonne réponse. Cela rend le processus de fabrication plus pratique et moins coûteux.

« Nous avons compris que nous pouvons vivre avec l'imperfection », a déclaré Das. « Et c'est ce qu'est la nature : elle est pleine d'imperfections, mais elle peut quand même prendre des décisions solides, tout comme notre langue électronique. »