💻 computer science

Predicting food taste with bound-driven optimization

यह शोधपत्र यह प्रदर्शित करता है कि सामग्रियों से भोजन के स्वाद का पूर्वानुमान लगाने के लिए प्रसंस्करण प्रतिक्रियाओं को ध्यान में रखने हेतु भौतिकी-प्रेरित हाशिन-श्रिकमैन और रयूस-वोइग्ट सीमाओं को रसायन-प्रॉक्सी विशेषताओं के साथ संवर्धित करने की आवश्यकता होती है, जिससे व्यवस्थित पूर्वाग्रह समाप्त होता है और व्यंजनों के व्याख्यात्मक व्युत्क्रम डिजाइन (इन्वर्स डिजाइन) को सक्षम बनाया जा सके।

मूल लेखक: Pagkratis Tagkopoulos, Dimitris Sfondilis, Ilias Tagkopoulos, Tarek Zohdi

प्रकाशित 2026-04-23

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Pagkratis Tagkopoulos, Dimitris Sfondilis, Ilias Tagkopoulos, Tarek Zohdi

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक शेफ हैं जो केवल बर्तन में मौजूद कच्चे तत्वों की सूची देखकर यह अनुमान लगाने की कोशिश कर रहे हैं कि सूप का स्वाद कैसा होगा। आप जानते हैं कि गाजर मीठी होती है, प्याज नमकीन (savory) होता है, और नमक नमकीन होता है। यदि आप केवल गाजर की "मिठास" और नमक की "नमकीनता" को जोड़ देते हैं, तो आपको लग सकता है कि आपने अंतिम स्वाद के लिए एक आदर्श रेसिपी तैयार कर ली है।

लेकिन यहाँ एक पेंच है: खाना पकाना सब कुछ बदल देता है।

यह शोध पत्र उन वैज्ञानिकों की एक टीम के बारे में है (जो संयोग से भोजन और उन्नत भौतिकी दोनों के विशेषज्ञ हैं) जो इस पहेली को सुलझाने की कोशिश कर रहे हैं। उन्होंने पूछा: क्या हम केवल अपने कच्चे तत्वों के स्वादों को गणितीय रूप से मिलाकर एक पके हुए व्यंजन के स्वाद की भविष्यवाणी कर सकते हैं?

उनकी खोज की कहानी यहाँ सरल रूप में दी गई है।

1. स्वाद का भौतिक विज्ञान (द "ब्रिक वॉल" सादृश्य)

शोधकर्ताओं ने एक रेसिपी को एक कंपोजिट मटेरियल (मिश्रित सामग्री) की तरह माना, ठीक वैसे ही जैसे इंजीनियर पुल या हवाई जहाज के पंख बनाते हैं। इंजीनियरिंग में, यदि आप दो सामग्रियों (जैसे स्टील और कंक्रीट) को मिलाते हैं, तो आप सख्त गणितीय नियमों का उपयोग करके अंतिम मिश्रण की मजबूती की गणना कर सकते हैं जिन्हें हाशिन-श्रिकमैन (HS) और र्यूस-वोइग्ट (RV) बाउंड्स कहा जाता है।

इन बाउंड्स (सीमाओं) को एक बाड़ (fence) के रूप में सोचें।

RV बाड़ एक साधारण औसत है: "यदि आप 50% मीठी चीनी और 50% खट्टा नींबू मिलाते हैं, तो परिणाम बीच में कहीं होगा।"
HS बाड़ एक अधिक सटीक और जटिल गणना है जो उस मिश्रण की सटीक सीमाओं का अनुमान लगाने की कोशिश करती है।

टीम ने यह देखने के लिए इन इंजीनियरिंग बाड़ों को 70 अलग-अलग रेसिपी पर लागू किया कि क्या वे अंतिम स्वाद (मीठा, खट्टा, नमकीन, कड़वा और उमामी) की भविष्यवाणी कर सकते हैं।

2. बड़ा आश्चर्य: बाड़ बहुत नीची थी

परिणाम चौंकाने वाले थे। गणितीय बाड़ काम तो कर रही थी, लेकिन वे बहुत ज्यादा कम (low) थीं।

