Je ne sais pas combien de personnes se souviennent encore de Google Nose.
Ce drôle de projet lancé par Google le jour du poisson d'avril 2013 prétend disposer d'une base de données d'odeurs contenant 15 millions de saveurs. Il suffit aux utilisateurs de saisir des mots-clés dans le champ de recherche de Google et de cliquer sur « sentir » pour les sentir directement à côté de leur ordinateur. de l'objet, comme l'odeur d'une voiture neuve, l'odeur d'un feu de camp, l'odeur d'un tombeau égyptien (?), etc.
C’est cette plaisanterie scandaleuse mais brillante d’il y a dix ans qui est en partie transformée en réalité par son inventeur.
Le magazine "Science" a publié début septembre de cette année un article publié conjointement par plusieurs équipes de recherche, dont la startup Osmo (spin-off de Google) et le Monell Chemical Senses Center, qui déclarait : ** Les modèles d'IA peuvent donner aux machines un meilleur « sens » d’odorat » que les humains**.
À première vue, cela semble incroyable : après tout, pour le public, l’odorat est une existence bien plus abstraite que la vision et l’ouïe. Le spectre de couleurs RVB peut décrire les couleurs vues par l'œil humain, et les sons entendus par l'oreille humaine peuvent également être convertis en longueurs d'onde de différentes fréquences, et même faire ressentir des vibrations. Cependant, seul l'odorat ne peut pas être vu ou touché, et il est encore plus difficile à décrire avec des indicateurs quantitatifs.
En d’autres termes, numériser l’odorat semble impossible.
La tâche principale des chercheurs dans cet article est d’essayer de créer une carte olfactive humaine de grande dimension capable de refléter fidèlement les caractéristiques de l’odeur, c’est-à-dire POM (Principle Odor Map).
Alors, comment ça se passe exactement ?
On sait que l'odeur est la réponse du système olfactif humain à certaines molécules spécifiques dispersées dans l'air. Une fois que les molécules odorantes pénètrent dans les narines, elles réagiront avec les cellules olfactives situées au-dessus de la cavité nasale (récepteurs), et les ondes bioélectriques générées seront transmises au cerveau par les nerfs, puis l'odeur sera reconnue.
La composition de l’odeur est en réalité bien plus complexe que la couleur et le son : il en existe des millions de types différents, et chaque odeur est composée de centaines de molécules chimiques aux propriétés différentes. En conséquence, les humains possèdent environ 400 récepteurs olfactifs fonctionnels, ce qui dépasse de loin les 4 que nous utilisons pour la vision et la quarantaine environ utilisée pour le goût.
Face à un mécanisme olfactif aussi complexe, la première chose que les chercheurs ont faite a été de créer un modèle d’apprentissage automatique : le réseau neuronal de transmission de messages (MPNN).
Diagramme du modèle
Il s'agit d'un réseau neuronal graphique spécifique (GNN), car le réseau neuronal graphique est une méthode d'apprentissage en profondeur basée sur la structure graphique, qui introduit l'analyse graphique traditionnelle et fournit une méthode d'extraction de caractéristiques à partir de données irrégulières, il est donc également très approprié Utilisé pour apprendre caractéristiques olfactives complexes.
Une fois le modèle construit, l’étape suivante consiste à lui fournir du matériel d’apprentissage.
Les chercheurs ont combiné la base de données d'arômes et de parfums Good Scents and Leffingwell & Associates (GS-LF) et ont établi un ensemble de données de référence contenant environ 5 000 molécules comme matériel de formation de base. Chaque molécule peut avoir plusieurs étiquettes d'odeur, telles que fruitée, florale, fromage. , mentholé et plus encore.
Quelques molécules de la base GS-LF
En prenant la forme et la structure de la molécule comme entrée de données, le modèle est capable de générer des mots odorants correspondants qui décrivent le mieux une certaine odeur.
