Denne artikkelen er produsert og finansiert av NTNU - les mer.

Kvinne lukter på rosa blomster.
I et forsøk fikk forskere kunstig intelligens til å gjenskape parfymer. Så hva kan de greie i fremtiden?

Kunstig intelligens: Kan vi gjenskape lukten av det gamle Roma for 2000 år siden?

Også lukter kan forsvinne for alltid. Men ved hjelp av kunstig intelligens kan vi kanskje få tapte lukter tilbake.

Noen lukter trigger minnene våre. Mange av oss har lukter som minner oss om noen vi er glad i, eller om jul, eller om turer til fremmede eller kjente steder.

Men også lukter kan forsvinne for alltid.

For hvordan luktet egentlig en skog før menneskene tuklet med den og sammensetningen av arter endret seg? Hvordan luktet en nyfødt pungulv? Hva med gatene rundt Colosseum i det gamle Roma eller for den saks skyld Midtbyen i Trondheim en vårdag i 1970?

Gjenskapte parfymer

Ny teknologi kan hjelpe oss med å ta vare på lukter som forsvinner. Og kunstig intelligens er en viktig del av løsningen.

– Vår forskning tar i bruk maskinlæring for å gjenskape luktopplevelser, sier forsker Idelfonso Nogueira.

Portrett forsker
Idelfonso Nogueira.

Han kan du finne ved Institutt for kjemisk prosessteknologi på NTNU. Nogueira jobber med å kombinere ny og gammel teknologi for å finne løsninger på moderne problemer. 

Å gjenskape lukter er altså ett av de mange områdene han er interessert i.

– I forsøket vårt fikk vi kunstig intelligens til å gjenskape parfymer, sier Nogueira.

Lukt er molekyler

Først må vi ha svar på ett spørsmål. Hva er egentlig lukt?

Lukt er egentlig ulike kombinasjoner av kjemiske forbindelser i gassform. Luktesansen vår fanger opp molekylene som disse kjemiske forbindelsene består av. Ulike molekyler, og kombinasjoner av molekyler, gir ulike lukter.

Lukter påvirkes ikke bare av hvilke molekyler som er involvert. De påvirkes også av mengdeforholdet mellom dem og hvilke væsker disse eventuelt er oppløst i. 

Én bestemt lukt blir dermed fort svært komplisert. Den består av mange forskjellige faktorer og kan bli påvirket av for eksempel trykk og luftfuktighet.

Analyserte molekylkombinasjoner

– Vi lagde en modell som kombinerer molekylene i parfymen med den menneskelige luktesansen, sier forskeren.

Modellen tok i bruk en molekylgenerator drevet av kunstig intelligens. Forskergruppen brukte et såkalt Gated Graph Neural Network (GGNN). Det er et kunstig nevralt nettverk som er opplært til å kjenne igjen et stort antall ulike molekyler.

Dette nettverket kan tolke hvilke kombinasjoner av molekyler en lukt består av. Det kan deretter fortelle hvilke molekyler som er involvert, tallfeste forholdet mellom dem og vise hvilke molekyler som dominerer. 

Dermed kan forskerne få hjelp til å gjenskape lukten.

Gjenskapte lukter i virkeligheten også

I et laboratorium i Slovenia har en gruppe forskere gjenskapt lukter basert på AI-oppskrifter. Gruppen er ledet av professor Matija Strlič.

– Ved å gjenskape parfymer ser vi at dette også fungerer i praksis, sier Nogueira.

Teknologien kan naturlig nok blant annet bli til stor hjelp for parfymeindustrien. Å utvikle parfymer er en komplisert prosess som involverer mye prøving og feiling. Det krever i tillegg lang erfaring hos parfymemakerne.

– Resultatene er lovende, men det finnes rom for forbedringer. Vi må trene modellen på flere molekyler og kombinasjoner for å gjenskape luktene mer nøyaktig, sier Nogueira.

Det betyr at kunstig intelligens nok ikke tar over jobben til erfarne parfymemakere med det første. Isteden kan den bli et hjelpemiddel.

Parfymemakerne er jo heller ikke de eneste som kan dra nytte av teknologien. I framtida kan det kanskje hjelpe oss til å ta vare på andre lukter også.

Kanskje kan noen en dag gjenskape lukten av et kjært familiemedlem, et barndomshjem eller en urskog?

Foreløpig er store deler av arbeidet utført i laboratoriet på NTNU. Men nå har de fått støtte for å samarbeide med institusjoner i Italia, Latvia, Slovenia, Tsjekkia og Storbritannia.

Referanse: 

Bruno C. L. Rodrigues mfl.:  Molecule Generation and Optimization for Efficient Fragrance Creation. arXivLabs, 2024. Sammendrag. Doi.org/10.48550/arXiv.2402.12134

 

Powered by Labrador CMS