Forskere Trener En AI Til Å Forutsie Lukten Av Kjemikalier

En nylig artikkel publisert av forskere ved Google (GOOGL ) Brain demonstrerer hvordan forskerne klarte å trene en AI til å forutsie lukten av objekter, basert på strukturen av kjemikaliene som ble innført i nettverket. Ifølge Wired, er forskerne optimistiske om at deres arbeid kan hjelpe med å avklare noen av mysteriene omkring det menneskelige luktesansen, som er dårlig forstått i sammenligning med våre andre sanser.

Forskjellene mellom lukter er komplekse, og en enkelt atom som endres i en molekyl kan endre en lukt fra behagelig til ubehagelig. Det er vanskelig for forskerne å forstå mønsterene som fører til at kjemiske strukturer tolkes av våre luktesanser som behagelige eller aversive. I kontrast er mønsterene i det elektromagnetiske spekteret som opptrer som farger for våre øyne mye lettere å kvantifisere, med vitenskapsmenn som kan gjøre nøyaktige målinger som vil fortelle dem hva bestemte bølgelengder av lys vil se ut som.

Maskinlæringsalgoritmer er spesialiserte i å finne mønster i data, og av denne grunn har AI-forskere forsøkt å bruke maskinlæring til å få bedre innsikt i hvordan lukter tolkes av det menneskelige hjernen. Forsøk på å bruke maskinlæringsalgoritmer til å kvantifisere lukt inkluderer DREAM Olfaktion Prediction Challenge gjennomført i 2015. Flere studier tok data fra utfordringen og prøvde å generere naturlige språkbeskrivelser av mono-molekylær lukter.

Den nylige studien, publisert i Arxiv, katalogiserer Google Brain-forskeres forsøk på å kvantifisere lukt ved hjelp av neurale nettverk. Forskerne brukte et grafisk neuralt nettverk eller GNN. Grafiske neurale nettverk er i stand til å tolke grafdata, som er datastrukturer bestående av noder og kanter. Grafer brukes vanligvis til å representere nettverk eller relasjoner mellom enkeltdata punkter. I sammenheng med et sosialt nettverk ville en graf ha hver person i nettverket representert av en node eller vertex. Slike grafer brukes av sosiale medier til å forutsie personer på periferien av ditt nåværende nettverk og foreslå nye venner.

I sammenheng med å tolke lukter, trenet forskerne nettverket på tusenvis av molekyler, hver matchet med en naturlig språkbeskrivelse. GNN var i stand til å tolke dataene og plukke opp mønster i strukturen av molekylene. Beskrivelsene som forskerne brukte var fraser som “søt”, “røyk”, eller “tre”. Omtrent to tredeler av de over 5 000 molekylene som ble samlet inn av forskerne, ble brukt til å trene modellen, mens den gjenværende tredelen ble brukt til å teste modellen.

Modellen som forskerne trenet fungerte så godt at når den første iterasjonen var fullført, var ytelsen allerede like god som toppytelsen som ble oppnådd av andre grupper av forskere som forsøkte å tildele naturlige språkmerker til kjemiske strukturer.

Alex Wiltschko, en av forskerne som arbeidet med prosjektet, innrømmer at det finnes noen begrensninger i deres nåværende tilnærming. For det første kan AI-en skille mellom forskjeller i kjemiske strukturer som mennesker ville beskrive som like, og kalte to forskjellige kjemikalier “jordlige” eller “tre-lignende” i naturen, selv om AI-en klassifiserer dem forskjellig. Et annet problem med klassifisatoren er at den ikke skiller mellom kirale par, som er molekyler som er speilbilder av hverandre. De forskjellige orienteringene betyr at de har forskjellige lukter, men modellen ser dem for øyeblikket ikke som forskjellige.

Forskningsgruppen har som mål å løse disse begrensningene i deres fremtidige arbeid. Forskningen har ennå langt igjen, men det er et skritt mot å forstå hva egenskapene ved en molekyl korresponderer med vår oppfatning av visse lukter. Google Brain-teamet er ikke det eneste forskningsteamet som arbeider med anvendelser av AI rettet mot å gjenkjenne lukter. Andre AI-eksperimenter som involverer lukt inkluderer IBM-eksperimenter med AI-genererte parfym og et eksperiment av russiske forskere for å detektere potensielt giftige blandinger av gass.