Forskare designar AI-modell som kan särskilja olika luktuppfattningar

Artificiell intelligens-forskare försöker alltid replikera aspekter av mänskliga sinnen genom algoritmer. AI har använts för att dramatiskt förbättra datorseendeapplikationer de senaste åren, och AI har också använts för att generera ganska imponerande ljudprover, till och med skapa hela låtar i stil med en artist. Nyligen lyckades ett team av forskare från University of California, Riverside skapa en AI som kan urskilja lukts från varandra baserat på den kemiska sammansättningen av lukten i fråga.

Enligt cell- och systembiolog vid UC Riverside, Anandasankar Ray, försökte forskarna basera sin AI-modell på hur människor uppfattar lukter. Den mänskliga näsan innehåller cirka 400 olfaktoriska receptorer (OR) som aktiveras när kemikalier kommer in i näsan. Olika yttersta randområden aktiveras av olika uppsättningar av kemikalier och tillsammans kan de upptäcka en lång rad olika kemiska strukturer och familjer. Medan forskare vet en hel del om hur yttersta randområdena upptäcker och tolkar de olika molekylerna i en lukt, är det mindre känt hur stimulansen som ytterområdena upptäcker översätts till en sensorisk upplevelse, eller uppfattar, upplevelsen av att lukta något.

Som Phy.org rapporterade, förklarade Ray att forskare försökte modellera mänskliga luktuppfattningar genom en kombination av maskininlärningsalgoritmer och kemisk informatik. Maskininlärningsalgoritmer kan analysera det stora antalet kemiska variabler, dra ut deras gemensamma strukturer och mönster och sedan lära sig att identifiera vilka kemikalier som kommer att ha vissa lukter. Efter att ha tränats kan algoritmerna så småningom förutsäga hur nya kemiska kombinationer kommer att lukta även om data är omärkta och det är okänt hur kemikalien luktar.

Forskargruppen började med att skapa metoder som skulle göra det möjligt för en dator att avgöra vilka kemiska egenskaper som kunde aktivera yttersta randområdena. Efteråt analyserade forskarna över en halv miljon kemiska föreningar för att hitta prover som kunde binda till 34 yttersta randområden. Forskarna försökte sedan uppskatta de perceptuella egenskaperna hos de kemiska proverna med samma algoritm som användes för att förutsäga ELLER-aktivitet.

Forskargruppen fann att kombinationer av olika ELLER-aktiveringar verkade ha ett samband med perceptuell kodning. Forskarna använde data som innehöll utvärderingar av kemikalier av mänskliga frivilliga och valde de yttersta randområdena som levererade de bästa förutsägelserna om en delmängd av de kemiska proverna. De testade sedan om ELLER-aktiveringarna var förutsägande för nya dofter.

Enligt forskarna kan operationen på operationen användas för att korrekt förutsäga uppfattningen av 146 olika kemikalier. Endast ett fåtal av yttersta randområdena krävdes för att förutsäga uppfattningarna, inte alla yttersta randområdena. Forskarna bekräftade denna hypotes om fruktflugor och lyckades framgångsrikt förutsäga en motvilja eller attraktion till olika dofter.

Ray förklarade att fördelen med att digitalisera lukter och de förutsägelser som är förknippade med dem är att resultaten kan användas för att fastställa nya typer av kemikalier som kan användas för att skapa nya typer av dofter och livsmedel. AI kan användas för att hitta ersättningar som luktar likt kemikalier som blir dyra eller sällsynta. Det kan också användas för att ersätta föreningar som luktar obehagligt med kemikalier som är mer tilltalande för människor. Ray sa via Phys.org:

"Kemikalier som är giftiga eller hårda i till exempel smakämnen, kosmetika eller hushållsprodukter kan ersättas med naturliga, mjukare och säkrare kemikalier... Tekniken kan hjälpa oss att upptäcka nya kemikalier som kan ersätta befintliga kemikalier som blir sällsynta, till exempel , eller som är mycket dyra. Det ger oss en stor palett av föreningar som vi kan blanda och matcha för alla dofttillämpningar."