下一代食品系统人工智能研究所：改变美国食品系统的关键挑战与解决方案

计算机和电子在农业196（2022）106819下一代食品系统人工智能研究所（AIFS）放大图片作者：IliasTagkopoulos a，g. 布朗a，g，*，刘鑫a，g，赵庆b，g，塔雷克I. Zohdi c，g，J. 放大图片创作者：Mason Earles a，g，Nitin Nitin a，g，Daniel E. 放大图片作者：Runcie a，g. Lemay d，g，Aaron D. 史密斯a，g，帕梅拉·C罗纳德a，g，郝峰e， g，加布里埃尔大卫尤西f， ga美国加州大学戴维斯分校b美国康奈尔大学美国加州大学伯克利分校d美国农业部农业研究处，美国美国伊利诺伊大学厄巴纳-香槟分校fUC ANR，美国gUSDA-NIFA/NSF AI Institute for Next-Generation Food Systems（AIFS），美国A B S T R A C T人工智能（AI）有可能通过应对最大的挑战来改变美国的食品系统：提高食品产量、质量和营养，减少资源消耗，提高安全性和可追溯性，消除食品浪费。尽管人工智能的能力有了很大的飞跃，但食品系统对人工智能的应用和采用提出了几个挑战：（1）食品系统高度多样化，生物学上非常复杂;（2）地面实况数据稀少，成本高昂，而且是私人拥有的;（3）人类的决策和偏好与食品系统供应链的每个阶段都有着错综复杂的联系。为了应对这些挑战并改变美国的食品系统，下一代食品系统人工智能研究所（AIFS）旨在开发人工智能技术，培养下一代人才，以更少的资源生产和分发更高质量的营养食品。AIFS拥有六个研究集群，包括两个基础研究领域（生物启发和基础人工智能，以及社会经济学和伦理学）和四个应用研究领域，涵盖整个食品供应链：分子育种，农业生产，食品加工和分销以及营养。AIFS正在开发可推广的，数据高效的，值得信赖的人工智能解决方案，基于知识驱动和人在环学习范式，旨在处理食物系统多样性和生物复杂性，有效捕获和利用食物系统数据，并通过可解释性，安全性，隐私性和公平性获得用户信任。1. 介绍人工智能（AI）有可能通过应对最大的挑战来改变美国的食品系统：提高食品产量、质量和营养，减少资源消耗，提高安全性和可追溯性，消除食品浪费。在过去的十年中，科学家和工程师在开发和部署工具和设备方面取得了重大进展，这些工具和设备以前所未有的时空分辨率向食品系统利益相关者提供了大量但往往是原始的数据流。与此同时，人工智能算法一再打破计算机视觉、自然语言处理和自动化领域的基准，而人工智能优化的硬件正在实现从机器人到消费电子产品的重大进步。下一代食品人工智能研究所的主要任务AIFS旨在为可持续的食品系统开发人工智能技术，并培养下一代人才，以更少的资源生产和分配营养食品。在未来的几十年里，AIFS的目标是通过创新人工智能技术来帮助改变美国的食品系统，为食品系统供应链中的不同利益相关者提供可操作的信息，以强大的道德和社会经济框架为基础。为了实现这一目标并应对上述挑战，AIFS将开发可推广、数据高效且值得信赖的人工智能解决方案，以使（1）分子育种者能够发现和/或设计下一代高产、高质量、以消费者为中心的食品，（2）农业生产者能够最大限度地提高食品数量和质量，同时最大限度地减少资源消耗和浪费，（3）食品加工商和分销商提供高度可追溯和安全的食品，同时尽量减少资源消耗和浪费，以及（4）消费者迅速和精确评估膳食的营养，量化食物AIFS将建立这些解决方案使用知识驱动和人在回路学习范式，旨在处理食品系统多样性和生物复杂性，有效捕获和利用食品系统数据，并通过可解释性，安全性，隐私性和公平性获得用户信任。今天当人工智能被食品系统研究人员，工程师和行业领导者所雇用，它几乎完全是其他* 通讯作者。https://doi.org/10.1016/j.compag.2022.106819接收日期：2022年1月12日;接收日期：2022年2月23日;接受日期：2022年2月24日2022年3月18日网上发售0168-1699/© 2022作者。