No sé cuántas personas recuerdan todavía Google Nose.
Este divertido proyecto lanzado por Google el Día de los Inocentes de 2013 afirma tener una base de datos de olores que contiene 15 millones de sabores. Los usuarios solo necesitan ingresar palabras clave en el cuadro de búsqueda de Google y hacer clic en "oler" para olerlos directamente al lado de su computadora. del objeto, como el olor de un coche nuevo, el olor de una fogata, el olor de una tumba egipcia (?), etc.
Es esta broma escandalosa pero brillante de hace diez años la que su inventor está convirtiendo parcialmente en realidad.
La revista "Science" publicó a principios de septiembre de este año un artículo publicado conjuntamente por varios equipos de investigación, incluida la startup Osmo (una escisión de Google) y el Monell Chemical Senses Center (Monell Chemical Senses Center), que decía: ** Los modelos de IA pueden dar a las máquinas un mejor “sentido del olfato” que los humanos**.
A primera vista esto suena increíble, después de todo, para el público el sentido del olfato es una existencia mucho más abstracta que la vista y el oído. El espectro de colores RGB puede describir los colores que ve el ojo humano, y los sonidos que escucha el oído humano también se pueden convertir en longitudes de onda de diferentes frecuencias e incluso hacer que las personas sientan vibraciones, pero solo el sentido del olfato no se puede ver o tocado, y es aún más difícil de describir con indicadores cuantitativos.
En otras palabras, digitalizar el olfato parece imposible.
La tarea principal de los investigadores en este artículo es intentar crear un mapa olfativo humano de alta dimensión que pueda reflejar fielmente las características del olor, es decir, POM (Mapa principal de olor).
Entonces, ¿cómo se hace exactamente?
Sabemos que el olor es la respuesta del sistema olfativo humano a determinadas moléculas específicas esparcidas en el aire. Después de que las moléculas de olor ingresan a las fosas nasales, reaccionarán con las células olfativas que se encuentran encima de la cavidad nasal (receptores), y las ondas bioeléctricas generadas se transmitirán al cerebro a través de los nervios y luego se reconocerá el olor.
La composición del olor es en realidad mucho más compleja que el color y el sonido: hay millones de tipos diferentes y cada olor está compuesto por cientos de moléculas químicas con diferentes propiedades. En consecuencia, los seres humanos tenemos aproximadamente 400 receptores olfativos funcionales, muy superiores a los 4 que utilizamos para la visión y los aproximadamente 40 que utilizamos para el gusto.
Entonces, ante un mecanismo olfativo tan complejo, lo primero que hicieron los investigadores fue crear un modelo de aprendizaje automático: la red neuronal de paso de mensajes (MPNN).
Diagrama del modelo
Esta es una red neuronal de gráficos específica (GNN), porque la red neuronal de gráficos es un método de aprendizaje profundo basado en la estructura del gráfico, que introduce el análisis de gráficos tradicional y proporciona un método para extraer características de datos irregulares, por lo que también es muy adecuado. características de olor complejas.
Una vez construido el modelo, el siguiente paso es alimentarlo con materiales de aprendizaje.
Los investigadores combinaron la base de datos de sabores y fragancias de Good Scents y Leffingwell & Associates (GS-LF) y establecieron un conjunto de datos de referencia que contiene alrededor de 5.000 moléculas como material de capacitación básico. Cada molécula puede tener múltiples etiquetas de olor, como afrutado, floral, a queso. , menta y más.
Algunas moléculas en la base de datos GS-LF
Al tomar la forma y estructura de la molécula como entrada de datos, el modelo puede generar las palabras de olor correspondientes que mejor describen un determinado olor.
Para que los resultados del entrenamiento sean más precisos, los investigadores también utilizan varios métodos para optimizar los parámetros del modelo. Por ejemplo, la base de datos de sabores y fragancias GS-LF se divide en un conjunto de entrenamiento y un conjunto de prueba en una proporción de 8:2, y el conjunto de entrenamiento se divide además en cinco subconjuntos de validación cruzada; y se utiliza el algoritmo de optimización bayesiano. para validar cruzadamente los datos y optimizar los hiperparámetros del modelo GNN, etc.
El experimento eventualmente formará el siguiente mapa olfativo POM de alta dimensión (parcial):
Esta imagen representa intuitivamente la distancia perceptiva de cada olor. Por ejemplo, existen grandes distancias perceptivas entre las categorías floral, carnosa y etérea; pero bajo cada categoría se incluyen olores más específicos, como azucena (muguet), lavanda (lavanda) y jazmín. (jazmín) bajo fragancia floral, tiene una distancia de percepción más cercana.
