رؤیای صدساله‌ بل به واقعیت می‌پیوندد؟/ تجربه حس بویایی در نسل جدید رایانه‌ها

خبرگزاری علم و فناوری آنا؛ بیش از ۱۰۰ سال پیش، الکساندر گراهام‌ بل از خوانندگان مجله نشنال جئوگرافیک خواست تا کاری جسورانه و تازه انجام دهند و به دنبال یک علم جدید بروند. او به خوانندگان این مجله گفت: علوم مدت‌های طولانی است که به سنجش صوت و نور پرداخته اند، اما «علم بو» وجود ندارد. بل از مخاطبانش خواست که «بو» را اندازه‌گیری کنند.

امروزه، گوشی‌های هوشمند بر اساس علم صدا و نور قابلیت‌های داخلی چشمگیری دارند: دستیار‌های صوتی، توانایی تشخیص چهره و ویرایش عکس و تاکنون هیچ کدام از دستگاه‌های هوشمند به ویژگی «بو» نپرداخته‌اند، اما این وضعیت در حال تغییر است، زیرا پیشرفت‌ها در بویایی ماشینی، که «بوی دیجیتالی شده» نیز نامیده می‌شود، سرانجام به دعوت بل پاسخ می‌دهد.

پیچیدگی و تنوع سلول‌های بویایی

به دلیل پیچیدگی حس بویایی انسان تحقیقات در مورد بویایی ماشینی با چالش بزرگی روبه‌رو است. در حالی که بینایی انسان عمدتاً به سلول‌های گیرنده در شبکیه چشم متکی است، بو به کمک حدود ۴۰۰ نوع سلول گیرنده در بینی احساس می‌شود.

بویایی ماشینی با حسگر‌هایی شروع می‌شود که مولکول‌های موجود در هوا را هدف‌گیری و شناسایی می‌کنند. این حسگر‌ها همان کار گیرنده‌های بینی را انجام می‌دهند؛ اما بویایی ماشینی باید یک گام فراتر برود. این سیستم هوشمند باید بفهمد که یک مولکول خاص یا مجموعه‌ای از مولکول‌ها برای انسان چه بویی دارد. برای رسیدن به این مرحله، بویایی ماشینی به یادگیری ماشینی نیاز دارد.

مدل یادگیری ماشینی، کلماتی را که انسان‌ها در مواجهه با یک بوی خاص استفاده می‌کنند یاد می‌گیرد، برای مثال می‌آموزد که انسان‌ها در مواجهه با بوی وانیل یا ترکیباتی مانند آن، از کلمه «شیرینی» یا «دسر» استفاده می‌کنند

یادگیری عمیق در خدمت بویایی ماشینی

یادگیری ماشینی و به‌ویژه یادگیری عمیق، هسته اصلی پیشرفت‌های قابل‌توجهی مانند دستیار‌های صوتی و اپلیکیشن‌های تشخیص چهره است. یادگیری ماشینی همچنین کلید دیجیتالی کردن بو‌ها است؛ زیرا می‌تواند بیاموزد که ساختار مولکولیِ یک ترکیب ایجاد‌کننده بو را با توصیف‌کننده‌های متنی بو ترسیم کند. مدل یادگیری ماشینی، کلماتی را که انسان‌ها در مواجهه با یک بوی خاص استفاده می‌کنند یاد می‌گیرد، برای مثال می‌آموزد که انسان‌ها در مواجهه با بوی وانیل یا ترکیباتی مانند آن، از کلمه «شیرینی» یا «دسر» استفاده می‌کنند.

با این حال، یادگیری ماشینی به مجموعه داده‌های بزرگی نیاز دارد. حجم بیکرانی از محتوای صوتی، تصویری و ویدیویی در اینترنت وجود دارد که می‌توان از آنها برای آموزش سیستم‌های هوش مصنوعی که صدا و تصاویر را تشخیص می‌دهند استفاده کرد؛ اما بویایی ماشینی مدت‌هاست که با مشکل کمبود داده مواجه است، علت آن تا حد زیادی به این موضوع مربوط می‌شود که بیشتر مردم نمی‌توانند به همان اندازه که مناظر و صدا‌ها را وصف می‌کنند، به راحتی بو‌ها را توصیف کنند. 

