論文《The physics of tossing fried rice》
作者 | David L. Hu,Hungtang Ko
編譯整理 | 科技行者
炒飯,幾乎是每一家中餐館的傳統(tǒng)食物之一,而真正可口的炒飯需要「持續(xù)的高溫」和「持續(xù)的翻炒」,最終制成一道美味的佳肴——烹飪過程總是與化學原理相關(guān),但也經(jīng)常涉及物理原理。
64.5%的中餐廳廚師在調(diào)查中稱,調(diào)整翻勺正是導致該職業(yè)肩頸疼痛的核心原因之一。最近,來自喬治亞理工學院的物理學家教授David L. Hu和研究生Hungtang Ko,在《Royal Society: Interface》期刊發(fā)表了一篇論文《The physics of tossing fried rice》,他們設(shè)計出一套模型,用以解釋炒飯的顛勺動作原理,希望幫助廚師減少重復勞動,介紹如何能制作出完美的炒飯。
炒飯的歷史最早可追溯到1500年前。起初,在漢代(公元前206年至公元220年),顛勺的最初用途在于“烘干食物”,而非“烹飪食物”。而顛勺手法帶來的高人氣餐食之一,正是炒飯——這種色澤金黃誘人的食品,起源于1500年前的隋朝(公元581年至619年)。
顛勺,為人們帶來了期待已久的焦香與鍋氣(鑊氣)。顛勺是一種褐變類型,只有在炒鍋表面達到1000°C時,才會發(fā)生這種“美拉德反應(yīng)”,即氨基酸與碳水化合物在高溫下發(fā)生化學作用,從而導致肉類出現(xiàn)褐變。在高溫下,廚師快速翻勺的動作能夠確保米粒只發(fā)生褐變,而絕不致焦糊。
2018年夏季與2019年夏季,Ko與Hu先后在中國大陸以及中國臺灣拍攝了五位專業(yè)廚師的炒飯過程,并從錄像當中提取顛勺頻率數(shù)據(jù)。(他們向受訪者明確解釋了錄制素材的作用,即僅用于科學研究,絕不會在電視上公開放映)
在臺灣的兩家餐廳,廚師使用的炒鍋重1.4公斤,寬39厘米,深13厘米。廚師們會烹制一份常規(guī)炒飯,主要成分包括大米、雞蛋、豬肉、胡蘿卜以及玉米,烹飪完成的炒飯重約0.3公斤。
在出鍋之前,廚師們大概需要完成2分鐘左右的炒制過程,平均每份炒飯需要顛勺276次,每次顛勺平均時長約0.3秒,具體步驟包括:預熱炒鍋,按順序加入食材,用鍋鏟將食材混勻,翻勺顛炒。
在烹飪當中,翻勺顛炒的次數(shù)并不太多,只是偶爾出現(xiàn)。但在廚師加入所有食材之后,往往會連續(xù)進行五次顛炒,同時用鍋鏟將個別粘連在炒鍋上的米粒除下。
整個過程的運行軌跡分兩種:一種是,向前推動炒鍋,并順時針旋轉(zhuǎn),以接住顛勺騰空的米粒;另一種是,向后拉炒鍋,以逆時針方式接住米粒。
本質(zhì)上,炒飯相當于進行兩種運行方向:平移(使米粒沿炒鍋滑動),翻轉(zhuǎn)(將米粒拋向空中)——“其中的要訣,是將灶臺邊緣作為活動支點。”另外,這兩種運動具有相同的頻率,但相位略有不同。
▲ 圖:炒飯顛勺運動學。(a)在美國喬治亞州亞特蘭大Chin Chin餐廳中,廚師正在進行顛勺,圖片來源/Candler Hobbs;(b-e)顯示顛勺過程中炒鍋運動的圖像序列,彩色的點顯示出研究人員在視頻中跟蹤的點,注意,炒鍋左端點沿順時針方向行進,炒鍋右端點則沿逆時針方向行進,兩條軌跡皆標記為藍色;炒鍋中央位置的行動軌跡標記為紅色,連桿擺動模型疊加在圖像序列的上方,用以顯示模型變量θ1與θ2的演變過程。
