机器学习用于分析一瓶葡萄酒中的化合物并将其追溯到庄园，将粗劣的烈酒冒充为高端烈酒的欺诈者可能很快就会有人工智能来处理他们的案子；科学家们训练了一种算法，可以根据常规化学分析来追踪葡萄酒的起源。
研究人员利用机器学习根据数十种化合物浓度的细微差异来区分葡萄酒，使他们不仅可以追踪葡萄酒的特定葡萄种植地区，还可以追溯到葡萄酒的酿造地。
瑞士日内瓦大学的 Alexandre Pouget 教授表示：“存在很多葡萄酒欺诈行为，人们在车库里胡编乱造，打印标签，然后以数千美元的价格出售。”
“我们第一次证明我们的化学技术有足够的灵敏度来区分差异。”
为了训练该程序，科学家们采用了气相色谱法，该色谱法已被用来分析 12 年来从法国波尔多地区七个不同庄园收获的 80 种葡萄酒。该技术通常在实验室中用于分离和识别构成混合物的化合物。
该算法不是试图找到区分一种葡萄酒和另一种葡萄酒的单个化合物，而是利用葡萄酒中检测到的所有化学物质来计算出每种葡萄酒最可靠的特征。该程序在二维网格上显示其结果，其中具有相似特征的葡萄酒聚集在一起。
“我们看到的第一件事，直接跳到我们眼前的是，有一些集群对应于一个特定的城堡。这立即告诉我们，每个酒庄都有一个特定的化学特征，与年份无关，”Pouget 说。“正是许多分子浓度的整体模式使一座城堡与众不同。每一首都是一首交响乐：没有一个音符可以区分它们，而是整个旋律。”
除此之外，情节还揭示了更多内容。引人注目的是，这些酒庄的位置反映了当地酒庄的位置，多尔多涅河以北的三座酒庄的葡萄酒与加龙河以西的四座酒庄的葡萄酒明显分开。“当我们根据色谱图进行这些投影时，我们就恢复了波尔多的地图，”Pouget 说。
阿德莱德大学葡萄酒科学副教授、《理解葡萄酒化学》一书的合著者 David Jeffery 表示：“随着食品和农业领域的每一个新应用，机器学习在此类研究中的力量变得越来越明显。”。
从葡萄和土壤到小气候和酿酒过程的许多因素都会影响每个酒庄葡萄酒中化合物的浓度。虽然该程序以 99% 的准确率将葡萄酒追溯到正确的酒庄，但它很难区分年份，最多只能达到 50% 的准确率。
这项即将发表在《通讯化学》杂志上的研究表明，机器学习可以通过确认葡萄酒是否与其标签相符来帮助欺诈调查。在欧洲，假酒每年造成 30 亿欧元（26 亿英镑）的销售损失，最近的案件凸显了该行业活跃的犯罪网络的规模。
今年早些时候，该团伙成员因将西班牙餐酒运入法国然后冒充法国酒而被定罪。该骗局持续多年，据信涉及相当于近 500 万瓶葡萄酒，其中一些被重新包装为波尔多葡萄酒。
虽然欺诈检测是该计划最明显的应用，但 Pouget 表示，该方法可用于监控整个酿酒过程的质量，并确保其混合良好。“我们可以用它来弄清楚如何混合葡萄酒以优化质量，”他说。
“葡萄酒调配是酿造优质波尔多葡萄酒和香槟的关键步骤。到目前为止，这是由一些酿酒师完成的，他们因其技术而获得了丰厚的报酬。拥有这样的工具将使制作优质混合物的成本大大降低，这将使每个人受益。”
