Entah berapa banyak orang yang masih ingat Google Nose.
Proyek lucu yang diluncurkan Google pada April Mop tahun 2013 ini mengklaim memiliki database bau yang berisi 15 juta rasa. Pengguna hanya perlu memasukkan kata kunci di kotak pencarian Google dan mengklik "bau" untuk menciumnya langsung di sebelah komputer mereka. dari benda tersebut, seperti bau mobil baru, bau api unggun, bau makam Mesir (?), dll.
Lelucon yang keterlaluan namun brilian sepuluh tahun lalu inilah yang sebagian diubah menjadi kenyataan oleh penemunya.
Majalah "Science" pada awal September tahun ini menerbitkan makalah yang diterbitkan bersama oleh beberapa tim peneliti termasuk startup Osmo (spin-off dari Google) dan Monell Chemical Senses Center (Monell Chemical Senses Center), yang menyatakan, ** model AI dapat memberi mesin “indra penciuman” yang lebih baik daripada manusia**.
Sekilas hal ini terdengar luar biasa, karena bagi masyarakat umum, indera penciuman adalah keberadaan yang jauh lebih abstrak dibandingkan penglihatan dan pendengaran. Spektrum warna RGB dapat menggambarkan warna-warna yang dilihat oleh mata manusia, dan suara yang didengar oleh telinga manusia juga dapat diubah menjadi panjang gelombang dengan frekuensi yang berbeda-beda, bahkan membuat orang merasakan getaran.Namun, hanya indera penciuman saja yang tidak dapat dilihat atau tersentuh, dan bahkan lebih sulit untuk dijelaskan dengan indikator kuantitatif. .
Dengan kata lain, mendigitalkan bau terdengar mustahil.
Tugas inti para peneliti dalam makalah ini adalah mencoba membuat peta penciuman manusia berdimensi tinggi yang dapat mencerminkan karakteristik bau dengan tepat, yaitu POM (Principle Odor Map).
Jadi bagaimana tepatnya hal itu dilakukan?
Kita tahu bahwa bau merupakan respon sistem penciuman manusia terhadap molekul spesifik tertentu yang tersebar di udara. Setelah molekul bau masuk ke lubang hidung, mereka akan bereaksi dengan sel penciuman di atas rongga hidung (reseptor), dan gelombang bioelektrik yang dihasilkan akan dikirim ke otak melalui saraf, dan kemudian bau akan dikenali.
Komposisi bau sebenarnya jauh lebih kompleks daripada warna dan suara, ada jutaan jenis yang berbeda, dan setiap bau terdiri dari ratusan molekul kimia dengan sifat berbeda. Sejalan dengan itu, manusia memiliki sekitar 400 reseptor penciuman fungsional, jauh melebihi 4 reseptor yang kita gunakan untuk penglihatan dan sekitar 40 reseptor yang digunakan untuk pengecapan.
Menghadapi mekanisme penciuman yang begitu kompleks, hal pertama yang dilakukan para peneliti adalah membuat model pembelajaran mesin—Message Passing Neural Network (MPNN).
Diagram model
Ini adalah jaringan saraf graf khusus (GNN), karena jaringan saraf graf adalah metode pembelajaran mendalam berdasarkan struktur grafik, yang memperkenalkan analisis grafik tradisional dan menyediakan metode untuk mengekstraksi fitur dari data tidak beraturan, sehingga juga sangat cocok digunakan untuk mempelajarinya. fitur bau yang kompleks.
Setelah model dibangun, langkah selanjutnya adalah pemberian materi pembelajaran.
Para peneliti menggabungkan database rasa dan wewangian Good Scents dan Leffingwell & Associates (GS-LF) dan membuat kumpulan data referensi yang berisi sekitar 5.000 molekul sebagai materi pelatihan dasar.Setiap molekul dapat memiliki beberapa label bau, seperti buah, Bunga, keju. , mint, dan banyak lagi.
Beberapa molekul dalam database GS-LF
Dengan mengambil bentuk dan struktur molekul sebagai masukan data, model ini mampu menghasilkan kata-kata bau yang sesuai dan paling menggambarkan bau tertentu.
