Науковці з Monell Chemical Senses Center та партнерських установ зробили крок до того, що довго здавалося майже недосяжним, – кількісної «карти» запахів. Вони розробили систему машинного навчання, яка оцінює, наскільки подібними чи відмінними здаватимуться людям дві суміші запахів. Про роботу, що може стати основою для цифрового нюху, повідомляє видання Scienmag.
На відміну від кольору, який описують через координати відтінку, насиченості та яскравості, запахи важко вписати в подібну систему. У реальному житті вони зазвичай є складними сумішами десятків або сотень летких сполук, а не окремими молекулами. Нова модель не намагається «впізнати» конкретний аромат на кшталт троянди чи бензину, а вимірює перцептивну відстань між двома запахами.
У цій шкалі значення 0 означає, що дві суміші люди сприймають як нерозрізнювані, а 1 – як максимально різні. Такий безперервний показник дає змогу математично порівнювати запахи, подібно до того, як наука порівнює кольори чи звуки. Це корисно, наприклад, щоб з’ясувати, чи справді два парфуми «схожі» для носа, навіть якщо їхній хімічний склад суттєво відрізняється, або навпаки – чи близькі за хімією суміші дають несподівано різні відчуття.
Від окремих молекул до реальних сумішей
Одним із лідерів проєкту став дослідник Джоел Мейнленд (Joel Mainland), який багато років вивчає, як можна обчислювально описати нюхове сприйняття. Попередні роботи, зокрема виклик IBM DREAM 2015 року, були зосереджені на передбаченні запаху окремих молекул за їхньою структурою. Це допомогло пов’язати хімічні ознаки з описами на кшталт «квітковий» чи «деревний», але повсякденні запахи рідко походять від однієї сполуки.
Кава, парфуми, приготована їжа, мийні засоби чи запах людини – усе це складні коктейлі з багатьох компонентів. Тому, якщо мета – «оцифрувати» реальні запахи, а не лише лабораторні зразки, потрібно зрозуміти, як поєднання молекул формує цілісне відчуття.
Щоб створити базу для нового виклику, команда Мейнленда стандартизувала та об’єднала шість наявних наборів даних із трьох окремих досліджень схожості запахів. Підсумкова колекція включала 168 унікальних молекул, 731 різну суміш і 507 пар сумішей з виміряною схожістю за оцінками людей.
Міжнародний виклик і «ансамбль» моделей
На основі цих даних організували новий виклик DREAM: протягом трьох місяців 26 міжнародних команд змагалися, намагаючись передбачити, наскільки схожими здадуться людям 46 пар сумішей, прихованих у тестовому наборі. Учасники отримали інформацію для навчання своїх моделей, але справжні оцінки схожості для тестових пар залишалися засекреченими.
Змагання завершилося чотиристоронньою нічиєю – кілька підходів машинного навчання показали подібну точність. Після цього дослідники створили ансамблеву модель, поєднавши прогнози чотирьох команд-переможців і ще двох високоефективних систем. Такий підхід часто підвищує надійність, адже різні алгоритми вловлюють різні закономірності: одні краще працюють із мовними описами запахів, інші – з хімічними або сумішевими характеристиками.
Потім об’єднану модель перевірили на незалежному наборі з 50 додаткових пар сумішей, щоб уникнути «підгонки» під дані конкурсу. Підсумковий алгоритм досяг медіанного кореня середньоквадратичної помилки 0,08 – показника, що відображає середній розмір помилки з більшим штрафом за великі відхилення (0 означав би ідеальні прогнози). На тестовому наборі виклику модель показала кореляцію Пірсона 0,57 між своїми прогнозами та людськими оцінками, тобто помірний позитивний зв’язок.
Це не означає, що машина «розуміє» суб’єктивний досвід запаху так, як людина. Але результати свідчать, що обчислювальні моделі можуть досить добре відтворювати структуру нюхового сприйняття, щоб корисно передбачати відносну схожість складних сумішей.
Слова як місток між хімією і відчуттями
Одним із найцікавіших результатів стало те, що моделі суттєво виграли від використання семантичної інформації – слів, якими люди описують запахи. Такі ярлики, як «фруктовий», «солодкий», «деревний» чи «квітковий», виявилися інколи навіть кориснішими для точності прогнозів, ніж суто хімічні параметри на кшталт молекулярної маси або наявності певних функціональних груп.
Коли дослідники прибирали семантичні ознаки з моделей, їхня робота помітно погіршувалася. Це вказує, що мова може слугувати потужним містком між хімічним складом і тим, як ми фактично відчуваємо запах. Напис «фруктовий» не вказує на одну конкретну молекулу, але узагальнює характерний візерунок сенсорних ефектів, який виникає, коли разом діють багато сполук.
Результати також ставлять під сумнів поширене припущення сенсорної науки, що суміші значно важче передбачати, ніж окремі компоненти. За словами Мейнленда, якщо вчені можуть оцінити, як пахнуть окремі інгредієнти, вони здатні досить непогано спрогнозувати загальний аромат суміші. Взаємодії між запахами, звісно, не зводяться до простого середнього: можливі маскування, підсилення чи зміни інтенсивності. Однак загальний характер суміші часто залишається пов’язаним із профілями її складників.
Наступний виклик DREAM безпосередніше досліджує це питання: командам пропонують за описами окремих компонентів передбачити, як люди сприйматимуть повну суміш.
Від парфумерії до медицини
Надійна метрика схожості запахів може стати корисною далеко за межами парфумерії. Деякі захворювання, зокрема діабет і печінкова недостатність, супроводжуються характерними леткими хімічними «підписами». У майбутньому обчислювальні карти запахів можуть допомогти порівнювати такі профілі або підтримувати діагностичні технології.
Фахівці з харчових продуктів зможуть точніше описувати смак і аромат, а компанії, що виробляють парфуми чи побутову хімію, – частково замінити метод проб і помилок математичним проєктуванням. Наприклад, виробник може шукати новий аромат мийного засобу, який буде максимально схожим на вже улюблений споживачами, або навпаки – свідомо відхилитися від нього, зберігши певні бажані риси.
Цифровий нюх також може підтримати розвиток «електронних носів», автоматизований контроль якості та системи передавання або відтворення запахів у цифровому вигляді.
Водночас автори наголошують, що їхня робота – це фундамент, а не готовий «нюховий еквівалент Pantone». Сприйняття запахів сильно відрізняється між людьми й залежить від досвіду, контексту, концентрації та біологічних особливостей. Наявні набори даних також малі порівняно з майже безмежною кількістю можливих хімічних сумішей у реальному світі.
Попри це, дослідження задає важливий еталон, з яким можна порівнювати й удосконалювати майбутні моделі. Поєднання людських сенсорних даних, машинного навчання та семантичних описів пропонує практичний шлях до спільної обчислювальної мови для запахів. Команда Мейнленда вже готує до публікації результати ще одного нюхового виклику, продовжуючи роботу, яка може зробити запахи такими ж вимірюваними, придатними до пошуку й цифрової обробки, як зображення чи звук.