比较人工智能剂和机器学习，预测密集食物结构的机械和风湿特性

粮食功能预测仍然具有挑战性，因为粮食材料具有多组成部分、多尺度和过程依赖性。这一挑战在植物肉类类类同中尤其明显，其中成分、成份来源、水分和加工历史共同决定了结构和纹理。本研究比较了食品机械测量的三个预测范式，即定心机学习(ML)，逆相-相差-加权(IDW)模拟检索，以及一种以知识为基础的AI剂，将检索与明确的机械前科结合。

研究关注什么

使用了两个案例研究。案例1涉及从近似成分特征对植物肉类类类同物中硬度和咀嚼性进行分流外预测。案例2涉及预测植物蛋白-聚氨酯混合物的储存模具(G')和200%的最大应激力。在这两种情况下，以知识为基础的代理人都与《多边协议》基准相符或超过基准。

研究发现意味着什么

在以植物为主的肉类类类同案中，该剂在硬度方面(MAE = 4.66 N，R2 = 0.782)和咀嚼方面(MAE = 4.45)取得了近乎最佳的性能。J，R2 = 0.696) (中文(简体) )。在瑞氏病中，该剂在G'(MAE = 152.30克帕，R2 = 6.695)和最大应力上均达到200%的分量(MAE = 17.21克帕，R2 = 0.765)上都取得了最佳性能。纯粹的IDW检索表现得一直更糟，表明主要的预测收益来自机械知识，而不是仅取回。这些结果表明，明确的域前科可以改善食品功能预测，特别是在分配转移时，以及对于其机制仅部分被数字特征编码的目标而言。

研究作者：Ma Y。本文依据公开许可的摘要与来源记录整理，并按新闻阅读方式编排。