Agar hasil pelatihan lebih akurat, peneliti juga menggunakan berbagai metode untuk mengoptimalkan parameter model. Misalnya, database rasa dan wewangian GS-LF dibagi menjadi set pelatihan dan set pengujian dengan rasio 8:2, dan set pelatihan dibagi lagi menjadi lima subset validasi silang; dan algoritma optimasi Bayesian digunakan untuk memvalidasi silang data, dan Mengoptimalkan hyperparameter model GNN, dll.
Eksperimen tersebut pada akhirnya akan membentuk POM peta penciuman berdimensi tinggi berikut (parsial):
Gambar ini secara intuitif mewakili jarak persepsi setiap aroma. Misalnya, ada jarak persepsi yang besar antara kategori bunga, daging, dan halus; namun di bawah masing-masing kategori, terdapat aroma yang lebih spesifik, seperti lily (muguet), lavendel (lavender), dan melati (melati) di bawah wangi bunga, memiliki jarak persepsi yang lebih dekat.
Makalah ini membandingkan POM dengan peta berbasis sidik jari Morgan, yang telah dipelajari sebelumnya, dan menemukan bahwa peta berbasis sidik jari Morgan belum dapat mencerminkan jarak persepsi yang disebutkan di atas:
Untuk lebih memverifikasi efek pelatihan model, para peneliti kemudian merekrut 15 ahli penciuman untuk bersaing dengan model guna melihat siapa yang dapat mengidentifikasi bau dengan lebih akurat.
Masing-masing dari 15 ahli perlu mencium 400 bau.Para peneliti akan memberikan 55 kata sifat bau dan meminta mereka menilai 55 pilihan pada skala 1-5 untuk setiap bau untuk mengevaluasi sejauh mana setiap kata sifat bau cocok. bau.
Ditemukan bahwa untuk 53% molekul uji, kinerja model lebih baik daripada rata-rata anggota panel.
Para peneliti juga mengklasifikasikan hasil prediksi model berdasarkan deskriptor bau dan menemukan bahwa, kecuali musk, hasil prediksi model untuk bau molekuler semuanya berada dalam distribusi kesalahan kelompok manusia, dan mengungguli hasil prediksi dari 30 deskriptor bau. :
Selanjutnya, para peneliti juga berulang kali memverifikasi kinerja model dan memperoleh hubungan struktur molekul-bau yang relatif stabil.
Sekarang kita memasuki tahap paling seru dalam menggambar peta bau dalam skala besar, dan akhirnya mendapatkan gambar berikut:
Anda dapat memahami diagram koordinat di atas yang menunjukkan jarak persepsi bau sebagai versi diagram yang diperbesar tanpa batas. Makalah tersebut menyebutkan bahwa peta ini mengandung sekitar 500.000 molekul bau, banyak di antaranya bahkan belum ditemukan atau disintesis (tetapi memang dapat dihitung).
Untuk membuat perbandingan yang lebih intuitif, jika manusia yang terlatih melakukan evaluator untuk mencari bau-bauan ini, diperlukan waktu sekitar 70 tahun kerja terus menerus untuk mengumpulkan semuanya.
Tampaknya makalah ini benar-benar telah mencapai sesuatu yang besar.
Saat ini, beberapa netizen bertanya, kenapa mesinnya perlu berbau?
Pihak lain juga memberikan pendapat mereka sendiri, seperti berpendapat bahwa hal ini dapat digunakan untuk pengendalian kualitas pengolahan limbah pabrik, mengendus bahan peledak, obat-obatan atau mayat, dll.:
Akibatnya, anjing polisi dan anjing pencari dan penyelamat mungkin tidak bertugas.
Beberapa orang berharap dapat mengembangkan deodoran yang baik berdasarkan hal ini, karena orang akan mengeluarkan bau tak sedap setelah banyak melakukan latihan aerobik seperti lari atau angkat beban:
Beberapa orang juga sangat tertarik dengan penerapan medis dari hasil penelitian ini, seperti pengembangan pengobatan baru untuk anosmia, atau pendeteksian penyakit melalui penciuman, dll.:
Ada juga praktisi di industri parfum yang merasa bahwa hal ini sangat membantu mereka, "Ini memberitahu rekan-rekan saya ketika mereka memakai terlalu banyak cologne":
Prediksi tersebut sebenarnya bukannya tidak masuk akal. Pertama-tama, mesin memang dapat membantu manusia memecahkan masalah identifikasi bau yang terkadang tidak akurat - penelitian menunjukkan bahwa setiap orang memiliki persepsi berbeda terhadap bau, dan akan memicu reaksi berbeda berdasarkan sinyal sensorik dan fisiologis, yang juga dipengaruhi oleh pengalaman, ekspektasi, dan kepribadian, atau pengaruh faktor situasional.