出版社：Elsevier B.V.这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。目录可在ScienceDirect农业计算机与电子期刊主页：www.elsevier.com/locate/compagI. Tagkopoulos等人计算机和电子在农业196（2022）1068192++行业通过创建特定于食品系统的人工智能解决方案，AIFS将加速人工智能积极改变美国食品系统的能力，并影响整个供应链的利益相关者。AIFS有六个研究集群，两个基础研究领域（启发式和基础人工智能，社会经济学和伦理学）和四个应用研究领域（ARA）（分子育种，农业生产，食品加工和分销，营养），以及教育，推广和劳动力发展（EOWD），扩大参与和合作以及知识转移（图1）。应用研究领域涵盖整个食品系统。受启发的基础AI集群将六个研究集群连接起来，并通过密切的沟通和反馈周期开发AI工具。社会、经济和伦理方面的考虑将被整合到人工智能在所有四个应用研究领域的应用中。AIFS还通过教育，推广和扩大参与活动积极吸引学术界，利益相关者和公众受众。 AIFS的总体愿景是解决基础和使用启发的人工智能研究中的挑战，培训未来的人工智能劳动力，并解决一些社会在食品系统中面临AIFS汇集了来自六个机构的研究人员（加州大学戴维斯分校[UCD];加州大学伯克利分校[UCB];康奈尔大学;和伊利诺伊大学香槟分校[UIUC]，USDA-ARS，加州大学农业和自然资源[UC ANR]），在人工智能和食品系统科学，工程，外展和教育方面具有卓越的记录。AIFS目前正在参与50名教师和研究人员，40名研究生和博士后，18名本科生研究员。它建立了科学、教育和推广咨询委员会、工业委员会和利益相关者委员会。AIFS是高等教育机构、联邦机构、工业界和非营利组织/基金会之间合作的国家联络点。2. 研发重点2.1. 基础AI研究人工智能和数据驱动的计算方法是连接AIFS应用研究领域的基础结构。的目标 这一研究领域，在努力的逻辑进展，如下：（a）确定关键的共同挑战，基础上的整个管道的食品系统;（b）建立理论框架内，这些挑战可以系统地解决;（c）开发使用启发的方法和算法，可以细化和扩展，以考虑到规格和领域知识的四个Fig. 1. AIFS组织。该研究所集群，包括基础和应用研究领域，以及公众参与。应用领域;（d）建立在人工智能农业科学中突出并可推广到其他科学领域的基本原则和认识。AIFS旨在通过有原则和系统的调查来平衡基础研究和农业应用特定的解决方案，以应对粮食系统中固有的关键挑战。挑战：人工智能农业科学的固有挑战源于食品系统的三个显著特征：（1）作物性状、环境条件、多方面质量指标和消费者偏好方面的高度可变性和多样性;（2）劳动力和时间方面的高成本（例如，作物的固有生长周期）-与数据收集和观测数据的低质量（例如，自我报告的饮食摄入量数据）;（3）人类与食物之间的主要联系所决定的复杂人为因素-在食品系统中成功采用人工智能取决于人类对人工智能应用的信任和反应第一个挑战产生了一个高度复杂的学习空间，所有人工智能解决方案都需要导航：高维输入和输出，奖励和损失，因为适应和学习的反馈很难定义（例如，草莓品种的味道），以及高度非线性和非凸目标函数景观。使这个困难的学习任务更加复杂的是第二个挑战，它限制了人工智能模型，使其具有很少的、嘈杂的和不完整的数据点来学习。第三个挑战通过要求在安全性、公平性、隐私保障和理解社会经济后果方面的复杂设计约束使问题进一步复杂化。方法和理论框架：为了解决这些挑战，人工智能解决方案需要具有可推广性、可信赖性和数据效率。该模型必须有效地同时应对学习空间高度可变的挑战，并抵消与数据收集相关的高成本。值得信赖意味着提供安全、公平和隐私保障，并注意社会经济后果。数据隐私使供应链之间的数据共享能够解决数据可用性方面的挑战。数据效率涉及利用有限和嘈杂数据源的有效性。