KI SpotlightNewsPenn State: KI-Agenten machen aus Fachliteratur eine durchsuchbare Lebensmitteldatenbank
Das System AgentXtract extrahiert mit menschlicher Begleitung numerische Daten aus Papers und macht bislang unberichtete Zusammenhänge sichtbar
Mit KI erstellt◆ Fakten auf einen Blick
- Penn-State-Team entwickelte KI-Agenten, die Versuchsdaten aus Fachliteratur extrahieren.
- Xu Zhou, Assistant Professor of Food Science, leitet das Team hinter AgentXtract.
- Getestet wurden 10 Large Language Models von OpenAI, Google und Anthropic.
- Laut Zhou ordnete der Workflow mehr als 4.000 experimentelle Datensätze in 30 Minuten.
- Die Datenbank zeigte eine bisher unberichtete Beziehung zwischen Dielektrizitätskonstante und Verlustfaktor bei mehr als 100 Lebensmitteln.
Die Penn State University hat am 16. Oktober 2026 AgentXtract vorgestellt. Entwickelt hat das System ein Team unter Leitung von Xu Zhou, Assistant Professor of Food Science. Es handelt sich um einen menschlich begleiteten Workflow. Mehrere KI-Agenten suchen numerische Daten in wissenschaftlichen Veröffentlichungen, prüfen sie, vereinheitlichen sie und ordnen sie. Food-Experten legen fest, welchen Quellen sie vertrauen, und bestätigen die Zuverlässigkeit der Daten.
Nach Darstellung der Universität entsteht daraus eine durchsuchbare Datenbank, die bislang unberichtete Zusammenhänge in der Lebensmittelwissenschaft sichtbar macht. Ausgangsmaterial sind verstreute experimentelle Tabellen, Abbildungen und Gleichungen aus Jahrzehnten der Fachliteratur.
000 Datensätze in 30 Minuten und eine bislang unberichtete Beziehung bei über 100 Lebensmitteln
Zur Bewertung testeten die Forschenden zehn Large Language Models von OpenAI, Google und Anthropic. Sie verglichen Genauigkeit, Geschwindigkeit und Kosten. Gegenstand waren das Interpretieren von Papers und das Extrahieren dielektrischer Eigenschaften. Diese beschreiben, wie Lebensmittel mit Mikrowellen und elektromagnetischen Feldern wechselwirken.
Laut Zhou sammelte und ordnete der Workflow mehr als 4.000 experimentelle Datensätze in 30 Minuten. Eine erfahrene Doktorandin, ein erfahrener Doktorand oder eine Postdoc-Kraft bräuchte dafür bislang sechs Monate oder länger. Beide Zeitangaben stammen von den Forschenden und beziehen sich auf ihr eigenes System. Eine unabhängige Messung liegt nicht vor.
Die konsolidierte Datenbank legte außerdem eine bislang unberichtete mathematische Beziehung zwischen Dielektrizitätskonstante und Verlustfaktor offen. Sie zeigt sich über mehr als 100 Lebensmittel hinweg. Laut Meldung ist das Muster zu breit, um bei manueller Datenzusammenstellung erkennbar zu sein.
Was die Meldung nicht belegt: Methodik, Fehlerquote und Vergleich mit Einzelmodellen
Die Universität sagt, der Ansatz behebe eine Hauptschwäche allgemeiner KI-Modelle im Umgang mit spezialisierter wissenschaftlicher Evidenz und verbessere KI-Antworten zu Lebensmitteleigenschaften. Das sind Herstellerangaben. Prüfbar wären sie nur am Originalpaper: über den Vergleich mit manueller Extraktion, die Fehlerquote, den Aufgabenumfang, die Rechenkosten und Baselines mit einzelnen LLMs. Dieses Paper liegt im vorliegenden Material nicht vor.
Offen bleiben die Form der entdeckten Beziehung, die zugrunde liegende Datenbasis, die Validierungsmetriken und der Publikationsstatus. Als Nutznießer nennen die Forschenden vor allem die Lebensmittelphysik. Industrieanwendungen sind nicht belegt.
