Новое исследование в области искусственного интеллекта показывает, что модель машинного обучения достигает уровня навыков человека в описании химического запаха.

'New AI research shows that a machine learning model reaches human-level skills in describing chemical odors.

Основной вызов в нейронауке – понять, как физические свойства стимулов связаны с восприятием. В то время как существуют хорошо изученные соответствия между физическими свойствами и восприятием в других сенсорных системах, таких как цвет в зрении и высота тона в слухе, исследование показывает, что соответствие между химическими структурами и запаховыми ощущениями остается недостаточно понятным.

Для решения этих проблем исследователи разработали модель на основе нейронных сетей для отображения химических структур на запаховые восприятия, создавая главную карту запахов (POM), которая отражает восприятие иерархии и расстояний. Они экспериментировали с набором данных из 5000 молекул с метками запахов, обучили модель и провели перспективное испытание валидации, показав, что предсказания модели тесно соответствуют человеческим оценкам для новых запаховых веществ. POM сохраняла восприятие отношений, превосходя традиционные структурные карты. Работа подчеркивает потенциал машинного обучения в отображении пространства запахов и понимании запаховых восприятий.

Исследователи сравнили модель графовых нейронных сетей (GNN) с традиционной моделью на основе подсчета отпечатков для прогнозирования предпочтений запахов различных моделей. Модель GNN показала лучшие результаты по сравнению с моделью, основанной на подсчете отпечатков, соответствуя или превосходя оценки человеческих экспертов для 55% меток запахов. Импульсные загрязнения в химических реакциях были идентифицированы как потенциальные факторы восприятия запаха, с частотой значительного запахового загрязнения в составе стимулирующего набора в 31,5%. Модель GNN показала лучшие результаты для меток с явными структурными определителями и большим количеством обучающих примеров, в то время как результаты экспертов варьировались в зависимости от знакомства с метками.

• Эта статья по искусственному интеллекту объясняет, как языки программирования могут улучшать друг друга через настройку инструкций.
• Meta AI выпускает Nougat визуальную модель-трансформер, выполняющую OCR для обработки научных документов в разметочный язык
• Важнейшие статьи по компьютерному зрению за неделю с 28/8 по 3/9

Главная карта запахов (POM) была протестирована на ее надежность в обработке разрывов в отображении молекулярной структуры и восприятия запаха. Исследователи получили результат, что POM правильно предсказывает контринтуитивное соотношение между структурой и запахом в 50% случаев, в то время как базовая модель показывала гораздо худшие результаты – 90%. Линейная модель на основе координат POM превосходила химические модели в прогнозировании применимости запаха, порогов обнаружения запаха и восприятия сходства в различных наборах данных.

Эта детальная карта обоняния человека предоставляет основу для дальнейших исследований сложных взаимосвязей между молекулярной структурой и восприятием запаха. Она открывает новые возможности для понимания характера осязания запаха и обещает продвижение в области химии, нейронауки обоняния и психофизики.