Odours：赋予机器嗅觉 科学绘制气味图的探索
人类的鼻子通过检测空气中的挥发性有机化合物，然后向大脑发送信号来实现嗅觉。
研究人员期望创建能执行类似功能的电子鼻子。他们使用一种叫图神经网络的AI，来基于分子结构绘制和预测气味。
他们开发出一种“气味图”的东西，使他们能够在一种多维的“气味空间”中定位气味。
图神经网络在气味研究中的应用:
图神经网络（GNN）是一种专门用于处理图结构数据的神经网络。通过使用图神经网络和大型数据集，研究人员试图建立一个“主要气味图”，以便更准确地预测和描述气味。
研究团队使用了两个大型数据集来训练GNN，这两个数据集将分子结构与气味相联系。其中一个数据集名为Leffingwell数据集，它在2000年代初编制，包含3,523个分子及其气味描述。通过这种方式，研究团队创建了一个“主要气味图”，这相当于您在计算机上使用的色彩调色板。
这个“主要气味图”允许他们在一种多维的“气味空间”中定位气味。例如，与RGB色彩模型有三个维度（红、绿、蓝）不同，气味信息在我们的鼻子中有350个通道。因此，这个气味图无法用平面纸张来表示，需要依赖软件、人工智能和大数据集的统计分析。
实验结果：
研究团队训练了一个由15人组成的小组，使用55个标签（如“黄油味”、“泥土味”、“硫磺味”和“金属味”等）来描述气味，并将这些应用于图神经网络已经预测过气味的400种不同分子。结果显示，GNN的气味预测在50%以上的情况下更接近平均人类描述。
这意味着，如果你从一组描述气味的人群中随机选取一个人，并将该模型放在其位置上，该模型在描述这种“平均人类感知”方面的表现通常会更好。
该模型的局限性：
值得注意的是，虽然这些结果令人印象深刻并可能具有实用价值，但它们并没有让我们更接近于理解嗅觉的生物学机制。这是因为这些模型基本上是一个“黑箱”，即它们可以生成有用的结果，但不能解释其内部工作原理。
详细：https://theguardian.com/science/2023/oct/28/giving-computers-a-sense-of-smell-the-quest-to-scientifically-map-odours
CR：互联网的那点事
- 复制链接
- 举报