Afin de rendre les résultats de formation plus précis, les chercheurs utilisent également diverses méthodes pour optimiser les paramètres du modèle. Par exemple, la base de données d'arômes et de parfums GS-LF est divisée en un ensemble d'apprentissage et un ensemble de test dans un rapport de 8 : 2, et l'ensemble d'apprentissage est ensuite divisé en cinq sous-ensembles de validation croisée ; et l'algorithme d'optimisation bayésien est utilisé. pour valider de manière croisée les données, et optimiser les hyperparamètres du modèle GNN, etc.
L’expérience formera à terme la carte olfactive POM de haute dimension suivante (partielle) :
Cette image représente intuitivement la distance perceptuelle de chaque odeur. Par exemple, il existe de grandes distances perceptuelles entre les catégories florales, charnues et éthérées ; mais sous chaque catégorie, les odeurs plus spécifiques sont incluses, telles que le lys (muguet), la lavande (lavande) et le jasmin. (jasmin) sous un parfum floral, ont une distance de perception plus proche.
L'article a comparé POM avec les cartes basées sur les empreintes digitales de Morgan, qui ont déjà été étudiées, et a constaté que ces dernières ne peuvent pas encore refléter la distance perceptuelle mentionnée ci-dessus :
Afin de vérifier davantage l'effet de formation du modèle, les chercheurs ont ensuite recruté 15 experts en odeurs pour rivaliser avec le modèle afin de voir qui pourrait identifier les odeurs avec plus de précision.
Chacun des 15 experts doit sentir 400 odeurs. Les chercheurs donneront 55 adjectifs d'odeur et leur demanderont d'évaluer les 55 options sur une échelle de 1 à 5 pour chaque odeur afin d'évaluer dans quelle mesure chaque adjectif d'odeur est approprié. odeur.
Il a été constaté que pour 53 % des molécules testées, le modèle fonctionnait mieux que la moyenne des membres du panel.
Les chercheurs ont également classé les résultats de prédiction du modèle par descripteurs d'odeur et ont constaté que, à l'exception du musc, les résultats de prédiction du modèle pour les odeurs moléculaires se situaient tous dans la distribution d'erreurs du groupe humain et surpassaient les résultats de prédiction de 30 descripteurs d'odeur. :
Par la suite, les chercheurs ont également vérifié à plusieurs reprises les performances du modèle et obtenu une relation structure moléculaire-odeur relativement stable.
Nous entrons maintenant dans l’étape la plus passionnante du dessin à grande échelle de cartes d’odeurs, et obtenons finalement l’image suivante :
Vous pouvez comprendre le diagramme de coordonnées ci-dessus indiquant la distance de perception de l'odeur comme une version infiniment agrandie de ce diagramme. L'article mentionne que cette carte contient environ 500 000 molécules odorantes, dont beaucoup n'ont même pas été découvertes ou synthétisées (mais peuvent en effet être calculées).
Pour faire une comparaison plus intuitive, si un évaluateur humain qualifié recherchait ces odeurs, il faudrait environ 70 ans de travail continu pour toutes les collecter.
Il semble que cet article ait vraiment accompli une grande chose.
À cette époque, certains internautes ont demandé pourquoi la machine a-t-elle besoin de sentir ?
D'autres ont également donné leur propre opinion, par exemple en pensant qu'il peut être utilisé pour le contrôle de la qualité du traitement des eaux usées des usines, pour détecter des explosifs, des drogues ou des cadavres, etc. :
Par conséquent, les chiens policiers et les chiens de recherche et de sauvetage peuvent ne pas être en service.
