Italienische Forscher nutzen künstliche Intelligenz, um die Reifung von Taurasi-Wein zu kartieren

Forscher des Instituts für Lebensmittelwissenschaften des Nationalen Forschungsrats Italiens in Avellino teilten am Freitag, dem 30. Oktober, mit, dass sie mithilfe von Laboranalysen und künstlicher Intelligenz untersucht haben, wie sich Taurasi-Wein während der Reifung verändert. Die Arbeit könnte künftig neue Instrumente für die Qualitätskontrolle und Echtheitsprüfungen im Weinbau ermöglichen.

Untersucht wurden vier Taurasi-DOCG-Jahrgänge aus den Jahren 2015, 2018, 2021 und 2022. Nach Angaben des Instituts verglichen die Forscher die Weine, indem sie deren wichtigste chemische Bestandteile maßen, darunter Polyphenole, Anthocyane und Aromastoffe. Anschließend wandten sie Algorithmen des maschinellen Lernens an, um Muster in den Proben zu erkennen.

Dem Forschungsteam zufolge ermöglichte dieser Ansatz, Gemeinsamkeiten und Unterschiede zwischen den vier Jahrgängen zu bestimmen und eine nach eigener Beschreibung chemische Karte der Entwicklung des Weins im Laufe der Zeit zu erstellen. Als Erstautorin der Studie wird Daniela Evangelista genannt. Durchgeführt wurde sie von einer Forschungsgruppe des Instituts in Avellino.

Die Ergebnisse wurden in der Fachzeitschrift Metabolites im Rahmen des Projekts Agritech veröffentlicht, das über Italiens Nationalen Aufbau- und Resilienzplan, bekannt als PNRR, finanziert wird. Das Institut zufolge konzentriert sich die Arbeit auf Taurasi DOCG, einen der bekanntesten Rotweine aus der Region Irpinia in Kampanien, und nutzt ihn als Fallstudie für allgemeinere Fragen zur Entwicklung von Weinen während der Reifung.

Die Forschung steht für die wachsenden Bemühungen in der Lebensmittel- und Getränkewissenschaft, klassische chemische Untersuchungen mit Datenanalysesystemen zu verbinden, die komplexe Messdatensätze verarbeiten können. Bei Wein kann die Reifung Struktur, Farbe, Aroma und weitere Eigenschaften verändern – und zwar auf eine Weise, die sich nur schwer anhand eines einzelnen Indikators erfassen lässt. Durch den gleichzeitigen Vergleich mehrerer Verbindungen können Modelle des maschinellen Lernens Forschern helfen, Zusammenhänge zu erkennen, die bei einer herkömmlichen Auswertung allein schwerer auszumachen sind.

Das Institut stellte die Studie als ersten Schritt hin zu einem breiteren Einsatz künstlicher Intelligenz bei der Analyse von Weinqualität, Charakterisierung und Echtheit dar. Das bedeutet nicht, dass die Methode bereits für den routinemäßigen Einsatz in der gesamten Branche bereit ist. In der Mitteilung wurde sie als erster Schritt bezeichnet. Das deutet darauf hin, dass sich die Arbeit noch in einer explorativen Phase befindet und zunächst mit mehr Weinen, weiteren Jahrgängen und zusätzlichen Produktionsbedingungen umfassender validiert werden müsste, bevor daraus ein Standardinstrument werden könnte.

Dennoch weist die Studie auf eine mögliche Entwicklung für den Getränkesektor hin. Sollten sich ähnliche Methoden auch in größerem Maßstab als zuverlässig erweisen, könnten sie Weingütern, Laboren und Aufsichtsbehörden eine weitere Möglichkeit bieten, die Entwicklung von Produkten im Laufe der Zeit zu überwachen und analytische Prüfungen zu Herkunft und Echtheit zu stärken. Besonders relevant ist das für Premiumweine, bei denen Reifungsgeschichte, Stil und Herkunft einen erheblichen kommerziellen Wert haben können.

Taurasi genießt den DOCG-Status, Italiens höchste geschützte Herkunftsbezeichnung für Weine und Produktionsstandards. Damit eignet sich der Wein als Gegenstand von Forschungsarbeiten zu chemischen Markern und Klassifizierungsmethoden, denn Fragen der Identität und Konsistenz sind entscheidend für die Bewertung solcher Weine am Markt. Ein System, das messbare Verbindungen mit Reifestufen verknüpfen kann, könnte Erzeugern zudem helfen, Jahrgangsunterschiede und die Entwicklung im Keller besser zu verstehen.

Das Institut in Avellino stellte künstliche Intelligenz nicht als Ersatz für die traditionelle önologische Analyse dar. Vielmehr verbindet die Arbeit gängige Labormessungen mit statistischen Lernverfahren. In der Praxis bedeutet das, dass die Modelle von der Qualität der erhobenen chemischen Daten der Weine abhängen und keine eigenständige Abkürzung darstellen.

Die Forschung fügt sich außerdem in einen breiteren Trend der Agrar- und Lebensmittelwissenschaften ein, wo KI zunehmend für Aufgaben wie Produktklassifizierung, Rückverfolgbarkeit und Betrugserkennung erprobt wird. Wein ist dafür ein naheliegendes Anwendungsgebiet, da er zahlreiche miteinander wechselwirkende Verbindungen enthält und die Branche bereits stark auf analytische Chemie setzt. Studien wie die aus Avellino legen nahe, dass maschinelles Lernen besonders dann nützlich sein könnte, wenn es dazu dient, diese Komplexität zu ordnen und auszuwerten, statt etablierte wissenschaftliche Verfahren zu ersetzen.

Für die Forscher liegt der Wert des Projekts darin zu zeigen, dass sich die Reifung eines Weins wie Taurasi durch eine integrierte Auswertung von Chemie und Datenanalyse verfolgen lässt. Für Erzeuger und den Getränkemarkt insgesamt dürfte die längerfristige Bedeutung davon abhängen, ob sich die Methode über einen begrenzten Forschungskontext hinaus anwenden lässt und über mehr Flaschen, Herkunftsgebiete und Jahre hinweg konsistente Ergebnisse liefert.