Dan bau terkadang sangat penting bagi manusia.
Tak perlu dikatakan lagi, bau tak sedap, beberapa gas berbahaya juga dapat membahayakan kesehatan.Pada saat ini, alangkah baiknya jika mesin dapat menggantikan pekerjaan tertentu untuk membantu pekerjaan manusia atau hewan.
Untuk profesi lain yang pengharumnya dapat membawa manfaat, seperti pembuat wewangian, chef, desainer, seniman dan arsitek, dll, perlu juga menyiapkan wewangian yang lebih fungsional. Beberapa kesempatan menggunakan wewangian di lingkungan. Misalnya, Pusat Kanker Sloan-Kettering di New York menyebarkan minyak vanila ke udara untuk mengurangi klaustrofobia pasien selama tes pencitraan resonansi magnetik (MRI); Dewan Perdagangan Chicago juga menyebarkan aroma tertentu. Untuk mengurangi desibel kebisingan di lantai bursa.
Penelitian lain menunjukkan bahwa sebagian besar ingatan manusia yang berhubungan dengan bau berasal dari sepuluh tahun pertama masa bayi dan anak usia dini, sedangkan ingatan yang dihasilkan oleh bahasa dan penglihatan biasanya dihasilkan antara usia 10 dan 30 tahun. Hal ini sebagian menjelaskan mengapa bau dapat membangkitkan ingatan yang jauh, dan ingatan yang ditimbulkan melalui penciuman sering kali lebih bermuatan emosional dibandingkan ingatan yang ditimbulkan oleh penglihatan atau pendengaran.
Oleh karena itu, hubungan antara penciuman dan manusia masih sangat erat, namun dalam banyak kasus kita tidak mudah menyadarinya.
Dugaan netizen pun dibenarkan oleh salah satu penulis makalah, Alex Wiltschko dari Osmo Company. Dia menulis dalam artikel yang diposting di situs resmi Osmo,
"Pemetaan bau adalah dasar untuk tujuan kami yang lebih besar. Jika sistem fungsional yang meniru hidung kita atau hidung anjing dapat dikembangkan, kita dapat mendeteksi penyakit sejak dini; kecerdasan buatan juga akan membantu dokter menemukan kemungkinan penyakit yang lebih besar terdeteksi di untuk mengembangkan obat-obatan yang berhasil dan memberikan bantuan yang lebih baik kepada ahli kimia sintetik dan ahli pembuat parfum dalam pekerjaan mereka...Tujuan kerja kami di masa depan adalah untuk meletakkan landasan ilmiah dan komersial yang kuat untuk meningkatkan kesehatan dan kebahagiaan manusia."
Namun, ia juga mengatakan bahwa makalah tersebut masih memiliki banyak kekurangan.
Misalnya, tidak mungkin untuk mencerminkan intensitas bau suatu molekul, dan hanya dapat memprediksi seperti apa baunya; hanya bau dari satu molekul yang dapat diprediksi, namun dalam kehidupan nyata bau tersebut lebih merupakan bau campuran; dan bahkan jika semua baunya tercampur. kemampuan tercapai, baunya tidak bisa diprediksi, replikasi dan restorasi juga akan menjadi tantangan besar dan seterusnya.
Terakhir, setelah berkata begitu banyak, komentar salah satu netizen cukup sederhana, “Saya rasa ini akan membuat mencicipi wine menjadi kurang menyenangkan”:
Lihat Asli
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
Ketika AI belajar mencium, manusia dapat menghemat 70 tahun kerja
Entah berapa banyak orang yang masih ingat Google Nose.
