Pre više od 100 godina, Aleksandar Grejem Bel je zamolio čitaoce National Geographica da urade nešto hrabro i sveže — „da osnuju novu nauku“. On je istakao da su nauke zasnovane na merenjima zvuka i svetlosti već postojale. Ali nije bilo nauke o mirisu. Bell je zamolio svoje čitaoce da „izmere miris“.
Danas pametni telefoni u džepu većine ljudi pružaju impresivne ugrađene mogućnosti zasnovane na naukama o zvuku i svetlosti: glasovni asistenti, prepoznavanje lica i poboljšanje fotografija. Nauka o mirisu ne nudi ništa uporedivo. Ali ta situacija se menja, jer napredak u mašinskom mirisu, koji se naziva i „digitalizovani miris“, konačno odgovara na Bellov poziv na akciju.
Istraživanje mašinskog mirisa suočava se sa ogromnim izazovom zbog složenosti ljudskog čula mirisa. Dok se ljudski vid uglavnom oslanja na receptorske ćelije u mrežnjači — štapiće i tri vrste čunjića — miris se doživljava kroz oko 400 tipova receptorskih ćelija u nosu.
Miris mašine počinje sa senzorima koji detektuju i identifikuju molekule u vazduhu. Ovi senzori služe istoj svrsi kao i receptori u vašem nosu.
Ali da bi bio koristan ljudima, mašinski miris mora da ide korak dalje. Sistem treba da zna kako određeni molekul ili skup molekula miriše na čoveka. Za to je mašinskom mirisu potrebno mašinsko učenje.
Mašinsko učenje, a posebno neka vrsta mašinskog učenja koje se zove duboko učenje, je u srži izuzetnih napretka kao što su glasovni asistenti i aplikacije za prepoznavanje lica.
Mašinsko učenje je takođe ključno za digitalizaciju mirisa jer može naučiti da mapira molekularnu strukturu jedinjenja koje izaziva miris u tekstualne deskriptore mirisa. Model mašinskog učenja uči reči koje ljudi obično koriste — na primer, „slatko“ i „desert“ — da opišu šta doživljavaju kada naiđu na specifična jedinjenja koja izazivaju miris, kao što je vanilin.
Međutim, za mašinsko učenje su potrebni veliki skupovi podataka. Veb ima nezamislivo ogromnu količinu audio, slikovnog i video sadržaja koji se može koristiti za obuku sistema veštačke inteligencije koji prepoznaju zvukove i slike. Ali miris mašina se dugo suočavao sa problemom nedostatka podataka, delom zato što većina ljudi ne može verbalno da opiše mirise tako lako i prepoznatljivo kao što može da opiše prizore i zvukove. Bez pristupa skupovima podataka na vebu, istraživači nisu bili u mogućnosti da obuče zaista moćne modele mašinskog učenja.
Međutim, stvari su počele da se menjaju 2015. godine kada su istraživači pokrenuli izazov za predviđanje mirisa iz snova. Takmičenje je objavilo podatke koje su prikupili Andreas Keler i Lesli Vošal, biolozi koji proučavaju miris, i pozvali timove iz celog sveta da podnesu svoje modele mašinskog učenja. Modeli su morali da predvide oznake mirisa kao što su „slatko“, „cvet“ ili „voće“ za jedinjenja koja izazivaju miris na osnovu njihove molekularne strukture.
Modeli sa najboljim učinkom objavljeni su u radu u časopisu Science 2017. Pokazalo se da je pobednička klasična tehnika mašinskog učenja nazvana nasumična šuma, koja kombinuje izlaz više dijagrama stabla odluka.
Ja sam istraživač mašinskog učenja sa dugogodišnjim interesovanjem za primenu mašinskog učenja u hemiji i psihijatriji. Izazov DREAM izazvao je moje interesovanje. Takođe sam osetio ličnu vezu sa mirisom. Moja porodica vuče korene iz malog grada Kannauj u severnoj Indiji, koji je indijska prestonica parfema. Štaviše, moj otac je hemičar koji je većinu svoje karijere proveo analizirajući geološke uzorke. Mašinski miris je tako ponudio neodoljivu priliku na raskrsnici parfimerije, kulture, hemije i mašinskog učenja.
Napredak u mašinskom mirisu počeo je da raste nakon što je DREAM izazov završen. Tokom pandemije COVID-19, prijavljeni su mnogi slučajevi slepila zbog mirisa ili anosmije. Čulo mirisa, koje obično zauzima pozadinu, poraslo je u javnoj svesti. Pored toga, istraživački projekat, Pirfume Project, učinio je javno dostupnim sve veće skupove podataka.
Do 2019. godine najveći skupovi podataka porasli su sa manje od 500 molekula u DREAM izazovu na oko 5.000 molekula. Google istraživački tim predvođen Aleksandrom Vilčkom konačno je uspeo da revoluciju dubokog učenja dovede do mašinskog mirisa. Njihov model, zasnovan na tipu dubokog učenja zvanom graf neuronske mreže, uspostavio je najsavremenije rezultate u mašinskom mirisu. Vilčko je sada osnivač i izvršni direktor kompanije Osmo, čija je misija „davanje kompjuterima osećaj mirisa“.
Nedavno su Viltschko i njegov tim koristili neuronsku mrežu grafova da kreiraju „glavnu mapu mirisa“, gde su perceptivno slični mirisi postavljeni bliže jedan drugom od različitih. Ovo nije bilo lako: male promene u molekularnoj strukturi mogu dovesti do velikih promena u percepciji mirisa. Nasuprot tome, dva molekula sa veoma različitim molekularnim strukturama ipak mogu mirisati skoro isto.
Takav napredak u razbijanju koda mirisa nije samo intelektualno uzbudljiv, već ima i veoma obećavajuće primene, uključujući personalizovane parfeme i mirise, bolje repelente protiv insekata, nove hemijske senzore, rano otkrivanje bolesti i realističnija iskustva proširene stvarnosti. Budućnost mašinskog mirisa izgleda svetla. Takođe obećava da će dobro mirisati.
