Най-после сме пред решение на този труден проблем

Преди повече от 100 години Александър Греъм Бел моли читателите на National Geographic да основат нова наука. Той посочва, че науките, базирани на измерванията на звука и светлината, вече съществуват, но не разполагаме с наука за миризмата. Бел моли своите читатели да измерят миризмата.

Днес смартфоните на повечето хора предоставят впечатляващи вградени възможности, базирани на науката за звука или светлината. Такива са гласови асистенти, разпознаване на лица и подобряване на снимки. Науката за миризмите не предлага нищо подобно. Но тази ситуация се променя, тъй като напредъкът в машинното обоняние, наричан още „дигитализирана миризма“, най-накрая отговаря на призива на Бел.

Сложни човешки възможности

Изследването на машинното обоняние е изправено пред огромно предизвикателство поради сложността на човешкото. Докато човешкото зрение разчита главно на рецепторни клетки в ретината, обонянието се усеща чрез около 400 вида рецепторни клетки в носа.

Машинното обоняние започва със сензори, които откриват и идентифицират молекули във въздуха. Тези сензори служат за същата цел като рецепторите в носа ви. Но за да бъде полезно за хората, машинното обоняние трябва да отиде една крачка напред. Системата трябва да знае как мирише определена молекула или набор от молекули за човека. За това машинното обоняние се нуждае от обучение.

Машинно обучение за миризми

Машинното дълбоко обучение е в основата на забележителни постижения като гласови асистенти и приложения за разпознаване на лица. То е от ключово значение за дигитализиране на миризми, защото може да се научи да картографира молекулярната структура на съединение, произвеждащо миризма, към текстови дескриптори на миризми. Моделът за машинно обучение научава думите, които хората са склонни да използват, за да опишат какво изпитват, когато срещнат специфични съединения, причиняващи конкретна миризма.

Машинното обучение обаче се нуждае от големи набори от данни. Мрежата разполага с невъобразимо огромно количество аудио, изображения и видео съдържание, което може да се използва за обучение на системи с изкуствен интелект, които разпознават звуци и картини. Но машинното обоняние отдавна е изправено пред проблем с недостига на данни, отчасти защото повечето хора не могат вербално да опишат миризмите толкова лесно и разпознаваемо, колкото могат да опишат гледки и звуци. Без достъп до масиви от данни в уеб мащаб изследователите не могат да създадат надеждни модели за машинно обучение.

Преломна година

Нещата започват да се променят през 2015 г., когато изследователи стартират предизвикателство за прогнозиране на обонянието DREAM. Състезанието публикува данни, събрани от биолози, които изучават обонянието, и покани екипи от цял свят да представят своите модели за машинно обучение. Моделите трябваше да предскажат етикети за миризми като „сладко“, „цвете“ или „плод“ за съединения, причиняващи миризми, въз основа на тяхната молекулярна структура. Класическа техника за машинно обучение, наречена случайна гора, която комбинира изхода от множество диаграми на дървото на решенията, се оказа победител.

Напредъкът в машинното обоняние започва да набира скорост след приключване на предизвикателството DREAM. По време на пандемията от COVID-19 бяха докладвани много случаи на обонятелни нарушения. Обонянието, което обикновено остава на заден план, се надигна в общественото съзнание.

Дълбоки миризми

До 2019 г. най-големите набори от данни са нараснали от по-малко от 500 молекули в предизвикателството DREAM до около 5000. Изследователски екип на Google, най-накрая успя да пренесе революцията в дълбокото обучение на машинното обоняние. Моделът, базиран на тип задълбочено обучение, наречено графични невронни мрежи, установява най-съвременните резултати в машинното обоняние.

Карта на миризмите

Наскоро екипи от учени използваха графична невронна мрежа, за да създадат основна карта на миризмата. Там перцептивно подобни миризми са разположени по-близо една до друга, отколкото различни. Това е доста сложно, тъй като малки промени в молекулярната структура могат да доведат до големи различия в обонятелното възприятие. И обратното, две молекули с много различни структури могат да миришат почти еднакво.

Подобен напредък в разбиването на кода на обонянието е не само интелектуално вълнуващ, но също така има многообещаващи приложения, включително персонализирани парфюми и аромати, по-добри репеленти за насекоми, нови химически сензори, ранно откриване на болести и по-реалистични преживявания с добавена реалност. Бъдещето на машинното обоняние изглежда светло. Освен това обещава да мирише добре.