Resumen: La capacidad de la IA para sentir e identificar varias sustancias basadas solo en su olor puede tener profundos impactos en la detección de alérgenos (por ejemplo, oler gluten o maní en un pastel), monitorear el proceso de fabricación y las hormonas de detección que indican estados emocionales, niveles de estrés y enfermedades. A pesar de estos amplios impactos, prácticamente no hay puntos de referencia a gran escala y, por lo tanto, poco progreso, para capacitar y evaluar la capacidad de los sistemas de IA en el mundo real. En este documento, utilizamos sensores de gases y químicos portátiles para crear SmellNet, la primera base de datos a gran escala que digitaliza una amplia gama de olores en el mundo natural. Smellnet contiene aproximadamente 180,000 pasos de tiempo de 50 sustancias (que abarcan nueces, especias, hierbas, frutas y verduras) con 50 horas de datos. Usando Smellnet, entrenaremos modelos AI para la clasificación de sustancias en tiempo real en función de su olor solo. Nuestros mejores métodos aprovechan los modelos de secuencia, el aprendizaje contrastante para integrar los datos moleculares de la espectrometría de cromatografía de gases de alta resolución, y un nuevo método de diferencia temporal que identifica cambios fuertes en las lecturas de los sensores. Nuestros mejores modelos alcanzan hasta un 65.35% de precisión en los datos pregrabados y generalizan a condiciones del mundo real con una precisión del 10.71% en las nueces y un 25.38% en especias en la desafiante tarea de clasificación en línea de 50 vías. A pesar de estos resultados prometedores, Smellnet destaca muchos desafíos técnicos en la construcción de IA para el olor, incluido el aprendizaje de características más rico, los modelos de olor a borde y la robustez a los cambios ambientales.
Publicado Originalme en rss.arxiv.org El 2 de junio de 2025.
Ver Fuente Original
