Tutkijat kouluttavat tekoälyä ennustamaan kemikaalien haju

Google (GOOGL ) Brain -tutkijoiden viimeaikaisessa tutkimuksessa on osoitettu, miten tutkijat onnistuivat kouluttamaan tekoälyä ennustamaan hajun perusteella objektien rakennetta. Wiredin mukaan tutkijat ovat toiveikkaita, että heidän työnsä voisi auttaa selvittämään joitain arvoitukisia, jotka liittyvät ihmisen hajuaistiin, joka on heikosti ymmärretty verrattuna muihin aistiimme.

Hajujen erot ovat monimutkaisia, ja yhden atomin muutos molekyyliksi voi muuttaa hajun miellyttävästä epämiellyttäväksi. On vaikea tutkijoille ymmärtää malleja, jotka aiheuttavat kemiallisten rakenteiden tulkinnan hajuksi, joka on miellyttävä tai vastenmielinen. Verrattaessa sähkömagneettisen spektrin malleja, jotka näkyvät silmille värit, ovat paljon helpommin mittaamalla tarkasti, ja tutkijat voivat tehdä tarkkoja mittauksia, jotka kertovat, miltä tietty aallonpituus näyttää.

Teckoälyalgoritmit ovat erittäin hyviä löytämään malleja datassa, ja tästä syystä tekoälytutkijat ovat yrittäneet käyttää tekoälyä saadakseen paremman ymmärryksen siitä, miten hajut tulkitaan ihmisaivoissa. Yritykset käyttää tekoälyalgoritmeja hajun mittaamiseen ovat sisällytetty DREAM Olfaction Prediction Challengeen, joka toteutettiin vuonna 2015. Useat tutkimukset ottivat haasteen datan ja yrittivät generoida luonnollisen kielen kuvauksia yhden molekyylin hajuaineista.

Viimeaikainen tutkimus, joka on julkaistu Arxivissa, katalogisoi Google Brain -tutkijoiden yritykset mittaamaan hajua neuroverkkojen avulla. Tutkijat käyttivät Graafisen Neuroverkon eli GNN:ää. Graafiset neuroverkot pystyvät tulkimaan graafidatia, joka on tietorakenteita, jotka koostuvat solmuista ja reunoista. Graafit ovat yleisesti käytettyjä edustamaan verkkoja tai suhteita yksittäisten tietojen välillä. Sosiaalisen verkoston kontekstissa graafi edustaisi jokaista henkilöä verkossa solmuna tai reunana. Tällaisia graafeja käytetään sosiaalisen median yrityksissä ennustamaan ihmiset verkoston reunalla ja ehdottamaan uusia ystäviä.

Hajujen tulkinnan kannalta tutkijat kouluttivat verkon tuhansilla molekyyleillä, joista jokainen oli parittu luonnollisen kielen kuvaajalla. GNN pystyi tulkimaan datan ja poimimaan mallit molekyylien rakenteesta. Kuvaajat, joita tutkijat käyttivät, olivat lauseita kuten “makea”, “savuinen” tai “puinen”. Noin kaksi kolmasosaa yli 5 000:sta molekyylistä, jotka tutkijat kokosivat, käytettiin mallin kouluttamiseen, kun taas loput kolmasosa käytettiin mallin testaamiseen.

Malli, jonka tutkijat kouluttivat, toimi niin hyvin, että ensimmäisen iteroinnin jälkeen suorituskyky oli jo sama kuin muiden tutkijaryhmien parhaiden suoritysten kanssa, jotka yrittivät määritellä luonnollisen kielen merkinnät kemiallisille rakenteille.

Alex Wiltschko, yksi tutkijoista, jotka työskentelivät projektissa, myöntää, että heidän lähestymistavaltaan on joitakin rajoituksia. Toisaalta tekoäly voi erottaa eroja kemiallisten rakenteiden välillä, jotka ihmiset kuvaavat samanlaisiksi, kutsuen kahta eri kemikaalia “maan” tai “puun” luonteisiksi, vaikka tekoäly luokittelee ne eri tavoin. Toisaalta luokittelijalla on ongelmia, kun se ei erota peilikuva-pareja, jotka ovat molekyylejä, jotka ovat toistensa peilikuvia. Eroiset suunnat tarkoittavat, että niillä on eri hajut, mutta malli ei nykyisin näe niitä eri tavoin.

Tutkimusryhmä aikoo käsitellä näitä rajoituksia tulevassa työssään. Tutkimus on vielä pitkällä tiellä, mutta se on askel kohti ymmärrystä siitä, mitkä molekyylin ominaisuudet vastaavat havaintoamme tietystä hajusta. Google Brain -tiimi ei ole ainoa tutkimusryhmä, joka työskentelee tekoälyn sovelluksissa, jotka on suunniteltu tunnistamaan hajut. Muita tekoälykokeita, jotka liittyvät hajuun, ovat IBM:n kokeet tekoälyllä generoiduilla hajuvesillä ja venäläisten tutkijoiden kokeet mahdollisesti myrkyllisten kaasujen seosten havaitsemiseksi.