Dieser Artikel wurde ursprünglich veröffentlicht von Die Unterhaltung.
Haben Sie schon einmal in eine Nuss oder ein Stück Schokolade gebissen und einen weichen, reichhaltigen Geschmack erwartet, nur um dann auf einen unerwarteten und unangenehmen kreidigen oder sauren Geschmack zu stoßen? Dieser Geschmack ist Ranzigkeit in Aktion und betrifft so ziemlich jedes Produkt in Ihrer Speisekammer. Jetzt kann künstliche Intelligenz Wissenschaftlern dabei helfen, dieses Problem präziser und effizienter anzugehen.
Wir sind eine Gruppe von Chemikern, die Möglichkeiten erforschen, die Lebensdauer von Lebensmitteln zu verlängern, auch von solchen, die ranzig werden. Wir haben kürzlich eine Studie veröffentlicht, in der die Vorteile von KI-Tools beschrieben werden, die dabei helfen, Öl- und Fettproben länger frisch zu halten. Da Öle und Fette häufige Bestandteile vieler Lebensmittel sind, darunter Chips, Schokolade und Nüsse, könnten die Ergebnisse der Studie weitreichend angewendet werden und sogar Auswirkungen auf andere Bereiche haben, darunter Kosmetika und Pharmazeutika.
Lebensmittel können ranzig werden, wenn sie längere Zeit der Luft ausgesetzt sind – ein Vorgang, der als Oxidation bezeichnet wird. Tatsächlich reagieren viele gängige Inhaltsstoffe, insbesondere aber Lipide, also Fette und Öle, mit Sauerstoff. Die Anwesenheit von Wärme oder UV-Licht kann den Prozess beschleunigen.
Durch Oxidation entstehen kleinere Moleküle wie Ketone und Aldehyde, die ranzigen Lebensmitteln einen charakteristischen, herben Geruch verleihen. Der wiederholte Verzehr ranziger Lebensmittel kann Ihre Gesundheit gefährden.
Glücklicherweise verfügen sowohl die Natur als auch die Lebensmittelindustrie über einen hervorragenden Schutz gegen Ranzigkeit: Antioxidantien. Zu den Antioxidantien gehört eine breite Palette natürlicher Moleküle wie Vitamin C sowie synthetische Moleküle, die Ihre Lebensmittel vor Oxidation schützen können.
Obwohl Antioxidantien auf verschiedene Arten wirken, können sie insgesamt einige der Prozesse neutralisieren, die Ranzigkeit verursachen, und den Geschmack und Nährwert Ihrer Lebensmittel länger bewahren. Viele Kunden wissen nicht einmal, dass sie zusätzliche Antioxidantien zu sich nehmen, da Lebensmittelhersteller diese bei der Zubereitung normalerweise in geringen Mengen hinzufügen.
Aber Sie können nicht einfach etwas Vitamin C auf Ihr Essen streuen und eine konservierende Wirkung erwarten. Forscher müssen eine bestimmte Gruppe von Antioxidantien sorgfältig auswählen und deren Menge genau berechnen.
Die Kombination von Antioxidantien verstärkt nicht immer deren Wirkung. Tatsächlich gibt es Fälle, in denen die Verwendung falscher Antioxidantien oder deren Mischung im falschen Verhältnis ihre Schutzwirkung verringern kann – das nennt man „Antagonismus“. Um herauszufinden, welche Kombinationen für welche Lebensmittelarten geeignet sind, sind viele Experimente erforderlich, die zeitaufwändig sind, Fachpersonal erfordern und die Gesamtkosten des Lebensmittels erhöhen.
Die Erforschung aller möglichen Kombinationen würde einen enormen Zeit- und Ressourcenaufwand erfordern, daher bleiben die Forscher bei einigen wenigen Mischungen, die nur einen gewissen Schutz vor Ranzigkeit bieten. Hier kommt die KI ins Spiel.
Sie haben wahrscheinlich KI-Tools wie ChatGPT in den Nachrichten gesehen oder selbst damit herumgespielt. Diese Art von Systemen kann große Datenmengen aufnehmen, Muster erkennen und dann eine Ausgabe generieren, die für den Benutzer nützlich sein könnte.
Als Chemiker wollten wir einem KI-Tool beibringen, wie man nach neuen Kombinationen von Antioxidantien sucht. Dafür haben wir eine Art KI ausgewählt, die in der Lage ist, mit Textdarstellungen zu arbeiten, bei denen es sich um geschriebene Codes handelt, die die chemische Struktur von Antioxidantien beschreiben. Zuerst haben wir unsere KI mit einer Liste von etwa einer Million chemischen Reaktionen gefüttert und dem Programm einige einfache Chemiekonzepte beigebracht, beispielsweise wie man wichtige Merkmale von Molekülen identifiziert.
Sobald die Maschine allgemeine chemische Muster erkennen konnte, etwa die Art und Weise, wie bestimmte Moleküle miteinander reagieren, haben wir sie verfeinert, indem wir ihr etwas fortgeschrittenere Chemie beigebracht haben. Für diesen Schritt nutzte unser Team eine Datenbank mit rund 1.100 zuvor in der Forschungsliteratur beschriebenen Mischungen.
Zu diesem Zeitpunkt konnte die KI die Wirkung der Kombination von zwei oder drei Antioxidantien in weniger als einer Sekunde vorhersagen. Seine Vorhersage stimmte in 90 Prozent der Fälle mit dem in der Literatur beschriebenen Effekt überein.
Diese Vorhersagen stimmten jedoch nicht ganz mit den Experimenten überein, die unser Team im Labor durchgeführt hat. Tatsächlich haben wir festgestellt, dass unsere KI nur einige der Oxidationsexperimente, die wir mit echtem Schweineschmalz durchgeführt haben, richtig vorhersagen konnte, was zeigt, wie komplex die Übertragung von Ergebnissen vom Computer ins Labor ist.
Glücklicherweise sind KI-Modelle keine statischen Werkzeuge mit vordefinierten Ja- und Nein-Pfaden. Da sie dynamisch lernen, kann unser Forschungsteam das Modell weiterhin mit neuen Daten versorgen, bis es seine Vorhersagefähigkeiten verbessert und die Wirkung jeder Antioxidantienkombination genau vorhersagen kann. Je mehr Daten das Modell erhält, desto genauer wird es, ähnlich wie Menschen durch Lernen wachsen.
Wir fanden heraus, dass die KI durch das Hinzufügen von etwa 200 Beispielen aus dem Labor genügend Chemie lernen konnte, um die Ergebnisse der von unserem Team durchgeführten Experimente vorherzusagen, wobei zwischen dem vorhergesagten und dem tatsächlichen Wert nur ein geringfügiger Unterschied bestand.
Ein Modell wie unseres könnte eines Tages Wissenschaftlern dabei helfen, bessere Methoden zur Lebensmittelkonservierung zu entwickeln, indem es die besten Antioxidantienkombinationen für die spezifischen Lebensmittel entwickelt, mit denen sie arbeiten – so als hätte man einen sehr cleveren Assistenten.