Neuer Konferenzbeitrag auf der "The 2nd International Electronic Conference on Processes" (2023) [14.07.23]
Marvin Anker, Christian Krupitzer und Christine Borsum vom Fachgebiet für Lebensmittelinformatik sind Co-Authoren des Peer Reviewed Konferenzbeitrags "Prediction of Aroma Partitioning Using Machine Learning" der The 2nd International Electronic Conference on Processes (2023)(CORE Rating: IT, Peer reviewed).
Die Publikation "Prediction of Aroma Partitioning Using Machine Learning" von Marvin Anker (Fachgruppe Lebensmittelinformatik and Computational Science Hub, Universität Hohenheim, 70599 Stuttgart, Deutschland) mit den Co-Autoren, Christian Krupitzer (Fachgruppe Lebensmittelinformatik and Computational Science Hub, Universität Hohenheim, 70599 Stuttgart, Deutschland), Yanyan Zhang (Fachgebiet Aromachemie, Universität Hohenheim, 70599 Stuttgart, Germany), Christine Borsum (Fachgruppe Lebensmittelinformatik and Computational Science Hub, Universität Hohenheim, 70599 Stuttgart, Deutschland and Fakultät Maschinenbau (Ätherische Öle/ Naturkosmetik), Hochschule Kempten, 87406 Kempten, Germany) wurde auf der The 2nd International Electronic Conference on Processes (2023) (CORE Rating: IT; Peer reviewed)(Peer Reviewed) angenommen. Die "The 2nd International Electronic Conference on Processes" (2023) wird von Academic Open Access Publishing gesponsert.Intensive Forschungen auf diesem Gebiet in den letzten Jahrzehnten haben die Komplexität der Aromatrennung deutlich gemacht. Dennoch konnte kein allgemeines Modell für die Vorhersage von Aromamatrix-Interaktionen beschrieben werden. Die hier skizzierte Vision besteht darin, mit Hilfe von Techniken des maschinellen Lernens den Bauplan für die Vorhersage des Aromaverteilungsverhaltens in komplexen Lebensmitteln zu entdecken. Dazu werden bekannte physikalische Zusammenhänge, die die Freisetzung von Aromen steuern, mit maschinellem Lernen kombiniert. Damit soll der Kmg-Wert von Aromastoffen in Lebensmitteln unterschiedlicher Zusammensetzung vorhergesagt werden. Der Ansatz wird anhand eines Datensatzes für ein bestimmtes Lebensmittel optimiert. Um seine Anwendbarkeit zu validieren, soll anschließend das Modell mithilfe von Erklärbarer Künstlicher Intelligenz (XAI) auf eine andere Lebensmittelkategorie übertragen werden. Darüber hinaus können wir unseren Ansatz auf andere relevante Fragen im Lebensmittelbereich übertragen, wie z. B. die Quantifizierung von Aromen, Extraktionsprozesse oder den Verderb von Lebensmitteln.Die Publikation ist in www.mdpi.com/2673-4591/37/1/48 abrufbar.
