人工智能将接管啤酒配方创建的原因

科学家们已经找到了一种方法来训练人工智能来识别啤酒风味化合物，以预测消费者最喜欢喝什么。

这项研究涉及对250种不同啤酒的化学和感官分析，已被用于“训练机器学习模型，以预测风味和消费者的欣赏程度”。

科学家们表示，“对于每一种啤酒，我们测量了200多种化学性质，使用训练有素的品尝小组进行定量描述性感官分析，并绘制了来自超过180,000条消费者评论的数据，以训练10种不同的机器学习模型”。

根据这项研究，“预测和理解食品的感知和欣赏是食品科学的主要挑战之一”，但对风味和欣赏的准确建模可以“为生产者和消费者带来重要的机会，包括质量控制、产品指纹识别、假冒检测、变质检测以及新产品和产品组合的开发”。

该研究概述说，“尽管有无数的应用”，但预测“化学特性的风味和鉴值仍然是感官科学中一个难以捉摸的目标，特别是对于复杂的食品和饮料”。因此，在配方创建方面，追求一种趋势而不是另一种趋势并非易事，因为“一个关键的障碍是大量的风味活性化学物质”都在喧嚣着引起人们的注意。此外，在配方创建中，深入研究最受欢迎的内容是很困难的，因为“风味化合物的化学结构和浓度差异很大，这使得它们在技术上具有挑战性和劳动密集型，即使面对代谢组学的创新，如非靶向代谢指纹图谱。

为了解释更明智的机器学习路线所取得的进步，科学家们还强调了“味觉感知非常复杂，是由数百个不同的分子在物理化学和感官水平上相互作用的结果”，这意味着“感官知觉通常是非线性的，其特征是复杂且依赖于浓度的协同和拮抗效应，这些效应进一步复杂化，这些效应被遗传学进一步复杂化， 消费者的环境、文化和心理“。

这意味着“感知到的味道因此难以测量”，因此“训练有素的品尝小组被认为是高质量感官数据的主要来源，但需要细致的培训，产量低，成本高”。还有人指出，尽管“公共数据库具有积累大量数据的优势”，但它也可能“受到偏见的影响，包括为数据库做出贡献的志愿者的偏见，以及价格、邪教地位和心理上对产品先前评级的一致性等混杂因素”。

在这项研究中，研究人员将“一组不同商业啤酒的广泛化学分析和感官数据与机器学习方法相结合，开发了预测味道、气味、口感和化合物浓度的模型”。

一个优点是，该研究发现“啤酒特别适合模拟化学、风味和欣赏之间的关系”，因为“啤酒是一种复杂的产品，由数千种风味化合物组成”，因为“原材料（麦芽、酵母、啤酒花、水和香料）和酿造过程中的生化转化（窑炉、 捣碎、煮沸、发酵、成熟和陈酿）“。

这些优势，以及“啤酒消费者接受在线评论平台，如RateBeer和BeerAdvocate......啤酒社区提供了大量的啤酒风味和鉴赏分数数据集，创建了非常庞大的感官数据库，以补充专业感官小组的分析。

这些数据使科学家们能够“训练一套机器学习模型，从啤酒的化学特征中预测风味和欣赏”，并“剖析表现最佳的模型”。此外，它还使他们能够“确定特定化合物作为啤酒风味和欣赏的潜在驱动因素”。后续实验已经证实了这些化合物的重要性，并“显着改善了选定商业啤酒的风味和欣赏”。

科学家们得出结论，“尽管存在固有的局限性，但对我们的模型的解剖使我们能够确定特定分子是啤酒香气和消费者欣赏的潜在驱动因素，包括意想不到的化合物，以及使用标准方法无法识别的化合物。我们的模型揭示了啤酒升值的重要驱动因素，包括蛋白质水平、乙酸乙酯、乙酸苯基乙酯和乳酸。该团队指出，“目前，许多酿酒商已经使用乳酸来酸化他们的酿造水，并确保在糖化过程中酶活性的最佳pH值”，但也指出，“结果表明，添加乳酸也可以提高啤酒的升值率，尽管其个别效果仍有待测试”。

研究人员补充说，“有趣的是，乙醇似乎没有必要提高啤酒的升值率，无论是金色啤酒还是无酒精啤酒。鉴于消费者对无酒精啤酒的兴趣日益浓厚......对于酿酒商来说，了解哪些化合物可以进一步提高消费者对这些啤酒的欣赏是相关的。因此，我们的模式可以很容易地提供途径，以进一步改善酒精和无酒精啤酒的风味和消费者的欣赏，这通常被认为是未来啤酒生产的主要挑战之一。