Nos últimos anos, vimos grandes progressos sendo feitos no treinamento de algoritmos de inteligência synthetic (AI) para entender a linguagem. Esses mesmos algoritmos também se mostraram muito úteis para melhorar o desempenho dos sistemas de IA que processam entradas de áudio e visible, que já estavam se tornando bastante avançadas por si só. Quando tomados em conjunto, esses avanços tecnológicos estão dando às máquinas a capacidade de entender o mundo de maneiras mais profundas do que nunca. O mesmo nível de esforço dado para entender a visão e a linguagem não foi processado no processamento de outras modalidades de dados, como o sentimento de olfato, no entanto. Pode parecer relativamente insignificante em comparação-tornamos todos esses anos sem um cheiro de visão, afinal-mas o fragrance é realmente altamente importante para entender completamente o mundo ao nosso redor. Uma máquina com um senso de olfato poderia cheirar a presença de alérgenos, diagnosticar doenças e identificar processos de fabricação que deram errado antes de uma falha completa, por exemplo. Um grupo de pesquisadores do MIT deu os primeiros passos em direção a um futuro em que o cheirar se torna um sentido synthetic de primeira classe. Eles desenvolveram o cheiro, que é um banco de dados em larga escala que contém representações digitalizadas de uma gama diversificada de cheiros no mundo pure. Além disso, a equipe usou esse conjunto de dados para treinar modelos de IA para classificar substâncias com base em seu cheiro (como capturado por sensores portáteis de gás e química) sozinhos. O conjunto de dados do cheiro inclui 50 substâncias distintas, categorizadas em cinco tipos: nozes, especiarias, ervas, frutas e legumes. Para cada um desses itens, os pesquisadores realizaram seis leituras de sensores de 10 minutos usando um conjunto de sensores de gás cuidadosamente selecionados. Essas sessões foram espaçadas em dias diferentes e controladas para variáveis ambiente, resultando em aproximadamente uma hora de dados de cheiro por substância e 50 horas de dados no whole. Para capturar as complexas assinaturas olfativas, a equipe implantou uma variedade de sensores. Isso incluiu o sensor semicondutor WSP2110 para compostos orgânicos voláteis como acetona e benzeno, o BME680 para rastreamento de temperatura e umidade e os sensores da série MQ e MP503 para detectar gases como etanol, monóxido de carbono e amônia. O sensor de gás multicanal Grove V2, com seus canais independentes de óxido de metallic, ampliou ainda mais o espectro de compostos detectáveis. Uma placa de penas do Adafruit ESP32 foi usada para leitura do sensor. Usando seu conjunto de dados, os pesquisadores treinaram uma variedade de modelos de IA para a classificação do cheiro. Os modelos de melhor desempenho incluíram redes como LSTMs e transformadores, e eles incorporaram técnicas de pré-processamento, como diferenças temporais de primeira ordem para identificar mudanças significativas nas concentrações de gás ao longo do tempo. Além disso, a equipe empregou métodos de aprendizado contrastivo para combinar dados de sensores de baixa resolução com recursos químicos do GC-MS. O modelo superior atingiu uma precisão de até 65,35% ao classificar os cheiros de sessões pré-gravadas. Quando implantados no mundo actual, em condições não controladas, os resultados foram muito mais modestos. Os escores de precisão de 10,71% a 25,38% foram observados nessas experiências. Claramente, ainda há muito trabalho a ser feito nessa área, mas a liberação do cheiro pode ser o começo de uma nova period de computação multissensorial, onde o cheiro une a visão, o som e a linguagem como uma entrada significativa para máquinas inteligentes. Os {hardware} capturaram informações ricas que descrevem os aromas (D.: D.).