arXiv cs.AI· Farhad Pashakhanloo, Venkatesh N. Murthy·· 3 天前AI 评分21
利用 LLM 衍生描述学习自然气味混合物的感知几何
Learning Perceptual Geometry of Natural Odor Mixtures from LLM-Derived Descriptors
AI 导读
研究用 LLM 为超 1200 种食物挥发物混合物（含 8000 多个分子组分）生成感知描述，并以此作为监督信号，从分子组成预测留出混合物的相似度。当感知目标来自化学感觉提示词时预测最强，训练中学到的低秩分子嵌入在无共享分子的混合物对上仍优于组分重叠指标，且与独立的人类气味描述空间显著对齐。
正文 · AI 翻译
摘要：气味化学与感知之间的关系仍未完全被理解。许多现有研究关注单分子的感知，而自然气味包含数十到数百种成分，这为感知的形成增添了额外的复杂性。在此，我们探索自然气味物体中分子组成与感知相似性之间的关系。我们利用一个包含 1,200 多种食品中挥发性化合物混合物、涵盖 8,000 多个分子成分的数据库来研究这一问题，并使用大语言模型（LLM）作为可扩展的替代方法，以推导混合物层面的感知描述。我们发现，语言衍生的表示为从分子组成预测留出混合物的相似性提供了有用的监督信号。当感知目标来自化学感觉提示而非其他感觉提示时，预测始终最强。此外，在混合物层面的训练中，我们学习到了低秩分子嵌入，其能够比成分重叠指标更好地预测留出混合物的相似性，即使对于没有共享分子的混合物对也是如此。尽管训练期间未使用任何单分子标签，学习到的分子几何结构与独立的人类气味描述符空间表现出显著的一致性。最后，我们探索了外部分子特征在混合物相似性预测任务中的使用。这些特征在零样本情况下与混合物层面的感知相似性表现出适度的一致性。它们在有限监督下改善了预测，但在完整训练集下几乎没有提供额外的预测收益。总之，这些结果表明，语言衍生的描述可以为预测复杂自然混合物的感知组织提供可扩展的监督，有助于定量理解分子组成如何产生气味感知。
| 评论： | 26 页，14 幅图 |
| 主题： | 人工智能（cs.AI）；计算与语言（cs.CL）；神经元与认知（q-bio.NC） |
| 引用为： | arXiv:2610.17164 [cs.AI] |
| （或 arXiv:2610.17164v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17164 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Farhad Pashakhanloo [查看电子邮件]
[v1]
2026 年 10 月 12 日星期一 17:41:14 UTC（3,400 KB）
来源：arXiv cs.AI · arxiv.org