UC Davis: нейросеть подбирает купаж вина, устойчива к сокращению проб на 30%

Сенсорные характеристики вина часто определяются множеством соединений с разными порогами восприятия. Поэтому свойства итогового купажа нелинейно зависят от свойств базовых вин, и подбор пропорций усложняется. Исследователи кафедры виноградарства и энологии Калифорнийского университета в Дейвисе (UC Davis) Джордан Феррьер и Дэвид Блок поставили задачу разработать метод, который находит оптимальный купаж под заданные целевые сенсорные характеристики по ограниченному числу пробных смесей.

Метод оптимизации купажа использует искусственную нейронную сеть. Она моделирует потенциально нелинейный отклик купажа на основе сенсорных данных по базовым винам и ограниченному числу пробных купажей. Каждое вино профилировалось методом дескрипторного анализа обученной дегустационной панелью, и эти сенсорные данные служили обучающей выборкой для сети. После выбора целевых характеристик итогового купажа алгоритм оптимизации по модели предсказывает пропорции оптимального купажа для заданного набора целей.

Метод разработан и проверен на серии из 24 вин, составленных из трёх базовых вин. Оптимальные купажи, выбранные по этой методике, по сенсорным характеристикам оказались близки к целевым и к экспериментальным купажам похожего состава. Авторы проверили устойчивость метода к сокращению данных: обучение на оценках одного опытного дегустатора и исключение 30% пробных купажей не изменили выбранный оптимальный купаж значимо — разница по любой доле составила менее 2%. Сокращение пробных купажей на 50% привело к изменениям до 11%. Результаты опубликованы в American Journal of Enology and Viticulture в 2001 году.