数字嗅觉是人工智能社区长期忽视的一种方式，但也许有一天对机器人厨师有用？
科学论文，“一个主要的气味地图统一了嗅觉感知中的不同任务”点击标题：
将分子结构映射到气味感知是嗅觉领域的一项关键挑战。我们利用图神经网络生成了一个主气味图（POM），它保留了知觉关系，并能对以前未定性的气味进行气味质量预测。
该模型在描述气味质量方面与人类一样可靠：在由 400 种样本外气味组成的前瞻性验证集上，模型生成的气味特征与经过训练的小组平均值的匹配程度要高于小组成员的中位数。
通过应用简单、可解释、有理论基础的转换，POM 在其他几项气味预测任务中的表现优于化学信息模型，这表明 POM 成功地编码了结构-气味关系的通用图谱。
这种方法可广泛用于气味预测，并为气味数字化铺平了道路。
要点：
- 收集 5000 个分子，要求人类标注 "奶油味、巧克力味、酒精味、牛肉味、辛辣味、柑橘味 "等。这个数据集是独一无二的，也是论文的一大贡献。
- 训练图神经网络（GNN），将分子映射到标签。每个分子都是由原子组成的图，原子的价数、度数、氢数、杂化程度、形式电荷数、原子序数等都可以对其进行描述。
- GNN 的预测结果与人类专家对新气味的预测结果非常吻合。
- 通过嵌入，我们可以得到一个 "主要气味图（POM）"，它忠实地反映了气味之间的层次和距离。