Naukowcy trenują AI do przewidywania zapachu chemicznych

Niedawno opublikowany artykuł przez naukowców z Google Brain pokazuje, jak udało im się trenować AI do przewidywania zapachu obiektów na podstawie struktury chemicznej wprowadzanych do sieci danych. Jak donosi Wired, naukowcy mają nadzieję, że ich praca pomoże rozwiązać niektóre z tajemnic otaczających ludzki zmysł węchu, który jest słabo rozumiany w porównaniu z naszymi innymi zmysłami.

Różnice między zapachami są złożone, a zmiana jednego atomu w cząsteczce może zmienić zapach z przyjemnego na nieprzyjemny. Trudno jest naukowcom zrozumieć wzorce, które powodują, że struktury chemiczne są interpretowane przez nasze zmysły węchu jako przyjemne lub nieprzyjemne. W przeciwieństwie do tego, wzorce widma elektromagnetycznego, które pojawiają się jako kolor dla naszych oczu, są znacznie łatwiejsze do zmierzenia, a naukowcy mogą dokonywać precyzyjnych pomiarów, które powiedzą im, jak wyglądać będą pewne długości fal światła.

Algoritmy uczenia maszynowego są doskonałe w znajdowaniu wzorców w danych, a z tego powodu naukowcy AI próbowali wykorzystać uczenie maszynowe, aby uzyskać lepsze zrozumienie, jak zapachy są interpretowane przez ludzki mózg. Próby wykorzystania algorytmów uczenia maszynowego do ilościowego określenia zapachu obejmują wyzwanie DREAM Olfaction Prediction Challenge przeprowadzone w 2015 roku. Kilka badań wykorzystało dane z wyzwania i próbowało wygenerować opisy języka naturalnego mono-molekularnych odorantów.

Niedawne badanie, opublikowane w Arxiv, kataloguje próby naukowców z Google Brain, aby ilościowo określić zapach za pomocą sieci neuronowych. Naukowcy wykorzystali Sieć Neuronową Grafową (GNN). Sieci Neuronowe Grafowe są w stanie interpretować dane grafowe, które są strukturami danych składającymi się z węzłów i krawędzi. Grafy są powszechnie wykorzystywane do reprezentowania sieci lub relacji między poszczególnymi punktami danych. W kontekście sieci społecznej graf miałby każdego człowieka w sieci reprezentowanego przez węzeł lub wierzchołek. Takie grafy są wykorzystywane przez firmy medialne do przewidywania ludzi na peryferiach Twojej obecnej sieci i sugerowania nowych znajomych.

W celu interpretacji zapachów naukowcy trenowali sieć na tysiącach cząsteczek, z których każda była dopasowana do opisu języka naturalnego. GNN była w stanie zinterpretować dane i dostrzec wzorce w strukturze cząsteczek. Opisy wykorzystane przez naukowców były zwrotami takimi jak „słodki”, „dymny” lub „drewniany”. Około dwie trzecie ponad 5 000 cząsteczek, które zostały skompilowane przez naukowców, zostało wykorzystane do trenowania modelu, podczas gdy pozostała trzecia część została wykorzystana do testowania modelu.

Model, który naukowcy trenowali, działał tak dobrze, że po zakończeniu pierwszej iteracji osiągnął już poziom wydajności, który został osiągnięty przez inne grupy naukowców, którzy próbowali przypisać opisy języka naturalnego do struktur chemicznych.

Alex Wiltschko, jeden z naukowców, którzy pracowali nad projektem, przyznaje, że istnieją pewne ograniczenia ich obecnego podejścia. Po pierwsze, AI może rozróżniać różnice między strukturami chemicznymi, które ludzie opisaliby jako takie same, nazywając dwie różne chemikalia „ziemistymi” lub „drewnianymi”, nawet jeśli AI klasyfikuje je inaczej. Innym problemem z klasyfikatorem jest to, że nie rozróżnia on par chiralnych, które są cząsteczkami będącymi odbiciem lustrzanym siebie. Różne orientacje oznaczają, że mają one różne zapachy, ale model obecnie nie widzi ich jako różne.

Zespół badawczy planuje rozwiązać te ograniczenia w swojej przyszłej pracy. Badania jeszcze mają długi sposób do przebycia, ale jest to krok w kierunku zrozumienia, które cechy cząsteczki odpowiadają naszemu postrzeganiu pewnych zapachów. Zespół Google Brain nie jest jedynym zespołem badawczym, który pracuje nad aplikacjami AI skierowanymi do rozpoznawania zapachów. Inne eksperymenty AI z udziałem zapachu obejmują eksperymenty IBM z perfumami wygenerowanymi przez AI oraz eksperyment przeprowadzony przez rosyjskich naukowców w celu wykrycia potencjalnie toksycznych mieszanin gazów.