Модель Ogdiffusion с AI, приводимая к AI, показывает потенциальное влияние для применения диффузионных моделей диффузии для генерации ароматов. Кредит: Институт науки Токио
Решая проблемы дизайна ароматов, исследователи из Института науки Токио (Science Tokyo) разработали модель ИИ, которая может автоматизировать создание новых ароматов на основе пользовательских дескрипторов запаха. Модель использует профили масс -спектрометрии эфирных масел и соответствующих дескрипторов запаха для создания смесей эфирного масла для новых ароматов.
Этот прогресс может изменить ситуацию для индустрии ароматов, выходя за рамки проб и ошибок, чтобы обеспечить быстрое и масштабируемое производство ароматов. Результаты опубликованы в IEEE AccessПолем
Разработка новых ароматов имеет решающее значение в таких отраслях, как парфюмерия, продукты питания и домашние продукты, где аромат значительно влияет на общий опыт этих продуктов. Тем не менее, традиционное создание аромата может быть трудоемким и часто зависит от навыков и опыта специализированных парфюмеров. Процесс, как правило, сложный и трудоемкий, требующий многочисленных попыток проб и ошибок для достижения желаемого аромата.
Чтобы автоматизировать этот процесс, исследовательская группа, возглавляемая профессором Такамичи Накамото из Science Tokyo, разработала модель искусственного интеллекта, называемую генеративной диффузией запаха (Ogdiffusion). Эта модель использует генеративные диффузионные сети, тип модели машинного обучения, которая учится создавать новый контент путем изменения процесса шума, информированного существующими данными.
Эти модели уже широко используются для создания изображений и текста, и команда адаптировала эту технологию для создания новых ароматов.
Система работает, анализируя химические профили (данные масс -спектрометрии) из 166 эфирных масел, которые помечены девятью дескрипторами запаха (такие как «цитрусовые» или «древесные»).
Когда пользователи указывают желаемые характеристики аромата, ИИ генерирует соответствующий химический профиль (масс -спектр), который соответствует этим дескрипторам. Затем он вычисляет смесь эфирных масел, необходимых для воссоздания этого аромата с использованием математического метода, называемого неотрицательными наименьшими квадратами.
Результаты сенсорного теста с 14 оценщиками. В этом тесте изучалось, могут ли участники классифицировать сгенерированные ароматы в соответствии с предоставленными наборами дескрипторов запаха. Количество правильных ответов указывает, сколько участников правильно определили каждый предназначенный аромат. Можно сказать, что участники правильно классифицировали предполагаемые ароматы под уровнем значимости 1%, поскольку все значения P были ниже этого уровня. Кредит: Такамичи Накамото
«Наша диффузионная сеть использует паттерны в данных масс-спектрометрии эфирных масел для генерации новых ароматических профилей в полностью автоматизированном, оптимизированном и управляемом данными подходом, сохраняя при этом высококачественный выход данных. Избавление вмешательства человека и молекулярного синтеза из этого процесса, мы предоставляем быстрый, общий и эффективный метод для поколения ароматов»,-объясняет Nakamoto.
Несмотря на то, что существующие модели генерации ароматов на основе искусственного интеллекта были разработаны, они полагаются на запатентованные наборы данных и по-прежнему требуют ввода экспертов. Основным преимуществом нового метода является его способность полностью автоматизировать создание новых ароматов. Более того, поскольку система создает ароматы на основе рецептов эфирного масла, окончательный аромат может быть легко воссоздан.
Кроме того, команда провела сенсорные тесты человека, чтобы оценить, соответствуют ли сгенерированные AI ароматы с предполагаемыми ароматическими профилями. В двойной слепой настройке 14 участникам было поручено соответствовать сгенерированным AI-ароматам с соответствующими дескрипторами (такими как «цитрусовые» или «цветочные»).
Участники постоянно смогли определить правильный аромат, демонстрируя, что система может создавать ароматы, которые отвечают ожиданиям людей. В другом тесте участники различали два аромата: один предназначен для выражения дополнительного специфического дескриптора запаха и исходного аромата без этого дескриптора.
Они надежно выбрали аромат, который соответствовал целевому дескриптору, указывая на то, что модель генерирует четкие и идентифицируемые ароматические профили.
Модель Накамото — первая в своем роде — представляет собой будущее, в котором ИИ преобразует дизайн аромата. «Этот подход представляет собой значительный прогресс в дизайне аромата», — заявляет Накамото.
Кроме того, он говорит, что «автоматизируя генерацию масс -спектров, соответствующих желаемым профилям запаха, сеть Ogdiffusion предлагает более эффективный и масштабируемый метод создания ароматов. Более того, даже новичок может создать предполагаемый аромат для создания ароматического цифрового контента».
Таким образом, этот инновационный метод обеспечивает более быструю и более гибкую конструкцию ароматов, с потенциальными применениями в различных отраслях. Используя ИИ для генерации ароматов, модель Ogdiffusion демонстрирует, что компьютеры действительно могут обладать носом для творчества.
Больше информации:
Manuel Aleixandre et al., Генеративная диффузионная сеть для создания ароматов, IEEE Access (2025). Doi: 10.1109/access.2025.3555273
Информация журнала:
Доступ к IEEE, предоставленный Институтом науки Токио
Цитирование: Generative AI Masters искусство создания ароматов (2025, 23 апреля) Получено 25 апреля 2025 года из этого документа подлежит авторским праву. Помимо каких -либо справедливых сделок с целью частного исследования или исследования, никакая часть не может быть воспроизведена без письменного разрешения. Контент предоставляется только для информационных целей.