El artículo comparó POM con los mapas basados en huellas dactilares de Morgan, que ya se han estudiado anteriormente, y descubrió que estos últimos aún no pueden reflejar la distancia perceptual antes mencionada:
Para verificar aún más el efecto del entrenamiento del modelo, los investigadores reclutaron a 15 expertos en olores para competir con el modelo y ver quién podía identificar los olores con mayor precisión.
Cada uno de los 15 expertos necesita oler 400 olores. Los investigadores les darán 55 adjetivos de olor y les pedirán que califiquen las 55 opciones en una escala del 1 al 5 para cada olor para evaluar en qué medida cada adjetivo de olor es adecuado. oler.
Se descubrió que para el 53% de las moléculas de prueba, el modelo funcionó mejor que el promedio de los miembros del panel.
Los investigadores también clasificaron los resultados de predicción del modelo por descriptores de olor y descubrieron que, a excepción del almizcle, los resultados de predicción del modelo para olores moleculares estaban todos dentro de la distribución de error del grupo humano y superaron los resultados de predicción de 30 descriptores de olor. :
Posteriormente, los investigadores también verificaron repetidamente el rendimiento del modelo y obtuvieron una relación estructura molecular-olor relativamente estable.
Ahora entramos en la etapa más emocionante de dibujar mapas de olores a gran escala y finalmente obtenemos la siguiente imagen:
Puede entender el diagrama de coordenadas anterior que indica la distancia de percepción del olfato como una versión infinitamente ampliada de este diagrama. El artículo menciona que este mapa contiene alrededor de 500.000 moléculas de olor, muchas de las cuales ni siquiera han sido descubiertas o sintetizadas (pero que de hecho pueden calcularse).
Para hacer una comparación más intuitiva, si un evaluador humano capacitado buscara estos olores, se necesitarían unos 70 años de trabajo continuo para recolectarlos todos.
Parece que este artículo realmente ha logrado algo grande.
En ese momento, algunos internautas preguntaron, ¿por qué la máquina necesita oler?
Otros también han dado su propia opinión, como pensar que se puede utilizar para el control de calidad del tratamiento de aguas residuales de las fábricas, para detectar explosivos, drogas o cadáveres, etc.:
Como resultado, los perros policía y los perros de búsqueda y rescate pueden estar fuera de servicio.
Algunas personas esperan desarrollar un buen desodorante basado en esto, porque las personas emitirán mal olor después de hacer mucho ejercicio aeróbico como correr o levantar pesas:
Algunas personas también están muy interesadas en las aplicaciones médicas del resultado de esta investigación, como el desarrollo de nuevos tratamientos para la anosmia, o la detección de enfermedades a través del olfato, etc.:
También hay profesionales de la industria del perfume que sienten que esto les ha ayudado mucho, "A mis compañeros les avisa cuando usan demasiada colonia":
En realidad, estas predicciones no son descabelladas. En primer lugar, las máquinas pueden ayudar a los humanos a resolver el problema de la identificación a veces inexacta de los olores: las investigaciones muestran que cada persona tiene diferentes percepciones de los olores y desencadena diferentes reacciones basadas en señales sensoriales y fisiológicas, que también se ven afectadas por la experiencia, las expectativas, y personalidad o la influencia de factores situacionales.
Y el olfato a veces es muy importante para las personas.
No hace falta decir que los malos olores y algunos gases nocivos también pueden ser perjudiciales para la salud. En este momento sería estupendo que las máquinas pudieran sustituir determinadas ocupaciones para ayudar a los humanos o a los animales a trabajar.
Para otras profesiones en las que los olores pueden aportar beneficios, como perfumistas, chefs, diseñadores, artistas y arquitectos, etc., también existe la necesidad de preparar aromas más funcionales. En algunas ocasiones se utilizan aromas en el ambiente. Por ejemplo, el Centro Oncológico Sloan-Kettering de Nueva York dispersa aceite de vainilla en el aire para reducir la claustrofobia de los pacientes durante las pruebas de resonancia magnética (MRI); la Bolsa de Comercio de Chicago también dispersa aromas específicos. Reducir los decibeles de ruido en el parqué.
Otros estudios han demostrado que la mayoría de los recuerdos relacionados con los olores de los humanos provienen de los primeros diez años de la infancia y la primera infancia, mientras que los recuerdos generados por el lenguaje y la visión suelen producirse entre los 10 y los 30 años. Esto explica en parte por qué los olores pueden evocar recuerdos distantes, y los recuerdos evocados a través de los olores suelen tener más carga emocional que los recuerdos evocados por la vista o el oído.
