Výzkumníci trénují umělou inteligenci, aby předpovídala zápach chemikálií

Nová studie publikovaná výzkumníky z Google (GOOGL ) Brain demonstruje, jak se podařilo trénovat umělou inteligenci, aby předpovídala zápach objektů na základě struktury chemikálií zavedených do sítě. Jak uvádí Wired, výzkumníci doufají, že jejich práce může pomoci odhalit některé záhady surrounding lidského smyslu pro zápach, který je ve srovnání s našimi ostatními smysly špatně pochopen.

Rozdíly mezi zápachy jsou komplexní a změna jediného atomu v molekule může změnit zápach z příjemného na nepříjemný. Je obtížné pro výzkumníky pochopit vzorce, které způsobují, že chemické struktury jsou interpretovány našimi čichovými smysly jako příjemné nebo nepříjemné. Naopak vzorce elektromagnetického spektra, které se objevují jako barva našim očím, jsou mnohem lépe kvantifikovatelné, s vědci, kteří mohou provádět přesná měření, která jim řeknou, jak budou vypadat certain vlnové délky světla.

Algoritmy strojového učení excelují v hledání vzorců v datech a z tohoto důvodu výzkumníci AI se pokusili použít strojové učení, aby získali lepší vhled do toho, jak jsou zápachy interpretovány lidským mozkem. Pokusy o využití algoritmů strojového učení pro kvantifikaci zápachu zahrnují výzvu DREAM Olfaction Prediction Challenge provedenou v roce 2015. Několik studií vzalo data z výzvy a pokusilo se generovat přirozené jazykové popisy mono-molekulárních zápachů.

Nová studie, publikovaná v Arxiv, katalogizuje pokusy výzkumníků z Google Brain kvantifikovat zápach pomocí neuronových sítí. Výzkumníci využili Grafickou Neuronovou Síť nebo GNN. Grafické Neuronové Sítě jsou schopny interpretovat grafická data, která jsou datové struktury složené z uzlů a hran. Grafy jsou běžně používány k reprezentaci sítí nebo vztahů mezi jednotlivými datovými body. V kontextu sociální sítě by graf měl každého člověka v síti reprezentovaného uzlem nebo vrcholem. Takové grafy jsou používány sociálními médii k předpovědi lidí na periferii vaší současné sítě a navrhnout nové přátele.

Pro účely interpretace zápachů výzkumníci trénovali síť na tisících molekul, каждá z nich byla spárována s přirozeným jazykovým popisem. GNN byla schopna interpretovat data a najít vzorce ve struktuře molekul. Popisy používané výzkumníky byly fráze jako „sladký“, „kouřový“ nebo „dřevitý“. Přibližně dvě třetiny z více než 5 000 molekul, které byly shromážděny výzkumníky, byly použity k trénování modelu, zatímco zbývající třetina byla použita k testování modelu.

Model, který výzkumníci trénovali, fungoval tak dobře, že již po první iteraci výkon již odpovídal vrcholovému výkonu, kterého dosáhly jiné skupiny výzkumníků, kteří se pokusili přiřadit přirozené jazykové popisy chemickým strukturám.

Alex Wiltschko, jeden z výzkumníků, kteří pracovali na projektu, uznává, že existují určitá omezení jejich současného přístupu. Jedním z nich je, že AI může rozlišovat rozdíly mezi chemickými strukturami, které by lidé popsali jako stejné, nazývat dvě různé chemikálie „zemi“ nebo „dřevitou“ povahu, i když AI klasifikuje je jinak. Další problém s klasifikátorem je, že nerozlišuje mezi chirálními páry, které jsou molekuly, které jsou zrcadlovými obrazy sebe sama. Různé orientace znamenají, že mají různé zápachy, ale model目前 nevidí je jako různé.

Výzkumný tým se snaží tyto omezení řešit ve své budoucí práci. Výzkum ještě má dlouhou cestu, ale je to krok směrem k pochopení, které rysy molekuly odpovídají našemu vnímání certain zápachů. Tým Google Brain není jediným výzkumným týmem, který pracuje na aplikacích AI zaměřených na rozpoznávání zápachů. Další experimenty AI zahrnující zápach zahrnují experimenty IBM s AI-generovanými parfémy a experiment ruských vědců k detekci potenciálně toxických směsí plynu.