یادگیری بو کردن توسط ماشین‌ها به لطف گوگل درحال تحقق است. Google عطر مخصوص به خود را دارد یا در واقع یک تیم از محققان شرکت خود. این مخلوط با هدایت عطرهای فرانسوی ساخته شده است و دارای نت‌هایی از وانیل، یاس، خربزه و توت فرنگی است. الکس ویلتسکو که یک گلدان از این عطد را در آشپزخانه خود نگه می‌دارد می‌گوید: “این خیلی هم بد نیست.”
Google به زودی عرضه این عطر را انجام نمی‌دهد، اما بینی خود را به جنبه دیگری از زندگی ما می‌چسباند: بو! روز پنجشنبه، محققان Google Brain مقاله‌ای را در سایت Arxiv منتشر کردند که نشان می‌دهد چگونه آنها مجموعه‌ای از الگوریتم‌های یادگیری ماشین را آموزش داده‌اند تا بوی مولکول‌ها را بر اساس ساختار آنها پیش بینی کنند.
پیش از مطالعه این مطلب بخوانید:
بو کمی پیچیده است!
آیا این برای اکثر جهان مفید است؟ شاید نه. اما در زمینه بویایی، می‌تواند برخی از سؤالات بزرگ و دیرینه را حل کند.
“علم بو” خیلی از زمینه‌های دیگر عقب مانده است. به عنوان مثال نور، قرن‌هاست که درک شده است. در قرن هفدهم، اسحاق نیوتن از منشورها برای تقسیم نور سفید خورشید به رنگ قرمز، نارنجی، زرد، سبز، آبی، نیلی و بنفش استفاده کرد.
تحقیقات بعدی نشان داد که آنچه ما به عنوان رنگ‌های مختلف درک می‌کنیم در واقع طول موج‌های مختلفی دارند. اگر نگاهی به چرخ رنگی بیندازید متوجه تفاوت طول موج‌ها میشوید. اما بو چنین راهنمایی ندارد.
اگر طول موج جز اصلی نور باشد، مولکول‌ها بلوک‌های رایحه‌ها هستند. هنگامی که آنها به بینی ما می‌رسند، مولکول‌ها با گیرنده‌هایی که به بخش کوچکی از مغز ما سیگنال می‌فرستند، (به نام لامپ بویایی) تعامل دارند.
ناگهان فکر می‌کنیم “هوووووم پاپ کورن!”.
دانشمندان می‌توانند به طول موج نگاه کنند و متوجه شوند چه رنگی به نظر می‌رسد، اما آنها نمی‌توانند همان کار را برای مولکول‌ها و بو انجام دهند. در حقیقت ، تشخیص بوی مولکول از ساختار شیمیایی آن بسیار دشوار است.
پروژه‌ها متوقف نمی‌شوند
قبلاً تلاش‌هایی برای استفاده از یادگیری ماشینی برای کشف الگوهایی صورت گرفته است که باعث می‌شود یک مولکول بوی سیر و دیگری بوی گل یاس داشته باشد. محققان در سال 2015 یک چالش پیش بینی تخم مرغ DREAM ایجاد کردند.
این پروژه توصیف عطر صدها نفر را جمع آوری کرده و محققان الگوریتم‌های مختلف یادگیری ماشین را آزمایش کرده‌اند تا ببینند آیا می‌توانند آنها را آموزش دهند تا بوی مولکول‌ها را پیش بینی کنند یا خیر.
چندین تیم دیگر از هوش مصنوعی برای آن داده‌ها استفاده کردند و خب پیش بینی‌های موفقی را انجام دادند. اما تیم ویلتسکو رویکرد متفاوتی را پیش گرفت. آنها از چیزی به نام شبکه عصبی گراف یا GNN استفاده کردند. اکثر الگوریتم‌های یادگیری ماشین به اطلاعاتی نیاز دارند که در یک شبکه مستطیلی قرار بگیرند. اما همه اطلاعات متناسب با آن قالب نیست.
یادگیری بو کردن توسط ماشین‌ها با GNN
GNNها می‌توانند نمودارها را مانند گروه دوستان در رسانه‌های اجتماعی یا شبکه‌هایی از استنادهای مجلات دانشگاهی، جستجو کنند. آنها می‌توانند تعیین کنند تا دوستان بعدی شما در رسانه‌های اجتماعی چه کسانی باشند. در این حالت، GNN می‌تواند ساختار هر مولکول را پردازش کند و بفهمد که در یک مولکول، به عنوان مثال یک اتم کربن از ترکیب چه چیزهایی است.
تیم Google از مجموعه‌ای نزدیک به 5000 مولکول عطرسازان استفاده کرده است که بینی‌های قوی‌ای دارند و هر مولکول را به دقت با توصیف‌هایی مانند “چوب” ، “یاس” یا “شیرین” مطابقت داده‌اند. محققان حدود دو سوم از داده‌های مجموعه را برای آموزش استفاده کردند. شبکه، سپس آزمایش کرد که آیا می‌تواند بوی مولکول‌های باقیمانده را پیش بینی کند یا نه. و این جواب داد!
مانند هر ابزار یادگیری ماشین، GNN در دستیابی به داده‌ها محدود است. با این وجود، الکسی کولاکوف، محقق آزمایشگاه Cold Spring Harbour، می‌گوید که این پروژه برای معرفی هزاران مولکول جدید در مجموعه داده‌ها، که غالباً نسبتاً اندک هستند، ارزشمند است و این داده‌ها می‌تواند مبنای پیشرفت‌های این و الگوریتم‌های دیگر در آینده باشد.
کولاکوف خاطرنشان کرد: هنوز مشخص نیست که آیا می‌توانیم از الگوی یادگیری ماشین چیزی در مورد لامیه انسان بیاموزیم، زیرا طراحی شبکه عصبی همانند سیستم بویایی انسان نیست.
اینکه هوش مصنوعی چگونه بو را می‌فهمد و چگونه درک می‌کند دو چیز بسیار متفاوت است. دو مولکول ممکن است بوی متفاوتی داشته باشند، اما حتی بینی‌های آموزش دیده هم آنها را “چوب” و “خاکی” می‌نامند. ویلتسکو می‌گوید:” این یک هشدار بزرگ است. “
امیدوارم از خواندن این مطلب لذت برده باشید. اگر نظری دارید خوشحال می‌شویم در بخش دیدگاه‌ها برای‌مان بنویسید.