Por lo tanto, la conexión entre el olfato y los seres humanos sigue siendo muy estrecha, pero en muchos casos no somos fácilmente conscientes de ello.
Las conjeturas de los internautas también fueron verificadas por uno de los autores del artículo, Alex Wiltschko de Osmo Company. Escribió en un artículo publicado en el sitio web oficial de Osmo:
"El mapeo olfativo es la base de nuestros objetivos más amplios. Si se puede desarrollar un sistema funcional que reproduzca nuestra nariz o la de un perro, podremos detectar enfermedades tempranamente; la inteligencia artificial también ayudará a los médicos a encontrar más probabilidades de ser detectadas en el clínica.para desarrollar medicamentos exitosos y ayudar mejor a los químicos sintéticos y maestros perfumistas en su trabajo... Nuestro objetivo de trabajo futuro es sentar una base científica y comercial sólida para mejorar la salud y la felicidad humanas."
Sin embargo, también dijo que el documento todavía tiene muchas deficiencias.
Por ejemplo, es imposible reflejar la intensidad del olor de una molécula, y sólo se puede predecir cómo huele; sólo se predice el olor de una única molécula, pero en la vida real es más bien un olor mixto; e incluso si todos Una vez logradas las capacidades, el olor no se puede predecir. La replicación y restauración también será un gran desafío, etc.
Finalmente, dicho todo esto, el comentario de un internauta fue bastante simple: “Creo que esto hará que la cata de vinos sea menos divertida”:
Ver originales
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
Cuando la IA aprende a oler, los humanos pueden ahorrar 70 años de trabajo
No sé cuántas personas recuerdan todavía Google Nose.
Este divertido proyecto lanzado por Google el Día de los Inocentes de 2013 afirma tener una base de datos de olores que contiene 15 millones de sabores. Los usuarios solo necesitan ingresar palabras clave en el cuadro de búsqueda de Google y hacer clic en "oler" para olerlos directamente al lado de su computadora. del objeto, como el olor de un coche nuevo, el olor de una fogata, el olor de una tumba egipcia (?), etc.
Es esta broma escandalosa pero brillante de hace diez años la que su inventor está convirtiendo parcialmente en realidad.
La revista "Science" publicó a principios de septiembre de este año un artículo publicado conjuntamente por varios equipos de investigación, incluida la startup Osmo (una escisión de Google) y el Monell Chemical Senses Center (Monell Chemical Senses Center), que decía: ** Los modelos de IA pueden dar a las máquinas un mejor “sentido del olfato” que los humanos**.
En otras palabras, digitalizar el olfato parece imposible.
La tarea principal de los investigadores en este artículo es intentar crear un mapa olfativo humano de alta dimensión que pueda reflejar fielmente las características del olor, es decir, POM (Mapa principal de olor).
Entonces, ¿cómo se hace exactamente?
Sabemos que el olor es la respuesta del sistema olfativo humano a determinadas moléculas específicas esparcidas en el aire. Después de que las moléculas de olor ingresan a las fosas nasales, reaccionarán con las células olfativas que se encuentran encima de la cavidad nasal (receptores), y las ondas bioeléctricas generadas se transmitirán al cerebro a través de los nervios y luego se reconocerá el olor.
La composición del olor es en realidad mucho más compleja que el color y el sonido: hay millones de tipos diferentes y cada olor está compuesto por cientos de moléculas químicas con diferentes propiedades. En consecuencia, los seres humanos tenemos aproximadamente 400 receptores olfativos funcionales, muy superiores a los 4 que utilizamos para la visión y los aproximadamente 40 que utilizamos para el gusto.
Entonces, ante un mecanismo olfativo tan complejo, lo primero que hicieron los investigadores fue crear un modelo de aprendizaje automático: la red neuronal de paso de mensajes (MPNN).
Esta es una red neuronal de gráficos específica (GNN), porque la red neuronal de gráficos es un método de aprendizaje profundo basado en la estructura del gráfico, que introduce el análisis de gráficos tradicional y proporciona un método para extraer características de datos irregulares, por lo que también es muy adecuado. características de olor complejas.
Una vez construido el modelo, el siguiente paso es alimentarlo con materiales de aprendizaje.
Los investigadores combinaron la base de datos de sabores y fragancias de Good Scents y Leffingwell & Associates (GS-LF) y establecieron un conjunto de datos de referencia que contiene alrededor de 5.000 moléculas como material de capacitación básico. Cada molécula puede tener múltiples etiquetas de olor, como afrutado, floral, a queso. , menta y más.
