The Pulse
AgentXtract di Penn State collega le proprietà dielettriche di diversi alimenti
I ricercatori di Penn State hanno usato AgentXtract per organizzare migliaia di misurazioni delle proprietà degli alimenti e individuare una relazione di legge di potenza tra costante dielettrica e fattore di perdita. Il sistema ha elaborat
AI.info Team · Scritto con l’IA ·
Penn State ha annunciato il 16 ottobre che alcuni ricercatori hanno usato un sistema di IA per organizzare migliaia di misurazioni sugli alimenti e individuare una relazione tra due proprietà legate al riscaldamento a microonde. La rapidità aveva però una condizione: il gruppo ha confrontato i propri modelli di IA con dati selezionati da esperti, e i modelli non hanno ottenuto risultati equivalenti su tutte le metriche. In un articolo disponibile online dal 12 settembre, i ricercatori descrivono AgentXtract, un sistema che ha trasformato risultati scientifici dispersi in un database interrogabile e ha messo in luce una relazione di legge di potenza tra costante dielettrica e fattore di perdita.
Tre agenti esaminano articoli, misurazioni e record
Le misurazioni delle proprietà degli alimenti sono disseminate in decenni di articoli, spesso contenute in tabelle, grafici, equazioni e descrizioni degli esperimenti. AgentXtract affida compiti diversi a tre agenti basati su modelli linguistici di grandi dimensioni: esaminare e interpretare gli articoli, estrarre i dati, e standardizzare e raccogliere i record. Il flusso di lavoro si concentra sulle proprietà dielettriche, che descrivono come gli alimenti interagiscono con l’energia elettromagnetica, compresa quella usata nel riscaldamento a microonde.
Il gruppo ha testato 10 modelli di OpenAI, Google e Anthropic confrontandoli con un dataset di riferimento verificato da esperti. Secondo l’articolo, tutti i modelli hanno raggiunto una precisione superiore al 95% e un’accuratezza dei valori superiore al 99%, mentre sono variati il richiamo, i costi delle API e i tempi di elaborazione. Il richiamo, cioè la quota di misurazioni pertinenti che il sistema riesce a trovare, nel benchmark riportato variava dal 79% al 99%: valori estratti accurati non garantiscono quindi che un sistema acquisisca tutti i record disponibili.
«Tutti i modelli hanno raggiunto una precisione superiore al 95% e un’accuratezza dei valori superiore al 99%, ma il richiamo, i costi delle API e i tempi di elaborazione sono variati.»
Xu Zhou, Yi Zhang, Shyam S. Sablani, Shaojin Wang e Juming Tang, autori di «Agentic AI for food property data: From literature to database to new discovery»
Da 4.451 record emerge una relazione tra diversi alimenti
Dopo il confronto, i ricercatori hanno scelto un modello per costruire il database completo. Secondo l’articolo, AgentXtract ha raccolto 4.451 record relativi a 145 materiali alimentari in circa 30 minuti, con un costo delle API di 9 dollari. Xu Zhou, autore referente di Penn State, ha detto che raccogliere e organizzare manualmente un insieme comparabile avrebbe richiesto sei mesi o più a un dottorando esperto o a un ricercatore post-dottorato.
Le misurazioni raccolte su più di 100 alimenti hanno mostrato una relazione matematica, mai segnalata prima, tra costante dielettrica e fattore di perdita. L’articolo la descrive come una relazione di legge di potenza. Le due proprietà aiutano a caratterizzare la risposta di un alimento all’energia elettromagnetica, rilevante per la lavorazione a microonde; la scoperta è emersa quando è stato possibile analizzare insieme misurazioni provenienti da molte fonti, anziché esaminare un articolo alla volta.
«A entusiasmarmi ancora di più è stato osservare, quando abbiamo riunito tutti i dati, una relazione nuova e coerente tra costante dielettrica e fattore di perdita per più di 100 alimenti diversi», ha detto Zhou nell’annuncio di Penn State. I ricercatori descrivono una relazione riscontrata nei dati che hanno raccolto, non una prova che la stessa equazione valga per ogni alimento o in tutte le condizioni di misurazione.
La verifica umana resta parte del metodo
Il progetto non presenta gli agenti come valutatori scientifici indipendenti. Gli ingegneri alimentari aiutano a individuare fonti appropriate e a valutare l’affidabilità dei dati sperimentali; anche il benchmark dei modelli usa come riferimento record verificati da esperti. Questa distinzione conta perché i valori riportati negli articoli dipendono dalle condizioni sperimentali, e un sistema può tralasciare dati anche quando i valori che estrae sono molto accurati.
Il database alimenta anche un prototipo di sistema di domande e risposte basato sulla generazione aumentata dal recupero delle informazioni, o RAG. Un utente può chiedere le proprietà dielettriche di un alimento, per esempio una patata, a una determinata frequenza; l’assistente recupera le voci pertinenti del database, fornisce i riferimenti e spiega il loro legame con il riscaldamento a microonde. L’articolo presenta il sistema come un modo per fondare le risposte su misurazioni collegate alle fonti, anziché affidarsi soltanto alle informazioni acquisite durante l’addestramento di un modello.
Un caso di studio circoscritto per un problema più ampio relativo ai dati
I ricercatori hanno scelto le proprietà dielettriche come test impegnativo perché i relativi valori possono comparire in formati diversi e devono essere associati all’alimento e alle sue condizioni sperimentali. Sostengono che lo stesso approccio generale potrebbe aiutare a organizzare altri dati scientifici, ma i risultati riportati riguardano questo specifico dataset sulle proprietà degli alimenti. Lo studio è apparso online sul Journal of Food Engineering il 12 settembre, prima del fascicolo previsto per marzo 2027.
Per questo caso di studio, il database completato da AgentXtract contiene 4.451 record relativi a 145 materiali alimentari, raccolti con un costo delle API dichiarato di 9 dollari.