Alguna vegada has qüestionat si aquell cartó de suc de fruita vell amagat a la teva nevera encara és bo per beure?Una innovadora "llengua electrònica" podria tenir la resposta. Aquest sistema, que utilitza la intel·ligència artificial (IA), és excel·lent a detectar problemes de seguretat alimentària i frescor. Els investigadors van compartir les seves troballes en un informe el 9 d'octubre publicat a la revista Nature, mostrant com la IA facilita els processos de presa de decisions. Per crear aquesta llengua artificial, els científics van emprar un transistor d'efecte de camp ionosensible—un instrument capaç de detectar ions químics. Aquest sensor recull dades sobre els ions presents en un líquid i converteix aquestes dades en un senyal elèctric, que després pot ser interpretat per un ordinador. "Estem treballant per desenvolupar una llengua artificial, però l'experiència de tastar diversos aliments implica més que només la llengua en si", va explicar Saptarshi Das, un enginyer de la Universitat de Penn State i coautor de l'estudi. "La llengua té receptors de gust que interactuen amb diferents substàncies alimentàries i transmeten aquesta informació al còrtex gustatiu—un tipus de xarxa neural biològica". En aquest sistema innovador, el sensor serveix com la llengua mentre la IA funciona com el còrtex gustatiu, l'àrea del cervell responsable de la percepció del gust. L'equip va connectar el sensor a una xarxa neural artificial, una estructura d'aprenentatge automàtic dissenyada per emular com el cervell humà processa la informació, permetent-li analitzar i interpretar les dades capturades pel sensor. Inicialment, Das i el seu equip van proporcionar a la xarxa neural diversos paràmetres per avaluar l'acidesa de diversos líquids. Utilitzant aquests paràmetres, la xarxa neural va aconseguir una taxa d'exactitud d'aproximadament el 91% a l'hora de determinar l'acidesa.

Quan els investigadors van permetre que la xarxa neural establís els seus propis paràmetres per a l'anàlisi d'acidesa, l'exactitud va superar el 95%. A continuació, van avaluar el sistema amb begudes reals. La llengua electrònica va poder diferenciar entre marques similars de refrescos o barreges de cafè, determinar si la llet havia estat diluïda, reconèixer quan el suc de fruita estava estropejat i detectar substàncies perjudicials Perfluoruroalquil (PFAS) en aigua. Utilitzant una tècnica anomenada Explicacions Aditives de Shapley, els investigadors van identificar quins factors la xarxa neural considerava més crucials per a les seves conclusions. Aquest enfocament ajuda els científics a entendre els processos de presa de decisions de les xarxes neurals, que segueix sent una qüestió clau en la investigació de la IA, segons l'equip. "La xarxa es va centrar en característiques més matisades dins de les dades—elements que nosaltres, com a humans, sovint trobem difícils d'articular", va afirmar Das. "Addicionalment, considerant les característiques del sensor en la seva totalitat, la xarxa neural minimitza les discrepàncies que podrien sorgir de variacions diàries". Aquesta capacitat per compensar les variacions pot millorar la fiabilitat del sensor en diferents aplicacions. La capacitat de presa de decisions de la xarxa neural aborda les inconsistències que actualment limiten la fiabilitat dels transistors d'efecte de camp ionosensibles sota certes condicions. "Hem descobert que podem acceptar la imperfecció", va declarar Das. "Aquesta és l'essència de la natura—inclou diverses imperfeccions però encara pot arribar a decisions fiables, igual que la nostra llengua electrònica. "