Блог

Dec 08, 2023

Теперь машины учатся чувствовать запахи

Сара Харрисон Компания по прогнозированию приложений Alphabet Исследование конечных пользователей Google

Сара Харрисон

Приложение

Прогноз

Компания

Алфавит

Google

Конечный пользователь

Исследовать

Сектор

Исследовать

Технологии

Машинное обучение

Нейронная сеть

У Google есть свои духи — или, по крайней мере, у одной команды исследователей компании. Созданная под руководством опытных французских парфюмеров, смесь содержит ноты ванили, жасмина, дыни и клубники. «Это было неплохо», — говорит Алекс Вильчко, который держит флакон духов на своей кухне.

Google не будет рекламировать этот аромат в ближайшее время, но он сует свой нос в еще один аспект нашей жизни: запах. В четверг исследователи из Google Brain опубликовали на сайте препринтов Arxiv статью, в которой показано, как они обучили набор алгоритмов машинного обучения предсказывать запах молекул на основе их структуры. Это так же полезно, как предоставление карт для большей части мира? Возможно, нет. Но в области обоняния это может помочь решить некоторые большие и давние вопросы.

Наука обоняния отстает от многих других областей. Свет, например, понимался на протяжении веков. В 17 веке Исаак Ньютон использовал призмы, чтобы разделить белый свет Солнца на теперь уже знакомую нам красную, оранжевую, желтую, зеленую, синюю, индиго и фиолетовую радугу. Последующие исследования показали, что то, что мы воспринимаем как разные цвета, на самом деле представляет собой разные длины волн. Взгляните на цветовой круг, и вы получите простое представление о том, как сравниваются эти длины волн: более длинные красные и желтые оттенки переходят в более короткие синие и пурпурные. Но запах не имеет такого руководства.

Если длины волн являются основными компонентами света, то молекулы являются строительными блоками ароматов. Когда они попадают в наш нос, эти молекулы взаимодействуют с рецепторами, которые посылают сигналы в небольшую часть нашего мозга, называемую обонятельной луковицей. Внезапно мы думаем «ммм, попкорн!» Ученые могут посмотреть на длину волны и узнать, как она будет выглядеть, но они не могут сделать то же самое с молекулами и запахом.

На самом деле оказалось чрезвычайно сложно определить запах молекулы по ее химической структуре. Измените или удалите один атом или связь, «и вы сможете перейти от розы к тухлым яйцам», — говорит Вильчко, возглавлявший исследовательскую группу Google в этом проекте.

Ранее уже предпринимались попытки использовать машинное обучение для обнаружения закономерностей, благодаря которым одна молекула пахнет чесноком, а другая — жасмином. В 2015 году исследователи создали конкурс DREAM Olfaction Prediction Challenge. В рамках проекта были собраны описания запахов от сотен людей, а исследователи протестировали различные алгоритмы машинного обучения, чтобы посмотреть, смогут ли они научить их предсказывать запах молекул.

Несколько других команд применили ИИ к этим данным и сделали успешные прогнозы. Но команда Вильчко избрала другой подход. Они использовали так называемую графовую нейронную сеть или GNN. Большинство алгоритмов машинного обучения требуют, чтобы информация поступала в прямоугольной сетке. Но не вся информация умещается в этот формат. GNN могут просматривать графики, например, сети друзей в социальных сетях или сети академических цитат из журналов. Их можно использовать, чтобы предсказать, кем могут быть ваши следующие друзья в социальных сетях. В этом случае GNN могла бы обработать структуру каждой молекулы и понять, что в одной молекуле атом углерода находится, например, на расстоянии пяти атомов от атома азота.

Лорен Гуд

Лорен Гуд

Джулиан Чоккатту

Уилл Найт

Команда Google использовала набор из почти 5000 молекул от парфюмеров с профессиональным чутьем и тщательно сопоставила каждую молекулу с такими описаниями, как «древесный», «жасминовый» или «сладкий». Исследователи использовали около двух третей набора данных для обучения сети, а затем проверили, сможет ли она предсказать запахи оставшихся молекул. Это сработало.

Фактически, в своей первой итерации GNN работала так же хорошо, как и модели, созданные другими группами. Вильчко говорит, что по мере того, как команда будет совершенствовать модель, она может стать еще лучше: «Я думаю, мы продвинулись вперед».