谷歌大腦研究人員最近發(fā)表的一篇論文展示了研究人員如何根據(jù)傳遞到網(wǎng)絡(luò)中的化學(xué)物質(zhì)的結(jié)構(gòu)來訓(xùn)練人工智能來預(yù)測物體的氣味。正如《連線》雜志報道的那樣，研究人員希望他們的工作能夠幫助解開人類嗅覺周圍的一些謎團(tuán)，與我們的其他感官相比，人們對嗅覺知之甚少。

氣味之間的差異是復(fù)雜的，分子中單個原子的變化可以將氣味從令人愉悅變?yōu)榱钊瞬豢臁Ｑ芯咳藛T很難理解導(dǎo)致化學(xué)結(jié)構(gòu)被我們的嗅覺解釋為愉快或厭惡的模式。相比之下，在我們眼中呈現(xiàn)為顏色的電磁光譜模式更容易量化，科學(xué)家們能夠進(jìn)行精確的測量，從而告訴他們某些波長的光會是什么樣子。

機(jī)器學(xué)習(xí)算法擅長在數(shù)據(jù)中發(fā)現(xiàn)模式，因此，人工智能研究人員試圖使用機(jī)器學(xué)習(xí)來更好地了解人類大腦如何解釋氣味。利用機(jī)器學(xué)習(xí)算法量化氣味的嘗試包括 2015 年開展的DREAM Olfaction Prediction Challenge。一些研究從挑戰(zhàn)中獲取數(shù)據(jù)，并試圖生成單分子氣味的自然語言描述。

最近發(fā)表在 Arxiv 上的研究對Google Brain研究人員使用神經(jīng)網(wǎng)絡(luò)量化氣味的嘗試進(jìn)行了分類。研究人員利用了圖神經(jīng)網(wǎng)絡(luò)或 GNN。圖神經(jīng)網(wǎng)絡(luò)能夠解釋圖數(shù)據(jù)，圖數(shù)據(jù)是由節(jié)點和邊組成的數(shù)據(jù)結(jié)構(gòu)。圖通常用于表示各個數(shù)據(jù)點之間的網(wǎng)絡(luò)或關(guān)系。在社交網(wǎng)絡(luò)的上下文中，圖將網(wǎng)絡(luò)中的每個人都由一個節(jié)點或頂點表示。社交媒體公司使用此類圖表來預(yù)測您當(dāng)前網(wǎng)絡(luò)外圍設(shè)備上的人員并推薦新朋友。

為了解釋氣味，研究人員對網(wǎng)絡(luò)進(jìn)行了數(shù)千個分子的訓(xùn)練，每個分子都與一個自然語言描述符相匹配。GNN 能夠解釋數(shù)據(jù)并了解分子結(jié)構(gòu)中的模式。研究人員使用的描述詞是“甜”、“煙熏”或“木質(zhì)”等短語。研究人員編制的 5,000 多個分子中約有三分之二用于訓(xùn)練模型，其余三分之一用于測試模型。

研究人員訓(xùn)練的模型運行良好，一旦完成第一次迭代，性能已經(jīng)與其他試圖將自然語言標(biāo)簽分配給化學(xué)結(jié)構(gòu)的研究人員組達(dá)到的峰值性能相匹配。

參與該項目的研究人員之一 Alex Wiltschko 承認(rèn)，他們目前的方法存在一些局限性。一方面，人工智能可以區(qū)分人類描述為相同的化學(xué)結(jié)構(gòu)之間的差異，將兩種不同的化學(xué)物質(zhì)稱為自然界中的“泥土”或“木質(zhì)”，即使人工智能對它們進(jìn)行了不同的分類。分類器的另一個問題是它不區(qū)分手性對，手性對是彼此鏡像的分子。不同的方向意味著它們有不同的氣味，但模型目前并不認(rèn)為它們是不同的。

研究小組的目標(biāo)是在他們未來的工作中解決這些限制。這項研究還有很長的路要走，但這是朝著了解分子的哪些特征與我們對某些氣味的感知相對應(yīng)的一步。谷歌大腦團(tuán)隊并不是唯一一個致力于人工智能應(yīng)用以識別氣味的研究團(tuán)隊。其他涉及氣味的人工智能實驗包括 IBM 對人工智能產(chǎn)生的香水的實驗，以及俄羅斯科學(xué)家進(jìn)行的一項檢測潛在有毒氣體混合物的實驗。