Proyek lucu yang diluncurkan Google pada April Mop tahun 2013 ini mengklaim memiliki database bau yang berisi 15 juta rasa. Pengguna hanya perlu memasukkan kata kunci di kotak pencarian Google dan mengklik "bau" untuk menciumnya langsung di sebelah komputer mereka. dari benda tersebut, seperti bau mobil baru, bau api unggun, bau makam Mesir (?), dll.
Lelucon yang keterlaluan namun brilian sepuluh tahun lalu inilah yang sebagian diubah menjadi kenyataan oleh penemunya.
Majalah "Science" pada awal September tahun ini menerbitkan makalah yang diterbitkan bersama oleh beberapa tim peneliti termasuk startup Osmo (spin-off dari Google) dan Monell Chemical Senses Center (Monell Chemical Senses Center), yang menyatakan, ** model AI dapat memberi mesin “indra penciuman” yang lebih baik daripada manusia**.
Dengan kata lain, mendigitalkan bau terdengar mustahil.
Tugas inti para peneliti dalam makalah ini adalah mencoba membuat peta penciuman manusia berdimensi tinggi yang dapat mencerminkan karakteristik bau dengan tepat, yaitu POM (Principle Odor Map).
Jadi bagaimana tepatnya hal itu dilakukan?
Kita tahu bahwa bau merupakan respon sistem penciuman manusia terhadap molekul spesifik tertentu yang tersebar di udara. Setelah molekul bau masuk ke lubang hidung, mereka akan bereaksi dengan sel penciuman di atas rongga hidung (reseptor), dan gelombang bioelektrik yang dihasilkan akan dikirim ke otak melalui saraf, dan kemudian bau akan dikenali.
Komposisi bau sebenarnya jauh lebih kompleks daripada warna dan suara, ada jutaan jenis yang berbeda, dan setiap bau terdiri dari ratusan molekul kimia dengan sifat berbeda. Sejalan dengan itu, manusia memiliki sekitar 400 reseptor penciuman fungsional, jauh melebihi 4 reseptor yang kita gunakan untuk penglihatan dan sekitar 40 reseptor yang digunakan untuk pengecapan.
Menghadapi mekanisme penciuman yang begitu kompleks, hal pertama yang dilakukan para peneliti adalah membuat model pembelajaran mesin—Message Passing Neural Network (MPNN).
Ini adalah jaringan saraf graf khusus (GNN), karena jaringan saraf graf adalah metode pembelajaran mendalam berdasarkan struktur grafik, yang memperkenalkan analisis grafik tradisional dan menyediakan metode untuk mengekstraksi fitur dari data tidak beraturan, sehingga juga sangat cocok digunakan untuk mempelajarinya. fitur bau yang kompleks.
Setelah model dibangun, langkah selanjutnya adalah pemberian materi pembelajaran.
Para peneliti menggabungkan database rasa dan wewangian Good Scents dan Leffingwell & Associates (GS-LF) dan membuat kumpulan data referensi yang berisi sekitar 5.000 molekul sebagai materi pelatihan dasar.Setiap molekul dapat memiliki beberapa label bau, seperti buah, Bunga, keju. , mint, dan banyak lagi.
Dengan mengambil bentuk dan struktur molekul sebagai masukan data, model ini mampu menghasilkan kata-kata bau yang sesuai dan paling menggambarkan bau tertentu.
Agar hasil pelatihan lebih akurat, peneliti juga menggunakan berbagai metode untuk mengoptimalkan parameter model. Misalnya, database rasa dan wewangian GS-LF dibagi menjadi set pelatihan dan set pengujian dengan rasio 8:2, dan set pelatihan dibagi lagi menjadi lima subset validasi silang; dan algoritma optimasi Bayesian digunakan untuk memvalidasi silang data, dan Mengoptimalkan hyperparameter model GNN, dll.
Eksperimen tersebut pada akhirnya akan membentuk POM peta penciuman berdimensi tinggi berikut (parsial):
Makalah ini membandingkan POM dengan peta berbasis sidik jari Morgan, yang telah dipelajari sebelumnya, dan menemukan bahwa peta berbasis sidik jari Morgan belum dapat mencerminkan jarak persepsi yang disebutkan di atas:
Masing-masing dari 15 ahli perlu mencium 400 bau.Para peneliti akan memberikan 55 kata sifat bau dan meminta mereka menilai 55 pilihan pada skala 1-5 untuk setiap bau untuk mengevaluasi sejauh mana setiap kata sifat bau cocok. bau.