कल्पना कीजिए कि आप एक बास्केटबॉल खिलाड़ी के कूदने की ऊंचाई का अनुमान लगाने की कोशिश कर रहे हैं। आपका गणित कहता है कि वे 3 फीट कूद सकते हैं। लेकिन वास्तव में, वे 6 फीट कूदते हैं।

77% बार, भोजन का वास्तविक स्वाद उस "बाड़" के बाहर था जो भौतिकी मॉडल ने बनाई थी।
नमकीनपन (Saltiness) के लिए, 97% वास्तविक व्यंजन मॉडल द्वारा अनुमानित तुलना में अधिक नमकीन थे।
मिठास (Sweetness) के लिए, 93% व्यंजन अधिक मीठे थे।

मॉडल क्यों विफल हुआ?
क्योंकि मॉडल केवल कच्चे तत्वों को देख रहा था जो कटोरे में रखे हुए थे। इसने खाना पकाने के जादू को ध्यान में नहीं रखा।

3. "केमिस्ट्री मैजिक" (गुप्त सॉस)

मॉडल के अनुमान और वास्तविकता के बीच का अंतर प्रोसेसिंग केमिस्ट्री (प्रक्रिया रसायन विज्ञान) के कारण है। जब आप खाना पकाते हैं, तो आप केवल मिश्रण नहीं कर रहे होते; आप रूपांतरण कर रहे होते हैं।

टीम ने पहचाना कि बर्तन में पाँच "जादु적인 करतब" होते हैं:

पानी का वाष्पीकरण वाला ट्रिक: जैसे-जैसे सूप उबलता है, पानी बाहर निकल जाता है, लेकिन नमक पीछे रह जाता है। नमक केंद्रित हो जाता है, जिससे व्यंजन कच्चे तत्वों के सुझाव की तुलना में बहुत अधिक नमकीन हो जाता है।
कैरामिलाइजेशन (Caramelization) वाला ट्रिक: गर्मी चीनी को नए, अधिक मीठे यौगिकों में बदल देती है (जैसे क्रिम ब्रूली पर बनी परत)।
मेयर्ड रिएक्शन (Maillard Reaction): जब आप मांस को भूनते हैं या ब्रेड को टोस्ट करते हैं, तो अमीनो एसिड और चीनी प्रतिक्रिया करते हैं जिससे गहरे, नमकीन (उमामी) स्वाद पैदा होते हैं जो पहले मौजूद नहीं थे।
प्रोटीन का टूटना: खाना पकाने से प्रोटीन टूटकर फ्री ग्लूटामेट (उमामी का स्रोत) में बदल जाता है, जिससे भोजन अधिक "मांसी" (meaty) लगने लगता है।
सिनर्जी प्रभाव (Synergy Effect): कुछ सामग्रियां (जैसे मशरूम और मांस) मिलकर नमकीन स्वाद को कई गुना बढ़ा देती हैं, जैसे वॉल्यूम नॉब को 10 पर घुमा दिया गया हो।

मूल भौतिकी मॉडल एक ऐसे कैलकुलेटर की तरह था जो केवल जोड़ना जानता था। वह गुणा या रासायनिक कीमिया (alchemy) के बारे में नहीं जानता था।

4. हाइब्रिड समाधान: "स्मार्ट शेफ" मॉडल

इसे ठीक करने के लिए, टीम ने एक हाइब्रिड मॉडल बनाया। इसे मूल भौतिकी "बाड़" के ऊपर एक स्मार्ट शेफ की अंतर्दृष्टि जोड़ने के रूप में समझें।

उन्होंने गणित में 8 "केमिस्ट्री प्रॉक्सी" फीचर्स जोड़े। ये जटिल सेंसर नहीं हैं; ये सामग्री सूची पर आधारित सरल संकेत हैं:

क्या इसमें चीनी है? (कैरामिलाइजेशन की संभावना)।
क्या इसमें प्रोटीन है? (उमामी रिलीज की संभावना)।
क्या इसमें प्याज या लहसुन है? (पकाने पर वे नमकीन पेप्टाइड्स में बदल जाते हैं)।
क्या इसमें पानी है? (कितना वाष्पित होगा?)।

इन संकेतों को मॉडल में डालने से, "स्मार्ट शेफ" भौतिकी के अनुमान को सुधार सका।

परिणाम: मॉडल ने गलत अनुमान लगाना बंद कर दिया। इसने त्रुटि को 27% से 62% तक कम कर दिया।
बोनस: जटिल "ब्लैक बॉक्स" AI मॉडल के विपरीत जिन्हें काम करने के लिए सैकड़ों डेटा पॉइंट्स की आवश्यकता होती है, इस मॉडल को केवल 10 सरल फीचर्स की आवश्यकता थी और यह समझने में आसान था।

5. इन्वर्स डिज़ाइन: पीछे की ओर काम करना

सबसे शानदार बात? उन्होंने केवल स्वाद की भविष्यवाणी नहीं की; उन्होंने रेसिपी का आविष्कार किया।

अपने नए मॉडल का उपयोग करते हुए, उन्होंने कंप्यूटर से पूछा: "मुझे एक ऐसी रेसिपी दें जिसका स्वाद एक विशिष्ट लक्ष्य जैसा हो, लेकिन जिसमें कम चीनी या नमक का उपयोग हो।"

केस स्टडी 1 (मटर का सूप): वे नमक कम करना चाहते थे। कंप्यूटर ने मटर के कुछ हिस्से को पोर्क (सूअर का मांस) और तेल से बदलने का सुझाव दिया। क्यों? क्योंकि पोर्क ऐसे नमकीन स्वाद (उमामी) छोड़ता है जो आपके मस्तिष्क को यह विश्वास दिलाने के लिए धोखा देता है कि सूप अभी भी समृद्ध और संतोषजनक है, भले ही इसमें नमक कम हो।
केस स्टडी 2 (चॉकलेट स्प्रेड): वे चीनी कम करना चाहते थे। कंप्यूटर ने अधिक हेज़लनट और दूध जोड़ने का सुझाव दिया। इसने सटीक गणना की कि कितनी मिठास कम होगी और कड़वाहट कितनी बढ़ेगी, जिससे निर्माता के लिए एक सटीक "ट्रेड-ऑफ" मैप मिल गया।

बड़ी तस्वीर

यह शोध पत्र सिद्ध करता है कि भोजन भौतिकी है, लेकिन यह रसायन विज्ञान भी है।

आप केवल स्वाद जानने के लिए सामग्रियों को जोड़ नहीं सकते। आपको खाना पकाने की प्रक्रिया को ध्यान में रखना होगा। भौतिकी के कठोर नियमों को खाना पकाने के रसायन विज्ञान के लचीले नियमों के साथ जोड़कर, अब हम:

खाना पकाने से पहले यह अनुमान लगा सकते हैं कि किसी व्यंजन का स्वाद कैसा होगा।
स्वाद खोए बिना स्वस्थ रेसिपी (कम नमक/चीनी) डिजाइन कर सकते हैं।
यह समझ सकते हैं कि कोई व्यंजन वास्तव में वैसा क्यों स्वाद देता है।

यह भोजन वैज्ञानिकों को स्वाद के लिए एक GPS देने जैसा है, जिससे उन्हें कच्चे तत्वों से लेकर पूर्ण स्वाद तक नेविगेट करने और उन "ऑफ-रोड" क्षेत्रों से बचने में मदद मिलती है जहाँ गणित विफल हो जाता है।

यहाँ शोध पत्र "Predicting food taste with bound-driven optimization" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

मुख्य चुनौती जो यहाँ संबोधित की गई है, वह है सामग्री-स्तर के फॉर्मूलेशन (ingredient-level formulations) से संवेदी गुणों (sensory attributes) — विशेष रूप से पाँच बुनियादी स्वादों: मिठास, खटास, कड़वाहट, उमामी और नमकीन — की भविष्यवाणी करना। जबकि मौजूदा शोध अक्सर एकल अणुओं पर ध्यान केंद्रित करता है या बड़े फ्लेवर डेटाबेस पर "ब्लैक-बॉक्स" मशीन लर्निंग का उपयोग करता है, ऐसे मॉडलों की कमी है जो भोजन को एक मिश्रित सामग्री (composite material) के रूप में देखते हैं।

अंतराल (The Gap): वर्तमान योगात्मक मॉडल (सामग्रियों का सरल भारित औसत) उस जटिल प्रसंस्करण रसायन विज्ञान (processing chemistry) (जैसे खाना पकाना, गर्म करना) को समझाने में विफल रहते हैं जो स्वाद की धारणा को महत्वपूर्ण रूप से बदल देता है।
प्रश्न: क्या कंपोजिट-मटेरियल थ्योरी (विशेष रूप से भौतिक सीमाएँ/physical bounds) भोजन के स्वाद को एक दायरे में बांध सकती है, और यदि नहीं, तो व्याख्या योग्य रासायनिक तंत्रों (interpretable chemical mechanisms) का उपयोग करके इस अंतर को कैसे भरा जा सकता है?