نقطه عطف تشخیص بویایی

زمانی که محققان در سال ۲۰۱۵ به سراغ چالش تشخیص بویایی دریم (DREAM) رفتند، همه چیز تغییر کرد. در این رقابت داده‌های جمع‌آوری‌شده توسط دو زیست‌شناس به‌نام‌های آندریاس کلر و لزلی ووشال را که در زمینه بویایی تحقیق می‌کردند منتشر شد و از تیم‌هایی از سراسر جهان دعوت شد تا مدل‌های یادگیری ماشینی خود را ارائه کنند. این مدل‌ها باید برچسب‌های بو مانند «شیرین»، «گل» یا «میوه» را برای ترکیبات مولد بو بر اساس ساختار مولکولی آنها پیش‌بینی می‌کردند.

نتایج عملکرد مدل‌های برتر در مقاله‌ای در مجله ساینس در سال ۲۰۱۷ منتشر شدند. برنده اصلی در بین همه مدل‌ها از یک تکنیک یادگیری ماشینی قدیمی استفاده کرده بود و خروجی‌هایی با نمودار درختی را نشان می‌داد.

نویسنده مقاله حاضر می‌گوید: «من یک محقق یادگیری ماشینی هستم و علاقه‌ای دیرینه به استفاده از یادگیری ماشینی در شیمی و روانپزشکی دارم. چالش دریم علاقه من را برانگیخت. از طرفی نسب خانوادگی من به شهر کوچکی به نام کاناج (Kannauj)، پایتخت عطر، در هند می‌رسد که احساس می‌کنم همین موضوع هم علاقه‌ای درونی در من ایجاد کرده است. پدر من نیز یک شیمیدان است و بیشتر دوران حرفه‌ای خود را صرف تجزیه و تحلیل نمونه‌های زمین‌شناسی کرده است. بنابراین، او در تقاطع عطرسازی، فرهنگ، شیمی و یادگیری ماشینی به فرصتی بی‌نظیر رسیده است.»

بویایی ماشینی مدت‌هاست که با مشکل کمبود داده مواجه است، چرا که بیشتر مردم نمی‌توانند به همان اندازه که مناظر و صدا‌ها را وصف می‌کنند، به راحتی بو‌ها را توصیف کنند.

تحولات دوران کرونا

پس از پایان چالش دریم، پیشرفت در بویایی ماشینی، شهرت بیشتری پیدا کرد. همچنین در دوران همه‌گیری کووید-۱۹ بسیاری از بیماران مبتلا به کرونا، حس بویایی خود را از دست دادند و به همین دلیل حس بویایی اهمیت بیشتری پیدا کرد.

تا سال ۲۰۱۹ مجموعه داده‌ها در چالش دریم، از کمتر از ۵۰۰ مولکول به حدود ۵ هزار مولکول افزایش یافت. سپس یک تیم تحقیقاتی از گوگل به رهبری الکساندر ویلتشکو سرانجام توانست انقلاب یادگیری عمیق را به بویایی ماشینی بیاورد. مدل این تیم بر اساس نوعی یادگیری عمیق به نام شبکه‌های عصبی گراف، دستاورد‌های پیشرفته‌ای در بویایی ماشینی به دست داد. ویلتشکو اکنون بنیانگذار و مدیر عامل مؤسسه اُسمو (Osmo) است که مأموریت «ایجاد حس بویایی در رایانه‌ها» را دنبال می‌کند.

به تازگی، ویلتشکو و تیمش از یک شبکه عصبی نموداری برای ایجاد یک «نقشه بوی اصلی» استفاده کردند به طوری که بو‌های مشابه از نظر ادراکی نزدیک به یکدیگر قرار می‌گرفتند. تهیه این نقشه کار آسانی نبود چرا که تغییرات کوچک در ساختار مولکولی می‌تواند منجر به تغییرات بزرگ در درک بویایی شود. برعکس، دو مولکول با ساختار‌های مولکولی بسیار متفاوت می‌توانند بوی تقریباً یکسانی داشته باشند.

چنین پیشرفتی در شکستن رمز بویایی نه تنها از نظر فکری هیجان‌انگیز است، بلکه کاربرد‌های بسیار امیدوارکننده‌ای دارد، از جمله عطر‌ها و رایحه‌های شخصی‌سازی‌شده، تولید آفت‌کش‌هایی با بوی بهتر، حسگر‌های شیمیایی جدید، تشخیص زودهنگام بیماری و تجربیات واقعی‌تر در واقعیت افزوده. آینده بویایی ماشینی روشن به نظر می‌رسد.

این گزارش از پایگاه اینترنتی کانورسیشن به فارسی ترجمه شده است.

انتهای پیام/

نازنین احسانی طباطبایی