Forscher trainieren ein AI-Modell, um den Geruch von Chemikalien vorherzusagen

Ein kürzlich veröffentlichtes Papier von Forschern bei Google Brain zeigt, wie es Forschern gelungen ist, ein AI-Modell zu trainieren, um den Geruch von Objekten vorherzusagen, basierend auf der Struktur der Chemikalien, die in das Netzwerk eingegeben werden. Wie von Wired berichtet, hoffen die Forscher, dass ihre Arbeit dazu beitragen kann, einige der Geheimnisse um den menschlichen Geruchssinn zu lüften, der im Vergleich zu unseren anderen Sinnen schlecht verstanden ist.

Die Unterschiede zwischen Gerüchen sind komplex und eine einzelne Atomänderung in einer Molekülstruktur kann den Geruch von angenehm zu unangenehm ändern. Es ist schwierig für Forscher, die Muster zu verstehen, die dazu führen, dass chemische Strukturen von unseren Geruchssinnen als angenehm oder unangenehm interpretiert werden. Im Gegensatz dazu sind die Muster des elektromagnetischen Spektrums, die als Farben für unsere Augen erscheinen, viel leichter quantifizierbar, da Wissenschaftler präzise Messungen durchführen können, um zu bestimmen, wie bestimmte Wellenlängen des Lichts aussehen werden.

Machine-Learning-Algorithmen sind gut darin, Muster in Daten zu finden, und aus diesem Grund haben AI-Forscher versucht, Machine Learning zu nutzen, um bessere Einblicke in die Art und Weise zu gewinnen, wie Gerüche vom menschlichen Gehirn interpretiert werden. Versuche, Machine-Learning-Algorithmen zu nutzen, um Gerüche zu quantifizieren, umfassen die DREAM Olfaktion Prediction Challenge, die 2015 durchgeführt wurde. Mehrere Studien nahmen die Daten aus der Challenge und versuchten, natürliche Sprachbeschreibungen von monomolekularen Geruchsstoffen zu generieren.

Die kürzliche Studie, die in Arxiv veröffentlicht wurde, dokumentiert die Versuche der Google-Brain-Forscher, Gerüche mithilfe von neuronalen Netzen zu quantifizieren. Die Forscher nutzten ein Graph-Neuronales Netzwerk oder GNN. Graph-Neuronale Netze sind in der Lage, Graphendaten zu interpretieren, die aus Knoten und Kanten bestehen. Graphen werden häufig verwendet, um Netze oder Beziehungen zwischen einzelnen Datenpunkten darzustellen. Im Kontext eines sozialen Netzwerks würde ein Graph jeden Menschen im Netzwerk durch einen Knoten oder eine Kante darstellen. Solche Graphen werden von sozialen Medienunternehmen verwendet, um Menschen am Rande Ihres aktuellen Netzwerks vorzuschlagen und neue Freunde zu finden.

Für die Zwecke der Interpretation von Gerüchen trainierten die Forscher das Netzwerk mit Tausenden von Molekülen, von denen jedes mit einem natürlichen Sprachbeschreibungswort verbunden war. Das GNN war in der Lage, die Daten zu interpretieren und Muster in der Struktur der Moleküle zu erkennen. Die Beschreibungswörter, die die Forscher verwendeten, waren Phrasen wie „süß“, „rauchig“ oder „holzig“. Etwa zwei Drittel der über 5.000 Moleküle, die von den Forschern zusammengestellt wurden, wurden verwendet, um das Modell zu trainieren, während das verbleibende Drittel verwendet wurde, um das Modell zu testen.

Das Modell, das die Forscher trainierten, funktionierte so gut, dass nach der ersten Iteration die Leistung bereits der Spitzenleistung anderer Forschergruppen entsprach, die versucht hatten, natürliche Sprachbeschreibungen chemischen Strukturen zuzuordnen.

Alex Wiltschko, einer der Forscher, die an dem Projekt arbeiteten, räumt ein, dass es einige Einschränkungen bei ihrem aktuellen Ansatz gibt. Einerseits kann das AI-Modell Unterschiede zwischen chemischen Strukturen erkennen, die Menschen als gleich beschreiben würden, und zwei verschiedene Chemikalien als „erdig“ oder „holzig“ bezeichnen, obwohl das AI-Modell sie anders klassifiziert. Ein weiteres Problem mit dem Klassifizierer ist, dass er nicht zwischen chiralen Paaren unterscheidet, die Spiegelbilder voneinander sind. Die unterschiedlichen Orientierungen bedeuten, dass sie unterschiedliche Gerüche haben, aber das Modell sieht sie derzeit nicht als unterschiedlich an.

Das Forschungsteam plant, diese Einschränkungen in ihrer zukünftigen Arbeit zu adressieren. Die Forschung hat noch einen langen Weg vor sich, aber sie ist ein Schritt in Richtung des Verständnisses, welche Merkmale eines Moleküls mit unserer Wahrnehmung bestimmter Gerüche korrelieren. Das Google-Brain-Team ist nicht das einzige Forschungsteam, das an Anwendungen von AI arbeitet, die auf die Erkennung von Gerüchen abzielen. Andere AI-Experimente, die den Geruchssinn betreffen, umfassen IBMs Experimente mit AI-generierten Parfüms und ein Experiment von russischen Wissenschaftlern, um potenziell giftige Gasgemische zu erkennen.