Certaines personnes espèrent développer un bon déodorant sur cette base, car les gens dégageront une mauvaise odeur après avoir fait beaucoup d'exercices aérobiques comme courir ou soulever des poids :
Certains sont également très intéressés par les applications médicales de ce résultat de recherche, comme le développement de nouveaux traitements contre l'anosmie, ou la détection de maladies par l'odorat, etc. :
Il y a aussi des praticiens de l'industrie du parfum qui estiment que cela les a beaucoup aidés, "Cela dit à mes collègues quand ils mettent trop d'eau de Cologne" :
Ces prédictions ne sont en réalité pas déraisonnables. Tout d'abord, les machines peuvent en effet aider les humains à résoudre le problème de l'identification parfois inexacte des odeurs - la recherche montre que chacun a des perceptions différentes des odeurs et déclenchera des réactions différentes basées sur des signaux sensoriels et physiologiques, qui sont également affectés par l'expérience, les attentes, et la personnalité ou l’influence de facteurs situationnels.
Et l’odorat est parfois très important pour les gens.
Inutile de préciser que les mauvaises odeurs, certains gaz nocifs peuvent aussi être nocifs pour la santé. À l'heure actuelle, ce serait formidable si les machines pouvaient remplacer certains métiers pour aider les humains ou les animaux à travailler.
Pour d’autres professions où le parfum peut apporter des bienfaits, comme les parfumeurs, les chefs cuisiniers, les designers, les artistes et les architectes, etc., il est également nécessaire de préparer des parfums plus fonctionnels. Certaines occasions utilisent des parfums dans l'environnement. Par exemple, le Sloan-Kettering Cancer Center à New York disperse de l'huile de vanille dans l'air pour réduire la claustrophobie des patients lors des tests d'imagerie par résonance magnétique (IRM) ; le Chicago Board of Trade disperse également des parfums spécifiques. Pour réduire les décibels sonores dans la salle des marchés.
D'autres études ont montré que la plupart des souvenirs humains liés aux odeurs proviennent des dix premières années de la petite enfance et de la petite enfance, tandis que les souvenirs générés par le langage et la vision sont généralement produits entre 10 et 30 ans. Cela explique en partie pourquoi les odeurs peuvent évoquer des souvenirs lointains, et les souvenirs évoqués par les odeurs sont souvent plus chargés émotionnellement que les souvenirs évoqués par la vue ou l'ouïe.
Le lien entre l’odorat et l’être humain est donc encore très étroit, mais dans de nombreux cas, nous n’en sommes pas facilement conscients.
Les conjectures des internautes ont également été vérifiées par l’un des auteurs de l’article, Alex Wiltschko de la société Osmo. Il a écrit dans un article publié sur le site officiel d’Osmo :
** "La cartographie olfactive est la base de nos objectifs plus larges. Si un système fonctionnel qui reproduit notre nez ou celui d'un chien peut être développé, nous pouvons détecter les maladies à un stade précoce ; l'intelligence artificielle aidera également les médecins à trouver plus de chances d'être détectées dans le milieu clinique. pour développer des médicaments efficaces et mieux assister les chimistes de synthèse et les maîtres parfumeurs dans leur travail... Notre objectif de travail futur est de jeter une base scientifique et commerciale solide pour améliorer la santé et le bonheur humains. "**
Cependant, il a également déclaré que le document présente encore de nombreuses lacunes.
Par exemple, il est impossible de refléter l'intensité de l'odeur d'une molécule et ne peut que prédire son odeur ; seule l'odeur d'une seule molécule est prédite, mais dans la vie réelle, il s'agit plutôt d'une odeur mixte ; et même si toutes Les capacités sont atteintes, l'odeur ne peut pas être prédite. La réplication et la restauration seront également un grand défi et ainsi de suite.
Finalement, après avoir tout dit, le commentaire d’un internaute était assez simple : « Je pense que cela rendra la dégustation de vin moins amusante » :
Voir l'original
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
Quand l’IA apprend à sentir, les humains peuvent économiser 70 ans de travail
Je ne sais pas combien de personnes se souviennent encore de Google Nose.
