Enregistrement du webinaire - L'IA, les robots et l'odorat

Nous avons commencé par les espaces fermés parce qu'ils sont plus faciles à contrôler (pas de vent, seulement le chauffage, la ventilation et la climatisation). Ces méthodes sont extrapolables aux espaces extérieurs, mais des modèles de vent sont nécessaires pour mieux informer sur le suivi des panaches.

Tous les capteurs sont des capteurs commerciaux achetés à des tiers. La fonctionnalisation a été réalisée en interne.

Le lavage des rotors du drone interfère avec le flux. Il est important d'éloigner les capteurs des rotors et de modéliser les variations de l'effet de sol. Javier Burgess a réalisé un excellent travail ici.

Je surveille actuellement les concentrations en parties par million et en parties par milliard. Je m'efforce de suivre les concentrations en parties par billion et de mieux comprendre les modèles d'odeurs et de panaches épars.

Les deux types de capteurs dérivent. Les capteurs à oxyde métallique peuvent être réinitialisés par chauffage, et Nik Dennler a réalisé un excellent travail à ce sujet. Les capteurs électrochimiques sont, d'après mon expérience, généralement plus faciles à remplacer après plusieurs utilisations pour minimiser la dérive.

Pour obtenir des performances olfactives comparables à celles d'un être humain, je pense qu'il nous faudra des centaines de nez. Mais nous devrions viser des performances olfactives surhumaines, comme celles d'un chien de chasse, auquel cas nous aurons besoin de milliers.

Oui, bien que certains ajustements soient nécessaires, d'après mon expérience, une grande partie du travail de modélisation clairsemée effectué dans le domaine de la vision par ordinateur s'applique bien à l'olfaction.

Oui, cela facilite un peu les choses, car il est difficile d'obtenir des mesures de concentration absolue reproductibles. D'après mon expérience, il est plus facile et plus reproductible de mesurer des gradients.

Oui, les antennes sont utilisées pour le suivi des COV. Je commence généralement mes expériences par le suivi de l'éthanol, car cela me permet de maintenir la cohérence avec l'état de l'art de Burgues, Duisterhof, Shigaki, et al.

Oui, la Sensit Smart prend en charge les capteurs électrochimiques à usage unique.

Oui, un jumeau numérique serait utile, et nous effectuons de nombreuses simulations pour évaluer les performances du robot réel. Cependant, en robotique, il existe un fossé important entre la simulation et la réalité, de sorte que la simulation est toujours erronée. Nous devons donc intégrer de bons quantificateurs d'incertitude dans nos modèles pour nous assurer que nous modélisons correctement le monde réel.

Nous n'avons pas essayé beaucoup de protocoles de préconcentration - cela nous permettrait de nous concentrer. Je suis d'accord pour dire que la technique d'échantillonnage a un impact important. Nous utilisons plusieurs techniques électrochimiques dans nos analyses.

Un capteur s'insère dans le Sensit Smart.

Oui, il y a un électrolyte sur chaque capteur électrochimique ciblant un composé spécifique. Le drone/robot prélève continuellement des échantillons lorsqu'il se déplace dans le monde et (a) cartographie les concentrations du composé cible, ou (b) recherche la source du composé cible.

Oui, nous avons un peu de travail ici. Vous voudriez détecter les résidus de tir par procuration, ou un composant chimique majeur des résidus de tir. L'une des grandes opportunités est de pouvoir comprendre depuis combien de temps les résidus de tir sont dans l'air en modélisant la décomposition chimique des résidus au fil du temps et en comprenant comment cela est lié à la concentration du composé de substitution.

C'est ici que la ML moderne se révèle utile. Nous devons déconvoluer tous les signaux et atténuer ceux qui nous intéressent. Les méthodes de filtrage permettent de débruiter les signaux et les modèles ML peuvent aider à les séparer. Il n'est pas nécessaire d'utiliser des transformateurs à mille couches pour ce faire. Même de petits modèles de perceptron multicouches peuvent donner d'excellents résultats.

Oui, la vision est la modalité de base du modèle actuellement déployé pour la navigation. Pour les chatbots, le langage est une meilleure modalité de base car les humains communiquent les odeurs sous forme d'arômes ou de descripteurs linguistiques - le langage sert ici de pont entre la vision et l'olfaction.

Le système d'olfaction humain n'est pas encore compris à 100 %, c'est pourquoi la mise au point d'une prothèse nasale complète reste une grande opportunité pour la science. Les théories de la forme et de la vibration de l'olfaction peuvent être étudiées pour se faire une idée des différentes idées sur la manière dont le nez humain est supposé fonctionner. Je pense qu'une véritable prothèse nasale humaine sera une combinaison de capteurs électrochimiques, optiques, MOX et optiques.

Oui, nous avons travaillé ici avec le groupe de Shalini Prasad. Il ne s'agit pas nécessairement de détecter l'agent pathogène lui-même, mais un substitut de l'agent pathogène, ou un produit chimique que le corps émet lorsqu'il est exposé à l'agent pathogène. Souvent, cela est plus facile que de détecter directement l'agent pathogène et offre plus d'options pour la détection.

Oui, je pense que cela nécessiterait une prothèse nasale ou une interface cerveau-ordinateur. Le nez numérique pourrait interpréter les arômes pour vous, mais les envoyer directement à votre bulbe olfactif nécessiterait une sorte d'interface. Peut-être qu'un nez numérique pourrait envoyer des données par Bluetooth à un Neuralink.

Cette question reste ouverte et n'a pas reçu de réponse satisfaisante, à mon avis. Nous avons vraiment besoin de plus de recherches montrant comment l'olfaction artificielle peut être co-entraînée avec des modèles d'IA de vision et de langage afin d'obtenir une meilleure compréhension. Par exemple, si j'ai deux pommes (une pomme de cire et une vraie pomme), les modèles d'IA actuels ne peuvent pas me dire laquelle est la vraie. Mais un modèle d'IA intégré à un capteur olfactif pourrait le faire, car les fruits émettent des substances chimiques. La possibilité de fournir des données à une IA et de lui dire "d'où vient cet arôme" ou "va chercher la source du composé X" ouvre de grandes perspectives pour l'apprentissage multimodal entre la vision, l'audio et l'olfaction.

Oui, j'ai été le premier auteur de cet article. Je (Kordal) ai travaillé sous la direction du Dr Shalini Prasad.

Oui, tout médicament émettant des COV peut, en théorie, être détecté. Même les drogues qui n'émettent pas de COV peuvent probablement être détectées, car elles sont généralement mélangées ou exposées à des produits chimiques émettant des COV pour les rendre moins chères (par exemple, le fentanyl).

Oui, nous avons évalué quels COV étaient corrélés à diverses affections thoraciques et nous avons construit un alcootest et une IA pour aider à les détecter dans l'haleine.