Исследователи Google научили нейросеть распознавать запахи по молекулярной структуре

в 14:56, , рубрики: Google, google brain team, Алгоритмы, искусственный интеллект, машинное обучение, Научно-популярное, нейросети

Исследователи Google научили нейросеть распознавать запахи по молекулярной структуре - 1

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.

Автор: AnnieBronson

Источник

* - обязательные к заполнению поля


https://ajax.googleapis.com/ajax/libs/jquery/3.4.1/jquery.min.js