연구자들이 화학물질의 냄새를 예측하는 인공지능을 훈련시킴

구글 브레인 연구진이 최근에 발표한 논문에서는 연구자들이 화학물질의 구조를 네트워크에 입력하여 물체의 냄새를 예측하는 인공지능을 훈련시킨 방법을 설명하고 있다. 와이어드의 보고에 따르면, 연구자들은 이 연구가 인간의 후각 감각을 이해하는 데 도움이 될 수 있을 것으로 기대하고 있다. 후각 감각은 다른 감각들에 비해 상대적으로 이해가 부족한 분야이다.

냄새의 차이는 복잡하며, 분자 구조에서 하나의 원자를 변경하면 냄새가 좋음에서 나쁨으로 바뀔 수 있다. 연구자들은 이러한 패턴을 이해하는 것이 어렵다. 반면에, 우리의 눈이 볼 수 있는 전자파 스펙트럼의 패턴은 쉽게 측정할 수 있으며, 특정 파장의 빛이 어떤 색상으로 보일지 알 수 있다.

기계 학습 알고리즘은 데이터에서 패턴을 찾는 데 탁월하다. 따라서 연구자들은 후각 감각을 이해하기 위해 기계 학습을 사용하려고 시도했다. 2015년에 수행된 DREAM Olfaction Prediction Challenge는 기계 학습 알고리즘을 사용하여 냄새를 양자화하는 한 예이다. 여러 연구에서는 이 도전에 사용된 데이터를 이용하여 단일 분자 냄새를 자연어로 설명하려고 시도했다.

최근의 연구는 구글 브레인 연구진이 그래프 신경망(GNN)을 사용하여 냄새를 양자화하는 방법을 설명하고 있다. 그래프 신경망은 노드와 에지로 구성된 그래프 데이터를 해석할 수 있다. 그래프는 네트워크나 관계를 나타내는 데 사용된다. 예를 들어, 소셜 네트워크에서 각人は 노드나 버텍스로 나타낼 수 있다. 이러한 그래프는 소셜 미디어 회사에서 사용자에게 새로운 친구를 추천하는 데 사용된다.

연구자들은 그래프 신경망을 훈련시키기 위해 수천 개의 분자를 사용했으며, 각 분자는 자연어 설명자와 매칭되었다. 그래프 신경망은 데이터를 해석하고 분자 구조에서 패턴을 찾을 수 있었다. 연구자들은 “달콤한”, “연기 나는”, “나무 같은”과 같은 설명자를 사용했다. 약 5,000개의 분자 중 2/3는 모델을 훈련시키기 위해 사용되었으며, 나머지 1/3는 모델을 테스트하기 위해 사용되었다.

연구자들이 훈련시킨 모델은 매우 잘 작동했으며, 첫 번째 반복 이후에 이미 다른 연구 그룹이 화학 구조에 자연어 레이블을 할당하는 데 도달한 최고 성능을 달성했다.

이 프로젝트에 참여한 연구자 중 하나인 알렉스 윌츠코는 현재 접근법의 한계를 인정했다. 첫째, 인공지능은 인간이 동일하다고 여기는 화학 구조의 차이를 구별할 수 있다. 예를 들어, 두 가지 다른 화학물질을 “땅 냄새” 또는 “나무 냄새”로 분류할 수 있다. 둘째, 분류기는 키랄 쌍을 구별하지 못한다. 키랄 쌍은 거울상으로 된 분자이며, 이러한 분자는 서로 다른 냄새를 가지고 있다. 그러나 현재 모델은 이러한 차이를 인식하지 못한다.

연구 팀은 이러한 한계를 해결하기 위해 향후 연구를 계획하고 있다. 이 연구는 아직 멀었지만, 분자의 특성이 우리가 느끼는 냄새와 어떻게 관련이 있는지 이해하는 데 중요한一步이다. 구글 브레인 팀은 향을 인식하기 위한 인공지능 애플리케이션을 개발하는 유일한 연구 팀이 아니다. 다른 인공지능 실험에서는 IBM의 인공지능 생성 향수와 러시아 과학자들의 유독 가스 혼합물 감지 실험이 포함된다.