Ce drôle de projet lancé par Google le jour du poisson d'avril 2013 prétend disposer d'une base de données d'odeurs contenant 15 millions de saveurs. Il suffit aux utilisateurs de saisir des mots-clés dans le champ de recherche de Google et de cliquer sur « sentir » pour les sentir directement à côté de leur ordinateur. de l'objet, comme l'odeur d'une voiture neuve, l'odeur d'un feu de camp, l'odeur d'un tombeau égyptien (?), etc.
C’est cette plaisanterie scandaleuse mais brillante d’il y a dix ans qui est en partie transformée en réalité par son inventeur.
Le magazine "Science" a publié début septembre de cette année un article publié conjointement par plusieurs équipes de recherche, dont la startup Osmo (spin-off de Google) et le Monell Chemical Senses Center, qui déclarait : ** Les modèles d'IA peuvent donner aux machines un meilleur « sens » d’odorat » que les humains**.
En d’autres termes, numériser l’odorat semble impossible.
La tâche principale des chercheurs dans cet article est d’essayer de créer une carte olfactive humaine de grande dimension capable de refléter fidèlement les caractéristiques de l’odeur, c’est-à-dire POM (Principle Odor Map).
Alors, comment ça se passe exactement ?
On sait que l'odeur est la réponse du système olfactif humain à certaines molécules spécifiques dispersées dans l'air. Une fois que les molécules odorantes pénètrent dans les narines, elles réagiront avec les cellules olfactives situées au-dessus de la cavité nasale (récepteurs), et les ondes bioélectriques générées seront transmises au cerveau par les nerfs, puis l'odeur sera reconnue.
La composition de l’odeur est en réalité bien plus complexe que la couleur et le son : il en existe des millions de types différents, et chaque odeur est composée de centaines de molécules chimiques aux propriétés différentes. En conséquence, les humains possèdent environ 400 récepteurs olfactifs fonctionnels, ce qui dépasse de loin les 4 que nous utilisons pour la vision et la quarantaine environ utilisée pour le goût.
Face à un mécanisme olfactif aussi complexe, la première chose que les chercheurs ont faite a été de créer un modèle d’apprentissage automatique : le réseau neuronal de transmission de messages (MPNN).
Il s'agit d'un réseau neuronal graphique spécifique (GNN), car le réseau neuronal graphique est une méthode d'apprentissage en profondeur basée sur la structure graphique, qui introduit l'analyse graphique traditionnelle et fournit une méthode d'extraction de caractéristiques à partir de données irrégulières, il est donc également très approprié Utilisé pour apprendre caractéristiques olfactives complexes.
Une fois le modèle construit, l’étape suivante consiste à lui fournir du matériel d’apprentissage.
Les chercheurs ont combiné la base de données d'arômes et de parfums Good Scents and Leffingwell & Associates (GS-LF) et ont établi un ensemble de données de référence contenant environ 5 000 molécules comme matériel de formation de base. Chaque molécule peut avoir plusieurs étiquettes d'odeur, telles que fruitée, florale, fromage. , mentholé et plus encore.
En prenant la forme et la structure de la molécule comme entrée de données, le modèle est capable de générer des mots odorants correspondants qui décrivent le mieux une certaine odeur.
Afin de rendre les résultats de formation plus précis, les chercheurs utilisent également diverses méthodes pour optimiser les paramètres du modèle. Par exemple, la base de données d'arômes et de parfums GS-LF est divisée en un ensemble d'apprentissage et un ensemble de test dans un rapport de 8 : 2, et l'ensemble d'apprentissage est ensuite divisé en cinq sous-ensembles de validation croisée ; et l'algorithme d'optimisation bayésien est utilisé. pour valider de manière croisée les données, et optimiser les hyperparamètres du modèle GNN, etc.
