近日，四川大学吴重德教授团队联合四川郎酒股份有限公司、酿酒科学与技术四川省重点实验室，在国际期刊《Bioresource Technology》（JCR Q1，中科院1区Top，IF: 8.2）发表了题为“Deep neural network-based prediction of sauce-flavor Baijiu fermentation process and regulation of flavor compound synthesis（基于深度神经网络的酱香型白酒发酵过程预测及风味化合物合成调控）”的研究论文。

该研究整合了酱香型白酒七个生产轮次的真实工业发酵数据，将微生物群落、理化指标和挥发性风味物质组织为统一的样本特征矩阵。在此基础上，该研究建立了由共享编码器和多任务解码器组成的模型架构。共享编码器负责综合分析不同发酵参数之间的关系，风味物质解码器和通用解码器分别用于预测挥发性风味物质、微生物群落变化和理化参数变化。该设计使一套模型能够同时学习和预测多类发酵指标，并重点提升对关键风味物质的预测能力。

在应用层面，该DNN框架具有两种核心使用模式。第一种是发酵过程预测：输入发酵第0天的初始状态、生产轮次和目标时间，模型即可同步预测目标时间点的微生物组成、理化指标和风味物质，从多个方面呈现窖内发酵过程的变化；第二种是目标风味调控：输入目标风味物质和目标时间，模型通过反向优化寻找关键初始参数并输出相应的调控方案，使人工智能由“看懂发酵”进一步走向“设计发酵”。

该研究进一步以提高第6轮发酵中的乙酸乙酯为目标，依据DNN框架输出的优化方案开展风味优化实验。结果显示，实验组乙酸乙酯显著高于对照组，发酵后期，乙醇及总挥发性化合物也同步增加，验证了模型驱动风味调控的有效性。由此，该研究把发酵状态预测、目标风味优化和调控方案实施整合为一个完整流程，为酱香型白酒从经验驱动走向数据与模型驱动的智能监测、主动调控和自动化生产提供了新的技术路径。