圖像、語言、聲音、遊戲，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裏的菜品了。
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，然後每個節點上的原子再把向量傳遞到它的鄰居原子那裏去。
每個向量裏，可以把它是什麼元素、氫鍵的數量等各種中學化學課本里的基本特性帶上。
而每個原子和什麼樣的原子連接，構成了分子的模樣，也決定了它是什麼物質。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於這個節點的新信息。
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。
然後，把圖扔進一個圖神經網絡（GNN）裏，就可以預測出這種分子聞起來是什麼味兒了。
看這張動圖，就爲我們展示了這個過程的全貌：
整個過程需要兩隻神經網絡，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，那麼爲了訓練神經網絡，需要一些數據，能把一種分子和它是什麼味兒的對應起來。
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註的數據集，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，去重之後剩下了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籤，比如菠蘿味、奶酪味、麪包味、堅果味，或者……沒味。
△ 有X個標籤的分子 & 每個標籤下有多少種分子
這樣複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，寫着有柑橘味、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，普通人也不知道標籤裏的Sweet Green是什麼味道啊！
不過，這個數據集也有個bug：
因爲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？
最後，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、烤肉味這樣的詞彙來形容氣味，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，然後把每個格子的顏色表示爲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。
那麼，氣味該怎麼表示？
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後，看起來和PS裏的RGB圖非常類似，不同的區域意味着不同的味道。
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
— 完 —