研究者が化学物質の匂いを予測する AI を訓練

Google Brain の研究者らによって発表された最近の論文では、ネットワークに渡された化学物質の構造に基づいて、研究者たちが AI を訓練して物体の匂いを予測する方法を示しています。 Wired の報道によると研究者らは、自分たちの研究が、他の感覚に比べてよく理解されていない人間の嗅覚をめぐる謎の一部を解明するのに役立つのではないかと期待している。

匂いの違いは複雑で、分子内の単一の原子が変化するだけで、匂いが心地よい匂いから不快な匂いに変わることがあります。 研究者にとって、化学構造が私たちの嗅覚によって快または嫌悪として解釈される原因となるパターンを理解することは困難です。 対照的に、私たちの目に色として見える電磁スペクトルのパターンははるかに簡単に定量化でき、科学者は光の特定の波長がどのように見えるかを正確に測定できるようになります。

機械学習アルゴリズムはデータ内のパターンを見つけることに優れており、このため、AI 研究者は機械学習を使用して、人間の脳が匂いをどのように解釈するかについてより良い洞察を得ようと試みてきました。機械学習アルゴリズムを利用して匂いを定量化する試みには、2015 年に実施された DREAM 嗅覚予測チャレンジが含まれます。いくつかの研究では、このチャレンジからデータを取得し、単分子匂い物質の自然言語記述を生成しようとしました。

Arxiv に掲載された最近の研究では、 Google Brain 研究者は、ニューラルネットワークを使用して匂いを定量化する試みを行っています。 研究者らはグラフ ニューラル ネットワーク (GNN) を利用しました。 グラフ ニューラル ネットワークは、ノードとエッジで構成されるデータ構造であるグラフ データを解釈できます。 グラフは一般に、個々のデータ ポイント間のネットワークまたは関係を表すために使用されます。 ソーシャル ネットワークのコンテキストでは、グラフにはネットワーク内の各個人がノードまたは頂点で表されます。 このようなグラフは、現在のネットワークの周辺にいる人々を予測し、新しい友達を提案するためにソーシャル メディア企業によって使用されます。

匂いを解釈する目的で、研究者らは、それぞれが自然言語記述子と一致する何千もの分子についてネットワークを訓練しました。 GNN はデータを解釈し、分子の構造のパターンを把握することができました。 研究者らが使用した表現は、「甘い」、「スモーキー」、「ウッディ」などのフレーズでした。 研究者らによって収集された 5,000 以上の分子の約 XNUMX 分の XNUMX がモデルのトレーニングに使用され、残りの XNUMX 分の XNUMX がモデルのテストに使用されました。

研究者らが訓練したモデルは非常にうまく機能したため、最初の反復が完了すると、そのパフォーマンスは、化学構造に自然言語ラベルを割り当てようとした他の研究者グループが達成したピークパフォーマンスにすでに匹敵しました。

このプロジェクトに取り組んだ研究者の一人、Alex Wiltschko 氏は、現在のアプローチにはいくつかの制限があることを認めています。 まず、AI は、人間が同じであると説明する化学構造の違いを区別し、自然界では XNUMX つの異なる化学物質を「土性」または「木性」と呼んでいます。たとえ AI がそれらを異なって分類したとしてもです。 この分類器に関するもう XNUMX つの問題は、互いの鏡像である分子であるキラル ペアを区別できないことです。 方向が異なるということは、匂いが異なることを意味しますが、モデルは現時点では匂いが異なるとは認識していません。

研究チームは、今後の研究でこれらの制限に対処することを目指しています。 研究にはまだ長い道のりがありますが、分子のどのような特徴が特定の匂いの知覚に対応しているかを理解するための一歩となります。 香りの認識を目的とした AI の応用に取り組んでいる研究チームは Google Brain チームだけではありません。 香りに関する他の A​​I 実験には、IBM の実験が含まれます。 AIが生成した香水 を検出するためのロシアの科学者による実験 潜在的に有毒なガス混合物。