Машинное обучение используется для анализа соединений в бутылке вина и отслеживания их происхождения.

Исследователи использовали машинное обучение, чтобы различать вина на основе тонких различий в концентрациях множества соединений, что позволило им отследить происхождение вин не только в конкретном регионе выращивания винограда, но и в поместье, где было произведено вино.

«Вокруг много винного мошенничества, когда люди мастерят какую-то ерунду у себя в гараже, распечатывают этикетки и продают ее за тысячи долларов», — сказал профессор Александр Пуже из Женевского университета в Швейцарии. «Мы впервые показываем, что наши химические методы достаточно чувствительны, чтобы заметить разницу».

Чтобы обучить программу, ученые обратились к газовой хроматографии, которая использовалась для анализа 80 вин, собранных в течение 12 лет в семи различных поместьях региона Бордо во Франции. Этот метод обычно используется в лабораториях для разделения и идентификации соединений, входящих в состав смеси.

Вместо того, чтобы пытаться найти отдельные соединения, отличающие одно вино от другого, алгоритм использует все химические вещества, обнаруженные в вине, чтобы определить наиболее надежную сигнатуру для каждого. Программа отображает свои результаты в виде двумерной сетки, где вина со схожими сигнатурами группируются вместе.

«Первое, что мы увидели, и это сразу бросилось нам в глаза, — это наличие кластеров, соответствующих конкретным замкам. Это сразу же подсказало нам, что существует химическая сигнатура, характерная для каждого замка, независимо от урожая», — сказал Пуже. «Это общая схема концентрации многих, очень многих молекул, которая отличает замки. Каждый из них — это симфония: их отличает не одна нота, это целая мелодия».

«Возможности машинного обучения для такого рода исследований становятся все более очевидными с каждым новым применением в пищевой промышленности и сельском хозяйстве», — сказал Дэвид Джеффри, доцент кафедры виноделия Университета Аделаиды и соавтор книги «Понимание химии вина».

Множество факторов, от винограда и почвы до микроклимата и процесса виноделия, влияют на концентрацию соединений, содержащихся в винах каждого замка. В то время как программа отслеживала вина до нужных замков с точностью 99%, она с трудом различала винтажи, достигая в лучшем случае 50% точности.

Хотя обнаружение фальсификата является наиболее очевидным применением программы, Пуже сказал, что этот подход может быть использован для мониторинга качества на протяжении всего процесса виноделия и для обеспечения хорошего купажа. «Мы могли бы использовать это, чтобы выяснить, как купажировать вина для оптимизации качества», — сказал он. «Купажирование вин — ключевой шаг в производстве отличного бордо и шампанского. Пока этим занимаются несколько виноделов, которым платят бешеные деньги за их мастерство. Наличие таких инструментов значительно удешевило бы приготовление отличных купажей, что принесло бы пользу всем».

Похожие записи:

Инструмент искусственного интеллекта Google DeepMind оценивает мутации ДНК на предмет потенциального вреда Нейросеть компании Google назвала фотографии лунной миссии США подделкой Microsoft воссоздаст первые в истории Олимпийские игры с помощью искусственного интеллекта Илон Маск снова готовится всех удивить: в США появилась третья крупная компания, занимающаяся искусственным интеллектом Как искусственный интеллект и наука о мозге помогают парфюмерам создавать ароматы