▲ 圖:用于表達顛勺運動的數(shù)學模型。(a)展示數(shù)學模型示意圖。(b)炒鍋上各預設(shè)點的運動軌跡,在廚房坐標系中以灰色繪制。實驗數(shù)據(jù)用藍色實心點表示,模擬數(shù)據(jù)用灰線表示。炒鍋最左側(cè)與最右側(cè)部分的運動軌跡,同模擬結(jié)果最為吻合。綠線定義炒鍋參數(shù)。角度ζ 表示炒鍋上的位置,角度區(qū)間從-ζmax到ζmax不等。常數(shù)L、D以及W分別代表炒鍋的半徑、深度與寬度。(c)擺角θ1 (red)與θ2 (blue)。各點表示實驗,各線表示模型。灰色區(qū)域代表米粒在顛勺過程中的滯空階段。(d)為炒飯過程中,五位專業(yè)廚師的各自顛炒次數(shù),不同顏色代表不同廚師。
在確定了基本運動軌跡之后,Ko與Hu寫道,事實證明,只需要兩個變量就能準確模擬炒鍋的運動,且運動軌跡可通過雙連桿擺錘實現(xiàn)。
而由于廚師很少會在炒飯過程中將鍋從爐子上取下,因此整套運作可以只涉及“單一滑動接觸點”。他們的模型利用三項指標,基于彈丸運動特性,預測了炒飯過程中米粒的運動軌跡,分別為:拋擲起的米粒比例,米粒的飛行高度,以及米粒的角位移。
Hu解釋道,在經(jīng)過簡化之后,整個運動軌跡類似于“翻轉(zhuǎn)煎餅或者米粒雜耍”,其中的訣竅,在于炒鍋內(nèi)的溫度可達到1200攝氏度,為了避免快速焦糊,廚師必須確保米粒不斷離開鍋體,以稍稍得到冷卻,如此一來,米粒本身的水分將慢慢收干,而由此炒出的米飯既可充分褐變,但又不致焦糊。
根據(jù)Hu與Ko的分析,他們建議,廚師們進一步增加炒飯過程中的顛勺頻率,以保證兩種不同運動之間出現(xiàn)“相位滯后”——即盡可能讓米粒的滯空時間更長,促進充分冷卻與充分混合。
Hu與Ko希望,通過這套數(shù)學模型,可以總結(jié)出烹飪炒飯的最佳方案,并提出對現(xiàn)有炒鍋結(jié)構(gòu)加以改進的方法,更重要的一大目標在于,通過這項研究,衍生出顛勺機器人,以及廚師專用“可穿戴式外骨骼或者類似裝置”,以減少廚師罹患肌肉拉傷的幾率。
事實上,大多數(shù)亞洲美食均采用顛勺工藝,而在中式餐廳,廚師需要完成大量顛勺。長期以來,人們懷疑炒鍋本身的重量加上操作速度,正是引發(fā)從業(yè)者高勞損幾率的重要原因。在面向中式廚師的肌肉骨骼疾病研究中,炒鍋成為經(jīng)常被提及的“罪魁禍首”。2014年,炒鍋被歸納為需要研究并調(diào)整設(shè)計工藝的幾項核心風險因素之一。顛勺動作需要的精確肌肉活動并不確切,但很可能嚴重依賴于肩部。由于烹飪過程大量使用肩部發(fā)力,因此肩頸不適成為中式餐廳廚師群體中最常見的疾病之一,患病率高達64.5%,有九分之一的廚師因肩部不適而被迫選擇離職。從這個角度來看,了解顛勺動作中的基本原理,將成為解析相關(guān)身體勞損難題的重要前提。
自上世紀五十年代以來,人們開始對烹飪自動化產(chǎn)生濃厚興趣。最近幾年出現(xiàn)的烹飪機器人技術(shù)研究,主要集中在利用機器人模仿人類廚師完成烹飪操作,例如切割、燉煮、油炸以及添加配料等。對于諸如翻轉(zhuǎn)煎餅等動態(tài)任務(wù),機器人也能夠利用機器學習算法,快速掌握個中竅門。
也有人嘗試實現(xiàn)炒飯的自動化,但目前來看效果不夠理想。
一方面,大多數(shù)顛勺設(shè)備采用旋轉(zhuǎn),攪拌,或者搖動等方式,實現(xiàn)配料混合。1957年,Wang發(fā)明出一種攪拌機器人,能夠利用旋轉(zhuǎn)滾筒,以類似于洗衣機的方式實現(xiàn)配料混合;上世紀八十年代末,新的設(shè)計則開始引入自動攪拌工具,例如鍋鏟等;到九十年代,工程師們著手將這些方法結(jié)合起來,開發(fā)出一種“翻鏟一體炒鍋”,能夠像翻轉(zhuǎn)煎餅一樣翻轉(zhuǎn)食材,并利用自動鍋鏟,防止食材在高溫下相互粘連。然而,雖然這類設(shè)備能夠通過旋轉(zhuǎn)或搖動實現(xiàn)食材的充分混合,但由于缺少顛勺環(huán)節(jié),因此無法實現(xiàn)決定高溫烹飪風味的谷物碳化過程。
