Uno studio AI recente rivela che un modello di machine learning raggiunge una competenza a livello umano nel descrivere l’odore chimico

Uno studio AI mostra che un modello di machine learning eguaglia l'abilità umana nella descrizione dell'odore chimico.

La sfida fondamentale in neuroscienze è comprendere come le proprietà fisiche degli stimoli sono associate alle caratteristiche percettive. Mentre esistono associazioni ben consolidate tra le proprietà fisiche e le qualità percettive in altri sensi, come il colore nella visione e il tono nell’udito, lo studio evidenzia che l’associazione tra le strutture chimiche e le percezioni olfattive è ancora poco compresa.

Per affrontare queste problematiche, i ricercatori hanno sviluppato un modello basato su reti neurali per mappare le strutture chimiche alle percezioni olfattive, creando una mappa olfattiva principale (POM) che cattura le distanze e le gerarchie percettive. Hanno sperimentato con un set di dati di 5.000 molecole con etichette olfattive, allenato il modello e condotto una sfida di convalida prospettica, dimostrando che le previsioni del modello corrispondono strettamente alle valutazioni umane per gli odori nuovi. La POM ha preservato le relazioni percettive, superando le mappe tradizionali basate sulla struttura. Il lavoro sottolinea il potenziale del machine learning per mappare lo spazio degli odori e comprendere le percezioni olfattive.

Hanno confrontato il modello di rete neurale grafica (GNN) con un modello tradizionale basato sulle impronte digitali per prevedere le preferenze olfattive di vari modelli. Il modello GNN ha superato il modello basato su impronte digitali, corrispondendo o superando le valutazioni dei pannellisti umani per il 55% delle etichette olfattive. Le impurità nelle reazioni chimiche sono state identificate come possibili contribuenti alle percezioni olfattive, con un tasso del 31,5% di contaminazione odora significativa nel set di stimoli. Il modello GNN si è comportato meglio per le etichette con determinanti strutturali chiari e con molti esempi di allenamento, mentre le prestazioni dei pannellisti variavano in base alla familiarità con le etichette.

• Ricercatori di ByteDance e UCSD propongono un modello di diffusione multi-vista in grado di generare un insieme di immagini multi-vista di un oggetto/scena da qualsiasi testo fornito
• Sviluppare XR con Oracle, Ep. 6 AI Sommarizzatore + Generatore
• Pulizia dei dati con Pandas

La mappa olfattiva principale (POM) è stata testata per la sua robustezza nel gestire le discontinuità nella mappatura della struttura molecolare e la percezione olfattiva. I ricercatori hanno ottenuto il risultato che la POM ha previsto correttamente la relazione controintuitiva tra struttura e odore nel 50% dei casi, mentre un modello di base ha ottenuto risultati molto peggiori al 90%. Un modello lineare basato sulle coordinate POM ha superato i modelli chimici nella previsione dell’applicabilità dell’odore, delle soglie di rilevamento dell’odore e della similarità percettiva su più set di dati.

Questa mappa guidata dell’olfatto umano fornisce una base per ulteriori esplorazioni delle complesse relazioni tra la struttura molecolare e la percezione olfattiva. Apre nuove strade per scoprire la natura della sensazione olfattiva e promette di avanzare nei campi della chimica, delle neuroscienze olfattive e della psicofisica.