为了构建可推广、可信赖和数据高效的人工智能解决方案，我们的总体方法依赖于知识驱动和人在环学习范式，允许人与机器之间的主动和实时交互。这种模式允许建立信任，获得主观标签（例如，感官和风味），贡献）和用于构造奖励/损失函数。2.2. 伦理学研究为了实现开发人工智能工具的目标，通过针对其最大的挑战来改变美国食品系统，AIFS将需要一个明确的道德框架来指导研究和研究人员。该框架旨在确保农业应用中具有社会责任感和可信赖的AI。我们的目标是创造一个有意义的，变革性的道德该框架超越了一些人工智能学者所描述的一个清晰的道德框架是成功的人工智能工具的基础，它透明地展示了研究人员和开发人员要求利益相关者信任他们的内容，他们将如何使用它，以及为什么他们的工作值得他人信任。此外，社会、道德和经济障碍可能会阻碍人工智能工具的成功部署。了解这些障碍以及如何以改善社会福利的方式克服这些障碍至关重要，不仅对AIFS，而且对更广泛的人工智能也是如此。食物是人类经验的基础。它在社会交往和个人幸福中起着至关重要的作用。食物偏好深深植根于身份，情感和文化中。出于这些原因，对食品系统中人工智能的担忧往往是个人的，这使得信任变得脆弱。赢得和保持信任是道德的核心人工智能，以及它在这种环境下的脆弱性，使得优先考虑变得更加重要。I. Tagkopoulos等人计算机和电子在农业196（2022）1068193对于研究人员和AI开发人员来说，数据是AI开发和部署的关键资源。研究人员与行业参与者就获取和传输数据的条款进行谈判。然后，他们利用这些数据来开发和部署AI工具。这些谈判和由此产生的人工智能工具提出了潜在的道德挑战，包括未能实现其目标的工具造成损失或伤害的风险，急于过早发布或部署工具的动机，不安全或不公平使用数据，以及对第三方（如小农，劳动者或低收入消费者）的不公平影响。这些挑战可以通过坚持以下原则来应对：AIFS研究人员寻求开发预期收益大于风险的工具，并且公平地分享收益和风险。道德和值得信赖的人工智能的其他重要特征是透明度，警惕性和清晰的沟通。我们从三个项目开始一个项目将产生一组最好的AIFS及其研究人员可以采用的实践，以帮助确保他们的研究的可信度。第二个项目将为AIFS研究人员、研究生和博士后研究员创建一个伦理课程，包括深度问题（Yarboroughand Hunter 2013）。第三部分将研究和调查工业、劳工和政策界的利益相关者，以确定在食品系统中成功部署人工智能工具所面临的社会、经济和伦理挑战。我们将与AIFS，其研究人员及其合作伙伴合作。2.3. 分子育种分子育种集群专注于开发人工智能工具，用于培育下一代高产，优质，以消费者为中心的蔬菜，水果和坚果作物品种。我们的目标是解决以下三个园艺作物改良所特有的挑战：1）园艺作物的多样性需要高度专业化的育种方法。在一个物种中开发的专门育种工具不一定在另一个物种中表现良好。2)产量数据是手工收集的，劳动力成本很高。3)水果和蔬菜的质量是多方面的，取决于消费者的偏好，而现有的人工智能育种工具最适合单一性状目标（例如产量）。此外，质量和产量之间往往存在权衡，这需要同时进行两种性状的育种。方法：基于人工智能集群的发展，我们的目标是开发人工智能方法，这些方法可以向育种者解释，能够感知环境以适应消费者的偏好，并且能够利用数据集成来充分利用目前应用于各种育种计划的自动化高通量表型分析技术。1) 为了应对园艺育种计划多样性的挑战，我们将开发多模型算法，灵活地将基因组和表型数据（所有作物共有）与域分子数据对整体消费者吸引力的影响），它使我们能够更有效地优化育种，具有多个目标，包括主观品质，例如消费者偏好，其可以取决于风味、气味、外观、质地和/或营养等因素。2.4. 银生产农业生产需要大量的投入（如水、化肥、杀虫剂、能源和劳动力），以最大限度地提高粮食产量和/或质量。农业生产在环境条件、作物性状和管理策略方面极其多样化。AIFS农业生产集群专注于开发人工智能工具，使农业生产者能够可持续地管理农业生产。园艺作物的多样性最大限度地减少资源消耗和浪费。