منذ أكثر من 100 عام، طلب ألكسندر جراهام بيل من قراء مجلة ناشيونال جيوغرافيك أن يفعلوا شيئاً جريئاً وجديداً ــ “لتأسيس علم جديد”. وأشار إلى أن العلوم القائمة على قياسات الصوت والضوء موجودة بالفعل. لكن لم يكن هناك علم للرائحة. طلب بيل من قرائه “قياس الرائحة”.
اليوم، توفر الهواتف الذكية في جيوب معظم الناس إمكانات مدمجة مثيرة للإعجاب تعتمد على علوم الصوت والضوء: المساعدون الصوتيون، والتعرف على الوجه، وتحسين الصور. علم الرائحة لا يقدم أي شيء قابل للمقارنة. لكن هذا الوضع آخذ في التغير، حيث أن التقدم في حاسة الشم الآلية، والتي تسمى أيضًا “الرائحة الرقمية”، يستجيب أخيرًا لدعوة بيل إلى العمل.
تواجه الأبحاث المتعلقة بحاسة الشم الآلية تحديًا هائلاً بسبب تعقيد حاسة الشم لدى الإنسان. في حين أن الرؤية البشرية تعتمد بشكل أساسي على الخلايا المستقبلة في شبكية العين – العصي وثلاثة أنواع من المخاريط – فإن الشم يتم الشعور به من خلال حوالي 400 نوع من الخلايا المستقبلة في الأنف.
تبدأ عملية الشم الآلية بأجهزة استشعار تكتشف الجزيئات الموجودة في الهواء وتتعرف عليها. تخدم هذه المستشعرات نفس غرض المستقبلات الموجودة في أنفك.
ولكن لكي تكون الآلة مفيدة للناس، يجب أن تخطو حاسة الشم الآلية خطوة أخرى إلى الأمام. يحتاج النظام إلى معرفة رائحة جزيء معين أو مجموعة من الجزيئات بالنسبة للإنسان. ولهذا السبب، تحتاج حاسة الشم الآلية إلى التعلم الآلي.
تطبيق التعلم الآلي على الروائح
يعد التعلم الآلي، وخاصة نوع من التعلم الآلي يسمى التعلم العميق، في قلب التطورات الملحوظة مثل المساعدين الصوتيين وتطبيقات التعرف على الوجه.
يعد التعلم الآلي أيضًا مفتاحًا لرقمنة الروائح لأنه يمكنه تعلم رسم خريطة للتركيب الجزيئي للمركب المسبب للرائحة لواصفات الرائحة النصية. يتعلم نموذج التعلم الآلي الكلمات التي يميل البشر إلى استخدامها – على سبيل المثال، “حلو” و”حلوى” – لوصف ما يواجهونه عندما يواجهون مركبات معينة مسببة للرائحة، مثل الفانيلين.
ومع ذلك، يحتاج التعلم الآلي إلى مجموعات بيانات كبيرة. تحتوي شبكة الويب على كمية هائلة لا يمكن تصورها من محتوى الصوت والصورة والفيديو التي يمكن استخدامها لتدريب أنظمة الذكاء الاصطناعي التي تتعرف على الأصوات والصور. لكن حاسة الشم الآلية واجهت منذ فترة طويلة مشكلة نقص البيانات، ويرجع ذلك جزئيًا إلى أن معظم الناس لا يستطيعون وصف الروائح لفظيًا بسهولة ويسر كما يمكنهم وصف المشاهد والأصوات. وبدون الوصول إلى مجموعات البيانات على نطاق الويب، لم يتمكن الباحثون من تدريب نماذج قوية حقًا للتعلم الآلي.
ومع ذلك، بدأت الأمور تتغير في عام 2015 عندما أطلق الباحثون تحدي التنبؤ بحاسة الشم DREAM. أصدرت المسابقة بيانات جمعها أندرياس كيلر وليزلي فوسشال، علماء الأحياء الذين يدرسون الشم، ودعت فرقًا من جميع أنحاء العالم لتقديم نماذج التعلم الآلي الخاصة بهم. كان على النماذج أن تتنبأ بعلامات الرائحة مثل “حلو” أو “زهرة” أو “فاكهة” للمركبات المسببة للرائحة بناءً على تركيبها الجزيئي.