Al tomar la forma y estructura de la molécula como entrada de datos, el modelo puede generar las palabras de olor correspondientes que mejor describen un determinado olor.
Para que los resultados del entrenamiento sean más precisos, los investigadores también utilizan varios métodos para optimizar los parámetros del modelo. Por ejemplo, la base de datos de sabores y fragancias GS-LF se divide en un conjunto de entrenamiento y un conjunto de prueba en una proporción de 8:2, y el conjunto de entrenamiento se divide además en cinco subconjuntos de validación cruzada; y se utiliza el algoritmo de optimización bayesiano. para validar cruzadamente los datos y optimizar los hiperparámetros del modelo GNN, etc.
El experimento eventualmente formará el siguiente mapa olfativo POM de alta dimensión (parcial):
El artículo comparó POM con los mapas basados en huellas dactilares de Morgan, que ya se han estudiado anteriormente, y descubrió que estos últimos aún no pueden reflejar la distancia perceptual antes mencionada:
Cada uno de los 15 expertos necesita oler 400 olores. Los investigadores les darán 55 adjetivos de olor y les pedirán que califiquen las 55 opciones en una escala del 1 al 5 para cada olor para evaluar en qué medida cada adjetivo de olor es adecuado. oler.
Se descubrió que para el 53% de las moléculas de prueba, el modelo funcionó mejor que el promedio de los miembros del panel.
Los investigadores también clasificaron los resultados de predicción del modelo por descriptores de olor y descubrieron que, a excepción del almizcle, los resultados de predicción del modelo para olores moleculares estaban todos dentro de la distribución de error del grupo humano y superaron los resultados de predicción de 30 descriptores de olor. :
Ahora entramos en la etapa más emocionante de dibujar mapas de olores a gran escala y finalmente obtenemos la siguiente imagen:
Para hacer una comparación más intuitiva, si un evaluador humano capacitado buscara estos olores, se necesitarían unos 70 años de trabajo continuo para recolectarlos todos.
Parece que este artículo realmente ha logrado algo grande.
En ese momento, algunos internautas preguntaron, ¿por qué la máquina necesita oler?
Algunas personas esperan desarrollar un buen desodorante basado en esto, porque las personas emitirán mal olor después de hacer mucho ejercicio aeróbico como correr o levantar pesas:
Y el olfato a veces es muy importante para las personas.
No hace falta decir que los malos olores y algunos gases nocivos también pueden ser perjudiciales para la salud. En este momento sería estupendo que las máquinas pudieran sustituir determinadas ocupaciones para ayudar a los humanos o a los animales a trabajar.
Para otras profesiones en las que los olores pueden aportar beneficios, como perfumistas, chefs, diseñadores, artistas y arquitectos, etc., también existe la necesidad de preparar aromas más funcionales. En algunas ocasiones se utilizan aromas en el ambiente. Por ejemplo, el Centro Oncológico Sloan-Kettering de Nueva York dispersa aceite de vainilla en el aire para reducir la claustrofobia de los pacientes durante las pruebas de resonancia magnética (MRI); la Bolsa de Comercio de Chicago también dispersa aromas específicos. Reducir los decibeles de ruido en el parqué.
Otros estudios han demostrado que la mayoría de los recuerdos relacionados con los olores de los humanos provienen de los primeros diez años de la infancia y la primera infancia, mientras que los recuerdos generados por el lenguaje y la visión suelen producirse entre los 10 y los 30 años. Esto explica en parte por qué los olores pueden evocar recuerdos distantes, y los recuerdos evocados a través de los olores suelen tener más carga emocional que los recuerdos evocados por la vista o el oído.
Por lo tanto, la conexión entre el olfato y los seres humanos sigue siendo muy estrecha, pero en muchos casos no somos fácilmente conscientes de ello.
Las conjeturas de los internautas también fueron verificadas por uno de los autores del artículo, Alex Wiltschko de Osmo Company. Escribió en un artículo publicado en el sitio web oficial de Osmo:
Sin embargo, también dijo que el documento todavía tiene muchas deficiencias.
Por ejemplo, es imposible reflejar la intensidad del olor de una molécula, y sólo se puede predecir cómo huele; sólo se predice el olor de una única molécula, pero en la vida real es más bien un olor mixto; e incluso si todos Una vez logradas las capacidades, el olor no se puede predecir. La replicación y restauración también será un gran desafío, etc.
Finalmente, dicho todo esto, el comentario de un internauta fue bastante simple: “Creo que esto hará que la cata de vinos sea menos divertida”: