Forscher haben das Potenzial tiefer neuronaler Netze (DNNs) für die Transformation des Duftdesigns untersucht. Durch die Analyse der Wahrnehmungsdaten von 180 ätherischen Ölen wurde das DNN mithilfe der Geruchsdeskriptordaten von 94 ätherischen Ölen trainiert, um Duftprofile zu erstellen, die durch sensorische Bewertungen validiert wurden, um sie an die menschliche Geruchswahrnehmung anzupassen. Die Studie unterstreicht die technologische Fähigkeit, die Duftkreation zu rationalisieren, Kosten zu senken und Innovationen zu fördern, was spannende Möglichkeiten für die personalisierte und skalierbare Duftentwicklung eröffnet.
DNNs sind zu einem wesentlichen Innovationstreiber in verschiedenen Branchen geworden, vom Gesundheitswesen bis zur Fertigung. Durch die Analyse großer Datensätze, die Identifizierung von Mustern und die Erstellung präziser Vorhersagen verändern DNNs die Art und Weise, wie wir komplexe Aufgaben angehen. Ein Bereich, in dem DNNs einen bemerkenswerten Einfluss haben, ist die Digitalisierung des Geruchssinns, ein Bereich, der traditionell von menschlichem Fachwissen und sensorischen Bewertungen dominiert wird. Eine aktuelle Studie zielt jedoch darauf ab, diese Praxis zu revolutionieren, indem sie untersucht, wie DNNs beim Duftdesign helfen können.
Darüber hinaus wurde eine Technik zur Geruchsreproduktion entwickelt, die es ermöglicht, durch Variation des Mischungsverhältnisses einer kleinen Menge von Geruchskomponenten eine große Vielfalt an Düften zu erzeugen. Diese Geruchskomponenten werden durch Mischen der in der Analyse verwendeten ätherischen Öle hergestellt.
Ein Forschungsteam unter der Leitung von Professor Takamichi Nakamoto vom Laboratory for Future Interdisciplinary Research of Science and Technology (FIRST), Institute of Integrated Research (IIR), Institute of Science Tokyo, Japan, veröffentlichte seine Forschungsergebnisse in Wissenschaftliche Berichte An 28. Dezember. Diese Studie wurde durch den wachsenden Bedarf an effizienteren und innovativeren Methoden zur Duftkreation vorangetrieben. Ziel der Studie war es, schnell und ohne Versuch und Irrtum den beabsichtigten Duft herzustellen und dabei DNNs zu nutzen, um Geruchsprofile auf der Grundlage mehrdimensionaler Sensordaten vorherzusagen.
Nakamoto erklärt: „Wir stellten die Hypothese auf, dass die DNNs, wenn sie in Chemie und Sensorik integriert werden, neue Einblicke in die Duftentwicklung bieten könnten. Wir führten die Studie durch, indem wir Massenspektrometriedaten von 180 ätherischen Ölen analysierten und so ein umfassendes Verständnis ihrer Geruchskomponenten lieferten.“
„Diese Daten wurden dann verwendet, um ein DNN zu trainieren, das Geruchsdeskriptoren aus der Zusammensetzung der Geruchskomponenten vorhersagen soll. Das DNN verwendete mehrere Schichten, die optimiert wurden, um die komplizierten Beziehungen zwischen seinen Zusammensetzungen und den resultierenden Düften zu erfassen.“
Um die Genauigkeit und Verallgemeinerung des Modells zu verbessern, ergänzte das Team die Daten mit zufälligen Mischungen von Spektren ätherischer Öle und führte Rauschen ein, um sicherzustellen, dass sich das Modell an die Komplexität der realen Welt anpassen konnte. Nachdem das DNN-Modell die Geruchskomponentenzusammensetzungen generiert hatte, bewerteten menschliche Prüfer die durch DNN erzeugten Düfte zusammen mit Referenzölen.
Das DNN erreichte die höchste Genauigkeit bei der Vorhersage des Geruchsdeskriptors „blumig“ und eine geringere Genauigkeit für den Deskriptor „holzig“. Sensorische Tests bestätigten die Wirksamkeit des Modells weiter, da menschliche Testpersonen herausfanden, dass die DNN-generierten Öle unter Verwendung von Geruchskomponenten den Referenzölen ähnlicher waren als diejenigen mit zusätzlichen Geruchsdeskriptoren. Diese Ergebnisse unterstreichen die Fähigkeit des Systems, bestehende Duftprofile genau zu reproduzieren und in einigen Fällen völlig neue Kombinationen zu generieren.
Die Studie zeigt zahlreiche Vorteile. Das DNN kann den Zeit- und Kostenaufwand für die Duftentwicklung erheblich reduzieren, indem es sowohl die chemische Analyse als auch die sensorischen Bewertungen rationalisiert. Darüber hinaus macht das DNN die Duftkreation skalierbar und ermöglicht so die Anpassung an unterschiedliche Marktpräferenzen und Verbraucheranforderungen. Vor allem der Einsatz von DNN eröffnet innovative Möglichkeiten, indem er die Generierung neuer und einzigartiger Duftprofile ermöglicht, die mit herkömmlichen Methoden möglicherweise nicht entdeckt worden wären.
Mit Blick auf die Zukunft sind die Implikationen dieser Studie tiefgreifend. „Da sich DNN-Modelle weiterentwickeln, könnten sie die Schaffung personalisierter Düfte ermöglichen, die auf individuelle Vorlieben zugeschnitten sind. Darüber hinaus könnte dieser Ansatz auf andere sensorische Bereiche ausgeweitet werden, beispielsweise auf den Geschmack, wo ähnliche Methoden zur Erstellung personalisierter Geschmacksprofile verwendet werden könnten.“ sagt Nakamoto.
Durch die Kombination von DNNs, chemischer Analyse und sensorischen Tests unterstreicht die Studie das Potenzial für Replikation und Innovation in der Duftstoffindustrie. Mit seiner Fähigkeit, Effizienz und Kreativität zu steigern, wird eine Revolution im Duftdesign erwartet, die eine neue Ära der Innovation einläutet.
Weitere Informationen:
Manuel Aleixandre et al., Automatische Dufterzeugung durch Cheminformatik-Methode, Wissenschaftliche Berichte (2024). DOI: 10.1038/s41598-024-82654-7