谷歌造出AI調香師：看一眼分子結構，就知道它聞起來什么味兒

郭一璞 發自 凹非寺

量子位 報道 | 公眾號 QbitAI

圖像、語言、聲音、游戲，一直是AI界最喜歡“調戲”的幾個目標。

不過現在，谷歌把手伸向了一個不同的領域——氣味。

把一個物質的分子結構，經過兩輪神經網絡的處理，就能把知道這種東西聞起來是玫瑰的芬芳，還是烤肉的香氣。

這就是一個AI調香師嘛！

而且，還能順便把氣味“量化”，讓計算機理解氣味。

這不禁讓人覺得，或許有一天我們可以通過計算機和通信系統傳輸氣味了呢，看美食紀錄片的時候也能聞到節目里的菜品了。

萬物皆可向量

向量，一直是機器學習er的好盆友，不止在研究語言的時候有詞向量，研究分子的時候，也可以把它用向量表示。

我們知道，分子是很多不同原子按照一定規則連接在一起的，每個原子就是一個節點，因此可以把每個節點用一個向量表示，然后每個節點上的原子再把向量傳遞到它的鄰居原子那里去。

每個向量里，可以把它是什么元素、氫鍵的數量等各種中學化學課本里的基本特性帶上。

而每個原子和什么樣的原子連接，構成了分子的模樣，也決定了它是什么物質。因此，需要把每個節點上的原子和它“鄰居”們的信息打包在一起，用神經網絡轉換成關于這個節點的新信息。

這樣，就可以用計算機的“思維方式”表述一種化學物質了，這種方法可以用圖（graph）表示。

然后，把圖扔進一個圖神經網絡（GNN）里，就可以預測出這種分子聞起來是什么味兒了。

看這張動圖，就為我們展示了這個過程的全貌：

整個過程需要兩只神經網絡，完成這樣的轉化：

△?畫的不好，大家感受下

香味數據集

思路已經有了，那么為了訓練神經網絡，需要一些數據，能把一種分子和它是什么味兒的對應起來。

這下，香水行業的人類專家們發揮了自己的作用。

研究者們找到了兩個經過專業調香師標注的數據集，有3784個分子的GoodScents香水材料數據集和有3561個分子的Leffingwell PMP 2001數據集，去重之后剩下了5030個分子，組成了QSOR的數據集。

每種分子都配有一到十幾個文字描述的標簽，比如菠蘿味、奶酪味、面包味、堅果味，或者……沒味。

△?有X個標簽的分子 & 每個標簽下有多少種分子

這樣復雜的描述聽起來很像高級紅酒、咖啡、或巧克力對它們味道的描述，寫著有柑橘味、莓果味、堅果味，可是你喝的時候卻感覺差別不大，只能得出一個結論：真香。

畢竟，普通人也不知道標簽里的Sweet Green是什么味道啊！

不過，這個數據集也有個bug：

因為它是香水行業的數據集，所以只有香味，沒有臭味……這也可能是個feature？

最后，不用的方法在這個QSOR數據集上的表現是這樣的，GNN得到了最高的分數：

如何量化氣味

不過，如果只是能用香菜味、烤肉味這樣的詞匯來形容氣味，勢必無法完成更深入的研究，因此，需要用計算機的方法系統的將各種分子和氣味表示出來。

我們知道，圖像在計算機上是一個一個的像素格子，然后把每個格子的顏色表示為RGB值，只要知道了RGB值，就能知道它是紅的還是綠的，深色還是淺色。

音頻也有自己的波形圖。

那么，氣味該怎么表示？

和NLP世界的詞嵌入一樣，研究者們用了一種叫“氣味嵌入（odor embedding）”的方法：

在用氣味嵌入的方法后，看起來和PS里的RGB圖非常類似，不同的區域意味著不同的味道。

這樣，計算機就可以用自己的方式理解氣味了，氣味也和圖像、文字、聲音一樣，實現了電子化。

傳送門

論文：

Machine Learning for Scent: Learning Generalizable Perceptual Representations of Small Molecules

https://arxiv.org/abs/1910.10685

谷歌博客：

https://ai.googleblog.com/2019/10/learning-to-smell-using-deep-learning.html