Ponad 100 lat temu Alexander Graham Bell zachęcił czytelników National Geographic do założenia nowej dziedziny nauki. Zauważył, że istnieją już nauki oparte na pomiarach dźwięku i światła, ale nie ma nauki o zapachu. Bell wezwał swoich czytelników, aby „zmierzyli zapachy”.
Dziś większość smartfonów ma imponujące wbudowane funkcje oparte na naukach o dźwięku i świetle: asystenci głosowi, rozpoznawanie twarzy i ulepszanie zdjęć. Nauka o zapachu nie oferuje jeszcze niczego porównywalnego. Jednak ta sytuacja się zmienia, gdyż postępy w dziedzinie olfakcji maszynowej, zwanej także „cyfrowym zapachem”, wreszcie odpowiadają na wezwanie Bella.
Badania nad olfakcją maszynową napotykają poważne wyzwanie z powodu złożoności ludzkiego zmysłu węchu. Podczas gdy ludzki wzrok opiera się głównie na komórkach receptorowych w siatkówce – pręcikach i trzech rodzajach czopków – zapach jest odbierany przez około 400 rodzajów komórek receptorowych w nosie.
Olfakcja maszynowa zaczyna się od czujników, które wykrywają i identyfikują cząsteczki w powietrzu. Te czujniki pełnią tę samą funkcję co receptory w naszym nosie. Aby jednak być użytecznym dla ludzi, system musi pójść krok dalej. Musi wiedzieć, jak określone cząsteczki pachną dla człowieka. Do tego potrzebne jest uczenie maszynowe.
Uczenie maszynowe, a zwłaszcza jego rodzaj zwany głębokim uczeniem, jest kluczowe w cyfryzacji zapachów, ponieważ może nauczyć się mapować strukturę molekularną związku zapachowego na tekstowe opisy zapachu. Model uczenia maszynowego uczy się słów, których ludzie używają, aby opisać swoje doświadczenia związane z określonymi związkami zapachowymi, na przykład „słodki” i „deser” dla waniliny.
Uczenie maszynowe wymaga dużych zbiorów danych. Internet ma niewyobrażalnie ogromną ilość treści audio, obrazów i filmów, które można wykorzystać do szkolenia systemów sztucznej inteligencji rozpoznających dźwięki i obrazy. Jednak olfakcja maszynowa od dawna boryka się z problemem braku danych, częściowo dlatego, że większość ludzi nie potrafi werbalnie opisać zapachów tak łatwo i rozpoznawalnie, jak opisuje widoki i dźwięki. Bez dostępu do danych na skalę internetową badacze nie mogli szkolić naprawdę potężnych modeli uczenia maszynowego.
Jednak w 2015 roku sytuacja zaczęła się zmieniać, gdy badacze uruchomili DREAM Olfaction Prediction Challenge. Konkurs udostępnił dane zebrane przez biologów Andreasa Kellera i Leslie Vosshall, którzy badają olfakcję, i zaprosił zespoły z całego świata do przesyłania swoich modeli uczenia maszynowego. Modele musiały przewidywać etykiety zapachowe, takie jak „słodki”, „kwiatowy” lub „owocowy” dla związków zapachowych na podstawie ich struktury molekularnej.
Najlepsze modele zostały opublikowane w czasopiśmie Science w 2017 roku. Technika uczenia maszynowego zwana random forest, która łączy wyniki wielu diagramów decyzyjnych, okazała się zwycięzcą.
Postępy w olfakcji maszynowej zaczęły nabierać tempa po zakończeniu wyzwania DREAM. Podczas pandemii COVID-19 zgłoszono wiele przypadków anosmii, czyli utraty węchu. Zmysł węchu, który zazwyczaj jest na dalszym planie, zyskał na znaczeniu. Dodatkowo, projekt badawczy Pyrfume Project udostępnił więcej i większe zbiory danych publicznie.
Do 2019 roku największe zbiory danych wzrosły z mniej niż 500 cząsteczek w wyzwaniu DREAM do około 5000 cząsteczek. Zespół Google Research prowadzony przez Alexandra Wiltschko wprowadził rewolucję głębokiego uczenia do olfakcji maszynowej. Ich model, oparty na głębokim uczeniu zwanym grafowymi sieciami neuronowymi, ustanowił najnowocześniejsze wyniki w olfakcji maszynowej. Wiltschko jest teraz założycielem i CEO Osmo, którego misją jest „danie komputerom zmysłu węchu”.
Niedawno Wiltschko i jego zespół stworzyli „mapę głównych zapachów”, w której podobne zapachy są umieszczone bliżej siebie niż różne. Postęp w rozszyfrowywaniu kodu zapachu jest nie tylko intelektualnie ekscytujący, ale także ma bardzo obiecujące zastosowania, w tym spersonalizowane perfumy, lepsze repelenty na owady, nowe czujniki chemiczne, wczesne wykrywanie chorób i bardziej realistyczne doświadczenia w rzeczywistości rozszerzonej. Przyszłość olfakcji maszynowej wygląda obiecująco i pachnie dobrze.
Źródło: Yahoo News
