Bilim insanları yapay zeka yardımıyla karmaşık kokuları dijitalleştirmeyi öğrendiler.
Modern.az haber veriyor ki, Weizmann Enstitüsü bilim insanlarının da dahil olduğu uluslararası bir araştırma grubu, karmaşık kokuları tanımak ve matematiksel olarak tanımlamak için makine öğrenimini kullandı. Araştırmanın sonuçları “PNAS” bilimsel dergisinde yayınlandı.
Bilim insanları, renklerden farklı olarak, kokuları tanımlamak için şimdiye kadar evrensel bir matematiksel sistemin mevcut olmadığını belirttiler. Bunun nedeni, çoğu kokunun birbiriyle etkileşimde olan onlarca, hatta yüzlerce farklı molekülden oluşmasıdır.
Araştırmacılar, farklı kokular arasındaki benzerliği belirleyebilen bir sistem oluşturmaya çalıştılar. Bunun için “DREAM challenge” bilimsel yarışması kapsamında 168 ayrı molekül ve 731 koku karışımından oluşan standart bir veri tabanı hazırlandı.
Algoritmaların geliştirilmesinde 26 bilimsel ekip yer aldı. Onlar, farklı koku çiftlerinin insanlar tarafından ne kadar benzer algılanacağını tahmin eden modeller oluşturdular. En başarılı yaklaşımlar birleştirildikten sonra, yüksek doğrulukla tahmin veren bir model elde edildi.
Buna ek olarak, algoritmalar kokuları sadece moleküllerin kimyasal özellikleriyle değil, insanlar için daha tanıdık olan “meyveli”, “tatlı” veya “odunsu” gibi özelliklerle daha doğru bir şekilde tanımladı. Araştırmacılar, bu sonucun kokuların dil aracılığıyla tanımlanmasının insan beyninin aromatik bilgileri işleme özelliklerini yansıttığını gösterdiğini düşünüyorlar.
Kokuların dijitalleştirilmesi bir dizi alanda pratik önem taşıyabilir. Tıpta bu teknoloji, diyabet ve karaciğer hastalıkları da dahil olmak üzere bazı hastalıklara özgü koku belirteçlerinin tanımlanmasında kullanılabilir.
Gıda endüstrisinde kokuların matematiksel tanımı ürünlerin tat ve kalitesinin standartlaştırılmasına, parfümeri alanında ise yeni parfümlerin geliştirilmesinin hızlandırılmasına ve benzersiz kompozisyonların korunmasına yardımcı olabilir.
Araştırmacılar, bu teknolojinin yeni aromatik ürünlerin geliştirilmesinde uzun süreli deneme yanılma sürecine olan ihtiyacı azaltabileceğini, bunun bir kısmını matematiksel modelleme ile değiştirebileceğini düşünüyorlar.
