一个由化学，生命科学和AI研究人员组成的团队正在使用图神经网络来识别分子并预测气味。研究人员制作的模型的性能优于当前的最新方法，而DREAM嗅觉预测挑战赛则是表现最好的模型，该竞赛是绘制气味化学特性的竞赛。

这项工作是由Google，加拿大高级研究所，矢量人工智能研究所，多伦多大学和亚利桑那州立大学的研究人员创建的。

研究人员认为，分子识别的机器学习应用程序的进步可以帮助提供机器智能，该机器智能能够预测气味，类似于近年来人工智能可以模仿视觉和听觉等其他感觉的方式。在应对挑战的同时，研究人员还试图帮助机械手解决人类的触觉。

“嗅觉深度学习的进展将有助于发现新的合成增香剂，从而减少收获天然产物的生态影响。此外，从经过气味识别任务训练的模型衍生的分子的新表示形式，可能有助于我们对大脑的感觉感知的理解。

IBM Research和香水公司Symrise还致力于通过机器学习来创造新的气味。

研究人员说，具有神经网络的图是所谓的定量结构-气味关系(QSOR)建模的一种合适方法，因为它是预测分子属性(例如气味)之间的关系以及在矢量空间中将相似分子聚类的一种好方法。在这方面，气味可以像多标签分类问题一样对待，研究人员称之为“气味嵌入”，类似于将RGB视为视觉嵌入的方式。

“通过将原子视为节点，并将键视为边缘，我们可以将分子解释为图形，”研究人员在周三于arXiv上发表的题为《机器学习气味：学习小分子的通用感知表示》的论文中进行了详细介绍。

“我们提议将图神经网络用于QSOR，并显示它们在嗅觉专家标记的新型数据集上明显优于以前的方法……分析表明，图神经网络的学习嵌入捕获了潜在的有意义的气味空间表示结构和气味之间的关系，通过在两项具有挑战性的迁移学习任务中表现出色而得到证明。”

研究人员使用来自香水材料数据库的5,030个分子的精选数据集训练了他们的模型。每个分子都由嗅觉专家(主要是调香师)用一个或多个描述符(如水果味或面包味)进行标记。水果味或面包味等描述符被聚集在一起。

为了支持AI在气味预测方面的进步，Google计划在将来开源更多与气味预测有关的数据集。未来在太空中的研究可能有助于将气味数字化或增加无法闻到的人的生活。