Międzynarodowy zespół badawczy opracował nowy system do identyfikacji olejów jadalnych w żywności przetworzanej, łącząc spektroskopię Ramana - technikę analizy molekularnej opartą na rozpraszaniu światła - z inteligentnymi algorytmami. Badanie objęło pięć różnych olejów jadalnych przeanalizowanych zarówno w czystej formie, jak i wewnątrz matrycy żetonów ziemniaczanych, aby symulować rzeczywiste warunki produkcji.
Najciekawszy wynik dotyczy niezwykłej kompresji danych: Drzewa decyzyjne osiągnęły doskonałą 100% dokładność klasyfikacji czystych olejów, ale zrobiły to używając tylko czterech zmiennych Ramana wybranych z całej przestrzeni 1866 cech spektralnych. To oznacza, że zaledwie 0,21% dostępnych informacji spektralnej wystarczało do idealnego rozróżnienia olejów. Zarówno modele wstępnie jak i końcowo przycięte wskazały dokładnie te same cztery kluczowe zmienne, co świadczy o ich rzeczywistej znaczeniu fizycznym.
Rzeczywisty test na złożonych próbkach alimentacyjnych wykazał, że spektralne szumy pochodzące z papieru i ziemniaka znacznie utrudniały analizę. Tutaj z pomocą przyszło physics-informed AI - matematyczna dekompozycja spektralna oparta na metodzie NNLS (Non-Negative Least Squares) pozwoliła na separację sygnałów olejów od szumu tła. Wynikowe modele osiągnęły 86,4% dokładności dla próbek z odejmem sygnału papieru oraz 85,4% z odejmem zarówno papieru jak i ziemniaka, przy jednoczesnej redukcji liczby niezbędnych zmiennych.
Praktyczne znaczenie badania jest duże: autentykacja olejów jadalnych w produktach gotowych stanowi wyzwanie dla branży żywności, zarówno w kontekście zapewniania jakości produktu, zapobiegania oszustwom, jak i zgodności z wymogami regulacyjnymi. Opracowana metoda automatyzuje ten proces, wymagając minimalnej liczby pomiarów spektralnych i oferując interpretowalne wyniki, które można wyjaśnić poprzez rzeczywistą fizykę i chemię analizowanych materiałów.