L’expérience formera à terme la carte olfactive POM de haute dimension suivante (partielle) :
L'article a comparé POM avec les cartes basées sur les empreintes digitales de Morgan, qui ont déjà été étudiées, et a constaté que ces dernières ne peuvent pas encore refléter la distance perceptuelle mentionnée ci-dessus :
Chacun des 15 experts doit sentir 400 odeurs. Les chercheurs donneront 55 adjectifs d'odeur et leur demanderont d'évaluer les 55 options sur une échelle de 1 à 5 pour chaque odeur afin d'évaluer dans quelle mesure chaque adjectif d'odeur est approprié. odeur.
Il a été constaté que pour 53 % des molécules testées, le modèle fonctionnait mieux que la moyenne des membres du panel.
Les chercheurs ont également classé les résultats de prédiction du modèle par descripteurs d'odeur et ont constaté que, à l'exception du musc, les résultats de prédiction du modèle pour les odeurs moléculaires se situaient tous dans la distribution d'erreurs du groupe humain et surpassaient les résultats de prédiction de 30 descripteurs d'odeur. :
Nous entrons maintenant dans l’étape la plus passionnante du dessin à grande échelle de cartes d’odeurs, et obtenons finalement l’image suivante :
Pour faire une comparaison plus intuitive, si un évaluateur humain qualifié recherchait ces odeurs, il faudrait environ 70 ans de travail continu pour toutes les collecter.
Il semble que cet article ait vraiment accompli une grande chose.
À cette époque, certains internautes ont demandé pourquoi la machine a-t-elle besoin de sentir ?
Certaines personnes espèrent développer un bon déodorant sur cette base, car les gens dégageront une mauvaise odeur après avoir fait beaucoup d'exercices aérobiques comme courir ou soulever des poids :
Et l’odorat est parfois très important pour les gens.
Inutile de préciser que les mauvaises odeurs, certains gaz nocifs peuvent aussi être nocifs pour la santé. À l'heure actuelle, ce serait formidable si les machines pouvaient remplacer certains métiers pour aider les humains ou les animaux à travailler.
Pour d’autres professions où le parfum peut apporter des bienfaits, comme les parfumeurs, les chefs cuisiniers, les designers, les artistes et les architectes, etc., il est également nécessaire de préparer des parfums plus fonctionnels. Certaines occasions utilisent des parfums dans l'environnement. Par exemple, le Sloan-Kettering Cancer Center à New York disperse de l'huile de vanille dans l'air pour réduire la claustrophobie des patients lors des tests d'imagerie par résonance magnétique (IRM) ; le Chicago Board of Trade disperse également des parfums spécifiques. Pour réduire les décibels sonores dans la salle des marchés.
D'autres études ont montré que la plupart des souvenirs humains liés aux odeurs proviennent des dix premières années de la petite enfance et de la petite enfance, tandis que les souvenirs générés par le langage et la vision sont généralement produits entre 10 et 30 ans. Cela explique en partie pourquoi les odeurs peuvent évoquer des souvenirs lointains, et les souvenirs évoqués par les odeurs sont souvent plus chargés émotionnellement que les souvenirs évoqués par la vue ou l'ouïe.
Le lien entre l’odorat et l’être humain est donc encore très étroit, mais dans de nombreux cas, nous n’en sommes pas facilement conscients.
Les conjectures des internautes ont également été vérifiées par l’un des auteurs de l’article, Alex Wiltschko de la société Osmo. Il a écrit dans un article publié sur le site officiel d’Osmo :
Cependant, il a également déclaré que le document présente encore de nombreuses lacunes.
Par exemple, il est impossible de refléter l'intensité de l'odeur d'une molécule et ne peut que prédire son odeur ; seule l'odeur d'une seule molécule est prédite, mais dans la vie réelle, il s'agit plutôt d'une odeur mixte ; et même si toutes Les capacités sont atteintes, l'odeur ne peut pas être prédite. La réplication et la restauration seront également un grand défi et ainsi de suite.
Finalement, après avoir tout dit, le commentaire d’un internaute était assez simple : « Je pense que cela rendra la dégustation de vin moins amusante » :