一项新的人工智能研究揭示了机器学习模型在描述化学气味方面达到了与人类相当的技能水平
A new AI research reveals machine learning models have reached a skill level comparable to humans in describing chemical smells.
神经科学的根本挑战是理解刺激中的物理特性与知觉特征的关联。虽然在其他感官中，如视觉中的颜色和听觉中的音高，物理特性和知觉质量之间有着成熟的映射关系，但研究强调化学结构与嗅觉感知之间的映射仍然没有得到很好的理解。
为了解决这些问题，研究人员开发了一种基于神经网络的模型，将化学结构映射到气味感知，创建了一个主要气味映射（POM），捕捉了感知距离和层次。他们对一个包含5,000种带有气味标签的分子数据集进行了实验，训练了模型，并进行了前瞻性验证挑战，结果显示该模型的预测与新型气味物质的人类评级非常接近。POM保留了感知关系，优于传统的基于结构的映射。这项工作强调了机器学习在映射气味空间和理解嗅觉感知方面的潜力。
他们将图神经网络（GNN）模型与传统的基于计数的指纹模型进行了比较，以预测不同模型的气味偏好。GNN模型在气味标签的55%上表现优于cFP模型，与或超过了人类评委的评级。化学反应中的杂质被确定为气味感知的潜在因素，在刺激集中有31.5%的显著气味污染率。GNN模型在具有明确结构决定因素且具有许多训练示例的标签上表现最佳，而评委的表现则根据对标签的熟悉程度而有所不同。
- 字节跳动和加州大学圣地亚哥分校的研究人员提出了一种多视角扩散模型，能够根据给定的任何文本生成一组物体或场景的多视角图像
- 使用Pandas进行数据清洗
- 这篇AI论文解释了如何通过指令调优来增强编程语言之间的互补性
主要气味映射（POM）在处理分子结构和气味感知之间的不连续性映射方面经受住了考验。研究人员得出的结果是，POM在50%的情况下正确预测了反直觉的结构-气味关系，而基准模型的表现要差得多，达到90%。基于POM坐标的线性模型在预测气味适用性、气味检测阈值和多个数据集上的感知相似性方面优于化学信息学模型。
这个关于人类嗅觉的推动地图为进一步探索分子结构和气味感知之间的复杂关系提供了基础。它为发现嗅觉感知的本质开辟了新途径，并有望推动化学、嗅觉神经科学和心理物理学领域的发展。
