谷歌造出AI调香师：看一眼分子结构，就知道它闻起来什么味儿

图像、语言、声音、游戏，一直是AI界最喜欢“调戏”的几个目标。

不过现在，谷歌把手伸向了一个不同的领域——气味。

把一个物质的分子结构，经过两轮神经网络的处理，就能把知道这种东西闻起来是玫瑰的芬芳，还是烤肉的香气。

这就是一个AI调香师嘛！

而且，还能顺便把气味“量化”，让计算机理解气味。

这不禁让人觉得，或许有一天我们可以通过计算机和通信系统传输气味了呢，看美食纪录片的时候也能闻到节目里的菜品了。

万物皆可向量

向量，一直是机器学习er的好盆友，不止在研究语言的时候有词向量，研究分子的时候，也可以把它用向量表示。

我们知道，分子是很多不同原子按照一定规则连接在一起的，每个原子就是一个节点，因此可以把每个节点用一个向量表示，然后每个节点上的原子再把向量传递到它的邻居原子那里去。

每个向量里，可以把它是什么元素、氢键的数量等各种中学化学课本里的基本特性带上。

而每个原子和什么样的原子连接，构成了分子的模样，也决定了它是什么物质。因此，需要把每个节点上的原子和它“邻居”们的信息打包在一起，用神经网络转换成关于这个节点的新信息。

这样，就可以用计算机的“思维方式”表述一种化学物质了，这种方法可以用图（graph）表示。

然后，把图扔进一个图神经网络（GNN）里，就可以预测出这种分子闻起来是什么味儿了。

看这张动图，就为我们展示了这个过程的全貌：

整个过程需要两只神经网络，完成这样的转化：

△ 画的不好，大家感受下

香味数据集

思路已经有了，那么为了训练神经网络，需要一些数据，能把一种分子和它是什么味儿的对应起来。

这下，香水行业的人类专家们发挥了自己的作用。

研究者们找到了两个经过专业调香师标注的数据集，有3784个分子的 GoodScents香水材料数据集 和有3561个分子的 Leffingwell PMP 2001 数据集，去重之后剩下了5030个分子，组成了 QSOR 的数据集。

每种分子都配有一到十几个文字描述的标签，比如菠萝味、奶酪味、面包味、坚果味，或者……没味。

△ 有X个标签的分子 & 每个标签下有多少种分子

这样复杂的描述听起来很像高级红酒、咖啡、或巧克力对它们味道的描述，写着有柑橘味、莓果味、坚果味，可是你喝的时候却感觉差别不大，只能得出一个结论：真香。

毕竟，普通人也不知道标签里的Sweet Green是什么味道啊！

不过，这个数据集也有个bug：

因为它是香水行业的数据集，所以只有香味，没有臭味……这也可能是个feature？

最后，不用的方法在这个QSOR数据集上的表现是这样的，GNN得到了最高的分数：

如何量化气味

不过，如果只是能用香菜味、烤肉味这样的词汇来形容气味，势必无法完成更深入的研究，因此，需要用计算机的方法系统的将各种分子和气味表示出来。

我们知道，图像在计算机上是一个一个的像素格子，然后把每个格子的颜色表示为RGB值，只要知道了RGB值，就能知道它是红的还是绿的，深色还是浅色。

音频也有自己的波形图。

那么，气味该怎么表示？

和NLP世界的词嵌入一样，研究者们用了一种叫“气味嵌入（odor embedding）”的方法：

在用气味嵌入的方法后，看起来和PS里的RGB图非常类似，不同的区域意味着不同的味道。

这样，计算机就可以用自己的方式理解气味了，气味也和图像、文字、声音一样，实现了电子化。

传送门

论文：

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