Optimizing Ingredient Substitution Using Large Language Models to Enhance Phytochemical Content in Recipes

要約

コンピューターガストロノミーという新興分​​野では、科学的に裏付けられた栄養目標に合わせて料理を実践することがますます重要になっています。
この研究では、大規模言語モデル (LLM) を適用してレシピ内の材料の代替を最適化し、特に食事の植物化学物質の含有量を高める方法を検討します。
ファイトケミカルは植物に含まれる生理活性化合物であり、前臨床研究に基づいて潜在的な健康上の利点を提供する可能性があります。
私たちは、成分置換データセットを使用して、OpenAI の GPT-3.5、DaVinci、Meta の TinyLlama などのモデルを微調整しました。
これらのモデルは、植物化学物質の含有量を高める代替品を予測し、対応する充実したレシピ データセットを作成するために使用されました。
私たちのアプローチにより、成分置換タスクの Hit@1 精度が向上し、元の GISMo データセットではベースラインの 34.53 プラスマイナス 0.10% から 38.03 プラスマイナス 0.28% に、元の GISMo データセットでは 40.24 プラスマイナス 0.36% から 54.46 プラスマイナス 0.29% に改善されました。
同じデータセットの改良版。
これらの代替品により、植物化学的に強化された 1,951 の成分の組み合わせと 1,639 の独自のレシピが作成されました。
このアプローチは成分代替を最適化する可能性を示していますが、その主張は前臨床証拠に基づいているため、健康上の利点について結論を導く際には注意が必要です。
今後の研究には、これらの代替品の栄養上の影響をさらに評価するための臨床検証とより広範なデータセットが含まれる必要があります。
この研究は、AI を使用してより健康的な食生活を推進する上での一歩前進を表し、計算手法と栄養科学を統合するための潜在的な道筋を提供します。

要約(オリジナル)

In the emerging field of computational gastronomy, aligning culinary practices with scientifically supported nutritional goals is increasingly important. This study explores how large language models (LLMs) can be applied to optimize ingredient substitutions in recipes, specifically to enhance the phytochemical content of meals. Phytochemicals are bioactive compounds found in plants, which, based on preclinical studies, may offer potential health benefits. We fine-tuned models, including OpenAI’s GPT-3.5, DaVinci, and Meta’s TinyLlama, using an ingredient substitution dataset. These models were used to predict substitutions that enhance phytochemical content and create a corresponding enriched recipe dataset. Our approach improved Hit@1 accuracy on ingredient substitution tasks, from the baseline 34.53 plus-minus 0.10% to 38.03 plus-minus 0.28% on the original GISMo dataset, and from 40.24 plus-minus 0.36% to 54.46 plus-minus 0.29% on a refined version of the same dataset. These substitutions led to the creation of 1,951 phytochemically enriched ingredient pairings and 1,639 unique recipes. While this approach demonstrates potential in optimizing ingredient substitutions, caution must be taken when drawing conclusions about health benefits, as the claims are based on preclinical evidence. Future work should include clinical validation and broader datasets to further evaluate the nutritional impact of these substitutions. This research represents a step forward in using AI to promote healthier eating practices, providing potential pathways for integrating computational methods with nutritional science.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google