Команда Ohio State University под руководством Chunyu Yang опубликовала в Science Advances прототип Scentronic: «электронный нос» на газовых сенсорах распознаёт запах с помощью машинного обучения и по Wi-Fi передаёт команду носимому распылителю, который выдаёт один из пяти заготовленных ароматов. В первом человеческом тесте запахи опознавались примерно в трёх случаях из четырёх. Это ранняя демонстрация работоспособности цифровой ольфакции, а не устройство для записи и воспроизведения произвольных запахов.

image

Что произошло

Статья с описанием системы Scentronic вышла в рецензируемом журнале Science Advances (DOI 10.1126/sciadv.aee9266). Передатчик построен на массиве металлооксидных газовых сенсоров: отклики на запах классифицирует модель машинного обучения, после чего результат по Wi-Fi уходит в облако. Приёмник выполнен в трёх носимых форм-факторах — браслет, подвеска и ручное устройство — с пятиканальным дозатором и пьезоэлектрическим атомизатором, распыляющим микрочастицы ароматической жидкости через ватный фильтр. Каталог системы ограничен пятью запахами: апельсин, торт, кофе, пиво и красное вино. В тесте на 14 добровольцах, проведённом только с ручным устройством, запахи распознавались правильно в среднем в 73% случаев.

Контекст

Зрение, звук и осязание давно переведены в цифровой вид, но обоняние отставало: у запаха нет простого эквивалента пикселя, который можно было бы записать и воспроизвести по стандарту. Распознавание откликов массива газовых сенсоров — классическая линия «электронных носов», и ML-компонент Scentronic решает именно эту известную задачу, а не новую архитектуру. Научная новизна работы — в сборке полной цепочки от сенсора через ML-классификацию и облако до компактного носимого пьезоэлектрического атомизатора. Принципиальная деталь: «воспроизведение» здесь означает дозирование заранее заготовленных жидкостей из фиксированного меню, то есть выбор из каталога, а не синтез нового запаха. Результат теста стоит читать как раннюю валидацию: средняя точность при пяти вариантах значимо выше около 20% случайного угадывания, но далеко от практической надёжности.

Почему это важно для индустрии

Производственных последствий у публикации нет: SDK, публичный API, цены, данные по латентности и энергопотреблению не заявлены, интегрировать не во что. Ценность для индустрии, прежде всего для команд с собственными сенсорными и e-nose проектами, — в проверенном рецензированием архитектурном контуре «газовые сенсоры, ML-классификация, облако, носимый пьезоатомизатор», который можно воспроизводить как точку отсчёта для собственных бенчمارков классификации. В ближайшие месяцы вероятны репликации пайплайна, критические разборы методики, а если авторы откроют код и данные, то и независимые оценки сенсорного классификатора. На горизонте примерно двух лет при подтверждении воспроизводимости возможны dev-kit'ы и пилоты в узких вертикалях, где каталога из десятков запахов достаточно и цена ошибки низкая: медицинский скрининг обоняния, маркетинг, e-commerce. Массовому рынку потребуются точность свыше 90% на незнакомых пользователях и кратно расширенный словарь запахов.

Почему это важно для пользователей

Прямой пользы для читателя сегодня нет: устройства недоступны, никаких розничных продаж, подписок на картриджи или приложений не существует. Значение новости — в калибровке ожиданий. Если направление дойдёт до продуктов, сценарии понятны: слой ароматов в VR- и AR-контенте, примерка парфюма перед покупкой онлайн и передача запаха в удалённых звонках. О преувеличениях при этом прямо предупреждает Marianna Obrist из UCL, чей комментарий приводится в публикациях о работе: до полноценного «записывания» произвольного запаха ещё далеко. Пока единственный способ столкнуться с этой технологией — читать про чужое лабораторное демо.

Что пока неизвестно / ограничения

В открытых материалах нет данных о латентности от распознавания до распыления, энергопотреблении, стоимости устройств и расходников, сроке службы и устойчивости калибровки сенсоров. Человеческий тест охватил только ручное устройство, поэтому результаты для браслета и подвески остаются неизвестными. Точность измерена на закрытом наборе знакомых запахов, поведение системы на незнакомых запахах и пользователях не описано. Независимых репликаций, публичного кода и данных классификатора пока нет, поэтому внешняя проверка методики пока невозможна.

Источники

Автор

Look at AI, редакция