Não sei quantas pessoas ainda se lembram do Google Nose.
Este engraçado projeto lançado pelo Google no Dia da Mentira de 2013 afirma ter um banco de dados de cheiros contendo 15 milhões de sabores. Os usuários só precisam inserir palavras-chave na caixa de pesquisa do Google e clicar em "cheirar" para cheirá-los diretamente ao lado de seu computador. O cheiro do objeto, como o cheiro de um carro novo, o cheiro de uma fogueira, o cheiro de uma tumba egípcia (?), etc.
É esta piada ultrajante mas brilhante de há dez anos que está a ser parcialmente transformada em realidade pelo seu inventor.
A revista "Science" publicou no início de setembro deste ano um artigo publicado em conjunto por várias equipes de pesquisa, incluindo a startup Osmo (spin-off do Google) e o Monell Chemical Senses Center (Monell Chemical Senses Center), que afirmava: ** Modelos de IA podem dar às máquinas um “olfato” melhor do que os humanos**.
À primeira vista, isso parece incrível, afinal, para o público, o sentido do olfato é uma existência muito mais abstrata do que a visão e a audição. O espectro de cores RGB pode descrever as cores vistas pelo olho humano, e os sons ouvidos pelo ouvido humano também podem ser convertidos em comprimentos de onda de diferentes frequências, e até mesmo fazer as pessoas sentirem vibrações. No entanto, apenas o sentido do olfato não pode ser visto ou tocado, e é ainda mais difícil de descrever com indicadores quantitativos.
Em outras palavras, digitalizar o cheiro parece impossível.
A principal tarefa dos pesquisadores neste artigo é tentar criar um mapa olfativo humano de alta dimensão que possa refletir fielmente as características do odor, ou seja, POM (Principle Odor Map).
Então, como exatamente isso é feito?
Sabemos que o odor é a resposta do sistema olfativo humano a certas moléculas específicas espalhadas no ar. Após as moléculas de odor entrarem nas narinas, elas reagirão com as células olfativas acima da cavidade nasal (receptores), e as ondas bioelétricas geradas serão transmitidas ao cérebro através dos nervos, e então o cheiro será reconhecido.
A composição do cheiro é na verdade muito mais complexa do que a cor e o som. Existem milhões de tipos diferentes, e cada cheiro é composto por centenas de moléculas químicas com propriedades diferentes. Da mesma forma, os humanos têm aproximadamente 400 receptores olfativos funcionais, excedendo em muito os 4 que usamos para a visão e os aproximadamente 40 usados para o paladar.
Diante de um mecanismo olfativo tão complexo, a primeira coisa que os pesquisadores fizeram foi criar um modelo de aprendizado de máquina – Rede Neural de Passagem de Mensagens (MPNN).
Diagrama de modelo
Esta é uma rede neural de grafos específica (GNN), porque a rede neural de grafos é um método de aprendizado profundo baseado na estrutura de grafos, que introduz a análise tradicional de grafos e fornece um método para extrair recursos de dados irregulares, por isso também é muito adequado Usado para aprender características complexas de odor.
Após a construção do modelo, a próxima etapa é alimentá-lo com materiais de aprendizagem.
Os pesquisadores combinaram o banco de dados de sabores e fragrâncias Good Scents e Leffingwell & Associates (GS-LF) e estabeleceram um conjunto de dados de referência contendo cerca de 5.000 moléculas como material básico de treinamento. Cada molécula pode ter vários rótulos de odor, como frutado, floral, queijo , mentolado e muito mais.
Algumas moléculas no banco de dados GS-LF
Ao tomar a forma e a estrutura da molécula como entrada de dados, o modelo é capaz de produzir palavras de odor correspondentes que melhor descrevem um determinado odor.
Para tornar os resultados do treinamento mais precisos, os pesquisadores também utilizam vários métodos para otimizar os parâmetros do modelo. Por exemplo, o banco de dados de sabores e fragrâncias GS-LF é dividido em um conjunto de treinamento e um conjunto de testes em uma proporção de 8:2, e o conjunto de treinamento é dividido em cinco subconjuntos de validação cruzada; e o algoritmo de otimização bayesiano é usado para validar cruzadamente os dados e otimizar os hiperparâmetros do modelo GNN, etc.
O experimento eventualmente formará o seguinte mapa olfativo de alta dimensão POM (parcial):
Esta imagem representa intuitivamente a distância perceptiva de cada cheiro. Por exemplo, existem grandes distâncias perceptivas entre as categorias floral, carnudo e etéreo; mas sob cada categoria estão incluídos cheiros mais específicos, como lírio (muguet), lavanda (lavanda) e jasmim (jasmim) sob fragrância floral, tem uma distância de percepção mais próxima.
