Ученые могут определять цвет по длине световой волны. Но когда дело доходит до ароматов, нельзя просто посмотреть на молекулу и по структуре определить ее запах. Исследователи из Google Brain Team надеются, что это сможет изменить искусственный интеллект. В статье, опубликованной на Arxiv , они объясняют, как обучают ИИ распознавать запахи.
Исследователи собрали датасет из почти 5000 молекул летучих веществ, идентифицированных парфюмерами. Парфюмеры пометили запахи как «цветочный», «древесный» или «жирный» . Около двух третей набора данных команда из Google Brain использовала для обучения своего ИИ, чтобы он смог связывать молекулы с названиями запаха. Затем исследователи использовали оставшиеся молекулы для проверки ИИ — и это сработало. Алгоритм оказался способен предсказывать запахи молекул на основе их структур.
«Оказалось чрезвычайно трудно определить запах по строению молекулы. Замените или удалите один атом или связь, и вы можете перейти от роз к тухлым яйцам», — рассказал в комментарии Wired Александр Вильчко, который возглавлял исследовательскую группу проекта.
В своей работе команда Вильчко использовала графовую нейронную сеть, или GNN (Graph Neural Network — GNN). GNN обрабатывала структуру каждой молекулы и определяла её запах.
Как указывает Wired, есть несколько проблем, которые делают исследования обоняния довольно сложными. Например, два человека могут описывать один и тот же запах по-разному: для одного запах будет «древесным», для другого «земляным». Иногда молекулы имеют одинаковые атомы и связи, но расположенные иначе, и имеют совершенно разные запахи. Это так называемые киральные пары; тмин и мята — только один из таких примеров.
Тем не менее, исследователи Google считают, что обучение искусственного интеллекта связывать определенные молекулы с их ароматами — важный первый шаг. По их мнению, это может повлиять на наше понимание питания человека, помочь в развитии нейробиологии и изменить то, как мы производим синтетические ароматы.
Как и любой инструмент машинного обучения, GNN Google ограничена качеством данных. Тем не менее, как пишет Wired, Алексей Кулаков, исследователь из лаборатории в Колд-Спринг-Харбор, говорит, что этот проект полезен для введения тысяч новых молекул в наборы данных о запахах, которые зачастую относительно малы, и что эти данные «могут послужить основой для улучшения других алгоритмов в будущем». Кулаков указывает, что неясно, тем не менее, сможем ли мы узнать что-либо об обонянии человека из модели машинного обучения, так как дизайн нейронной сети не совпадает с обонятельной системой человека.
В своих исследованиях Google не одинок. Как напоминает Engadget, в 2017 году российские исследователи обучили нейронные сети запоминать запахи и узнавать их позже. В их проекте запах обнаруживается датчиком, после чего ИИ сравнивает запах с базой данных известных запахов на предмет «самого близкого подобного запаха». Если он не может найти соответствие, датчик определит запах как новый. Разница между технологией, созданной в России, и другими подобными технологиями прогнозирования и идентификации ароматов заключается в том, что она может воспринимать более одного аромата за раз, что полезно, например, для работы с газовыми смесями.
«По сути, мы хотим научить устройство различать смеси опасных и неопасных газов и быстро их запоминать», — отмечал профессор МИЭМ НИУ ВШЭ Владимир Кулагин.
Кроме того, в начале этого года на выставке искусственного интеллекта в лондонском Барбикан-центре ученые использовали машинное обучение, чтобы воссоздать запах вымершего цветка Hibiscadelphus wilderianus, который когда-то рос на гавайском острове Мауи. Учёным удалось достичь этого с помощью извлечения ДНК из сохранившихся образцов растения.)
Исследователи собрали датасет из почти 5000 молекул летучих веществ, идентифицированных парфюмерами. Парфюмеры пометили запахи как «цветочный», «древесный» или «жирный» . Около двух третей набора данных команда из Google Brain использовала для обучения своего ИИ, чтобы он смог связывать молекулы с названиями запаха. Затем исследователи использовали оставшиеся молекулы для проверки ИИ — и это сработало. Алгоритм оказался способен предсказывать запахи молекул на основе их структур.
«Оказалось чрезвычайно трудно определить запах по строению молекулы. Замените или удалите один атом или связь, и вы можете перейти от роз к тухлым яйцам», — рассказал в комментарии Wired Александр Вильчко, который возглавлял исследовательскую группу проекта.
В своей работе команда Вильчко использовала графовую нейронную сеть, или GNN (Graph Neural Network — GNN). GNN обрабатывала структуру каждой молекулы и определяла её запах.
Как указывает Wired, есть несколько проблем, которые делают исследования обоняния довольно сложными. Например, два человека могут описывать один и тот же запах по-разному: для одного запах будет «древесным», для другого «земляным». Иногда молекулы имеют одинаковые атомы и связи, но расположенные иначе, и имеют совершенно разные запахи. Это так называемые киральные пары; тмин и мята — только один из таких примеров.
Тем не менее, исследователи Google считают, что обучение искусственного интеллекта связывать определенные молекулы с их ароматами — важный первый шаг. По их мнению, это может повлиять на наше понимание питания человека, помочь в развитии нейробиологии и изменить то, как мы производим синтетические ароматы.
Как и любой инструмент машинного обучения, GNN Google ограничена качеством данных. Тем не менее, как пишет Wired, Алексей Кулаков, исследователь из лаборатории в Колд-Спринг-Харбор, говорит, что этот проект полезен для введения тысяч новых молекул в наборы данных о запахах, которые зачастую относительно малы, и что эти данные «могут послужить основой для улучшения других алгоритмов в будущем». Кулаков указывает, что неясно, тем не менее, сможем ли мы узнать что-либо об обонянии человека из модели машинного обучения, так как дизайн нейронной сети не совпадает с обонятельной системой человека.
В своих исследованиях Google не одинок. Как напоминает Engadget, в 2017 году российские исследователи обучили нейронные сети запоминать запахи и узнавать их позже. В их проекте запах обнаруживается датчиком, после чего ИИ сравнивает запах с базой данных известных запахов на предмет «самого близкого подобного запаха». Если он не может найти соответствие, датчик определит запах как новый. Разница между технологией, созданной в России, и другими подобными технологиями прогнозирования и идентификации ароматов заключается в том, что она может воспринимать более одного аромата за раз, что полезно, например, для работы с газовыми смесями.
«По сути, мы хотим научить устройство различать смеси опасных и неопасных газов и быстро их запоминать», — отмечал профессор МИЭМ НИУ ВШЭ Владимир Кулагин.
Кроме того, в начале этого года на выставке искусственного интеллекта в лондонском Барбикан-центре ученые использовали машинное обучение, чтобы воссоздать запах вымершего цветка Hibiscadelphus wilderianus, который когда-то рос на гавайском острове Мауи. Учёным удалось достичь этого с помощью извлечения ДНК из сохранившихся образцов растения.)