Base de datos de olores

Los sistemas de inteligencia artificial actuales, incluidas las redes neuronales artificiales ampliamente inspiradas en las neuronas y las conexiones del sistema nervioso, se desempe√Īan maravillosamente en tareas con restricciones conocidas. Tambi√©n suelen requerir mucha potencia de c√°lculo y grandes cantidades de datos de entrenamiento. Todo ello les permite ser muy buenos jugando al ajedrez o al Go, detectando si hay un coche en una imagen o diferenciando entre representaciones de perros y gatos. ¬ęPero son bastante pat√©ticos a la hora de componer m√ļsica o escribir historias cortas¬Ľ, afirma Konrad Kording, neurocient√≠fico computacional de la Universidad de Pensilvania. ¬ęTienen grandes problemas para razonar con sentido en el mundo¬Ľ.

Para superar esas limitaciones, algunos grupos de investigaci√≥n est√°n recurriendo al cerebro en busca de nuevas ideas. Pero un pu√Īado de ellos est√° eligiendo lo que a primera vista puede parecer un punto de partida improbable: el sentido del olfato, o la olfacci√≥n. Los cient√≠ficos que intentan comprender mejor c√≥mo los organismos procesan la informaci√≥n qu√≠mica han descubierto estrategias de codificaci√≥n que parecen especialmente relevantes para los problemas de la IA. Adem√°s, los circuitos olfativos guardan sorprendentes similitudes con otras regiones cerebrales m√°s complejas que han sido de inter√©s en la b√ļsqueda de la construcci√≥n de mejores m√°quinas.

Aryballe neose

Los investigadores crearon un conjunto de datos de casi 5.000 mol√©culas identificadas por perfumistas, que etiquetaron las mol√©culas con descripciones que iban desde ¬ęmantecoso¬Ľ a ¬ętropical¬Ľ y ¬ęhierba¬Ľ. El equipo utiliz√≥ unos dos tercios del conjunto de datos para entrenar a su IA (una red neuronal gr√°fica o GNN) para que asociara las mol√©culas con los descriptores que suelen recibir. A continuaci√≥n, los investigadores utilizaron el resto de los olores para probar la IA, y la aprobaron. Los algoritmos fueron capaces de predecir los olores de las mol√©culas bas√°ndose en sus estructuras.

Como se√Īala Wired, hay algunas advertencias, y son las que hacen que la ciencia del olfato sea tan complicada. Para empezar, dos personas pueden describir el mismo olor de forma diferente, por ejemplo ¬ęamaderado¬Ľ o ¬ęterroso¬Ľ. A veces las mol√©culas tienen los mismos √°tomos y enlaces, pero est√°n dispuestas como im√°genes especulares y tienen olores completamente diferentes. Son los llamados pares quirales; la alcaravea y la menta verde son s√≥lo un ejemplo. Las cosas se complican a√ļn m√°s cuando se empiezan a combinar olores.

Aryballe

La capacidad del ser humano para percibir los olores es posible gracias a 400 tipos diferentes de receptores, que transmiten los olores a un mill√≥n de neuronas sensoriales situadas en una secci√≥n de tejido de la cavidad del ombligo llamada epitelio olfativo. Las neuronas sensoriales env√≠an las se√Īales entrantes a nuestro cerebro, donde el sistema las convierte en nuestro sentido del olfato.

En el art√≠culo ¬ęMachine Learning for Scent: Learning Generalizable Perceptual Representations of Small Molecules¬Ľ los investigadores demuestran c√≥mo utilizan una red neuronal gr√°fica (GNN) para predecir las descripciones de los olores de las mol√©culas. El trabajo ayuda a comprender la relaci√≥n entre estructura y olor.

Los investigadores entrenaron una red neuronal de grafos para predecir el resultado de un olor considerando los √°tomos como nodos y sus enlaces como aristas. Las GNN, cuando se ense√Īan de este modo, convierten los √°tomos y los enlaces en vectores de longitud fija que son procesados posteriormente por una red neuronal totalmente conectada.

¬ęInicialmente, cada nodo del gr√°fico se representa como un vector, utilizando cualquier featurizaci√≥n preferida: identidad del √°tomo, carga del √°tomo, etc. A continuaci√≥n, en una serie de pasos de paso de mensajes, cada nodo transmite su valor vectorial actual a cada uno de sus vecinos¬Ľ, se√Īalan los investigadores en el art√≠culo.

Philyra ibm

Gracias al aprendizaje autom√°tico, un modelo inform√°tico puede ense√Īarse a s√≠ mismo a oler en pocos minutos. Cuando lo hace, los investigadores han descubierto que construye una red neuronal que imita fielmente los circuitos olfativos que los cerebros de los animales utilizan para procesar los olores.

Todos los animales, desde la mosca de la fruta hasta el ser humano, utilizan básicamente la misma estrategia para procesar la información olfativa en el cerebro. Pero los neurocientíficos que entrenaron una red neuronal artificial para que se encargara de una sencilla tarea de clasificación de olores se sorprendieron al ver que replicaba la estrategia de la biología con tanta fidelidad.

En el caso de las moscas de la fruta, el organismo en el que mejor se ha cartografiado el circuito olfativo del cerebro, el olor comienza en las antenas. All√≠, las neuronas sensoriales, equipadas con receptores de olor especializados en la detecci√≥n de olores espec√≠ficos, transforman la uni√≥n de las mol√©culas de olor en actividad el√©ctrica. Cuando se detecta un olor, estas neuronas, que constituyen la primera capa de la red olfativa, env√≠an una se√Īal a la segunda capa: un conjunto de neuronas que residen en una parte del cerebro llamada l√≥bulo antenal. En el l√≥bulo antenal, las neuronas sensoriales que comparten el mismo receptor convergen en la misma neurona de segunda capa. ¬ęSon muy selectivas¬Ľ, dice Yang. ¬ęNo reciben ninguna entrada de las neuronas que expresan otros receptores¬Ľ. Como tiene menos neuronas que la primera capa, esta parte de la red se considera una capa de compresi√≥n. Estas neuronas de la segunda capa, a su vez, env√≠an se√Īales a un conjunto mayor de neuronas de la tercera capa. Curiosamente, esas conexiones parecen ser aleatorias.