Forskere træner en AI til at forudsige lugten af kemikalier

En ny artikel offentliggjort af forskere ved Google (GOOGL ) Brain demonstrerer, hvordan forskerne har formået at træne en AI til at forudsige lugten af objekter baseret på strukturen af de kemikalier, der indføres i netværket. Ifølge Wired er forskerne optimistiske om, at deres arbejde kan hjælpe med at afklare nogle af mysterierne omkring den menneskelige lugtesans, som er dårligt forstået i forhold til vores andre sanser.

Forskellene mellem lugte er komplekse, og en enkelt atoms ændring i en molekyle kan ændre en lugt fra behagelig til ubehagelig. Det er svært for forskere at forstå mønstrene, der får kemiske strukturer til at blive fortolket af vores lugtesanser som behagelige eller ubehagelige. I modsætning hertil er mønstrene i det elektromagnetiske spektrum, der fremtræder som farve for vores øjne, meget lettere at kvantificere, og videnskabsmænd kan foretage præcise målinger, der vil fortælle dem, hvordan bestemte bølgelængder af lys vil se ud.

Maskinlæringsalgoritmer er særligt gode til at finde mønstre i data, og derfor har AI-forskere forsøgt at bruge maskinlæringsalgoritmer til at få bedre indsigt i, hvordan lugte bliver fortolket af den menneskelige hjerne. Forsøg på at bruge maskinlæringsalgoritmer til at kvantificere lugt omfatter DREAM Olfaction Prediction Challenge, der blev gennemført i 2015. Flere studier tog data fra udfordringen og forsøgte at generere naturlige sprogbeskrivelser af mono-molekylært lugt.

Den nyeste studie, offentliggjort i Arxiv, katalogiserer Google Brain-forskeres forsøg på at kvantificere lugt ved hjælp af neurale netværk. Forskerne brugte et Graph Neural Network eller GNN. Graph Neural Networks er i stand til at fortolke grafdata, der er datastrukturer bestående af noder og kanter. Grafer bruges ofte til at repræsentere netværk eller relationer mellem enkeltdata. I konteksten af et socialt netværk ville en graf have hver person i netværket repræsenteret af en node eller vertex. Sådanne grafer bruges af sociale medie-selskaber til at forudsige personer på periferien af dit nuværende netværk og foreslå nye venner.

Til formålet med at fortolke lugte trænede forskerne netværket på tusindvis af molekyler, hver matchet med en naturlig sprogbeskrivelse. GNN var i stand til at fortolke data og fange mønstre i molekylernes struktur. Beskrivelserne, som forskerne brugte, var fraser som “sød”, “røget” eller “træagtig”. Omkring to tredjedele af de over 5.000 molekyler, som forskerne havde samlet, blev brugt til at træne modellen, mens den resterende tredjedel blev brugt til at teste modellen.

Modellen, som forskerne trænede, fungerede så godt, at efter den første iteration var gennemført, nåede dens præstation allerede det højeste niveau, som andre forskergrupper havde opnået, da de forsøgte at tildele naturlige sprogbeskrivelser til kemiske strukturer.

Alex Wiltschko, en af forskerne, der arbejdede på projektet, erkender, at der er nogle begrænsninger i deres nuværende tilgang. For det første kan AI’en skelne mellem kemiske strukturer, som mennesker ville beskrive som værende ens, og kalde to forskellige kemikalier “jordagtig” eller “træagtig”, selvom AI’en klassificerer dem forskelligt. Et andet problem med klassificatoren er, at den ikke skelner mellem chirale par, der er molekyler, der er spejlbilleder af hinanden. De forskellige orienteringer betyder, at de har forskellige lugte, men modellen ser dem ikke som forskellige.

Forskerholdet har til hensigt at adresse disse begrænsninger i deres fremtidige arbejde. Forskningen har endnu en lang vej at gå, men det er et skridt mod at forstå, hvilke funktioner af en molekyle, der korresponderer med vores opfattelse af visse lugte. Google Brain-holdet er ikke det eneste forskerhold, der arbejder på anvendelser af AI, der er rettet mod at genkende lugte. Andre AI-eksperimenter, der involverer lugt, omfatter IBM’s eksperimenter med AI-genererede parfumer og et eksperiment af russiske videnskabsmænd til at detektere potentielt giftige blanding af gas.