具体而言，我们的目标是解决与农业生产有关的以下三个挑战：高度可变的生产条件：由于作物性状、病原体压力、环境条件和管理策略的可变性使得技术推广非常具有挑战性，因此作物监测、预测和机械化具有高度的地点特异性。我们正在开发作物可推广的人工智能框架，该框架集成了多模态传感器数据、机械作物建模和机器人控制，以实现精准农业管理。我们正在构建机器学习模型，整合植物生物学家，作物建模师和农业生产者的大型现有知识库。首先，我们专注于使用基于3D生物学的作物模型来生成大量的合成数据集，这些数据集构成了对真实感测数据进行推理或额外微调的迁移学习的基础。其次，我们正在构建数字孪生技术，整合3D作物和机器人仿真模型，以训练用于自主导航和实现控制的深度强化学习模型（例如，灌溉机、施肥机、杀虫剂施用机、修剪机/间苗机和收割机）。最后，我们正在开发新的深度学习架构，用于预测产量、质量、资源消耗和废物产生，能够处理与信号类型有关的多模态模型输入（例如，压力，可见光/热/微波辐射，电导率，等） 以及时空尺度（即， 从mm到km）。低/无互联网连接：农业生产技术面临着独特的限制，因为它经常发生在偏远地区，互联网连接率低或没有，内存有限，电力供应有限。为了克服这一挑战，我们正在推进能源和内存高效的传感硬件和算法系统，以实现农业环境中的高性能边缘AI。我们正在努力设计新的农业传感器系统，该系统集成了人工智能专用微处理器的最新创新，例如视觉处理单元（VPU），张量处理单元（TPU）和其他类型的人工智能加速器。当我们开发农业特定的深度学习架构时，具体知识 从饲养员 通过 发展中EX plainable AI-优化它们以在AI专用微处理器上运行，算法，我们将生成可以由育种者解释和审查的预测。2) 为了应对量化园艺作物产量的挑战，我们将开发多模态AI算法，该算法可以整合来自高通量表型技术（如移动或固定高光谱相机，视频成像和3D建模）的异质和高维数据，以预测整个季节的产量。自动化传感器对产量的准确预测将大大降低育种计划的劳动力成本，使更多的品种能够在更多的地点同时进行测试，从而更好地模拟基因型、环境和管理之间的相互作用。3) 为了应对改善作物质量和消费者偏好的挑战，我们将开发人工智能架构，该架构可以利用多模态数据来识别消费者偏好的预测特征，并使用这些特征来选择改良品种。由于深度学习算法允许端到端预测（例如，从基因和低功耗、低内存系统。生产者信心：我们的人工智能系统可以为最终用户提供一系列可操作的因素，例如，灌溉和养分，以及它们对产量的贡献。它还可以绘制出多个感兴趣的变量之间的因果关系，并允许用户根据反事实场景提出问题，例如，气候条件和人工操作不存在于训练数据集中。2.5. 食品加工及经销食品加工和分销的主要挑战是食品安全、食品损失和腐败以及工艺创新/优化。为应对食品安全的挑战，我们将开发人工智能模型，灵活整合现有的食品微生物生态、化学计量和物理数据集，全面评估从农场到零售分销的食品安全风险。这些现有的数据集将I. Tagkopoulos等人计算机和电子在农业196（2022）1068194补充食品加工操作的数字孪生模型，包括卫生和食品处理和运输，以模拟食品及其环境（包括人类和食品接触表面）之间的病原体转移，例如我们之前开发的基于代理的模型[Zoellner et al 2019]。这些数据集将共同为AI模型的训练和验证创建食品安全场景。为了培养人类对人工智能预测的信心，还将使用国家疫情报告系统（NORS）、FoodNet和其他公共数据库收集的数据集，对食品系统范围内的人工智能模型进行测试。为了解释人工智能预测，我们的目标是 开发一个界面，使人工智能能够使用自然语言句子和数据可视化方法解释模型和输出决策。除了预测食品安全风险外，还将开发人工智能模型，以优化资源利用（能源、水和化学品）和各种操作的效率，以促进食品安全并最大限度地减少食品接触表面的卫生等爆发风险。为了应对粮食损失的挑战，我们将开发人工智能模型，灵活地整合微生物、物理化学和市场数据集，以预测粮食损失。