AI可以闻酒香了！OWSum成功识别美国威士忌和苏格兰威士忌的差异

在最新一期的《通讯-化学》杂志上，德国弗劳恩霍夫工艺工程与包装研究所的研究人员发表了一篇论文，介绍了他们开发的两种人工智能算法。这些算法能够识别16种威士忌中最突出的5种香气，与品酒师的评估结果高度一致。

大多数气味由不同的气味分子组成，形成复杂的混合物，从而产生特定的气味印象。除了像香兰素这种单分子即可决定气味的例子外，大多数食物的香气由多种分子共同构成。威士忌就是一个典型例子，其香气可以从40多种化合物中确定，且可能还包括更多的无味挥发物。

过去，气味的感官评估依赖人类评审员。近年来，机器学习的进步帮助我们获得了更准确的结果。然而，由于嗅觉感知是相当主观的，并且很难获得全面的可量化测量，通常需要通过多个受试者的评估达成共识。此外，其他感官、经验、个性和生理因素也会影响最终感知，这使得不同受试者在描述气味时的可比性有限，无论他们是专家还是新手。这增加了气味分类的难度。关于这一点，我们曾经在《🔗倒反天罡！喝威士忌其实都是为了闻香》一文中进行过相关的讨论。

德国研究人员的最新研究克服了人类感知的主观性和不一致性，在复杂气味混合物的处理上，机器学习算法表现甚至优于人类评审员。这意味着未来的气味分析不再需要耗费大量人力、时间和成本，机器学习模型就能够准确识别或预测风味。一个能够像人类一样感知风味，甚至比人类更精准描述的AI已经诞生。让我们来看看这一切AI究竟是如何做到的。

研究的基础始于16种不同的威士忌样品，其中包括9种苏格兰威士忌和7种美国威士忌。每种威士忌都经过了气相色谱-质谱联用（GC–MS）分析，得出了它们的分子组成数据。此外，一个经验丰富的评审小组根据RATA（Rate-All-That-Apply）方法评估了所有威士忌的气味特征。评审员品鉴每种威士忌，并最终得出使用最多的五个风味描述词作为参考。

有了分子结构和参照数据之后，一种叫做OWSum的算法首先登场。对，目前而言，AI还没学会喝威士忌，你得告诉它分子数据或者风味描述，它才能识别威士忌。它的第一步，是先学会识别苏格兰or美国威士忌。

首先，研究人员提供的是风味描述词，并给予相同的权重（见下图A栏），OWSum的算法分辨威士忌类型的准确率为93.75%。此后，研究人员转而提供分子数据（见下图B栏），并采用术语频率-逆文档频率（tf-idf）权重来进行分辨，这种方法的准确率为100%。总体而言，OWSum在这两种情况下都能可靠地预测威士忌的类型。

在这项研究中，焦糖味被OWSum确定为美国威士忌最具特征的气味描述符，而苹果味、酚类和溶剂味在苏格兰威士忌中更为明显。这些结果表明，挥发性分子以及嗅觉与威士忌类型之间存在明显的关系。而从分子数据出发，主要是薄荷醇和香茅醇分子将分类推向了美国，而癸酸甲酯和庚酸对将威士忌归类为苏格兰威士忌的影响更大。尽管在现实世界中应用该方法可能会导致准确性降低，但它仍然证实了风味物质（odorants）区分威士忌类型的鉴别能力。

研究的下一步是想分析是否可以使用基于分子数据的OWSum来预测由前5个气味描述符表示的威士忌气味。换句话说，就是研究输入分子数据之后，算法能不能描述出威士忌相应的风味。

上图的C栏是OWSum基于tf-idf的分子数据预测威士忌的气味描述符，重现准确率为96.88%，其结果也再次展示出焦糖与苹果风味的关键作用。上图的D栏是风味描述符之间相异性的散景图，弧宽通过对每个类的所有影响值差异求和来显示成对相异性。例如，黄油味与木头味截然不同（因为弧宽很宽），而果味和蜂蜜味则非常相似。

除了OWSum算法之外，研究小组还采用了第二种预测威士忌样品气味的机器学习模型CNN（卷积神经网络）。这个模型的方法是首先采取390种常见的威士忌分子作为参考数据集，通过对这些分子的成对比较，计算它们之间的最大公共亚结构（MCS）。这个亚结构可以是分子中常见的化学片段或官能团，它们对气味特征起着重要作用。通过这种方法，可以将复杂的分子信息简化为具有代表性的亚结构特征，帮助提取威士忌气味的关键信息。

接着，计算这些亚结构与检测到的所有威士忌分子之间的重叠，并为每个亚结构分配适用性权重，这些权重用于后续的机器学习模型训练。每种威士忌的特征被构建成“特征矩阵”，然后输入到模型进行训练。

为了作为对比，研究人员还训练了另外两种模型SVM（支持向量机）和RF（随机森林）来作为基准，除此之外，名为Subject X的是人类专家经过交叉验证之后呈现出的数据。最后，采用F1、MCC、ROC AUC等不同的精确度指标来比较不同算法之间的预测结果。

可以看到的是OWSum和CNN 的表现都优于人类专家组，其中CNN的性能优于OWSum。此外，这两种算法都优于前5名猜测（即根据最高频出现的5个词进行猜测）。研究人员还想知道是否存在单个的人类专家给出的答案与算法相匹配或优于算法，但是并没有找到。

研究人员表示，这项研究目前并没有考虑“气体活性水平”这个指标，但是加入之后应该会带来更拟真的结果。而未来的研究方向，也正是以更灵活的方式来预测威士忌香气，追求的不是最准确，而是最贴近人类感知的香气特征。

总结来说，这项研究通过机器学习算法成功预测了威士忌的气味，具有令人鼓舞的准确性，且预测结果优于人类评估员。此外，这项研究也更深入的展示了分子、气味描述符和威士忌类型之间的关系，我们也可以由此知道某种特定风味与复杂混合物中某些分子之间的直接关联。

换句话说，从此以后，一份你看了却完全感觉不到这些味道的品鉴笔记已经不复存在，AI会给我们最准确的答案作为参照。拥有了风味的“标准答案”，喝威士忌是否因此变得更加有趣了呢？一起来评论区聊聊吧。

文章来自于“WhiskyENJOY享威”，作者“享威编辑部”。