블로그

Dec 08, 2023

이제 기계는 냄새를 맡는 방법을 배우고 있습니다.

Sara Harrison 애플리케이션 예측 회사 알파벳 Google 최종 사용자 연구

사라 해리슨

애플리케이션

예측

회사

알파벳

Google

최종 사용자

연구

부문

연구

기술

기계 학습

신경망

Google에는 자체 향수가 있거나 적어도 회사 연구원 중 한 팀이 있습니다. 전문 프랑스 조향사의 지도 하에 제작된 혼합물에는 바닐라, 자스민, 멜론, 딸기 향이 납니다. 주방에 향수병을 보관하고 있는 Alex Wiltschko는 "절반 나쁘지 않았습니다"라고 말합니다.

Google은 조만간 그 향기를 마케팅하지는 않지만 우리 삶의 또 다른 측면인 냄새에 코를 대고 있습니다. 목요일, Google Brain의 연구원들은 사전 인쇄 사이트인 Arxiv에 논문을 발표하여 구조를 기반으로 분자의 냄새를 예측하기 위해 일련의 기계 학습 알고리즘을 훈련시키는 방법을 보여주었습니다. 이것이 전 세계 대부분의 지도를 제공하는 것만큼 유용합니까? 아마. 그러나 후각 분야에서는 크고 오랜 질문을 해결하는 데 도움이 될 수 있습니다.

후각의 과학은 다른 많은 분야에 비해 뒤떨어져 있습니다. 예를 들어, 빛은 수세기 동안 이해되어 왔습니다. 17세기에 아이작 뉴턴은 프리즘을 사용하여 태양의 백색광을 우리에게 친숙한 빨간색, 주황색, 노란색, 녹색, 파란색, 남색, 보라색 무지개로 나누었습니다. 후속 연구에서는 우리가 서로 다른 색으로 인식하는 것이 실제로는 서로 다른 파장이라는 사실이 밝혀졌습니다. 색상환을 살펴보면 해당 파장이 어떻게 비교되는지 간단하게 알 수 있습니다. 긴 빨간색과 노란색이 짧은 파란색과 보라색으로 전환됩니다. 하지만 냄새에는 그런 가이드가 없습니다.

파장이 빛의 기본 구성 요소라면 분자는 향기의 구성 요소입니다. 분자가 우리 코에 들어가면 후각구라고 불리는 뇌의 작은 부분에 신호를 보내는 수용체와 상호작용합니다. 갑자기 우리는 "음, 팝콘!"이라고 생각합니다. 과학자들은 파장을 보고 그것이 어떤 색으로 보일지 알 수 있지만 분자와 냄새에 대해서는 동일한 작업을 수행할 수 없습니다.

실제로 화학 구조에서 분자의 냄새를 알아내는 것은 극히 어려운 것으로 입증되었습니다. 해당 프로젝트를 위해 Google 연구팀을 이끌었던 Wiltschko는 원자나 결합 하나를 변경하거나 제거하면 "장미에서 썩은 달걀로 바뀔 수 있습니다"라고 말합니다.

이전에는 기계 학습을 사용하여 한 분자에서는 마늘 냄새가 나고 다른 분자에서는 재스민 냄새가 나는 패턴을 감지하려는 시도가 있었습니다. 연구원들은 2015년에 DREAM 후각 예측 챌린지를 만들었습니다. 이 프로젝트는 수백 명의 사람들로부터 향기 설명을 크라우드소싱했으며, 연구원들은 다양한 기계 학습 알고리즘을 테스트하여 분자의 냄새를 예측하도록 훈련할 수 있는지 확인했습니다.

다른 여러 팀에서는 해당 데이터에 AI를 적용하여 성공적인 예측을 했습니다. 그러나 Wiltschko 팀은 다른 접근 방식을 취했습니다. 그들은 그래프 신경망(GNN)이라는 것을 사용했습니다. 대부분의 기계 학습 알고리즘에서는 정보가 직사각형 그리드로 제공되어야 합니다. 그러나 모든 정보가 해당 형식에 맞는 것은 아닙니다. GNN은 소셜 미디어 사이트의 친구 네트워크나 저널의 학술 인용 네트워크와 같은 그래프를 볼 수 있습니다. 소셜 미디어에서 다음 친구가 누구인지 예측하는 데 사용될 수 있습니다. 이 경우 GNN은 각 분자의 구조를 처리하고 예를 들어 한 분자에서 탄소 원자가 질소 원자에서 5개 원자 떨어져 있다는 것을 이해할 수 있습니다.

로렌 구드

로렌 구드

줄리안 초카투

윌 나이트

Google 팀은 전문적인 코를 가진 조향사의 거의 5,000개 분자 세트를 사용하여 각 분자를 "나무향", "재스민" 또는 "달콤함"과 같은 설명과 신중하게 연결했습니다. 연구자들은 네트워크를 훈련시키기 위해 데이터 세트의 약 2/3를 사용한 다음, 나머지 분자의 향기를 예측할 수 있는지 테스트했습니다. 효과가 있었습니다.

실제로 첫 번째 반복에서 GNN은 다른 그룹이 만든 모델과 마찬가지로 작동했습니다. Wiltschko는 팀이 모델을 개선하면 더 좋아질 수 있다고 말합니다. "내 생각에는 우리가 이 분야를 더욱 발전시킨 것 같습니다."