2. कार्यप्रणाली (Methodology)

डेटासेट (Dataset)

स्रोत: SVT डेटाबेस (Mars etal.) और अन्य स्रोतों (USDA, NEVO) से प्राप्त 70 बहु-सामग्री वाली रेसिपीज़ का एक क्यूरेटेड डेटासेट।
ग्राउंड ट्रुथ (Ground Truth): प्रशिक्षित पैनल संवेदी स्कोर (0–100 Spectrum™ स्केल) पाँच स्वाद आयामों के लिए।
विघटन (Decomposition): रेसिपीज़ को घटक सामग्रियों में विभाजित किया गया जिनका द्रव्यमान अंश ( $v_i$ ) 1.0 के योग के बराबर है।
अपवर्जन (Exclusion): वसा (Fat) के अहसास को बाहर रखा गया क्योंकि यह संरचना (texture) से संबंधित है न कि संरचनात्मक स्वाद (compositional taste) से।

चरण 1: भौतिकी-आधारित आधार रेखा (Physics-Informed Baseline - Composite-Material Bounds)

लेखकों ने रेसिपीज़ को विषम $N$ -फेज कंपोजिट के रूप में माना, और दो सैद्धांतिक सीमाओं (bounds) को लागू किया जो मूल रूप से इलास्टिक मापांक (elastic moduli) के लिए विकसित की गई थीं:

Reuss–Voigt (RV) Bounds:
- Voigt (Upper): अंकगणितीय भारित औसत ( $T^* = \sum v_i T_i$ )।
- Reuss (Lower): हार्मोनिक भारित औसत।
Hashin–Shtrikman (HS) Bounds:
- आइसोट्रोपिक फेजों के लिए एक अधिक सटीक सैद्धांतिक ब्रैकेट, जो गोलाकार समावेशन ज्यामिति ( $d=3$ ) पर आधारित एक सहायक फलन (auxiliary function) का उपयोग करता है।
- परिकल्पना (Hypothesis): ये सीमाएँ एक ऐसा "ब्रैकेट" प्रदान करनी चाहिए जिसके भीतर पके हुए भोजन का वास्तविक स्वाद आना चाहिए।

चरण 2: रसायन विज्ञान-आधारित हाइब्रिड मॉडल (Chemistry-Informed Hybrid Model)

यह पहचानते हुए कि भौतिकी-आधारित सीमाएँ व्यवस्थित रूप से स्वाद का कम अनुमान (under-predict) लगा रही थीं, लेखकों ने प्रसंस्करण रसायन विज्ञान को सुधारने के लिए एक हाइब्रिड मॉडल पेश किया।

संरचना: $\hat{T}^* = \text{HS Midpoint} + \beta_{Voigt} T_{Voigt} + \sum \beta_k \phi_k$
विशेषताएँ (Features): मॉडल HS बेसलाइन को 8 केमिस्ट्री-प्रॉक्सी फीचर्स ( $\phi_k$ $ϕ_{k}$ ) के साथ बढ़ाता है, जो केवल सामग्री सूची से प्राप्त होते हैं (इसके लिए तापमान/समय जैसे प्रक्रिया मापदंडों की आवश्यकता नहीं है):
1. प्रोटीन अंश (Protein fraction)
2. चीनी अंश (Sugar fraction)
3. प्रोटीन $\times$ चीनी का गुणनफल (Maillard potential)
4. नमक अंश (Salt fraction)
5. पानी का अंश (Water fraction)
6. सांद्रता कारक (Concentration factor) ( $1/(1-v_{water})$ )
7. एलियम अंश (Allium fraction - प्याज, लहसुन, लीक)
8. किण्वित-सामग्री अंश (Fermented-ingredient fraction - सोया सॉस, पनीर, सिरका)
प्रशिक्षण (Training): गुणांक (Coefficients) को Leave-One-Out Cross-Validation (LOOCV) का उपयोग करके Lasso regression के माध्यम से सीखा गया।