تم نشر النماذج ذات الأداء الأفضل في ورقة بحثية في مجلة Science في عام 2017. وتبين أن تقنية التعلم الآلي الكلاسيكية التي تسمى الغابة العشوائية، والتي تجمع بين مخرجات مخططات تدفق شجرة القرار المتعددة، هي الفائزة.
أنا باحث في مجال التعلم الآلي ولدي اهتمام طويل بتطبيق التعلم الآلي في الكيمياء والطب النفسي. لقد أثار تحدي DREAM اهتمامي. شعرت أيضًا بارتباط شخصي بالشم. تعود جذور عائلتي إلى بلدة كانوج الصغيرة في شمال الهند، وهي عاصمة العطور في الهند. علاوة على ذلك، فإن والدي كيميائي قضى معظم حياته المهنية في تحليل العينات الجيولوجية. وهكذا، قدمت عملية الشم الآلي فرصة لا تقاوم عند تقاطع صناعة العطور والثقافة والكيمياء والتعلم الآلي.
بدأ التقدم في حاسة الشم الآلية يتسارع بعد انتهاء تحدي DREAM. خلال جائحة كوفيد-19، تم الإبلاغ عن العديد من حالات عمى الشم، أو فقدان الشم. ارتفعت حاسة الشم، التي عادة ما تأخذ مقعدًا خلفيًا، في الوعي العام. بالإضافة إلى ذلك، مشروع بحثي، مشروع بيرفيوم، جعل مجموعات البيانات أكبر وأكبر متاحة للجمهور.
الرائحة بعمق
بحلول عام 2019، نمت أكبر مجموعات البيانات من أقل من 500 جزيء في تحدي DREAM إلى حوالي 5000 جزيء. تمكن فريق أبحاث Google بقيادة ألكسندر ويلتشكو أخيرًا من جلب ثورة التعلم العميق إلى حاسة الشم الآلية. نموذجهم، الذي يعتمد على نوع من التعلم العميق يسمى الشبكات العصبية البيانية، أدى إلى أحدث النتائج في مجال حاسة الشم الآلية. ويلتشكو هو الآن المؤسس والرئيس التنفيذي لشركة Osmo، التي تتمثل مهمتها في “منح أجهزة الكمبيوتر حاسة الشم”.
في الآونة الأخيرة، استخدم ويلتشكو وفريقه شبكة عصبية بيانية لإنشاء “خريطة الرائحة الرئيسية”، حيث يتم وضع الروائح المتشابهة بشكل أقرب إلى بعضها البعض من الروائح المتباينة. لم يكن الأمر سهلاً: فالتغيرات الصغيرة في البنية الجزيئية يمكن أن تؤدي إلى تغيرات كبيرة في الإدراك الشمي. على العكس من ذلك، يمكن لجزيئين لهما بنية جزيئية مختلفة جدًا أن تكون لهما نفس الرائحة تقريبًا.
مثل هذا التقدم في فك شفرة الشم ليس مثيرًا فكريًا فحسب، بل له أيضًا تطبيقات واعدة للغاية، بما في ذلك العطور الشخصية، والمواد الطاردة للحشرات الأفضل، وأجهزة الاستشعار الكيميائية الجديدة، والكشف المبكر عن الأمراض، وتجارب الواقع المعزز الأكثر واقعية. يبدو مستقبل حاسة الشم الآلية مشرقًا. كما يعد أيضًا برائحة طيبة.
تم إعادة نشر هذا المقال من The Conversation، وهي منظمة إخبارية مستقلة غير ربحية تقدم لك حقائق وتحليلات لمساعدتك على فهم عالمنا المعقد.
بقلم : أمبوج تيواري . جامعة ميشيغان.
اقرأ أكثر:
لا يعمل أمبوج تيواري لدى أي شركة أو مؤسسة أو يستشيرها أو يمتلك أسهمًا فيها أو يتلقى تمويلًا منها قد تستفيد من هذه المقالة، ولم يكشف عن أي انتماءات ذات صلة بعد تعيينه الأكاديمي.