Ditemukan bahwa untuk 53% molekul uji, kinerja model lebih baik daripada rata-rata anggota panel.
Para peneliti juga mengklasifikasikan hasil prediksi model berdasarkan deskriptor bau dan menemukan bahwa, kecuali musk, hasil prediksi model untuk bau molekuler semuanya berada dalam distribusi kesalahan kelompok manusia, dan mengungguli hasil prediksi dari 30 deskriptor bau. :
Sekarang kita memasuki tahap paling seru dalam menggambar peta bau dalam skala besar, dan akhirnya mendapatkan gambar berikut:
Untuk membuat perbandingan yang lebih intuitif, jika manusia yang terlatih melakukan evaluator untuk mencari bau-bauan ini, diperlukan waktu sekitar 70 tahun kerja terus menerus untuk mengumpulkan semuanya.
Tampaknya makalah ini benar-benar telah mencapai sesuatu yang besar.
Saat ini, beberapa netizen bertanya, kenapa mesinnya perlu berbau?
Beberapa orang berharap dapat mengembangkan deodoran yang baik berdasarkan hal ini, karena orang akan mengeluarkan bau tak sedap setelah banyak melakukan latihan aerobik seperti lari atau angkat beban:
Dan bau terkadang sangat penting bagi manusia.
Tak perlu dikatakan lagi, bau tak sedap, beberapa gas berbahaya juga dapat membahayakan kesehatan.Pada saat ini, alangkah baiknya jika mesin dapat menggantikan pekerjaan tertentu untuk membantu pekerjaan manusia atau hewan.
Untuk profesi lain yang pengharumnya dapat membawa manfaat, seperti pembuat wewangian, chef, desainer, seniman dan arsitek, dll, perlu juga menyiapkan wewangian yang lebih fungsional. Beberapa kesempatan menggunakan wewangian di lingkungan. Misalnya, Pusat Kanker Sloan-Kettering di New York menyebarkan minyak vanila ke udara untuk mengurangi klaustrofobia pasien selama tes pencitraan resonansi magnetik (MRI); Dewan Perdagangan Chicago juga menyebarkan aroma tertentu. Untuk mengurangi desibel kebisingan di lantai bursa.
Penelitian lain menunjukkan bahwa sebagian besar ingatan manusia yang berhubungan dengan bau berasal dari sepuluh tahun pertama masa bayi dan anak usia dini, sedangkan ingatan yang dihasilkan oleh bahasa dan penglihatan biasanya dihasilkan antara usia 10 dan 30 tahun. Hal ini sebagian menjelaskan mengapa bau dapat membangkitkan ingatan yang jauh, dan ingatan yang ditimbulkan melalui penciuman sering kali lebih bermuatan emosional dibandingkan ingatan yang ditimbulkan oleh penglihatan atau pendengaran.
Oleh karena itu, hubungan antara penciuman dan manusia masih sangat erat, namun dalam banyak kasus kita tidak mudah menyadarinya.
Dugaan netizen pun dibenarkan oleh salah satu penulis makalah, Alex Wiltschko dari Osmo Company. Dia menulis dalam artikel yang diposting di situs resmi Osmo,
Namun, ia juga mengatakan bahwa makalah tersebut masih memiliki banyak kekurangan.
Misalnya, tidak mungkin untuk mencerminkan intensitas bau suatu molekul, dan hanya dapat memprediksi seperti apa baunya; hanya bau dari satu molekul yang dapat diprediksi, namun dalam kehidupan nyata bau tersebut lebih merupakan bau campuran; dan bahkan jika semua baunya tercampur. kemampuan tercapai, baunya tidak bisa diprediksi, replikasi dan restorasi juga akan menjadi tantangan besar dan seterusnya.
Terakhir, setelah berkata begitu banyak, komentar salah satu netizen cukup sederhana, “Saya rasa ini akan membuat mencicipi wine menjadi kurang menyenangkan”: