研究人员训练人工智能预测化学物质的气味

最近由Google Brain的研究人员发表的一篇论文展示了如何训练人工智能根据输入网络的化学物质结构预测物体的气味。 据Wired报道，研究人员希望他们的工作能够帮助解开人类嗅觉的一些谜团，相比其他感官，人类的嗅觉理解得较少。 气味之间的差异很复杂，分子中单个原子的变化可以使气味从宜人变为不宜人。研究人员很难理解导致化学结构被我们的嗅觉感官解释为宜人或厌恶的模式。相比之下，我们的眼睛看到的电磁波谱的模式更容易量化，科学家可以进行精确的测量来确定某些光波的外观。 机器学习算法擅长在数据中找到模式，因此人工智能研究人员尝试使用机器学习来更好地了解气味如何被人类大脑解释。使用机器学习算法量化气味的尝试包括2015年举行的DREAM嗅觉预测挑战。几项研究使用挑战的数据尝试生成单分子气味的自然语言描述。 最近的研究发表在Arxiv上，记录了Google Brain研究人员使用神经网络量化气味的尝试。研究人员使用了图神经网络（Graph Neural Network，GNN）。图神经网络可以解释图数据，即由节点和边组成的数据结构。图通常用于表示网络或个别数据点之间的关系。在社交网络的背景下，图将社交网络中的每个人表示为一个节点或顶点。社交媒体公司使用此类图来预测您当前网络的边缘人员并建议新朋友。 为了解释气味，研究人员在数千个分子上训练了网络，每个分子都与自然语言描述符匹配。GNN能够解释数据并识别出分子的结构中的模式。研究人员使用的描述符是诸如“甜”，“烟熏”或“木质”等短语。研究人员编译的5000多个分子中，大约有三分之二被用于训练模型，其余的三分之一被用于测试模型。 研究人员训练的模型效果非常好，一旦第一次迭代完成，性能就已经达到其他研究人员尝试将自然语言标签分配给化学结构的峰值性能。 研究人员Alex Wiltschko承认他们的当前方法有一些局限性。首先，人工智能可能会区分化学结构的差异，而人类会将其描述为相同，例如将两种不同的化学物质称为“泥土”或“木质”性质，即使人工智能将其分类为不同。另一个问题是，分类器不能区分手性对，即镜像分子。不同方向意味着它们具有不同的气味，但当前模型不认为它们是不同的。 研究团队旨在通过未来的工作来解决这些局限性。研究仍然有很长的路要走，但这是了解分子特征与我们对某些气味的感知相对应的步骤。Google Brain团队并不是唯一一个从事应用人工智能以识别气味的研究团队。其他涉及气味的人工智能实验包括IBM的AI生成香水和俄罗斯科学家检测可能有毒的气体混合物的实验。