Onderzoekers trainen een AI om de geur van chemicaliën te voorspellen

Een recente publicatie van onderzoekers bij Google (GOOGL ) Brain toont aan hoe onderzoekers erin zijn geslaagd om een AI te trainen om de geur van objecten te voorspellen op basis van de structuur van de chemicaliën die in het netwerk zijn ingevoerd. Volgens Wired hopen de onderzoekers dat hun werk zal helpen om enkele van de mysteries omtrent het menselijke reukvermogen te ontrafelen, dat slecht begrepen is in vergelijking met onze andere zintuigen.

De verschillen tussen geuren zijn complex en een enkele atoom die verandert in een molecuul kan een geur veranderen van aangenaam naar onaangenaam. Het is moeilijk voor onderzoekers om de patronen te begrijpen die ervoor zorgen dat chemische structuren door onze reukzintuigen worden geïnterpreteerd als aangenaam of afstotend. In tegenstelling daarmee zijn de patronen van het elektromagnetische spectrum dat als kleur voor onze ogen verschijnt veel gemakkelijker kwantificeerbaar, met wetenschappers die precieze metingen kunnen uitvoeren die aangeven hoe bepaalde golflengtes van licht eruit zullen zien.

Machine learning-algoritmen zijn uitstekend in het vinden van patronen in gegevens, en om deze reden hebben AI-onderzoekers geprobeerd om machine learning te gebruiken om beter inzicht te krijgen in hoe geuren door het menselijke brein worden geïnterpreteerd. Pogingen om machine learning-algoritmen te gebruiken om geur te kwantificeren omvatten de DREAM Olfaction Prediction Challenge die in 2015 werd uitgevoerd. Verschillende studies namen de gegevens van de challenge en probeerden om natuurlijke taalbeschrijvingen van mono-moleculaire geurstoffen te genereren.

De recente studie, gepubliceerd in Arxiv, catalogiseert de pogingen van de onderzoekers van Google Brain om geur te kwantificeren met behulp van neurale netwerken. De onderzoekers gebruikten een Graph Neural Network of GNN. Graph Neural Networks zijn in staat om grafiekgegevens te interpreteren, die gegevensstructuren zijn die bestaan uit knooppunten en randen. Grafieken worden vaak gebruikt om netwerken of relaties tussen individuele gegevenspunten weer te geven. In de context van een sociaal netwerk zou een grafiek elke persoon in het netwerk vertegenwoordigen met een knooppunt of vertex. Dergelijke grafieken worden door sociale mediabedrijven gebruikt om mensen aan de randen van uw huidige netwerk te voorspellen en nieuwe vrienden voor te stellen.

Voor het doel van het interpreteren van geuren, trainden de onderzoekers het netwerk op duizenden moleculen, elk gematcht met een natuurlijke taalbeschrijving. De GNN was in staat om de gegevens te interpreteren en patronen in de structuur van de moleculen te herkennen. De beschrijvingen die door de onderzoekers werden gebruikt, waren zinnen als “zoet”, “rokerig” of “houtachtig”. Ongeveer twee derde van de meer dan 5.000 moleculen die door de onderzoekers waren verzameld, werden gebruikt om het model te trainen, terwijl de resterende derde werd gebruikt om het model te testen.

Het model dat de onderzoekers trainden, werkte zo goed dat na de eerste iteratie de prestaties al overeenkwamen met de piekprestaties die door andere onderzoeksgroepen waren behaald die probeerden om natuurlijke taallabels toe te wijzen aan chemische structuren.

Alex Wiltschko, een van de onderzoekers die aan het project werkten, erkent dat er een paar beperkingen zijn aan hun huidige aanpak. Ten eerste kan de AI verschillen tussen chemische structuren onderscheiden die door mensen zouden worden beschreven als hetzelfde, waarbij twee verschillende chemicaliën “aards” of “houtachtig” worden genoemd, zelfs als de AI ze anders classificeert. Een ander probleem met de classificator is dat deze geen onderscheid maakt tussen chirale paren, die moleculen zijn die spiegelbeelden van elkaar zijn. De verschillende oriëntaties betekenen dat ze verschillende geuren hebben, maar het model ziet ze momenteel niet als verschillend.

Het onderzoeksteam heeft als doel om deze beperkingen in hun toekomstig werk aan te pakken. Het onderzoek heeft nog een lange weg te gaan, maar het is een stap in de richting van het begrijpen van welke kenmerken van een molecuul overeenkomen met onze perceptie van bepaalde geuren. Het team van Google Brain is niet het enige onderzoeksteam dat werkt aan toepassingen van AI die zijn gericht op het herkennen van geuren. Andere AI-experimenten met geur omvatten de experimenten van IBM met AI-gegenereerde parfums en een experiment van Russische wetenschappers om potentieel giftige mengsels van gas te detecteren.