O olfato da máquina começa com sensores que detectam e identificam moléculas no ar. (Representativo)
Há mais de 100 anos, Alexander Graham Bell pediu aos leitores da National Geographic que fizessem algo ousado e novo – “para fundar uma nova ciência.” Ele ressaltou que já existiam ciências baseadas nas medições de som e luz. Mas não havia ciência do odor. Bell pediu a seus leitores que “medissem um cheiro”.
Hoje, os smartphones no bolso da maioria das pessoas oferecem recursos integrados impressionantes baseados nas ciências do som e da luz: assistentes de voz, reconhecimento facial e aprimoramento de fotos. A ciência do odor não oferece nada comparável. Mas essa situação está a mudar, à medida que os avanços no olfato mecânico, também chamado de “cheiro digitalizado”, estão finalmente a responder ao apelo de Bell à acção.
A pesquisa sobre o olfato mecânico enfrenta um desafio formidável devido à complexidade do olfato humano. Considerando que a visão humana depende principalmente células receptoras na retina – bastonetes e três tipos de cones – o cheiro é sentido através de cerca de 400 tipos de células receptoras no nariz.
O olfato da máquina começa com sensores que detectam e identificam moléculas no ar. Esses sensores têm a mesma finalidade que os receptores no nariz.
Mas, para ser útil às pessoas, o olfato mecânico precisa dar um passo adiante. O sistema precisa saber qual é o cheiro de uma determinada molécula ou conjunto de moléculas para um ser humano. Para isso, o olfato da máquina precisa de aprendizado de máquina.
Aplicando aprendizado de máquina a cheiros
Aprendizado de máquina, e particularmente um tipo de aprendizado de máquina chamado aprendizagem profundaestá no centro de avanços notáveis, como assistentes de voz e aplicativos de reconhecimento facial.
O aprendizado de máquina também é fundamental para digitalizar cheiros porque pode aprender a mapear a estrutura molecular de um composto causador de odor em descritores textuais de odor. O modelo de aprendizado de máquina aprende as palavras que os humanos tendem a usar – por exemplo, “doce” e “sobremesa” – para descrever o que experimentam quando encontram compostos específicos causadores de odores, como vanilina.
No entanto, o aprendizado de máquina precisa de grandes conjuntos de dados. A web possui uma quantidade inimaginavelmente enorme de conteúdo de áudio, imagem e vídeo que pode ser usado para treinar sistemas de inteligência artificial que reconhecem sons e imagens. Mas o olfato das máquinas enfrenta há muito tempo um problema de escassez de dados, em parte porque a maioria das pessoas não consegue descrever verbalmente cheiros de forma tão fácil e reconhecível como conseguem descrever imagens e sons. Sem acesso a conjuntos de dados em escala web, os pesquisadores não foram capazes de treinar modelos de aprendizado de máquina realmente poderosos.
No entanto, as coisas começaram a mudar em 2015, quando os investigadores lançaram o Desafio de previsão do olfato DREAM. A competição lançada dados coletados por Andreas Keller e Leslie Vosshallbiólogos que estudam o olfato e convidaram equipes de todo o mundo para enviar seus modelos de aprendizado de máquina. Os modelos tiveram que prever rótulos de odores como “doce”, “flor” ou “fruta” para compostos causadores de odores com base na sua estrutura molecular.
Os modelos com melhor desempenho foram publicados em um artigo na revista Science em 2017. Uma técnica clássica de aprendizado de máquina chamada floresta aleatóriaque combina a saída de vários fluxogramas de árvore de decisão, acabou sendo o vencedor.
eu sou um pesquisador de aprendizado de máquina com um interesse de longa data na aplicação do aprendizado de máquina à química e à psiquiatria. O desafio DREAM despertou meu interesse. Também senti uma conexão pessoal com o olfato. Minha família tem raízes na pequena cidade de Kannauj, no norte da Índia, que é Capital do perfume da Índia. Além disso, meu pai é um químico que passou a maior parte de sua carreira analisando amostras geológicas. O olfato mecânico ofereceu, portanto, uma oportunidade irresistível na intersecção entre perfumaria, cultura, química e aprendizado de máquina.
O progresso no olfato da máquina começou a ganhar força após a conclusão do desafio DREAM. Durante a pandemia de COVID-19, muitos casos de cegueira olfativa ou anosmiafoi reportado. O sentido do olfato, que geralmente fica em segundo plano, cresceu na consciência pública. Além disso, um projeto de pesquisa, o Projeto Pirfumedisponibilizou publicamente mais e maiores conjuntos de dados.
Cheirando profundamente
Em 2019, os maiores conjuntos de dados cresceram de menos de 500 moléculas no desafio DREAM para cerca de 5.000 moléculas. Uma equipe de pesquisa do Google liderada por Alexandre Wiltschko foi finalmente capaz de trazer a revolução do aprendizado profundo para o olfato das máquinas. Seu modelo, baseado em um tipo de aprendizado profundo chamado redes neurais gráficasestabelecido resultados de última geração no olfato da máquina. Wiltschko é agora o fundador e CEO da Osmocuja missão é “dar aos computadores o sentido do olfato”.
Recentemente, Wiltschko e sua equipe usaram uma rede neural gráfica para criar um “mapa de odor principal”, onde odores perceptualmente semelhantes são colocados mais próximos uns dos outros do que odores diferentes. Isto não foi fácil: pequenas alterações na estrutura molecular podem levar a grandes alterações na percepção olfativa. Por outro lado, duas moléculas com estruturas moleculares muito diferentes podem, no entanto, ter quase o mesmo cheiro.
Esse progresso na decifração do código do olfato não é apenas intelectualmente estimulante, mas também tem aplicações altamente promissoras, incluindo perfumes e fragrâncias personalizados, melhores repelentes de insetos, novos sensores químicos, detecção precoce de doenças e experiências de realidade aumentada mais realistas. O futuro do olfato mecânico parece brilhante. Também promete cheirar bem.
(Autor:Ambuj TewariProfessor de Estatística, Universidade de Michigan)
(Declaração de divulgação:Ambuj Tewari não trabalha, presta consultoria, possui ações ou recebe financiamento de qualquer empresa ou organização que se beneficiaria com este artigo e não revelou nenhuma afiliação relevante além de sua nomeação acadêmica)
Este artigo foi republicado de A conversa sob uma licença Creative Commons. Leia o artigo original.
(Exceto a manchete, esta história não foi editada pela equipe da NDTV e é publicada a partir de um feed distribuído.)