Дослідники навчають штучний інтелект передбачати запах хімічних речовин

Нещодавня робота, опублікована дослідниками з Google (GOOGL ) Brain, демонструє, як їм вдалося навчити штучний інтелект передбачати запах об’єктів на основі структури хімічних сполук, введених у мережу. Як повідомляє Wired, дослідники сподіваються, що їхня робота допоможе розгадати деякі з таємниць, пов’язаних із людським відчуттям запаху, яке погано зрозуміле у порівнянні з іншими нашими відчуттями.

Різниці між запахами складні, і зміна одного атома в молекулі може змінити запах з приємного на неприємний. Дослідникам складно зрозуміти закономірності, які спричиняють те, що хімічні структури інтерпретуються нашими нюхальними відчуттями як приємні або неприємні. Наприклад, закономірності електромагнітного спектру, які виглядають для наших очей як кольори, значно легше кількісно визначити, оскільки вчені можуть робити точні вимірювання, якікажуть їм, яким буде вигляд певної довжини хвилі світла.

Алгоритми машинного навчання добре знаходять закономірності у даних, і саме тому дослідники штучного інтелекту намагалися використовувати машинне навчання, щоб краще зрозуміти, як запахи інтерпретуються людським мозком. Спроби використання алгоритмів машинного навчання для кількісної оцінки запаху включають виклик передбачення запаху DREAM Olfaction, проведений у 2015 році. Деякі дослідження використали дані з цього виклику, щоб спробувати згенерувати природні мовні описи мономолекулярних запахів.

Нещодавнє дослідження, опубліковане в Arxiv, каталогізує спроби дослідників з Google Brain кількісно оцінити запах за допомогою нейронних мереж. Дослідники використали графічну нейронну мережу (Graph Neural Network, GNN). Графічні нейронні мережі здатні інтерпретувати графічні дані, які складаються з вузлів і ребер. Графи часто використовуються для представлення мереж або відносин між окремими даними. У контексті соціальної мережі граф мав би кожну людину у мережі, представлену вузлом або вершиною. Такі графи використовуються соціальними медіа-компаніями для передбачення людей на периферії вашої поточної мережі та пропонують нових друзів.

Для цілей інтерпретації запахів дослідники навчили мережу на тисячах молекул, кожна з яких мала природний мовний опис. GNN була здатна інтерпретувати дані та знаходити закономірності у структурах молекул. Описи, які використовували дослідники, були фразами типу “солодкий”, “димний” або “деревний”. Приблизно дві третини з понад 5 000 молекул, зібраних дослідниками, були використані для навчання моделі, тоді як решта треть була використана для тестування моделі.

Модель, яку навчили дослідники, працювала настільки добре, що після першої ітерації її продуктивність вже відповідала піковій продуктивності, досягнутій іншими групами дослідників, які намагалися присвоювати природні мовні мітки хімічним структурам.

Олександр Вільчко, один з дослідників, які працювали над проєктом, визнає, що в їхньому поточному підході є кілька обмежень. По-перше, штучний інтелект може розрізняти відмінності між хімічними структурами, які люди описали б як однакові, називаючи дві різні хімічні речовини “земляними” або “деревними” за своєю природою, навіть якщо штучний інтелект класифікує їх по-різному. Інша проблема класифікатора полягає в тому, що він не розрізняє хіральні пари, які є молекулами, що є дзеркальними образами одна одної. Різні орієнтації означають, що вони мають різні запахи, але модель поки що не бачить їх як різні.

Дослідницька команда планує вирішити ці обмеження в своїй майбутній роботі. Дослідження ще має довгий шлях, але це крок до розуміння тих особливостей молекул, які відповідають нашому сприйняттю певних запахів. Команда Google Brain не є єдиною дослідницькою командою, яка працює над застосуванням штучного інтелекту, спрямованим на розпізнавання запахів. Інші експерименти з штучним інтелектом, пов’язані з запахами, включають експерименти IBM з парфумами, згенерованими штучним інтелектом, та експеримент російських вчених щодо виявлення потенційно токсичних сумішей газів.