研究人员训练人工智能预测化学物质的气味

最近，谷歌大脑研究人员发表的一篇论文展示了他们如何训练人工智能预测物体的气味，基于输入网络的化学物质结构。据《连线》杂志报道，研究人员希望他们的工作能够帮助解开人类嗅觉的部分奥秘，目前人类的嗅觉相比其他感官还不太清楚。

气味之间的差异很复杂，一个分子的一个原子发生变化就可以改变气味从令人愉快到不愉快。研究人员很难理解化学结构被我们的嗅觉感官解释为令人愉快或厌恶的模式。相比之下，电磁谱的模式更容易被量化，科学家可以进行精确的测量来确定某些光波长的外观。

机器学习算法擅长于在数据中找到模式，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。利用机器学习算法来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来生成单分子气味的自然语言描述。

最近发表在Arxiv上的研究记录了谷歌大脑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，这是一种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，图将每个人的网络表示为一个节点或顶点。这种图被社交媒体公司用来预测你当前网络的边缘人并建议新的朋友。

为了解释气味，研究人员训练了网络，使用成千上万的分子，每个分子都与自然语言描述符匹配。GNN能够解释数据并在分子的结构中找到模式。研究人员使用的描述符是诸如“甜”，“烟熏”或“木质”的短语。编译的5000多个分子中，大约有三分之二被用于训练模型，剩下的三分之一被用于测试模型。

研究人员训练的模型工作得非常好，以至于第一次迭代完成后，性能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。

参与该项目的研究人员之一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，而人类会将它们描述为相同的，称两个不同的化学物质为“泥土”或“木质”性质，即使人工智能将它们分类为不同的。另一个问题是，分类器不能区分对映体，这是指镜像对称的分子。不同的方向意味着它们具有不同的气味，但当前的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之间关系的一个步骤。谷歌大脑团队并不是唯一一个从事应用人工智能来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生成香水实验和俄罗斯科学家检测潜在有毒气体混合物的实验。