酱香型白酒一年连续经历多轮次发酵，窖内发酵持续约30天且环境近乎封闭。微生物群落、理化指标与风味物质相互影响并不断变化，传统检测难以及时、全面地掌握发酵状态，也难以回答“如何针对目标风味实施调控”。因此，建立能够理解多项参数之间的关系、预测发酵进程并提供调控方案的人工智能工具，对推动酱香型白酒智能酿造具有重要意义。
针对上述挑战，研究构建了面向酱香型白酒窖内发酵的多任务深度神经网络（DNN）人工智能框架，形成了从工业数据建模、发酵状态预测到目标风味优化和实验验证的完整研究流程。该框架既能根据初始状态、生产轮次和目标时间预测后续发酵状态，也能围绕目标风味生成相应的调控方案，实现由“预测发酵如何变化”向“主动设计如何调控”的功能拓展。
成果介绍
研究整合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，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”。
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，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。
原文链接https://doi.org/10.1016/j.biortech.2026.135533