微生物和物理化学数据集将表明腐败风险，而市场数据将预测消费者方面，包括行为和对食品损失的需求。我们打算整合市场数据和使用数字孪生模型生成的数据，例如模拟储存和零售展示期间的植物呼吸和腐败微生物的生长。为了应对工艺创新和优化的挑战，我们的目标是开发人工智能模型来预测食品加工操作的产出，并优化食品加工的能源和水等投入资源。这些人工智能模型将整合食品加工过程中各种机械、热和化学输入的数据集及其对食品的影响。这些人工智能模型将预测产品质量输出，如所选产品的质地，颜色和风味。为了为复杂加工操作的AI模型生成数据集，我们将开发食品加工操作的数字孪生模拟。数字孪生模型还可以模拟输入条件的可变性和多样性，例如具有可变农场残留物的各种新鲜农产品，以模拟新鲜农产品的清洗和卫生。这些模拟产品和过程可变性的数据集将使自适应AI模型的开发成为可能。此外，为了减少食品制造业的操作故障，并通过生产操作的前馈控制实现即时响应，这些方法将通过组合来自不同传感器的数据集和开发人工智能支持的预测模型来实现，以实时优化工艺条件和产品质量2.6. 营养食物系统的终点是营养-为了维持人类生命，最好是为了增进健康和福祉而人工智能技术正在几个领域推进这一领域。AI/ML已被用于通过食物摄影评估饮食许多挑战依然存在。大规模的控制喂养研究费用昂贵，负担沉重。如果参与者只拍一盘食物的照片，而不是被要求指定吃的每样东西和数量，会怎么样我们的团队目前正在进行膳食照片调查营养评估（SNAPMe）研究（ClinicalTrials.gov），以准备此基准数据集，然后可用于评估计算机视觉算法在食物照片中的应用，以进行饮食评估。一旦人类参与者的食物摄入量是已知的，这些食物被转换为营养成分使用食物成分表。 虽然不分析每一种食物的成分是可行的，应该可以从标记的数据集建立模型来预测新食物的成分。我们的团队目前正在准备建立食物聚糖组成预测模型所需的标记数据集。人们对食物中的聚糖知之甚少，我们肠道微生物的主要碳源。该项目是确定人们应该吃什么来滋养正确的肠道微生物的重要一步。整个框架可以扩展到其他分子。目前，食物中的大部分营养成分都是“暗物质”（Barabasi，Menichetti和Loscalzo 2020），这些物质在膳食摄入量应用程序访问的美国农业部食物成分表中还不存在。同时，分析技术需要到完全表征 的“nutriome每个一种食品成分可能含有数千种小分子，这些小分子在 的 FooDB数据库（FoodB.ca）。 其他“omes”蛋白质组/肽组（所有蛋白质）等还没有被完全表征，尽管这样的技术今天已经存在。当食物的完整分子表征被整合到食物成分数据库中，并通过细胞模型、动物模型或人类喂养研究与这些食物的影响数据整合时，这种整合的数据集可以形成临床试验或数字双胞胎或模型实验的基础。然后，实验结果将被整合到知识图中，使科学家能够询问信息，并将其转化为新的饮食指导。在未来，这一指南将是2.7. 教育、公众参与和劳动力发展研究创新辅以变革性和包容性的教育和公众参与方法，以在多元化的劳动力中培养下一代人才，以及扩大社会参与的综合举措，包括知识转移和合作。AIFS培养下一代人才，使社会更具弹性和生产力。AIFS旨在提高K-14受众的可及性、意识和兴趣，包括非传统和代表性不足的学生群体;增加粮食和农业部门和学科中经过人工智能培训和熟练的新劳动力进入者的数量;实施有效的行业和政府合作伙伴关系，以加速市场对人工智能粮食和农业技术的采用;并将人工智能纳入现有的外展计划，培训学生和博士后更有效地与公众接触。为此，AIFS推出了职业EX探索奖学金，gram，旨在为来自不同背景的本科生在食品，农业和技术交叉领域的职业生涯做好准备。该计划将大学生与公司，非营利组织和AIFS附属的大学实验室配对，致力于利用技术解决食品和农业面临的关键挑战的令人兴奋的项目。培养下一代人才的另一个重要组成部分是通过对研究生和博士后研究员的培训。