चरण 3: इनवर्स डिज़ाइन (Inverse Design)

हाइब्रिड मॉडल को एक Differential Evolution (DE) ऑप्टिमाइज़र के भीतर एम्बेड किया गया ताकि उलटे प्रश्न (inverse problem) को हल किया जा सके: यानी, रचनात्मक बाधाओं का सम्मान करते हुए एक लक्षित स्वाद प्रोफ़ाइल प्राप्त करने के लिए सामग्री के द्रव्यमान अंशों को खोजना।

3. मुख्य परिणाम (Key Results)

शुद्ध भौतिकी-आधारित सीमाओं की विफलता (Failure of Pure Physics-Based Bounds)

व्यवस्थित कम अनुमान (Systematic Under-prediction): सभी रेसिपीज़ में वास्तविक स्वाद मानों में से 77% मामलों में HS ऊपरी सीमा (upper bound) पार हो गई।
आयाम-विशिष्ट अतिरेक (Dimension-Specific Exceedance):
- नमकीन (Saltiness): 97% ने सीमा पार की।
- मीठा (Sweetness): 93% ने सीमा पार की।
- उमामी (Umami): 90% ने सीमा पार की।
- खट्टा (Sourness): 80% ने सीमा पार की।
- कड़वा (Bitterness): केवल 26% (एक "फ्लोर इफेक्ट" के कारण जहाँ अधिकांश रेसिपीज़ में बहुत कम कड़वाहट थी)।
निष्कर्ष: सीमाएँ एक "फ्लोर" (निचली लिफाफा/lower envelope) के रूप में कार्य करती हैं लेकिन वास्तविक स्वाद को ब्रैकेट करने में विफल रहती हैं क्योंकि वे खाना पकाने के दौरान होने वाले गैर-रैखिक रासायनिक प्रवर्धन (non-linear chemical amplification) की अनदेखी करती हैं।

हाइब्रिड मॉडल की सफलता (Success of the Hybrid Model)

पूर्वाग्रह उन्मूलन (Bias Elimination): हाइब्रिड मॉडल ने HS/RV मॉडलों में मौजूद व्यवस्थित पूर्वाग्रह को समाप्त कर दिया।
त्रुटि में कमी (Error Reduction): मिठास, खटास, उमामी और नमकीन के लिए माध्य पूर्ण त्रुटि (Mean Absolute Error - MAE) में 27–62% की कमी आई (कुल कमी 14.7 से 7.3 तक)।
व्याख्यात्मकता बनाम प्रदर्शन (Interpretability vs. Performance):
- हाइब्रिड मॉडल (10 फीचर्स) ने 115 प्रति-सामग्री फीचर्स वाले "ब्लैक-बॉक्स" Lasso मॉडल के प्रदर्शन के बराबर प्रदर्शन किया।
- 115-फीचर वाला Lasso वास्तव में ओवरफिट (overfitted) हो गया, जिसका औसत प्रदर्शन खराब रहा (उदाहरण के लिए, उमामी MAE 6.5 से गिरकर 8.7 हो गया)।
तंत्र सत्यापन (Mechanism Validation): सीखे गए गुणांक ज्ञात खाद्य रसायन विज्ञान के अनुरूप थे:
- नमकीन: नमक अंश और एलियम सामग्री (सहक्रिया/synergy) द्वारा संचालित।
- उमामी: पानी के अंश (सूप में प्रोटीन हाइड्रोलिसिस) और एलियम द्वारा संचालित।
- मीठा: चीनी अंश (कैरामलाइज़ेशन क्षमता) द्वारा संचालित।

इनवर्स डिज़ाइन केस स्टडीज (Inverse Design Case Studies)

DE ऑप्टिमाइज़र ने पारदर्शी तर्क के साथ रेसिपीज़ को सफलतापूर्वक पुनर्गठित किया:

नमक में कमी (मटर का सूप): मटर को पोर्क/तेल से बदलकर नमक में 16% की कमी की, और प्रोटीन हाइड्रोलिसिस तंत्र के माध्यम से उमामी को बनाए रखा।
चीनी में कमी (चॉकलेट स्प्रेड): हेज़लनट/दूध बढ़ाकर चीनी में 30% की कमी की; मॉडल ने सही ढंग से भविष्यवाणी की कि एक ट्रेड-ऑफ (बढ़ी हुई कड़वाहट) होगा।
उमामी वृद्धि (केचप): चीनी को कम करते हुए उमामी बढ़ाने के लिए टमाटर की सांद्रता बढ़ाई, जिससे मॉडल की सामग्री-विशिष्ट स्वाद स्कोर की समझ का लाभ मिला।

4. मुख्य योगदान (Key Contributions)

नया सादृश्य (Novel Analogy): स्वाद भविष्यवाणी के लिए Hashin–Shtrikman और Reuss–Voigt bounds का पहला अनुप्रयोग, जो एक भौतिकी-सूचित आधार रेखा स्थापित करता है।
प्रसंस्करण का मात्रात्मक फिंगरप्रिंट: यह प्रदर्शित किया कि सैद्धांतिक सीमाओं और वास्तविक स्वाद के बीच का अंतर प्रसंस्करण रसायन विज्ञान (Maillard reactions, caramelization, hydrolysis, concentration) का एक मापने योग्य मीट्रिक है।
व्याख्या योग्य हाइब्रिड मॉडलिंग: एक ऐसा मॉडल विकसित किया जो केवल 10 व्याख्या योग्य, रसायन-आधारित फीचर्स का उपयोग करके उच्च-आयामी ब्लैक-बॉक्स मॉडल से बेहतर प्रदर्शन करता है।
प्रतिबंधित इनवर्स डिज़ाइन: मॉडल-संचालित खाद्य निर्माण के लिए भौतिकी-रसायन हाइब्रिड मॉडलों की व्यवहार्यता को सिद्ध किया, जिससे विशिष्ट संवेदी लक्ष्यों को पूरा करने के लिए रेसिपी का अनुकूलन संभव हुआ।

5. महत्व और सीमाएं (Significance and Limitations)

महत्व: यह कार्य खाद्य भौतिकी (food physics), रसायन विज्ञान और मशीन लर्निंग के बीच के अंतर को पाटता है। यह "ब्लैक-बॉक्स" भविष्यवाणी से आगे बढ़कर इस बात की यांत्रिक समझ प्रदान करता है कि एक रेसिपी का स्वाद ऐसा क्यों है, जिससे व्यापक परीक्षण और त्रुटि (trial-and-error) के बिना लक्षित खाद्य डिजाइन संभव होता है।
सीमाएं:
- डेटासेट का आकार: केवल 70 रेसिपीज़, जो सांख्यिकीय शक्ति और सामान्यीकरण (generalizability) को सीमित करती हैं।
- फीचर की सूक्ष्मता (Granularity): सटीक पोषक तत्व डेटा (जैसे मुक्त ग्लूटामेट सामग्री) के बजाय कीवर्ड-आधारित सामग्री वर्गीकरण (जैसे "पनीर") पर निर्भरता।
- प्रक्रिया मापदंड: मॉडल सामग्री के आधार पर संभावित रसायन विज्ञान की भविष्यवाणी करता है, लेकिन यह तापमान/समय गतिज (kinetics) को स्पष्ट रूप से मॉडल नहीं करता है।
- सत्यापन: स्वतंत्र संवेदी डेटाबेस या इनवर्स-डिज़ाइन की गई रेसिपीज़ के प्रॉस्पेक्टिव पैनल परीक्षण पर बाहरी सत्यापन का अभाव।

निष्कर्ष: यह शोध पत्र स्थापित करता है कि जबकि कंपोजिट-मटेरियल बाउंड्स स्वाद के लिए एक उपयोगी निचली सीमा (lower limit) प्रदान करते हैं, सटीक भविष्यवाणी के लिए भौतिकी को व्याख्या योग्य रासायनिक प्रॉक्सी के साथ जोड़ना आवश्यक है। यह दृष्टिकोण मॉडल-संचालित खाद्य फॉर्मूलेशन के भविष्य के लिए एक मजबूत, पारदर्शी ढांचा प्रदान करता है।