O artigo comparou o POM com mapas baseados em impressões digitais de Morgan, que foram estudados anteriormente, e descobriu que estes últimos ainda não podem refletir a distância perceptual mencionada acima:
Para verificar melhor o efeito do treinamento do modelo, os pesquisadores recrutaram 15 especialistas em odores para competir com o modelo e ver quem conseguia identificar os cheiros com mais precisão.
Cada um dos 15 especialistas precisa cheirar 400 odores. Os pesquisadores darão 55 adjetivos de odor e pedirão que avaliem as 55 opções em uma escala de 1 a 5 para cada odor, para avaliar até que ponto cada adjetivo de odor é adequado. cheiro.
Verificou-se que para 53% das moléculas de teste o modelo teve um desempenho melhor que a média dos membros do painel.
Os pesquisadores também classificaram os resultados de previsão do modelo por descritores de odor e descobriram que, com exceção do almíscar, os resultados de previsão do modelo para odores moleculares estavam todos dentro da distribuição de erro do grupo humano e superaram os resultados de previsão de 30 descritores de odor. :
Posteriormente, os pesquisadores também verificaram repetidamente o desempenho do modelo e obtiveram uma relação estrutura molecular-odor relativamente estável.
Agora entramos na fase mais emocionante do desenho em grande escala de mapas de odores e, finalmente, obtemos a seguinte imagem:
Você pode entender o diagrama de coordenadas acima, indicando a distância de percepção do cheiro, como uma versão infinitamente ampliada deste diagrama. O artigo menciona que este mapa contém cerca de 500.000 moléculas de odor, muitas das quais nem sequer foram descobertas ou sintetizadas (mas podem de facto ser calculadas).
Para fazer uma comparação mais intuitiva, se um avaliador humano treinado procurasse esses cheiros, seriam necessários cerca de 70 anos de trabalho contínuo para coletá-los todos.
Parece que este artigo realmente realizou um grande feito.
Nesse momento, alguns internautas perguntaram: por que a máquina precisa cheirar?
Outros também deram suas próprias opiniões, como pensar que pode ser utilizado para controle de qualidade de tratamento de esgoto de fábricas, farejamento de explosivos, drogas ou cadáveres, etc.:
Como resultado, os cães policiais e os cães de busca e salvamento podem estar de folga.
Algumas pessoas esperam desenvolver um bom desodorante com base nisso, porque as pessoas emitirão mau cheiro depois de fazerem muitos exercícios aeróbicos, como correr ou levantar pesos:
Algumas pessoas também estão muito interessadas nas aplicações médicas dos resultados desta pesquisa, como o desenvolvimento de novos tratamentos para anosmia, ou a detecção de doenças através do olfato, etc.:
Há também profissionais da indústria de perfumes que acham que isso os ajudou muito: “Isso avisa aos meus colegas quando eles usam muita colônia”:
Na verdade, essas previsões não são irracionais. Em primeiro lugar, as máquinas podem, de facto, ajudar os humanos a resolver o problema da identificação por vezes imprecisa de cheiros - a investigação mostra que cada pessoa tem diferentes percepções de cheiros e irá desencadear diferentes reacções baseadas em sinais sensoriais e fisiológicos, que também são afectados pela experiência, expectativas, e personalidade ou a influência de fatores situacionais.
E o cheiro às vezes é muito importante para as pessoas.
Escusado será dizer que os maus cheiros e alguns gases nocivos também podem ser prejudiciais à saúde. Neste momento, seria óptimo se as máquinas pudessem substituir certas ocupações para ajudar os humanos ou os animais a trabalhar.
Para outras profissões onde o perfume pode trazer benefícios, como perfumistas, chefs, designers, artistas e arquitetos, etc., há também a necessidade de preparar aromas mais funcionais. Algumas ocasiões usam aromas no ambiente. Por exemplo, o Sloan-Kettering Cancer Center, em Nova York, dispersa óleo de baunilha no ar para reduzir a claustrofobia dos pacientes durante exames de ressonância magnética (MRI); a Junta Comercial de Chicago também dispersa aromas específicos. Para reduzir o ruído em decibéis no pregão.
Outros estudos mostraram que a maioria das memórias humanas relacionadas ao odor vem dos primeiros dez anos da infância e da primeira infância, enquanto as memórias geradas pela linguagem e pela visão são geralmente produzidas entre as idades de 10 e 30 anos. Isto explica em parte por que os cheiros podem evocar memórias distantes, e as memórias evocadas através dos cheiros são muitas vezes mais carregadas emocionalmente do que as memórias evocadas pela visão ou pela audição.
