/ lunes 10 de junio de 2024

¿Estamos más cerca de ver computadoras con sentido del olfato?

Por medio de aprendizaje automático, y en particular uno llamado "aprendizaje profundo", los especialistas están teniendo avances notables en esa área

Hoy en día, los teléfonos inteligentes que la mayoría usan ofrecen impresionantes capacidades integradas basadas en las ciencias del sonido y la luz, aunque la ciencia del olor no ofrece nada comparable aún. Aunque esa situación está cambiando, a medida que los avances en el olfato automático, también llamado “olor digitalizado”, finalmente están respondiendo al llamado a la acción de Bell.

La investigación sobre el olfato mecánico se enfrenta a un desafío formidable debido a la complejidad del sentido del olfato humano. Mientras que la visión humana se basa principalmente en células receptoras de la retina, el olfato se experimenta a través de unos 400 tipos de células receptoras en la nariz.

El olfato automático comienza con sensores que detectan e identifican moléculas en el aire. Estos sensores tienen el mismo propósito que los receptores de la nariz.

Pero para ser útil para las personas, el olfato automático debe ir un paso más allá. El sistema necesita saber cómo huele una determinada molécula o un conjunto de moléculas para un ser humano. Para eso, el olfato automático necesita aprendizaje automático.

La visión humana se basa principalmente en células receptoras de la retina, el olfato se experimenta a través de unos 400 tipos de células receptoras en la nariz

El aprendizaje automático, y en particular uno llamado “aprendizaje profundo”, es el núcleo de avances notables como los asistentes de voz y las aplicaciones de reconocimiento facial.

Ese aprendizaje automático también es clave para digitalizar los olores porque puede aprender a mapear la estructura molecular de un compuesto que causa el olor en descriptores de olor textuales. El modelo de aprendizaje automático aprende las palabras que los humanos tienden a usar (por ejemplo, “dulce” y “postre”) para describir lo que experimentan cuando encuentran compuestos específicos que causan olores, como la vainilla.

El olfato automático se ha enfrentado durante mucho tiempo a un problema de escasez de datos, en parte porque la mayoría de las personas no pueden describir verbalmente los olores con tanta facilidad y reconocimiento como pueden describir imágenes y sonidos. Sin acceso a conjuntos de datos a escala web, los investigadores no pudieron entrenar modelos de aprendizaje automático realmente potentes.


Aunque los teléfonos inteligentes aún no son compatibles con la ciencia del olfato, esa situación está más cerca de cambiar


Sin embargo, las cosas empezaron a cambiar en 2015 cuando los investigadores lanzaron el DREAM Olfaction Prediction Challenge. El concurso publicó datos recopilados por Andreas Keller y Leslie Vosshall, biólogos que estudian el olfato, e invitó a equipos de todo el mundo a presentar sus modelos de aprendizaje automático. Los modelos tenían que predecir etiquetas de olores como “dulce”, “flor” o “fruta” para los compuestos que causan olores en función de su estructura molecular.

Los modelos con mejor rendimiento se publicaron en un artículo de la revista Science en 2017. Una técnica clásica de aprendizaje automático llamada bosque aleatorio, que combina la salida de múltiples diagramas de flujo de árboles de decisión, resultó ser la ganadora.

Los avances en el olfato automático comenzaron a acelerarse después de que concluyó el desafío DREAM. Durante la pandemia de COVID-19, se informaron muchos casos de ceguera olfativa o anosmia. El sentido del olfato, que normalmente pasa a un segundo plano, aumentó en la conciencia pública. Además, un proyecto de investigación, el Proyecto Pyrfume, puso a disposición del público conjuntos de datos cada vez más grandes.

En 2019, los conjuntos de datos más grandes habían pasado de menos de 500 moléculas en el desafío DREAM a aproximadamente 5000 moléculas. Un equipo de investigación de Google dirigido por Alexander Wiltschko finalmente pudo llevar la revolución del aprendizaje profundo al olfato automático. Su modelo, basado en un tipo de aprendizaje profundo llamado redes neuronales gráficas, estableció resultados de última generación en el olfato automático. Wiltschko es ahora el fundador y director ejecutivo de Osmo, cuya misión es "dar a las computadoras sentido del olfato".


El aprendizaje automático es clave para digitalizar los olores, porque puede aprender a mapear la estructura molecular de cada compuesto

Recientemente, Wiltschko y su equipo utilizaron una red neuronal gráfica para crear un "mapa de olores principales", donde los olores perceptivamente similares se ubican más cerca unos de otros que los diferentes. Esto no fue fácil: pequeños cambios en la estructura molecular pueden provocar grandes cambios en la percepción olfativa. Por el contrario, dos moléculas con estructuras moleculares muy diferentes pueden, sin embargo, oler casi igual.

Este progreso en descifrar el código del olfato no sólo es intelectualmente apasionante sino que también tiene aplicaciones muy prometedoras, incluidos perfumes y fragancias personalizados, mejores repelentes de insectos, nuevos sensores químicos, detección temprana de enfermedades y experiencias de realidad aumentada más realistas. Así que el futuro del olfato automático parece brillante.


* El autor es profesor de Estadística de la Universidad de Michigan. Traducción de El Sol de México.

Hoy en día, los teléfonos inteligentes que la mayoría usan ofrecen impresionantes capacidades integradas basadas en las ciencias del sonido y la luz, aunque la ciencia del olor no ofrece nada comparable aún. Aunque esa situación está cambiando, a medida que los avances en el olfato automático, también llamado “olor digitalizado”, finalmente están respondiendo al llamado a la acción de Bell.

La investigación sobre el olfato mecánico se enfrenta a un desafío formidable debido a la complejidad del sentido del olfato humano. Mientras que la visión humana se basa principalmente en células receptoras de la retina, el olfato se experimenta a través de unos 400 tipos de células receptoras en la nariz.

El olfato automático comienza con sensores que detectan e identifican moléculas en el aire. Estos sensores tienen el mismo propósito que los receptores de la nariz.

Pero para ser útil para las personas, el olfato automático debe ir un paso más allá. El sistema necesita saber cómo huele una determinada molécula o un conjunto de moléculas para un ser humano. Para eso, el olfato automático necesita aprendizaje automático.

La visión humana se basa principalmente en células receptoras de la retina, el olfato se experimenta a través de unos 400 tipos de células receptoras en la nariz

El aprendizaje automático, y en particular uno llamado “aprendizaje profundo”, es el núcleo de avances notables como los asistentes de voz y las aplicaciones de reconocimiento facial.

Ese aprendizaje automático también es clave para digitalizar los olores porque puede aprender a mapear la estructura molecular de un compuesto que causa el olor en descriptores de olor textuales. El modelo de aprendizaje automático aprende las palabras que los humanos tienden a usar (por ejemplo, “dulce” y “postre”) para describir lo que experimentan cuando encuentran compuestos específicos que causan olores, como la vainilla.

El olfato automático se ha enfrentado durante mucho tiempo a un problema de escasez de datos, en parte porque la mayoría de las personas no pueden describir verbalmente los olores con tanta facilidad y reconocimiento como pueden describir imágenes y sonidos. Sin acceso a conjuntos de datos a escala web, los investigadores no pudieron entrenar modelos de aprendizaje automático realmente potentes.


Aunque los teléfonos inteligentes aún no son compatibles con la ciencia del olfato, esa situación está más cerca de cambiar


Sin embargo, las cosas empezaron a cambiar en 2015 cuando los investigadores lanzaron el DREAM Olfaction Prediction Challenge. El concurso publicó datos recopilados por Andreas Keller y Leslie Vosshall, biólogos que estudian el olfato, e invitó a equipos de todo el mundo a presentar sus modelos de aprendizaje automático. Los modelos tenían que predecir etiquetas de olores como “dulce”, “flor” o “fruta” para los compuestos que causan olores en función de su estructura molecular.