AIFS通过由研究生和博士后领导的教育、外联和扩大参与活动（例如圆桌会议、研讨会、小组讨论），积极吸引学术界、利益攸关方和公众参与，这些研究生和博士后接受有效科学传播方面的培训。通过由UC ANR领导的AIFS研讨会提供额外的培训，UC ANR是一个由1，500多名学者和工作人员组成的全州UC网络，其使命是将科学和技术转移给加利福尼亚州人民，以告知和培训行业专业人士人工智能技术的应用。为了让下一代学生掌握高科技农业创新所需的技能和知识，AIFS还开发了21个教育模块，未来几年将推出更多模块。这些模块包括数据科学，机器学习，建模和仿真技术的主题。这些模块产品将扩大到涵盖更多学科，并将包括一个跨越高中，社区学院，4年制本科课程，I. Tagkopoulos等人计算机和电子在农业196（2022）1068195研究生院，通过博士后培训。3. 建立一个强大的组织我们已经建立了一个机构组织结构，确保业务连续性，覆盖研究所内的广泛利益，为外部专家小组提供访问和咨询能力，并坚持AIFS的包容性，透明性和精英管理原则。为了对食品系统产生显著的积极影响，AIFS正在实施一项5年计划，最终将扩大和转化的人工智能技术应用于食品系统，如图2所示。 我们在研究所的活动中看到了重大的机遇和挑战。我们提出我们的SWOT（优势，劣势，机会，威胁）分析如下。我们的主要优势是，我们已经建立了多组织的联系，研究项目能够落地运行。此外，研究人员之间以及工作人员与研究人员之间也有相当程度的接触。我们的弱点之一是，资金可能过于分散，无法发挥最大效力。除其他竞争利益外，所有研究人员还需要关注AIFS项目。 我们在充满挑战的环境中看到了一些机会。随着水和劳动力短缺以及食品成本的增加，对基于技术的解决方案的需求将增加，包括那些具有人工智能基础的解决方案。此外，许多企业已经在寻求AIFS的领导和权威答案。我们已经确定的威胁包括在某些领域与狭窄的风险资本竞争地区4. 讨论AIFS旨在开发以食品系统为中心的人工智能解决方案，以提高食品系统的生产力、可持续性和安全性，并增强消费者的健康和福祉。这些人工智能解决方案将创新算法和计算资源，以模拟食品系统的多样性和生物复杂性，解决关键问题，在地面实况数据的知识差距，并创建可解释和值得信赖的预测，让人类参与到循环中。这些创新与当前的情况有着显著的区别，在当前的情况下，食品系统中的人工智能方法完全是其他行业的技术副产品通过调查和创造食品系统特定的AI技术，AIFS将加速AI积极改变美国食品系统，并影响整个供应链的利益相关者。AIFS已经从六个研究所购买了研究人员，这些研究所在人工智能、食品系统科学和工程方面都有卓越的记录。该研究计划调查跨越整个食品系统的基础和应用研究领域的交叉点的原始和变革性概念。至关重要的是，AIFS机构代表了人工智能创新和农业与食品系统研究的领导者，拥有重要的资源，包括最先进的计算，分子测序，分析，温室，作物生产和工程设施，以及利益相关者的参与，以实现成功和对社会的变革性影响。作为高等教育机构、联邦机构、行业和非营利组织/基金会之间合作的国家联络点，AIFS将加速将人工智能创新转化为食品系统，并培养下一代人才，以实现更具弹性和生产力的社会。CRediT作者贡献声明Ilias Tagkopoulos：写作&Stephen F.布朗：写作&-评论编辑。刘欣：写作&赵清：写作&塔雷克岛Zohdi：写作&-评论编辑。J.MasonEarles：写作&Nitin Nitin：写作&Daniel E.朗西：写作&-评论编辑。丹妮尔·G Lemay：写作&-评论编辑。 亚伦·D史密斯：写作&-评论编辑。帕梅拉·C罗纳德： 写作&- 评论编辑。郝峰： 写作&Gabriel DavidYoutsey：写作&图2. AIFS路线图。 在基础和应用研究领域开展研究活动的五年时间轴。I. Tagkopoulos等人计算机和电子在农业196（2022）1068196竞争利益作者声明，他们没有已知的竞争性经济利益或个人关系，可能会影响本文报告的工作确认用于多糖的结构解析：解析含有固氮菌的玉米粘液。