Ερευνητές Εκπαιδεύουν Ένα AI Για Προσδιορισμό της Οσμής Χημικών

Μια πρόσφατη εργασία που δημοσιεύθηκε από ερευνητές στο Google (GOOGL ) Brain δείχνει πώς οι ερευνητές κατάφεραν να εκπαιδεύσουν ένα AI για να προβλέψει την οσμή των αντικειμένων, με βάση τη δομή των χημικών που εισάγονται στη δικτυωμένη δομή. Όπως αναφέρεται στο Wired, οι ερευνητές είναι optimisti ότι η δουλειά τους θα βοηθήσει να αποκαλυφθούν κάποια από τα μυστήρια που περιβάλλουν την ανθρώπινη αίσθηση της οσμής, η οποία είναι κακώς κατανοητή σε σύγκριση με τις άλλες αισθήσεις μας.

Οι διαφορές μεταξύ των οσμών είναι σύνθετες και μια seule αλλαγή σε ένα άτομο σε μια μόλη μπορεί να αλλάξει μια οσμή από ευχάριστη σε δυσάρεστη. Είναι δύσκολο για τους ερευνητές να κατανοήσουν τα πρότυπα που προκαλούν χημικές δομές να ερμηνεύονται από τις οσφρητικές αισθήσεις μας ως ευχάριστες ή αποστροφές. Σε αντίθεση, τα πρότυπα του ηλεκτρομαγνητικού φάσματος που εμφανίζονται ως χρώμα στα μάτια μας είναι πολύ πιο εύκολα μετρήσιμα, με τους επιστήμονες να μπορούν να κάνουν ακριβείς μετρήσεις που θα τους πουν τι θα φαίνονται ορισμένα μήκη κύματος του φωτός.

Οι αλγόριθμοι μηχανικής μάθησης excelling στο να βρίσκουν πρότυπα μέσα στα δεδομένα, και για αυτόν τον λόγο, οι ερευνητές του AI έχουν προσπαθήσει να χρησιμοποιήσουν τη μηχανική μάθηση για να αποκτήσουν καλύτερη εικόνα για το πώς οι οσμές ερμηνεύονται από τον ανθρώπινο εγκέφαλο. Οι προσπάθειες να χρησιμοποιηθούν αλγόριθμοι μηχανικής μάθησης για να ποσοτικοποιήσουν την οσμή περιλαμβάνουν την πρόκληση DREAM Olfaction Prediction Challenge που διεξήχθη το 2015. Πολλές μελέτες έλαβαν τα δεδομένα από την πρόκληση και προσπάθησαν να δημιουργήσουν φυσικές γλώσσες περιγραφές των μονομοριακών οσμών.

Η πρόσφατη μελέτη, που δημοσιεύθηκε στο Arxiv, καταλογραφεί τις προσπάθειες των ερευνητών του Google Brain για να ποσοτικοποιήσουν την οσμή χρησιμοποιώντας νευρωνικά δίκτυα. Οι ερευνητές χρησιμοποίησαν ένα Γραφικό Νευρωνικό Δίκτυο ή GNN. Τα Γραφικά Νευρωνικά Δίκτυα είναι ικανά να ερμηνεύουν γραφικά δεδομένα, τα οποία είναι δομές δεδομένων που αποτελούνται από κόμβους και ακμές. Τα γραφικά χρησιμοποιούνται συνήθως για να αντιπροσωπεύουν δίκτυα ή σχέσεις μεταξύ μεμονωμένων σημείων δεδομένων. Στο контέκστ ενός κοινωνικού δικτύου, ένα γραφικό θα είχε κάθε άτομο στο δίκτυο να αντιπροσωπεύεται από ένα κόμβο ή κορυφή. Τέτοια γραφικά χρησιμοποιούνται από εταιρείες κοινωνικών μέσων για να προβλέψουν άτομα στα περιφερειακά του τρέχοντος δικτύου σας και να σας προτείνουν νέους φίλους.

Για τους σκοπούς της ερμηνείας των οσμών, οι ερευνητές εκπαίδευσαν το δίκτυο σε χιλιάδες μόλες, κάθε μια από τις οποίες αντιστοιχούσε σε μια φυσική γλώσσα περιγραφέα. Το GNN ήταν σε θέση να ερμηνεύσει τα δεδομένα και να εντοπίσει πρότυπα στη δομή των μολών. Οι περιγραφείς που χρησιμοποιήθηκαν από τους ερευνητές ήταν φράσεις όπως “γλυκός”, “καπνισμένος” ή “ξύλινος”. Περίπου δύο τρίτα από τις περισσότερες από 5.000 μόλες που συλλέχθηκαν από τους ερευνητές χρησιμοποιήθηκαν για να εκπαιδεύσουν το μοντέλο, ενώ το υπόλοιπο ένα τρίτο χρησιμοποιήθηκε για να δοκιμάσει το μοντέλο.

Το μοντέλο που εκπαιδεύτηκαν οι ερευνητές λειτουργούσε τόσο καλά που μια φορά που ολοκληρώθηκε η πρώτη ιτεράτσιο, η απόδοση ήδη αντιστοιχούσε στην κορυφαία απόδοση που επιτεύχθηκε από άλλες ομάδες ερευνητών που προσπάθησαν να αναθέσουν φυσικές γλώσσες ετικέτες σε χημικές δομές.

Ο Alex Wiltschko, ένας από τους ερευνητές που δούλεψαν στο πρότζεκτ, αναγνωρίζει ότι υπάρχουν κάποια περιορισμοί στην τρέχουσα προσέγγισή τους. Για παράδειγμα, το AI μπορεί να διακρίνει διαφορές μεταξύ χημικών δομών που οι άνθρωποι θα περιέγραφαν ως την ίδια, καλώντας δύο διαφορετικές χημικές ουσίες “γαιώδεις” ή “ξύλινες”, ακόμη και αν το AI τις ταξινομεί διαφορετικά. Ένα άλλο ζήτημα με τον ταξινομητή είναι ότι δεν διακρίνει μεταξύ χειρομορφικών ζευγών, τα οποία είναι μόλες που είναι αντικατοπτρισμοί του ενός στον άλλο. Οι διαφορετικές προσανατολίσεις σημαίνουν ότι έχουν διαφορετικές οσμές, αλλά το μοντέλο δεν τις βλέπει ως διαφορετικές.

Η ερευνητική ομάδα στοχεύει να αντιμετωπίσει αυτά τα περιορισμοί στην μελλοντική τους δουλειά. Η έρευνα έχει ακόμα πολύ δρόμο να διανύσει, αλλά είναι ένα βήμα προς την κατανόηση ποίων χαρακτηριστικών μιας μόλης αντιστοιχούν με την αντίληψή μας για ορισμένες οσμές. Η ομάδα του Google Brain δεν είναι η μόνη ερευνητική ομάδα που δουλεύει σε εφαρμογές του AI που στοχεύουν στην αναγνώριση οσμών. Άλλες πειράματα του AI που αφορούν την οσμή περιλαμβάνουν τα πειράματα της IBM με AI-γεννημένα αρώματα και ένα πείραμα από Ρώσους επιστήμονες για την ανίχνευση πотεντικά τοξικών μιγμάτων αερίων.