Amerykańsko-brytyjski zespół naukowy zaprojektował eksperyment naukowy i nauczył neuronową sieć grafową (GNN) przewidywać zapach na podstawie struktury chemicznej cząsteczek. Skuteczność odgadywania zapachów została potwierdzona w eksperymencie, w którym 320 zapachów opisała grupa 15 osób a wrażenia ludzi porównano z efektami pracy sieci. Sieć neuronowa trafniej niż ludzie opisywała zapachy, gdyż ludzki węch jest podatny na zniekształcenia związane z doświadczeniami, z kulturą, wiekiem itd.

Do sieci GNN zostały wprowadzone informacje o zapachu i smaku 5 tysięcy związków chemicznych (na przykład kremowy, trawiasty, owocowy, serowy). Dane pochodziły z baz danych Goodscents i Leffingwell (totalnie odskulowe strony internetowe!). Na tej podstawie sieć neuronowa była w stanie wygenerować swoistą mapę zapachów, czyli właściwości zapachowe cząsteczek, również tych nieznajdujących się w bazie zapachów.

Tworząc mapę zapachów jednocześnie sieć była w stanie dostrzec podobieństwo opisywanych zapachów i dzięki temu mogła je zgrupować. Mapa pozwoliła jej przewidywać też zapachy cząsteczek, które nie były opisane w bazach, które posłużyły do nauki.

Sieć przewidziała również zapachy kolejnych 500 tysięcy cząsteczek, pisze Science. Technologia ta może być stosowana w przemyśle kosmetycznym, perfumeryjnym, spożywczym, ale po odpowiednim dopracowaniu można sobie wyobrazić również zastosowania w medycynie.

Co bardzo ciekawe, sieć ta została zbudowana na podobieństwo układu nerwowego muszki owocówki (fruit fly), podaje MIT News – ta sama liczba neuronów, co u muszki. Po uruchomieniu sieci w ciągu paru minut przetworzyła podaną jej wiedzę a następnie połączenia neuronowe zorganizowały się w strukturę identyczną do tej występującej w układzie nerwowym muszki owocówki. Zespół badawczy sądzi więc, że prace nad siecią i jej działaniem mogą dać wiedzę na temat przetwarzania zapachów przez mózgi istot żywych, również i ludzi.

Jak zauważa ekspert pytany przez Popular Science, sieć powinna dostrzegać ciekawą cechę zapachów, które w zależności od stężenia mogą dla ludzi mieć różny odbiór. Przykładowo, zapach kociego moczu jest dla ludzi nieprzyjemny z powodu związku chemicznego zwany MBB. Jednak w odpowiednio małym stężeniu ten sam związek daje przyjemny zapach np. niektórym winom czy gatunkom kawy.
Sztuczna inteligencja zapachowa powinna umieć to przewidywać – nie mamy informacji, czy tak jest. Wiemy, natomiast że jej przewaga nad ludźmi polega również nad tym, że sieć neuronowa nie ma uprzedzeń. Wyobraźmy sobie, że ludziom degustującym kawę czy wino podajemy informację, że część doznań zawdzięczają tej cząsteczce występującej również w kocim moczu. Podanie tej informacji mogłoby zaburzyć doznania ludzi i np. zmienić doznanie z miłego w nieprzyjemne. Sieć neuronowa takich uprzedzeń nie ma i na podstawie budowy cząsteczek po prostu przewiduje zapachy.

Eksperyment zwiększył możliwości sieci neuronowych o tyle, że wcześniej opisywane rozwiązania nie pozwalały sieciom neuronowym tworzyć map zapachów.