分析化学91（11），7254-7265。巴兹比，J.C.，Farah-Wells，H.，Hyman，J.，2014年。美国零售和消费者层面的收获后食品损失的估计数量、价值和卡路里。美国农业部-ERS经济信息公报121.delos Campos，G.，希基J.M.Pong-Wong，R.，Daetwyler，H. D.，Calus，M.P.L.，2013年。全基因组回归和预测方法在动植物育种中的应用。Genetics 193（2），327-345.Gkouskou，K.，弗拉托岛，Karkalousos，P.，Chaniotis，D.，Sanoudou，D.，Eliopoulos，A.G.，2020年。精准营养中的“虚拟数字双胞胎“概念。进展这项工作得到了AFRI竞争性赠款的支持。2020-67021-Nutrition 11（6），1405-1413.““2021年。https：//globalagriculturalproductivity.32855/项目登录号1，024，262，来自美国农业部国家食品和农业研究所。这项赠款是通过AIFS管理的：下一代食品系统人工智能研究所。https://aifs.ucdavis.eduwww.example.com引用巴拉布·阿西，A.- L.，Menichetti，G.，Loscalzo，J.，2020年。我们饮食中未知的化学复杂性。Nature Food 1（1），33-37.Yarborough，M.，亨特湖，2013年。教研道德更好：注重优秀科学，而不是坏科学家。 临床和转化科学6（3），201-203。Zoellner，C.，詹宁斯河Wiedmann，M.，伊万内克河，2019. EnABLe：一种基于代理的模型，用于了解食品加工设施中的李斯特菌动态。 Scientific reports9（1），1-14.进一步阅读Amicucci，M.J.，Galermo，A.G.，Guerrero，A.，Treves，G.，Nandita，E.，Kailemia，M.J.，Higdon，S.M.，Pozzo，T.，Labavitch，J.M.，Bennett，A.B.，Lebrilla，C.B.，2019年。战略全球农业生产力报告。org/wp-content/uploads/2021/10/2021-GAP-Report.pdf.美国农业部对特种作物的定义”https://www.ams.usda.gov/sites/default/files/media/USDASpecialtyCropsation.pdf。李旺希，奥科斯，M.R.，2011.可持续食品加工系统-零排放之路：减少水、废物和能源。Procedia食品科学1，1768Lemay，D.G.，Baldiviez，L.M.，Chin，E.L.，斯皮尔曼，S. S.，塞万提斯，E.，伍德豪斯，L.R.，北卡罗来纳州凯姆，斯蒂芬森，C.B.，Laugero，K. D.，2021.技术人员评分的粪便稠度跨越健康美国人群的布里斯托尔量表的全部范围，并因饮食和慢性压力负荷而异。营养学杂志151（6），1443梅纳角，Adenso-Diaz，B.，尤尔特，O.，2011.食品浪费的原因在制造商-零售商界面：来自英国和西班牙的证据。资源，保护和回收55（6），648-658。Sela，S.，Shurtz-Swirski，R.，Cohen-Mazor，M.，马佐尔河， Chezar，J.，Shapiro，G.，Hassan，K.，Shkolnik，G.，杰龙河Kristal，B.，2005.致敏外周多形核白细胞：慢性肾脏疾病中慢性低度炎症和全身氧化应激的罪魁祸首。Journal of the American肾脏病学会16（8），2431Tadros，Timothy，Giri Krishnan，Ramyaa Ramyaa，and Maxim Bazhenov.受启发的睡眠算法，用于提高深度神经网络的泛化能力和对抗鲁棒性。” 2019年。