Badacze z arXiv opublikowali pracę na temat nowego modelu głębokich sieci neuronowych, który pozwala komputerom rozumieć, jak ludzie postrzegają zapachy mieszanin wielocząsteczkowych. Problem stanowi niesamowita złożoność naturalnych zapachów, które prawie nigdy nie występują jako czyste substancje, lecz jako mieszaniny z efektami nasycenia zależnymi od stężenia i progami aktywacji specyficznymi dla receptorów.
Proponowany system łączy biologiczną inspirację z nowoczesnym machine learningiem. Naukowcy zbudowali krzywe odpowiedzi neuronowej dla każdej interakcji między cząsteczką a receptorem, a następnie opracowali strategię fuzji, która integruje wiele receptorów ważonych uwagą z wieloma cząsteczkami zależnymi od stężenia. To podejście replikuje konkurencyjną aktywację i synergiczną integrację składników mieszaniny, która zachodzi w rzeczywistych systemach olfaktorycznych. Model przenosi również wiedzę z semantycznie bogatej przestrzeni asocjacji molekularnych, aby kierować rozpoznawaniem charakterystyk percepcji zapachów.
Signifikancja tej pracy leży w możliwości stworzenia pełnej ścieżki obliczeniowej od mieszania chemicznego poprzez kodowanie neuronowe do formacji percepcyjnej. Taki model może znaleźć zastosowanie w elektronicznym węchu, badaniach neuronowych oraz lepszym zrozumieniu sensoryki człowieka. Wyniki testów wykazały wyjątkową przewagę nad dotychczasowymi metodami, co sugeruje, że bio-inspirowane podejście do modelowania zmysłu zapachu otwiera nowe kierunki badań nad percepcją wielomodalną.