باحثون يدرّبون الذكاء الاصطناعي لتوقّع رائحة المواد الكيميائية

يُظهر بحث نُشر مؤخرًا من قبل باحثين في Google Brain كيف تمكّن الباحثون من تدريب الذكاء الاصطناعي على توقّع رائحة الأجسام بناءً على هيكل المواد الكيميائية التي تم إدخالها إلى الشبكة. كما ذكر موقع Wired، يأمل الباحثون أن يساهم عملهم في كشف بعض الغموض المحيطة بالحاسة الشمية البشرية، والتي يتم理解ها بشكل سيئ بالمقارنة مع الحواس الأخرى.

الفرق بين الروائح معقد، ويمكن لتغيير ذرة واحدة في الجزيء أن يغير الرائحة من المُمتعة إلى غير المُمتعة. من الصعب على الباحثين فهم الأنماط التي تسببها الهياكل الكيميائية لتُفهم بواسطة حواسنا الشمية على أنها مُمتعة أو غير مُمتعة. في المقابل، تكون أنماط الطيف الكهرومغناطيسي التي تظهر لنا على شكل ألوان أكثر سهولة في Quantification، حيث يمكن للعلماء إجراء قياسات دقيقة ستخبرهم بما سيكون مظهر أطوال موجية معينة من الضوء.

خوارزميات التعلم الآلي تتفوق في العثور على الأنماط داخل البيانات، ولهذا السبب حاول باحثو الذكاء الاصطناعي استخدام التعلم الآلي للحصول على رؤية أفضل في كيفية تفسير الروائح بواسطة المخ البشري. تشمل محاولات استخدام خوارزميات التعلم الآلي لتحديد الرائحة تحدي DREAM Olfaction Prediction الذي أجري في عام 2015. قام العديد من الدراسات بتحليل البيانات من التحدي ومحاولة توليد وصفات لغة طبيعية للمواد العطرية أحادية الجزيء.

يُوثق البحث الأخير، المنشور في Arxiv، محاولات باحثي Google Brain لتحديد الرائحة باستخدام الشبكات العصبية. استخدم الباحثون شبكة عصبية графية أو GNN.能够 الشبكات العصبية الغرافية تفسير بيانات الغراف، والتي تتكون من عقد و حواف. يتم استخدام الرسومات بشكل شائع لتمثيل الشبكات أو العلاقات بين نقاط البيانات الفردية. في سياق شبكة اجتماعية، سيكون للشخص في الشبكة تمثيل بواسطة عقدة أو رأس. يتم استخدام هذه الرسومات من قبل شركات وسائل التواصل الاجتماعي لتوقع الأشخاص على الهامش من شبكتك الحالية واقتراح أصدقاء جدد.

لأغراض تفسير الروائح، قام الباحثون بتدريب الشبكة على آلاف الجزيئات، كل منها مطابق مع واصف لغة طبيعية. تمكنت الشبكة العصبية الغرافية من تفسير البيانات والتعرف على الأنماط في هيكل الجزيئات. كانت الوصفات التي استخدمها الباحثون عبارات مثل “حلو”، “مدخن”، أو “خشبي”. تم استخدام ما يقرب من ثلثي أكثر من 5000 جزيء تم تجميعها من قبل الباحثين لتدريب النموذج، في حين تم استخدام الثلث المتبقي لاختبار النموذج.

عمل النموذج الذي دربوه بشكل جيد لدرجة أن الأداء في المرة الأولى التي تم فيها إكمالها كان مطابقًا لأداء الذروة الذي حققته مجموعات أخرى من الباحثين الذين حاولوا تعيين علامات لغة طبيعية للتراكيب الكيميائية.

يقر Alex Wiltschko، أحد الباحثين الذين عملوا على المشروع، بوجود بعض القيود على نهجهم الحالي. فمن جهة، قد يتميز الذكاء الاصطناعي بالفرق بين الهياكل الكيميائية التي سوف يصفها البشر بأنها متشابهة، ويدعو جزيئين مختلفين “ترابية” أو “خشبية” بالطبع، على الرغم من أن الذكاء الاصطناعي يصنفها بشكل مختلف. مشكلة أخرى مع المصنف هي أنه لا يفرق بين الأزواج الشبكية، والتي هي جزيئات تمثل صورة مرآة لبعضها البعض. تعني التوجيهات المختلفة أن لها روائح مختلفة، ولكن النموذج الحالي لا يرى أنها مختلفة.

تطمح الفريق البحثي إلى معالجة هذه القيود في عملهم المستقبلي. لا يزال البحث قد مسافة طويلة للوصول إلى فهم ما هي الميزات من الجزيء التي تتوافق مع إدراكنا لروائح معينة. فريق Google Brain ليس الفريق البحثي الوحيد الذي يعمل على تطبيقات الذكاء الاصطناعي الهادفة إلى التعرف على الروائح. تشمل التجارب الأخرى للذكاء الاصطناعي المتعلقة بالرائحة تجارب IBM مع العطور التي تم إنشاؤها بواسطة الذكاء الاصطناعي وتجربة من قبل علماء روس لاكتشاف مخاليط غازية محتملة السُمية.