Portanto, a ligação entre o olfato e o ser humano ainda é muito próxima, mas em muitos casos não nos damos conta disso facilmente.
As conjecturas dos internautas também foram verificadas por um dos autores do artigo, Alex Wiltschko, da Osmo Company. Ele escreveu em um artigo publicado no site oficial da Osmo,
“O mapeamento do olfato é a base para nossos objetivos maiores. Se um sistema funcional que reproduz nosso nariz ou o nariz de um cachorro puder ser desenvolvido, poderemos detectar doenças precocemente; a inteligência artificial também ajudará os médicos a encontrar maior probabilidade de serem detectadas no clínica. desenvolver medicamentos de sucesso e ajudar melhor os químicos sintéticos e os mestres perfumistas em seu trabalho... Nosso objetivo de trabalho futuro é estabelecer uma base científica e comercial sólida para melhorar a saúde e a felicidade humanas."
No entanto, ele também disse que o documento ainda apresenta muitas deficiências.
Por exemplo, é impossível refletir a intensidade do odor de uma molécula, e só podemos prever qual é o seu cheiro; apenas o odor de uma única molécula é previsto, mas na vida real é mais um odor misto; e mesmo que todos habilidades são alcançadas, o odor não pode ser previsto. A replicação e restauração também serão um grande desafio e assim por diante.
Finalmente, tendo dito tudo isso, o comentário de um internauta foi bastante simples: “Acho que isso tornará a degustação de vinhos menos divertida”:
Ver original
Esta página pode conter conteúdo de terceiros, que é fornecido apenas para fins informativos (não para representações/garantias) e não deve ser considerada como um endosso de suas opiniões pela Gate nem como aconselhamento financeiro ou profissional. Consulte a Isenção de responsabilidade para obter detalhes.
Quando a IA aprender a cheirar, os humanos poderão economizar 70 anos de trabalho
Não sei quantas pessoas ainda se lembram do Google Nose.
Este engraçado projeto lançado pelo Google no Dia da Mentira de 2013 afirma ter um banco de dados de cheiros contendo 15 milhões de sabores. Os usuários só precisam inserir palavras-chave na caixa de pesquisa do Google e clicar em "cheirar" para cheirá-los diretamente ao lado de seu computador. O cheiro do objeto, como o cheiro de um carro novo, o cheiro de uma fogueira, o cheiro de uma tumba egípcia (?), etc.
É esta piada ultrajante mas brilhante de há dez anos que está a ser parcialmente transformada em realidade pelo seu inventor.
A revista "Science" publicou no início de setembro deste ano um artigo publicado em conjunto por várias equipes de pesquisa, incluindo a startup Osmo (spin-off do Google) e o Monell Chemical Senses Center (Monell Chemical Senses Center), que afirmava: ** Modelos de IA podem dar às máquinas um “olfato” melhor do que os humanos**.
Em outras palavras, digitalizar o cheiro parece impossível.
A principal tarefa dos pesquisadores neste artigo é tentar criar um mapa olfativo humano de alta dimensão que possa refletir fielmente as características do odor, ou seja, POM (Principle Odor Map).
Então, como exatamente isso é feito?
Sabemos que o odor é a resposta do sistema olfativo humano a certas moléculas específicas espalhadas no ar. Após as moléculas de odor entrarem nas narinas, elas reagirão com as células olfativas acima da cavidade nasal (receptores), e as ondas bioelétricas geradas serão transmitidas ao cérebro através dos nervos, e então o cheiro será reconhecido.
A composição do cheiro é na verdade muito mais complexa do que a cor e o som. Existem milhões de tipos diferentes, e cada cheiro é composto por centenas de moléculas químicas com propriedades diferentes. Da mesma forma, os humanos têm aproximadamente 400 receptores olfativos funcionais, excedendo em muito os 4 que usamos para a visão e os aproximadamente 40 usados para o paladar.
Diante de um mecanismo olfativo tão complexo, a primeira coisa que os pesquisadores fizeram foi criar um modelo de aprendizado de máquina – Rede Neural de Passagem de Mensagens (MPNN).
Esta é uma rede neural de grafos específica (GNN), porque a rede neural de grafos é um método de aprendizado profundo baseado na estrutura de grafos, que introduz a análise tradicional de grafos e fornece um método para extrair recursos de dados irregulares, por isso também é muito adequado Usado para aprender características complexas de odor.
Após a construção do modelo, a próxima etapa é alimentá-lo com materiais de aprendizagem.
Os pesquisadores combinaram o banco de dados de sabores e fragrâncias Good Scents e Leffingwell & Associates (GS-LF) e estabeleceram um conjunto de dados de referência contendo cerca de 5.000 moléculas como material básico de treinamento. Cada molécula pode ter vários rótulos de odor, como frutado, floral, queijo , mentolado e muito mais.
