Blog

Dec 08, 2023

Ora le macchine stanno imparando a annusare

Sara Harrison Application Prediction Company Alphabet Google End User Research

Sara Harrison

Applicazione

Predizione

Azienda

Alfabeto

Google

Utente finale

Ricerca

Settore

Ricerca

Tecnologia

Apprendimento automatico

Rete neurale

Google ha il suo profumo, o almeno lo fa un team di ricercatori dell'azienda. Realizzata sotto la guida di esperti profumieri francesi, la miscela ha note di vaniglia, gelsomino, melone e fragole. "Non era poi così male", dice Alex Wiltschko, che tiene una fiala di profumo nella sua cucina.

Google non commercializzerà quel profumo tanto presto, ma sta ficcando il naso in un altro aspetto della nostra vita: l'olfatto. Giovedì, i ricercatori di Google Brain hanno pubblicato un articolo sul sito di prestampa Arxiv in cui mostrano come hanno addestrato una serie di algoritmi di apprendimento automatico per prevedere l'odore delle molecole in base alle loro strutture. È utile quanto fornire mappe per la maggior parte del mondo? Forse no. Ma per il campo dell’olfatto, potrebbe aiutare a risolvere alcune domande grandi e di vecchia data.

La scienza dell’olfatto è in ritardo rispetto a molti altri campi. La luce, ad esempio, è stata compresa da secoli. Nel XVII secolo, Isaac Newton usò i prismi per dividere la luce bianca del sole nel nostro ormai familiare arcobaleno rosso, arancione, giallo, verde, blu, indaco e viola. Ricerche successive hanno rivelato che ciò che percepiamo come colori diversi sono in realtà lunghezze d'onda diverse. Dai un'occhiata a una ruota dei colori e ottieni una semplice rappresentazione di come si confrontano quelle lunghezze d'onda, i rossi e i gialli più lunghi passano ai blu e ai viola più corti. Ma l’olfatto non ha una guida del genere.

Se le lunghezze d’onda sono i componenti fondamentali della luce, le molecole sono gli elementi costitutivi dei profumi. Quando entrano nel nostro naso, quelle molecole interagiscono con i recettori che inviano segnali a una piccola parte del nostro cervello chiamata bulbo olfattivo. All'improvviso pensiamo "mmm, popcorn!" Gli scienziati possono osservare una lunghezza d'onda e sapere che colore avrà, ma non possono fare lo stesso per le molecole e l'olfatto.

In effetti, si è rivelato estremamente difficile capire l'odore di una molecola dalla sua struttura chimica. Cambia o rimuovi un atomo o un legame "e potrai passare dalle rose alle uova marce", afferma Wiltschko, che ha guidato il team di ricerca di Google per il progetto.

Ci sono stati precedenti tentativi di utilizzare l’apprendimento automatico per rilevare modelli che fanno sì che una molecola abbia l’odore dell’aglio e un’altra del gelsomino. I ricercatori hanno creato una DREAM Olfaction Prediction Challenge nel 2015. Il progetto ha raccolto in crowdsourcing le descrizioni dei profumi di centinaia di persone e i ricercatori hanno testato diversi algoritmi di apprendimento automatico per vedere se potevano addestrarli a prevedere l'odore delle molecole.

Diversi altri team hanno applicato l’intelligenza artificiale a tali dati e hanno fatto previsioni riuscite. Ma la squadra di Wiltschko ha adottato un approccio diverso. Hanno usato qualcosa chiamato rete neurale a grafo, o GNN. La maggior parte degli algoritmi di apprendimento automatico richiedono che le informazioni arrivino in una griglia rettangolare. Ma non tutte le informazioni rientrano in quel formato. I GNN possono guardare grafici, come reti di amici su siti di social media o reti di citazioni accademiche da riviste. Potrebbero essere usati per prevedere chi potrebbero essere i tuoi prossimi amici sui social media. In questo caso, la GNN potrebbe elaborare la struttura di ciascuna molecola e capire che in una molecola, ad esempio, un atomo di carbonio si trova a cinque atomi di distanza da un atomo di azoto.

Lauren Goode

Lauren Goode

Giuliano Chokkattu

Will Cavaliere

Il team di Google ha utilizzato un set di quasi 5.000 molecole provenienti da profumieri esperti e ha abbinato attentamente ciascuna molecola a descrizioni come "legnoso", "gelsomino" o "dolce". I ricercatori hanno utilizzato circa due terzi del set di dati per addestrare la rete, quindi hanno testato se potesse prevedere gli odori delle molecole rimanenti. Ha funzionato.

In effetti, nella sua prima iterazione, la GNN ha funzionato altrettanto bene dei modelli creati da altri gruppi. Wiltschko dice che man mano che il team perfeziona il modello, potrebbe migliorare ancora: "Abbiamo spinto il campo in avanti, credo."