Forskare Tränar En AI För Att Förutsäga Lukten Av Kemikalier

En nyligen publicerad artikel av forskare på Google Brain demonstrerar hur forskare lyckats träna en AI för att förutsäga lukten av föremål, baserat på strukturen av de kemikalier som matas in i nätverket. Enligt Wired är forskarna hoppfulla att deras arbete kan hjälpa till att lösa några av mysterierna kring den mänskliga luktsansen, som är dåligt förstådd i jämförelse med våra andra sinnen.

Skillnaderna mellan lukter är komplexa och en enda atom som ändras i en molekyl kan ändra en lukt från behaglig till obehaglig. Det är svårt för forskare att förstå mönstren som orsakar kemiska strukturer att tolkas av våra luktsinnen som behagliga eller obehagliga. I kontrast är mönstren i det elektromagnetiska spektrum som uppträder som färger för våra ögon mycket lättare att mäta, med vetenskapsmän som kan göra precisa mätningar som kommer att visa vad vissa våglängder av ljus kommer att se ut.

Maskinläringsalgoritmer excellerar i att hitta mönster inom data, och av denna anledning har AI-forskare försökt att använda maskinlärning för att få bättre insikt i hur lukter tolkas av den mänskliga hjärnan. Försök att använda maskinläringsalgoritmer för att kvantifiera lukt inkluderar DREAM Olfaktion Prediction Challenge som genomfördes 2015. Flera studier tog data från utmaningen och försökte generera naturliga språkbeskrivningar av mono-molekylära lukter.

Den senaste studien, publicerad i Arxiv, katalogiserar Google Brain-forskarnas försök att kvantifiera lukt med hjälp av neurala nätverk. Forskarna använde ett Graph Neural Network eller GNN. Graph Neural Networks är kapabla att tolka grafdata, som är datastrukturer bestående av noder och kanter. Grafer används vanligtvis för att representera nätverk eller relationer mellan enskilda datapunkter. I sammanhanget av ett socialt nätverk skulle en graf ha varje person i nätverket representerad av en nod eller vertex. Sådana grafer används av sociala medieföretag för att förutsäga personer på periferin av ditt nuvarande nätverk och föreslå nya vänner.

För att tolka lukter tränade forskarna nätverket på tusentals molekyler, var och en matchad med en naturlig språkbeskrivning. GNN kunde tolka data och plocka upp mönster i molekylernas struktur. Beskrivningarna som forskarna använde var fraser som “söt”, “rökig” eller “träig”. Ungefär två tredjedelar av de över 5 000 molekyler som samlades in av forskarna användes för att träna modellen, medan den återstående tredjedelen användes för att testa modellen.

Modellen som forskarna tränade fungerade så bra att när den första iterationen var klar, presterade den redan lika bra som den toppprestation som uppnåddes av andra forskargrupper som försökte tilldela naturliga språketal till kemiska strukturer.

Alex Wiltschko, en av forskarna som arbetade med projektet, erkänner att det finns ett par begränsningar i deras nuvarande tillvägagångssätt. För det första kan AI skilja på skillnader mellan kemiska strukturer som människor skulle beskriva som likadana, och kalla två olika kemikalier “jordig” eller “träig” till naturen, även om AI klassificerar dem annorlunda. Ett annat problem med klassificeringen är att den inte skiljer på kirala par, som är molekyler som är spegelbilder av varandra. De olika orienteringarna innebär att de har olika lukter, men modellen ser dem för närvarande inte som olika.

Forskningsgruppen syftar till att åtgärda dessa begränsningar i sitt framtida arbete. Forskningen har fortfarande en lång väg att gå, men det är ett steg mot att förstå vilka egenskaper hos en molekyl som korrelerar med vår uppfattning av vissa lukter. Google Brain-teamet är inte den enda forskargruppen som arbetar med tillämpningar av AI som syftar till att känna igen lukter. Andra AI-experiment som involverar lukt inkluderar IBM:s experiment med AI-genererade parfymer och ett experiment av ryska forskare för att upptäcka potentiellt giftiga gasblandningar.