另一方面,還有一些餐廳利用機器人準備食物,但效果依然差異。比如,一家位于美國馬薩諸塞州波士頓市的餐廳Spyce,利用轉(zhuǎn)筒以0.5 Hz的頻率混合并加熱中餐,能夠?qū)I(yè)廚師的顛勺動作縮減至原先的六分之一——由于翻動速率較低,食物未能得到充分拋擲,因此有理由懷疑,這套設(shè)備需要降低炒鍋溫度以避免焦糊,但這同時也令美拉德反應(yīng)變得無法實現(xiàn);再比如,來自新加坡樟宜機場的Ruyi餐廳,他們于2014年展出了自己的最新顛勺機,然而盡管這臺顛勺機將翻動頻率提升到了2 Hz,但仍然不足以讓食材如人工操作般得到充分拋擲。
Hu指出,“如果能開發(fā)出一種理想的自動化方案,可能會給廚師帶來新的希望。”
該論文這項工作出自喬治亞理工學院David Hu實驗室,作者為David L. Hu和研究生Hungtang Ko(Ko也是2019年一篇“關(guān)于火蟻集體建造木筏中的物理學原理論文”的聯(lián)合作者)。該實驗室主要對螞蟻、水黽、蛇、各類爬行動物,蚊子,貓舌獨特屬性,以及動物體的排泄等活動特性開展研究,并憑借“關(guān)于袋熊為何會排出方形糞便”的研究獲得2019年搞笑諾貝爾獎。
【注】該論文《The physics of tossing fried rice》下載方式:關(guān)注科技行者(ID:itechwalker),回復關(guān)鍵詞“炒飯”,即可獲取。
好文章,需要你的鼓勵
騰訊ARC實驗室推出AudioStory系統(tǒng),首次實現(xiàn)AI根據(jù)復雜指令創(chuàng)作完整長篇音頻故事。該系統(tǒng)結(jié)合大語言模型的敘事推理能力與音頻生成技術(shù),通過交錯式推理生成、解耦橋接機制和漸進式訓練,能夠?qū)碗s指令分解為連續(xù)音頻場景并保持整體連貫性。在AudioStory-10K基準測試中表現(xiàn)優(yōu)異,為AI音頻創(chuàng)作開辟新方向。
Meta與特拉維夫大學聯(lián)合研發(fā)的VideoJAM技術(shù),通過讓AI同時學習外觀和運動信息,顯著解決了當前視頻生成模型中動作不連貫、違反物理定律的核心問題。該技術(shù)僅需添加兩個線性層就能大幅提升運動質(zhì)量,在多項測試中超越包括Sora在內(nèi)的商業(yè)模型,為AI視頻生成的實用化應(yīng)用奠定了重要基礎(chǔ)。
上海AI實驗室發(fā)布OmniAlign-V研究,首次系統(tǒng)性解決多模態(tài)大語言模型人性化對話問題。該研究創(chuàng)建了包含20萬高質(zhì)量樣本的訓練數(shù)據(jù)集和MM-AlignBench評測基準,通過創(chuàng)新的數(shù)據(jù)生成和質(zhì)量管控方法,讓AI在保持技術(shù)能力的同時顯著提升人性化交互水平,為AI價值觀對齊提供了可行技術(shù)路徑。
谷歌DeepMind團隊開發(fā)的GraphCast是一個革命性的AI天氣預測模型,能夠在不到一分鐘內(nèi)完成10天全球天氣預報,準確性超越傳統(tǒng)方法90%的指標。該模型采用圖神經(jīng)網(wǎng)絡(luò)技術(shù),通過學習40年歷史數(shù)據(jù)掌握天氣變化規(guī)律,在極端天氣預測方面表現(xiàn)卓越,能耗僅為傳統(tǒng)方法的千分之一,為氣象學領(lǐng)域帶來了效率和精度的雙重突破。