Исследователи применили генеративные модели для создания рецептур растительных бургеров, которые превосходят аналоги по вкусовым качествам, питательной ценности и экологичности. Алгоритм оптимизировал сочетания ингредиентов, учитывая молекулярный состав и текстурные свойства, что позволило сократить углеродный след производства и повысить содержание полезных микронутриентов без потери потребительских характеристик продукта.
В основе подхода лежит использование нейросетей для анализа тысяч комбинаций растительных белков, жиров и связующих агентов. Модель обучалась на данных о вкусовых профилях и физико-химических свойствах компонентов, что позволило ИИ предсказывать реакцию Майяра и другие процессы, происходящие при термической обработке. Это значительно ускорило цикл разработки новых продуктов, который традиционно занимает годы лабораторных испытаний.
Результаты показывают, что ИИ-оптимизированные составы демонстрируют более высокую стабильность структуры при жарке и лучше имитируют органолептические свойства говядины. Данная методология открывает возможности для масштабируемого проектирования функциональных продуктов питания, где ключевыми переменными выступают не только вкус, но и стоимость сырья, а также экологические показатели жизненного цикла продукта.
Ключевые факты
- ИИ-модель позволила сократить время разработки рецептуры на 60% по сравнению с традиционными методами проб и ошибок.
- Оптимизированные бургеры содержат на 25% больше клетчатки и на 15% меньше насыщенных жиров при сохранении вкусового профиля.
- Углеродный след производства снижен на 40% за счет подбора локальных и менее энергозатратных растительных ингредиентов.
- Алгоритм учитывал более 50 параметров текстуры и питательной ценности для каждой итерации состава.