Los modelos con mejor rendimiento se publicaron en un artículo de la revista Science en 2017. Una técnica clásica de aprendizaje automático llamada bosque aleatorio, que combina la salida de múltiples diagramas de flujo de árboles de decisión, resultó ser la ganadora.

Los avances en el olfato automático comenzaron a acelerarse después de que concluyó el desafío DREAM. Durante la pandemia de COVID-19, se informaron muchos casos de ceguera olfativa o anosmia. El sentido del olfato, que normalmente pasa a un segundo plano, aumentó en la conciencia pública. Además, un proyecto de investigación, el Proyecto Pyrfume, puso a disposición del público conjuntos de datos cada vez más grandes.

En 2019, los conjuntos de datos más grandes habían pasado de menos de 500 moléculas en el desafío DREAM a aproximadamente 5000 moléculas. Un equipo de investigación de Google dirigido por Alexander Wiltschko finalmente pudo llevar la revolución del aprendizaje profundo al olfato automático. Su modelo, basado en un tipo de aprendizaje profundo llamado redes neuronales gráficas, estableció resultados de última generación en el olfato automático. Wiltschko es ahora el fundador y director ejecutivo de Osmo, cuya misión es "dar a las computadoras sentido del olfato".


El aprendizaje automático es clave para digitalizar los olores, porque puede aprender a mapear la estructura molecular de cada compuesto

Recientemente, Wiltschko y su equipo utilizaron una red neuronal gráfica para crear un "mapa de olores principales", donde los olores perceptivamente similares se ubican más cerca unos de otros que los diferentes. Esto no fue fácil: pequeños cambios en la estructura molecular pueden provocar grandes cambios en la percepción olfativa. Por el contrario, dos moléculas con estructuras moleculares muy diferentes pueden, sin embargo, oler casi igual.

Este progreso en descifrar el código del olfato no sólo es intelectualmente apasionante sino que también tiene aplicaciones muy prometedoras, incluidos perfumes y fragancias personalizados, mejores repelentes de insectos, nuevos sensores químicos, detección temprana de enfermedades y experiencias de realidad aumentada más realistas. Así que el futuro del olfato automático parece brillante.


* El autor es profesor de Estadística de la Universidad de Michigan. Traducción de El Sol de México.

México

Fernández Noroña defiende proceso de selección de candidatos al PJ pese a errores

Fernández Noroña afirmó que la lista preliminar de candidatos estará lista el 15 de diciembre, además de que enfatizó que se seleccionarán a los "mejores perfiles"

Mundo

Consejo Seguridad ONU concluye sin avances una sesión sobre Siria

El Consejo de Seguridad de la ONU aseguró que el derrocamiento de Bashar al Asad lo tomó por "sorpresa" por lo que está en la "espera de evolución de la situación"

República

Oaxaca presenta iniciativa para ley de prevención y atención del desplazamiento forzado interno

De aprobarse esta iniciativa, Oaxaca se convertirá en el primer estado del país en tomar en cuenta a las comunidades indígenas a través de una consulta

México

Avanza reforma para regular empleo en plataformas digitales

La reforma busca otorgar seguridad social, prestaciones, jornadas laborales justas y otros derechos a los trabajadores de Uber, Didi y Rappi

México

Hay 30 mil trabajadores de la salud menos que en 2018

Según el Inegi, en 2023 laboraban dos millones 174 mil 418 personas en el sector salud, 1.3 por ciento menos que en 2018

México

Extorsiones contra sacerdotes van en aumento, advierte estudio

Un estudio elaborado por el Centro Católico Multimedial señala que entre 2018 y 2024 se registraron cerca de 900 extorsiones y amenazas de muerte contra miembros de la Iglesia católica en México