使用机器学习方法模拟嗅觉体验，通过实验证实香水感知的量化。研究通过建立香水分子结构与人类嗅觉感知的混合模型来实现，该模型包含利用图和生成性神经网络的人工智能分子生成器、气味强度的量化和预测，以及为所需香气精心调配最佳溶剂和分子组合。此外，基于热力学的模型建立了嗅觉感知和液相浓度之间的联系。该方法使用迁移学习，并根据蒸气压力和香气注释选择最合适的分子。最终，通过数学优化问题来最小化新的嗅觉体验与目标体验之间的差异。通过使用现有的实验数据复制两种不同的嗅觉体验来验证了该方法。

Feb, 2024

深度学习技术在香气化学品上的应用，能够比人工专家更准确地预测嗅觉特性。本研究旨在应用现有和新颖的方法，对由配对分子组成的数据集进行分析，提出一个公开可用的模型，能够准确预测由香气化学品混合物产生的非线性特性。

Dec, 2023

神经形态计算是一种能够显著降低机器学习和人工智能功耗的少数几种方法之一。本文提出了一种在神经型架构上运行的受哺乳动物嗅球电路启发的气味学习算法，并在评估其对不同气味感知的快速在线学习和识别性能时，使用了一组气体传感器的记录数据并通过脉冲噪声进行破坏。本文复制了部分研究，并发现了影响某些结论的局限性，其包括使用的数据集存在传感器漂移和非随机测量协议，从而在气味识别基准测试中具有有限的用途。此外，我们发现该模型在对相同气体的重复展示上具有推广能力的限制。我们证明该研究所涉及的任务可以通过简单的哈希表方法解决，匹配或超过了报告中的准确性和运行时间。因此，需要显示模型的验证超出恢复学习数据样本的范畴，特别是其对气味识别任务的适用性。

Sep, 2023

本文提出了一个名为 Mol-PECO 的深度学习模型，通过对分子结构进行编码来预测气味知觉，其更新的原子嵌入通过方向图卷积网络 (GCN) 对拉普拉斯特征函数进行建模作为位置编码和库仑矩阵进行原子坐标和电荷编码。利用 8,503 种分子的全面数据集，Mol-PECO 直接在 118 个气味描述符上取得了 0.813 的接收者操作特征曲线下面积 (AUROC)，优于分子指纹的机器学习 (0.761 的 AUROC) 和邻接矩阵的 GCN (0.678 的 AUROC)。Mol-PECO 学到的嵌入也捕获了有意义的气味空间，全球聚类描述符和相似气味的局部检索。本文的工作可以促进对嗅觉感知和机制的理解和解码。

May, 2023

在分子属性预测的算法解决方案中，神经机器技术的进步导致了一系列算法解决方案，其中神经网络应用于计算分子指纹或专家制作的描述符以及构造学习分子表示的图卷积神经网络最为有效，这项研究进行了广泛的基准测试，并提出了优于现有模型的图卷积模型的实证发现。

Apr, 2019

神经感知技术的进展使得我们能够以极大的细节观察嗅觉过程。本文从数据科学和人工智能的角度概念化嗅觉，将气味物质的特性与其在嗅觉系统中自鼻子到大脑的感应和分析联系起来。在与视觉感知的区别中，我们论述了嗅觉所面临的独特测量挑战，包括刺激的复杂性、感官装置的高维度特性，以及 “真实实地” 的界定。面对这些挑战，我们认为气味物质与受体间的相互作用对于嗅觉理论的发展具有核心地位。这种理论可能会在工业应用中得到广泛应用，并增加我们对嗅觉的理解，在更长远的未来，也会增进我们对其他感知和语言的理解。作为数据的初始用例，我们提出了使用基于机器学习的分类方法对记录在小鼠嗅觉球中的气味神经反应进行分类的结果。

Apr, 2024

本文介绍了 MolCLR 框架：通过图神经网络的分子对比学习，基于大规模未标记的分子数据集学习不同 iable 的表征，提供预训练和微调来有效地预测分子性质，实验结果显示该框架在分类和回归任务上显着提高了性能。

Feb, 2021

本文介绍了一种新的无监督分子表示方法 N-gram graph，通过组合短途径图中的顶点嵌入来构建分子的紧凑表示，从而有效地预测分子性质并证明其在预测中的优势。

Jun, 2018

使用领域知识为 Qm9 数据集的分子离子化能量预测选择高效的训练集和 ML 技术，通过最大化训练集中分子的多样性，提高线性和非线性回归技术（如核方法和图神经网络）的鲁棒性，并基于速率扭曲解释框架的模型不可知解释器来检查图神经网络的预测可靠性。

Jun, 2023

研究表明，基于分子结构的图神经网络架构是目前预测分子性质最好的机器学习方法之一，并且可以监督大规模重复评估化合物库。使用新的有机光伏应用候选分子数据库进行的实验证明，即使不要求最优的立体结构输入，利用信息传递神经网络可以获得与现有基准数据集上最先进方法相媲美的准确性。

Jul, 2018