Ao tomar a forma e a estrutura da molécula como entrada de dados, o modelo é capaz de produzir palavras de odor correspondentes que melhor descrevem um determinado odor.
Para tornar os resultados do treinamento mais precisos, os pesquisadores também utilizam vários métodos para otimizar os parâmetros do modelo. Por exemplo, o banco de dados de sabores e fragrâncias GS-LF é dividido em um conjunto de treinamento e um conjunto de testes em uma proporção de 8:2, e o conjunto de treinamento é dividido em cinco subconjuntos de validação cruzada; e o algoritmo de otimização bayesiano é usado para validar cruzadamente os dados e otimizar os hiperparâmetros do modelo GNN, etc.
O experimento eventualmente formará o seguinte mapa olfativo de alta dimensão POM (parcial):
O artigo comparou o POM com mapas baseados em impressões digitais de Morgan, que foram estudados anteriormente, e descobriu que estes últimos ainda não podem refletir a distância perceptual mencionada acima:
Cada um dos 15 especialistas precisa cheirar 400 odores. Os pesquisadores darão 55 adjetivos de odor e pedirão que avaliem as 55 opções em uma escala de 1 a 5 para cada odor, para avaliar até que ponto cada adjetivo de odor é adequado. cheiro.
Verificou-se que para 53% das moléculas de teste o modelo teve um desempenho melhor que a média dos membros do painel.
Os pesquisadores também classificaram os resultados de previsão do modelo por descritores de odor e descobriram que, com exceção do almíscar, os resultados de previsão do modelo para odores moleculares estavam todos dentro da distribuição de erro do grupo humano e superaram os resultados de previsão de 30 descritores de odor. :
Agora entramos na fase mais emocionante do desenho em grande escala de mapas de odores e, finalmente, obtemos a seguinte imagem:
Para fazer uma comparação mais intuitiva, se um avaliador humano treinado procurasse esses cheiros, seriam necessários cerca de 70 anos de trabalho contínuo para coletá-los todos.
Parece que este artigo realmente realizou um grande feito.
Nesse momento, alguns internautas perguntaram: por que a máquina precisa cheirar?
Algumas pessoas esperam desenvolver um bom desodorante com base nisso, porque as pessoas emitirão mau cheiro depois de fazerem muitos exercícios aeróbicos, como correr ou levantar pesos:
E o cheiro às vezes é muito importante para as pessoas.
Escusado será dizer que os maus cheiros e alguns gases nocivos também podem ser prejudiciais à saúde. Neste momento, seria óptimo se as máquinas pudessem substituir certas ocupações para ajudar os humanos ou os animais a trabalhar.
Para outras profissões onde o perfume pode trazer benefícios, como perfumistas, chefs, designers, artistas e arquitetos, etc., há também a necessidade de preparar aromas mais funcionais. Algumas ocasiões usam aromas no ambiente. Por exemplo, o Sloan-Kettering Cancer Center, em Nova York, dispersa óleo de baunilha no ar para reduzir a claustrofobia dos pacientes durante exames de ressonância magnética (MRI); a Junta Comercial de Chicago também dispersa aromas específicos. Para reduzir o ruído em decibéis no pregão.
Outros estudos mostraram que a maioria das memórias humanas relacionadas ao odor vem dos primeiros dez anos da infância e da primeira infância, enquanto as memórias geradas pela linguagem e pela visão são geralmente produzidas entre as idades de 10 e 30 anos. Isto explica em parte por que os cheiros podem evocar memórias distantes, e as memórias evocadas através dos cheiros são muitas vezes mais carregadas emocionalmente do que as memórias evocadas pela visão ou pela audição.
Portanto, a ligação entre o olfato e o ser humano ainda é muito próxima, mas em muitos casos não nos damos conta disso facilmente.
As conjecturas dos internautas também foram verificadas por um dos autores do artigo, Alex Wiltschko, da Osmo Company. Ele escreveu em um artigo publicado no site oficial da Osmo,
No entanto, ele também disse que o documento ainda apresenta muitas deficiências.
Por exemplo, é impossível refletir a intensidade do odor de uma molécula, e só podemos prever qual é o seu cheiro; apenas o odor de uma única molécula é previsto, mas na vida real é mais um odor misto; e mesmo que todos habilidades são alcançadas, o odor não pode ser previsto. A replicação e restauração também serão um grande desafio e assim por diante.
Finalmente, tendo dito tudo isso, o comentário de um internauta foi bastante simples: “Acho que isso tornará a degustação de vinhos menos divertida”: