特表 2024-522975 埋め込み空間に埋め込みを生成するための電子化学センサの較正

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2024-06-25

(54)【発明の名称】埋め込み空間に埋め込みを生成するための電子化学センサの較正

(51)【国際特許分類】

   G01N 33/00 20060101AFI20240618BHJP

   G06N 20/00 20190101ALI20240618BHJP

【ＦＩ】

G01N33/00 C

G06N20/00 130

【審査請求】未請求

【予備審査請求】未請求

(21)【出願番号】P 2023571289

(86)(22)【出願日】2022-05-04

(85)【翻訳文提出日】2023-11-16

(86)【国際出願番号】 US2022027629

(87)【国際公開番号】W WO2022245543

(87)【国際公開日】2022-11-24

(31)【優先権主張番号】63/189,501

(32)【優先日】2021-05-17

(33)【優先権主張国・地域又は機関】US

(81)【指定国・地域】

(71)【出願人】

【識別番号】523174538

【氏名又は名称】オズモ ラブズ， ピービーシー

(74)【代理人】

【識別番号】100078282

【弁理士】

【氏名又は名称】山本 秀策

(74)【代理人】

【識別番号】100113413

【弁理士】

【氏名又は名称】森下 夏樹

(74)【代理人】

【識別番号】100181674

【弁理士】

【氏名又は名称】飯田 貴敏

(74)【代理人】

【識別番号】100181641

【弁理士】

【氏名又は名称】石川 大輔

(74)【代理人】

【識別番号】230113332

【弁護士】

【氏名又は名称】山本 健策

(72)【発明者】

【氏名】ウィルトシュコ， アレクサンダー

(57)【要約】

電子化学センサは、化合物の感知に応じて電気信号の生データを出力できるが、電気信号の生データを解釈するのが難しい場合がある。電気信号データを機械学習済モデルで処理して埋め込み空間に埋め込み出力を生成すると、電気信号データをより良く理解できるようになる。さらに、既存の化学特性予測モデルを利用して埋め込み空間に他の埋め込みを生成することが、電気信号データのより正確かつ効率的な分類タスクを可能にする。本開示の１つの例示的な態様は、コンピューティングシステムを対象とする。
【選択図】図４

【特許請求の範囲】

【請求項1】

コンピューティングシステムであって、
環境の１つ以上の化合物の存在を示す電気信号を生成するように構成されたセンサ、
前記電気信号を受信して処理し、埋め込み空間に埋め込みを生成するようにトレーニングされる、機械学習済モデルであって、
前記機械学習済モデルは、複数のトレーニングの例を含むトレーニングデータセットを使用してトレーニングされ、各トレーニングの例は、１つ以上のトレーニング用化合物にさらされたときに１つまたは複数のテストセンサによって生成される電気信号のセットに適用されるグラウンドトゥルース特性ラベルを含み、各グラウンドトゥルース特性ラベルは、前記１つ以上のトレーニング用化合物の特性を記述する、前記機械学習済モデル、
１つまたは複数のプロセッサ、及び
前記１つまたは複数のプロセッサによって実行されるときに、前記コンピューティングシステムに動作を実行させる命令をまとめて格納する、１つまたは複数の非一時的なコンピュータ可読媒体を含み、前記動作は、
前記センサによって、前記環境の特定の化合物の存在を示すセンサデータを生成すること、及び
前記１つまたは複数のプロセッサによって、前記機械学習済モデルを用いて前記センサデータを処理して、前記埋め込み空間に埋め込み出力を生成すること、
を含む、前記コンピューティングシステム。

【請求項2】

前記埋め込み出力に基づいてタスクを実行することをさらに含む、いずれかの先行請求項に記載のコンピューティングシステム。

【請求項3】

前記タスクが、前記埋め込み出力に基づいて感覚特性予測を提供することを含む、いずれかの先行請求項に記載のコンピューティングシステム。

【請求項4】

前記タスクが、前記埋め込み出力に基づいて嗅覚特性予測を提供することを含む、いずれかの先行請求項に記載のコンピュータシステム。

【請求項5】

前記タスクは、前記埋め込み出力に少なくとも部分的に基づいて疾患の状態を特定することである、いずれかの先行請求項に記載のコンピューティングシステム。

【請求項6】

前記タスクは、前記埋め込み出力に少なくとも部分的に基づいて悪臭の状態を判定することである、いずれかの先行請求項に記載のコンピューティングシステム。

【請求項7】

前記タスクは、前記埋め込み出力に少なくとも部分的に基づいて腐敗が発生したかどうかを判定することである、いずれかの先行請求項に記載のコンピューティングシステム。

【請求項8】

前記タスクは、人間が入力したラベルを表示用に提示することを含み、前記人間が入力したラベルは、前記埋め込み空間の前記埋め込み出力との関連付けによって判定される、いずれかの先行請求項に記載のコンピューティングシステム。

【請求項9】

前記人間が入力したラベルは、特定の食品の名前を記述するものである、請求項８に記載のコンピューティングシステム。

【請求項10】

前記機械学習済モデルは、グラフニューラルネットワークと共同でトレーニングされ、トレーニングは、前記機械学習済モデルと前記グラフニューラルネットワークを共同でトレーニングして、前記埋め込み空間内部で単一の結合された出力を生成することを含む、いずれかの先行請求項に記載のコンピューティングシステム。

【請求項11】

前記グラフニューラルネットワークは、前記特定の化合物のグラフベースの表現を入力として受け取り、前記埋め込み空間のそれぞれの埋め込みを出力するようにトレーニングされる、請求項１０に記載のコンピューティングシステム。

【請求項12】

前記機械学習済モデルは、
電気信号トレーニングデータ及びそれぞれのトレーニングラベルを含む化合物トレーニングの例を取得することであって、前記電気信号トレーニングデータ及び前記それぞれのトレーニングラベルは特定のトレーニング用化合物を記述するものである、前記取得すること、
前記機械学習済モデルを用いて前記電気信号トレーニングデータを処理して、化合物の埋め込み出力を生成すること、
分類モデルを用いて前記化合物の埋め込み出力を処理して、化合物ラベルを判定すること、
前記化合物ラベルと前記それぞれのトレーニングラベルとの間の差を評価する損失関数を評価すること、及び
前記損失関数に少なくとも部分的に基づいて、前記機械学習済モデルの１つまたは複数のパラメータを調整すること、によりトレーニングされている、いずれかの先行請求項に記載のコンピューティングシステム。

【請求項13】

前記機械学習済モデルは、教師あり学習によってトレーニングされている、いずれかの先行請求項に記載のコンピューティングシステム。

【請求項14】

前記センサデータは、電圧または電流のうちの少なくとも１つを記述する、いずれかの先行請求項に記載のコンピューティングシステム。

【請求項15】

前記機械学習済モデルは、トランスフォーマモデルを含む、いずれかの先行請求項に記載のコンピューティングシステム。

【請求項16】

前記埋め込み出力を格納することをさらに含む、いずれかの先行請求項に記載のコンピューティングシステム。

【請求項17】

前記センサデータは、１つ以上の電気信号の電圧または電流の一方または両方の振幅を記述する、いずれかの先行請求項に記載のコンピューティングシステム。

【請求項18】

前記１つまたは複数のプロセッサによって、前記機械学習済モデルを用いて前記センサデータを処理して、前記埋め込み空間に前記埋め込み出力を生成することは、前記センサデータを固定の長さのベクトル表現に圧縮することを含む、いずれかの先行請求項に記載のコンピューティングシステム。

【請求項19】

コンピュータ実装方法であって、
１つまたは複数のプロセッサを備えるコンピューティングシステムによって、１つまたは複数のセンサでセンサデータを取得することであって、前記センサデータは、環境の１つまたは複数の化合物の存在によって生成される電気信号を記述する、前記取得すること、
前記コンピューティングシステムにより、機械学習済モデルを用いて前記センサデータを処理し、埋め込み空間に埋め込み出力を生成することであって、前記機械学習済モデルは、電気信号を記述するデータを受信して処理し、前記埋め込み空間に埋め込みを生成するようトレーニングされる、前記生成すること、
前記コンピューティングシステムによって、前記埋め込み空間の前記埋め込み出力に関連付けられた１つまたは複数のラベルを判定すること、及び
前記コンピューティングシステムによって、表示用の前記１つまたは複数のラベルを提示すること、
を含む、前記方法。

【請求項20】

１つまたは複数のプロセッサによって実行されるときに、コンピューティングシステムに動作を実行させる命令をまとめて格納する、１つまたは複数の非一時的なコンピュータ可読媒体であって、前記動作は、
１つまたは複数のセンサでセンサデータを取得することであって、前記センサデータは、環境の１つまたは複数の化合物の存在によって生成される電気信号を記述する、前記取得すること、
機械学習済モデルを用いて前記センサデータを処理し、埋め込み空間に埋め込み出力を生成することであって、前記機械学習済モデルは、電気信号を記述するデータを受信して処理し、前記埋め込み空間に埋め込みを生成するようにトレーニングされる、前記生成すること、
複数の格納された感覚特性データセットを取得することであって、前記複数の格納された感覚特性データセットは、前記それぞれの格納された埋め込みに関連付けられたそれぞれの感覚特性データセットと対になった、前記埋め込み空間の格納された埋め込みを含む、前記取得すること、
前記埋め込み空間の前記埋め込み出力及び前記複数の格納された感覚特性データセットに基づいて１つまたは複数の感覚特性を判定すること、及び
表示用に前記１つまたは複数の感覚特性を提示すること、
を含む、１つまたは複数の非一時的なコンピュータ可読媒体。

【発明の詳細な説明】

【技術分野】

【0001】

関連出願の相互参照
本願は、２０２１年５月１７日に提出された米国仮特許出願第６３／１８９，５０１号に対する優先権及び利益を主張する。米国仮特許出願第６３／１８９，５０１号は、その全体が参照により本明細書に組み込まれる。

【0002】

本開示は、一般に、化学分子の表現を検出及び／または生成するためのセンサデータの処理に関する。より具体的には、本開示は、センサデータを生成すること、機械学習済モデルでセンサデータを処理して埋め込み出力を生成すること、及び埋め込み出力を使用して様々なタスクを実行することに関する。

【背景技術】

【0003】

コンピューティングデバイスはビジュアルコンピューティングまたはオーディオ処理に使用できるが、コンピューティングデバイスは匂いを確実に感知することができない。利用可能な化学センサはあるが、それらは解釈が難しい生の信号を生成する。化学センサは、可能性のある匂いの空間全体にわたって、生の信号を「オレンジ」または「シナモン」などの人間が解釈できるラベルに変換することはできない。一部のコンピューティングデバイスは、個人のトレーニングに基づいて匂いの小規模なサブセットを判断するように構成されているが、これらのコンピューティングデバイスはトレーニングされていない特性を判断できない。

【0004】

さらに、考えられるすべての匂いを個別にトレーニングすることは、時間がかかり、最終的に構成された後に計算負荷がかかり、そのようなトレーニングの後でも、既知の匂いの組み合わせを判定することはできない。香りは入力されたデータとのみ関連付けられ、新しい混合物の嗅覚特性を判定することは不可能になる。

【発明の概要】

【課題を解決するための手段】

【0005】

本開示の実施形態の態様及び利点は、以下の説明に部分的に記載されるか、説明から知ることができるか、または実施形態の実践を通じて知ることができる。

【0006】

本開示の１つの例示的な態様は、コンピューティングシステムを対象とする。コンピューティングシステムは、環境の１つまたは複数の化合物の存在を示す電気信号を生成するよう構成されるセンサ、及び電気信号を受信及び処理して埋め込み空間に埋め込みを生成するようにトレーニングされる機械学習済モデルを含むことができる。いくつかの実施態様では、機械学習済モデルは、複数のトレーニングの例を含むトレーニングデータセットを使用してトレーニングされていてもよく、各トレーニングの例は、１つ以上のトレーニング用化合物にさらされたときに１つまたは複数のテストセンサによって生成される電気信号のセットに適用されるグラウンドトゥルース特性ラベルを含む。各グラウンドトゥルース特性ラベルは、１つ以上のトレーニング化合物の特性を記述することができる。コンピューティングシステムは、１つまたは複数のプロセッサと、１つまたは複数のプロセッサによって実行されるときに、コンピューティングシステムに動作を実行させる命令をまとめて格納する、１つまたは複数の非一時的なコンピュータ可読媒体とを含むことができ、その動作は、環境の特定の化合物の存在を示すセンサデータをセンサによって生成すること、及び埋め込み空間への埋め込み出力を生成するために、機械学習済モデルを用いてセンサデータを１つまたは複数のプロセッサによって処理することが含まれ得る。

【0007】

いくつかの実施態様では、動作は、埋め込み出力に基づいてタスクを実行することを含み得る。タスクには、埋め込み出力に基づいて感覚特性予測を提供することが含まれ得る。いくつかの実施態様では、タスクは、埋め込み出力に基づいて嗅覚特性予測を提供することを含み得る。タスクは、埋め込み出力に少なくとも部分的に基づいて疾患の状態を特定することである場合がある。いくつかの実施態様では、タスクは、埋め込み出力に少なくとも部分的に基づいて悪臭の状態を判定することであり得る。タスクは、埋め込み出力に少なくとも部分的に基づいて腐敗が発生したかどうかを判定することであり得る。タスクは、人間が入力したラベルを表示用に提示することを含み得、人間が入力したラベルは、埋め込み空間の埋め込み出力との関連付けによって判定され得る。人間が入力したラベルは、特定の食品の名前を記述するものにすることができる。

【0008】

いくつかの実施態様では、機械学習済モデルは、グラフニューラルネットワークと共同でトレーニングすることができ、トレーニングは、機械学習済モデルとグラフニューラルネットワークを共同でトレーニングして、埋め込み空間内部で単一の結合された出力を生成することを含み得る。グラフニューラルネットワークは、特定の化合物のグラフベースの表現を入力として受け取り、埋め込み空間のそれぞれの埋め込みを出力するようにトレーニングされ得る。

【0009】

いくつかの実施態様では、機械学習済モデルは、電気信号トレーニングデータ及びそれぞれのトレーニングラベルを含む化合物トレーニングの例を取得することによって、トレーニングされている可能性がある。電気信号トレーニングデータとそれぞれのトレーニングラベルは、特定のトレーニング化合物を記述することができる。機械学習済モデルは、電気信号トレーニングデータを機械学習済モデルで処理して化合物埋め込み出力を生成すること、化合物埋め込み出力を分類モデルで処理して化合物ラベルを判定すること、化合物ラベルとそれぞれのトレーニングラベルの間の差を評価する損失関数を評価すること、及び損失関数に少なくとも部分的に基づいて、機械学習済モデルの１つ以上のパラメータを調整すること、によってトレーニングされている可能性がある。

【0010】

いくつかの実施態様では、機械学習済モデルは教師あり学習でトレーニングできる。センサデータは、電圧または電流の少なくとも１つを記述することができる。機械学習済モデルにはトランスフォーマモデルを含めることができる。いくつかの実施態様では、動作は、埋め込み出力を格納することを含み得る。センサデータは、１つ以上の電気信号の電圧または電流の一方または両方の振幅を記述することができる。１つまたは複数のプロセッサによって、機械学習済モデルを用いてセンサデータを処理して、埋め込み空間に埋め込み出力を生成することは、センサデータを固定の長さのベクトル表現に圧縮することを含み得る。

【0011】

本開示の別の例示的な態様は、コンピュータ実装方法を対象とする。この方法は、１つまたは複数のプロセッサを含むコンピューティングシステムによって、１つまたは複数のセンサでセンサデータを取得することを含むことができる。いくつかの実施態様では、センサデータは、環境に１つまたは複数の化合物が存在するために生成される電気信号を記述することができる。方法は、コンピューティングシステムによって、機械学習済モデルを用いてセンサデータを処理して、埋め込み空間に埋め込み出力を生成することを含むことができる。機械学習済モデルは、電気信号を記述するデータを受信して処理し、埋め込み空間に埋め込みを生成するようにトレーニングできる。方法は、コンピューティングシステムによって、埋め込み空間の埋め込み出力に関連付けられた１つまたは複数のラベルを判定すること、及びコンピューティングシステムによって、表示用の１つまたは複数のラベルを提示することを含むことができる。

【0012】

本開示の別の例示的な態様は、１つまたは複数のプロセッサによって実行されるときに、コンピューティングシステムに動作を実行させる命令をまとめて格納する、１つまたは複数の非一時的なコンピュータ可読媒体を対象とする。動作には、１つまたは複数のセンサを使用してセンサデータを取得することが含まれ得る。いくつかの実施態様では、センサデータは、環境に１つまたは複数の化合物が存在するために生成される電気信号を記述することができる。方法は、機械学習済モデルを用いてセンサデータを処理して、埋め込み空間に埋め込み出力を生成することを含むことができる。機械学習済モデルは、電気信号を記述するデータを受信して処理し、埋め込み空間に埋め込みを生成するようにトレーニングできる。動作は、複数の格納された感覚特性データセットを取得することを含むことができ、複数の格納された感覚特性データセットは、それぞれの格納された埋め込みに関連付けられたそれぞれの感覚特性データセットと対になった、埋め込み空間の格納された埋め込みを含むことができる。動作は、埋め込み空間の埋め込み出力及び複数の格納された感覚特性データセットに基づいて１つまたは複数の感覚特性を判定すること、及び表示のために１つまたは複数の感覚特性を提示することを含むことができる。

【0013】

本開示の他の態様は、様々なシステム、装置、非一時的なコンピュータ可読媒体、ユーザインターフェース、及び電子デバイスを対象とする。

【0014】

本開示の様々な実施形態のこれら及び他の特徴、態様及び利点は、以下の説明及び添付の請求項を参照すると、よりよく理解される。この明細書に組み込まれ、この明細書の一部を構成する添付の図面は、本開示の例示的な実施形態を示し、この説明と併せて、関連する原理を説明するよう機能する。

【0015】

当業者に向けられた、添付の図を参照する実施形態の詳細な説明が、本明細書に記載されている。

【図面の簡単な説明】

【0016】

【図1A】本開示の例示的な実施形態によるセンサデータ処理を実行する例示的なコンピューティングシステムのブロック図を示す。

【図1B】本開示の例示的な実施形態によるセンサデータ処理を実行する例示的なコンピューティングデバイスのブロック図を示す。

【図1C】本開示の例示的な実施形態によるセンサ処理を実行する例示的なコンピューティングデバイスのブロック図を示す。

【図2】本開示の例示的な実施形態による例示的な分類プロセスのブロック図を示す。

【図3】本開示の例示的な実施形態による、例示的な電子化学センサシステムのブロック図を示す。

【図4】本開示の例示的な実施形態による例示的なトレーニングプロセスのブロック図を示す。

【図5】本開示の例示的な実施形態による例示的なセンサデータ機械学習済モデル処理のブロック図を示す。

【図6】本開示の例示的な実施形態によるセンサデータ処理を実行する例示的な方法のフローチャートの図表を示す。

【図7】本開示の例示的な実施形態によるセンサデータ処理を実行する例示的な方法のフローチャートの図表を示す。

【図8】本開示の例示的な実施形態による機械学習済モデルトレーニングを実行する例示的な方法のフローチャートの図表を示す。

【図9】本開示の例示的な実施形態による例示的なトレーニングプロセスのブロック図を示す。

【発明を実施するための形態】

【0017】

複数の図にわたって繰り返される参照番号は、様々な実装において同じ特徴を特定することを意図している。

【0018】

概要
一般に、本開示は、化学分子の存在を記述するセンサデータの処理に関する。システム及び方法は、電気信号処理のために使用して、電子化学センサデバイスから得られたセンサデータを解釈することを可能にすることができる。本明細書に開示されるシステム及び方法は、トレーニングされた機械学習済モデルを利用してセンサデータを処理し、その後、様々なタスクを実行するために使用できる埋め込み空間に、埋め込み出力を生成することができる。機械学習済モデルのトレーニングでは、グラウンドトゥルースデータセットを使用でき、既存の化学分子特性データのデータベースを利用することもできる。

【0019】

より具体的には、いくつかの実施態様では、本明細書に開示されるシステムは、電気信号を生成するように構成されたセンサを含むことができる。電気信号は、環境の１つまたは複数の化合物の存在を示すことができ、機械学習済モデルは、電気信号を受信及び処理して埋め込み空間に埋め込みを生成するようにトレーニングすることができる。機械学習済モデルは、複数のトレーニングの例を含むトレーニングデータセットを使用して、トレーニングすることができる。トレーニングの例には、１つ以上のトレーニング化合物にさらされたときにセンサによって生成される、電気信号のそれぞれのセットに適用される、グラウンドトゥルース特性ラベルを含めることができる。グラウンドトゥルース特性ラベルは、１つ以上のトレーニング化合物の特性を記述することができる。さらに、システムは、１つまたは複数のプロセッサと、１つまたは複数のプロセッサによって実行されるときに手持ち式遠隔制御デバイスに動作を実行させる命令をまとめて格納する、１つまたは複数の非一時的なコンピュータ可読媒体とを、含むことができる。これらのコンポーネントを含めると、センサが電気信号に基づいてセンサデータを生成し、次いで機械学習済モデルで処理して埋め込み空間に埋め込み出力を生成できるようにすることができる。より具体的には、本明細書に開示されるシステム及び方法は、センサの化学的特徴が環境内の化合物と反応するときに生成される電気信号を記述するセンサデータを生成するために使用することができる。センサデータは、次いで、機械学習済モデルによって処理されて、埋め込み空間に埋め込み出力を生成することができる。いくつかの実施態様では、埋め込み空間は、電気信号に基づいて生成された埋め込み、及び化合物のグラフ表現に基づいて生成された埋め込みによって、定着（ｐｏｐｕｌａｔｅ）させることができる。さらに、いくつかの実施態様では、埋め込み空間には、人間の入力または自動予測に基づいて生成され得る、化学的混合物の名前または特性を説明する埋め込みラベルを定着させることができる。

【0020】

いくつかの実施態様では、システム及び方法は、埋め込み出力に基づいてタスクを実行することをさらに含むことができる。タスクには、分類出力の提供、特性予測の判定、アラートの提示、及び／または埋め込み出力の保存が含まれ得る。例えば、埋め込み出力を処理して１つ以上の特性予測を判定し得、それを次いでユーザに表示するために提示することができる。特性予測は、嗅覚特性予測または揮発性予測などの感覚特性予測であり得、これらを判定して危険な化学警報を提示することにつながり得る。

【0021】

いくつかの実施態様では、機械学習済モデルは、電気信号データセット及びそれぞれのトレーニングラベルを含む複数のトレーニングの例を取得することによって、トレーニングすることができる。電気信号トレーニングデータセットとそれぞれのトレーニングラベルは、特定の化合物を記述することができる。電気信号を処理して埋め込み出力を生成できる。次に、埋め込み出力を分類モデルによって処理して、各電気信号データセットのそれぞれの化合物ラベルを判定できる。結果のラベルをグラウンドトゥルースラベルと比較して、機械学習済モデルのパラメータを調整する必要があるかどうかを判断できる。さらに、一部の実施態様では、機械学習済モデルは、グラフ表現または電気信号を使用して埋め込みを生成するために、グラフニューラルネットワーク（ＧＮＮ）モデルと共同でトレーニングさせてもよく、それは次いで、分類タスクに使用することができる。一部の実施態様では、トレーニングに教師あり学習を含めることができる。

【0022】

トレーニングされた機械学習済モデルは、次に、電気信号に基づいたサンプルの特性の予測、作物が疾患にかかっているかどうかの判断、食品の腐敗の特定、疾患の診断、悪臭の有無の判断など、様々なタスクに使用できる。機械学習済モデルは、電気化学センサデバイスの一部としてコンピューティングデバイスにローカルに格納することができるか、または、より大きなコンピューティングシステムの一部として保存してアクセスすることができる。システムとプロセスは、個人使用、商用使用、または産業用途で様々な用途に使用できる。

【0023】

電子化学センサは、１つ以上のセンサと、任意選択で、１つ以上のプロセッサを含むことができる。デバイスは１つまたは複数のセンサを使用して、環境を記述するセンサデータを取得できる。センサデータは、環境内の化合物を記述し得る。いくつかの実施態様では、センサデータを処理して、混合物の組成を判定することができる。センサデータを機械学習済モデルで処理して、混合物を判定できる。混合物の判定には、センサデータを処理して埋め込みを生成し、それを次いで分類モデルで処理して、混合物の組成を判定することが含まれ得る。いくつかの実施態様では、判定プロセスは、ラベル付き埋め込みを使用して生成された、ラベル付き埋め込み空間を利用することができる。判定された混合物は、ラベル付けされた埋め込み空間の判定された１つまたは複数の混合物ラベルに基づいて判定され得る。

【0024】

混合物または特性を判定するために電子化学センサデバイスを較正することは、複数の混合物データセットを取得することを含むことができる。混合物データセットは、それぞれの混合物の１つ以上の感覚特性を記述することができる。複数の混合物の各混合物について、１つまたは複数の混合物ラベルを取得することができる。複数の混合物データセットを機械学習済モデルで処理して、複数の混合物埋め込みを生成することができる。各混合物埋め込みは、それぞれの混合物データセットに関連付けることができる。次いで、複数の埋め込みを、それぞれの混合物ラベルと対にさせることができる。ラベル付き埋め込みを使用して、ラベル付き埋め込み空間を生成できる。

【0025】

いくつかの実施態様では、混合物ラベルは、人間が入力したラベルであってもよい。いくつかの実施態様では、システムは、較正のために人間がラベル付けした正確なセンサデータ（例えば、人間がラベル付けした臭気データ）を収集することができる。較正された電子化学センサデバイスは、次いで、各分子の濃度が異なる可能性のある分子の混合物で構成される化学物質を検出できる。いくつかの実施態様では、１つまたは複数のセンサは、センサデータを生成できる鼻用電子センサを含むことができる。センサデータは電子信号を記述する場合がある。１つまたは複数のセンサには、カーボンナノチューブ、ＤＮＡ結合カーボンナノチューブ、カーボンブラックポリマー、光感受性化学センサ、シリコンと結合した生体センサによって構築されたセンサ、幹細胞から培養されたまたは生物から採取された嗅覚ニューロン、嗅覚受容体及び／または、金属酸化物センサが含まれ得るが、これらに限定されない。結果として得られるセンサデータは、電圧データまたは電流データを含む生データである可能性がある。

【0026】

いくつかの実施態様では、人間のラベルと電子信号の両方を同一のサンプル、またはかなり類似したサンプルで収集できる実験を、較正に使用することができる。いくつかの実施態様では、機械学習済モデルは、複数の感覚データセット及び複数の混合物ラベルを含むグラウンドトゥルーストレーニングデータを使用してトレーニングすることができる。機械学習済モデルには、１つまたは複数のトランスフォーマモデル及び／または１つまたは複数のＧＮＮ埋め込みモデルが含まれ得る。

【0027】

さらに、電子化学センサデバイスの較正は、人間のラベルを埋め込み空間（例えば、匂い埋め込み空間）にマッピングすることを含むことができる。マッピングにはトレーニング済みのＧＮＮを利用できる。そのとき、デバイスの使用には、得られた電気信号を埋め込み空間にマッピングすることが含まれ得る。マッピングされた位置（つまり、埋め込み空間の値）を使用して、「シナモン」、「キュウリ」、「リンゴ」、及び「糞便」などの人間のラベルが付いた匂い、またはその他の感覚特性を自動的に認識できる。電気信号のマッピングは、ディープニューラルネットワークを使用して、電子鼻信号でトレーニングされたＧＮＮを使用して実行できる。いくつかの実施態様では、埋め込みをＲＧＢ番号付けと同様に構成できる。いくつかの実施態様では、センサデータ及び埋め込み空間を処理することは、機械学習済モデルを用いてセンサデータを処理して埋め込みを生成すること、埋め込みを埋め込み空間にマッピングすること、及び１つ以上の混合物ラベルに関連する埋め込みの位置に基づいて、一致するラベルを判定することを含むことができる。

【0028】

人間のラベルの予測精度は、電子センサ信号で評価できる。「シナモン」などの特定の人間のラベルについて精度が低い場合は、センサがその匂いを正確に検出できないことを示し得る。特定のラベルの精度が高い場合は、センサがその匂いを正確に検出できることを示し得る。

【0029】

いくつかの実施態様では、電子化学センサは、カメラが赤と緑の両方の色を感知できる方法と同様に、多数の別個の感知要素で構成することができる。人間のラベル付きデータと電子信号データを共に収集するこのシステムを使用して、システムは、新しい感知要素（カメラがこのとき青色を感知できるようになったと仮定）が、人間が認識できる匂いの空間をカバーする能力を向上させるかどうか、または特定の匂いラベルを認識する能力を向上させるかどうかを評価できる。

【0030】

人間が定義した臭気ラベルを認識する代わりに、システムは代わって、特徴的な臭気を発する、疾患状態にある人間、動物、または植物の存在もしくは非存在として、ラベルを定義することもできる。

【0031】

いくつかの実施態様では、本明細書に開示されるシステム及び方法は、収集されたセンサデータに基づいて、食品または特定のフレーバーを特定するために実装され得る。例えば、オレンジジュースの入ったグラスをセンサの下に置き、１つ以上の化学物質への曝露を記述するセンサデータを生成できる。センサデータは、機械学習済モデルによって処理されて、埋め込み空間に埋め込み出力を生成することができる。埋め込み出力は、次いで食品ラベル及び／またはフレーバーラベルを判定するために使用できる。例えば、埋め込み出力は、オレンジラベルまたはオレンジジュースラベルと組み合わせた埋め込みに最も類似していると判断できる。いくつかの実施態様では、埋め込み出力を分析して、感知された化学物質が柑橘系のフレーバーを示していると判定することができる。食品の種類とフレーバーの判定には、分類モデル、閾値の判定、及び／またはラベル付けされた埋め込み空間またはマップの分析が含まれ得る。

【0032】

本明細書に開示されるシステム及び方法の別の例示的使用には、人間の診断、動物の診断、または植物の診断のための診断センサの有効化が含まれ得る。特定の化学物質の存在は、特定の疾患の状態を示し得る。例えば、人間の呼気に見出せる化合物は、特定の病や疾患（胃食道逆流症、歯周炎、歯周病、糖尿病、肝臓や腎臓の疾患など）の存在や段階に関する貴重な情報を提供する可能性がある。したがって、いくつかの実施態様では、センサデータは、口から吐き出された、または患者からサンプルとして採取された化学物質への曝露を記述することができる。センサデータは、機械学習済モデルによって処理されて、埋め込み出力を生成することができる。埋め込み出力は、感知された疾患状態を示す埋め込みと比較することができ、または疾患状態を示す化学物質が存在するかどうかを判断するための診断用にトレーニングされた分類ヘッドによって処理することもできる。分類ヘッドの出力には、１つまたは複数の疾患状態のそれぞれが存在する確率が含まれ得る。

【0033】

電子化学センサデバイスは、コンロや排気フードなどの調理器具に実装して、調理を支援し、調理プロセスに関するアラートを提示することができる。いくつかの実施態様では、電子化学センサデバイスを実装して、焦げた食品を示す化学物質が存在するというアラートを提示することができる。例えば、埋め込み出力を分類ヘッドに入力することができ、それは埋め込み出力を処理して、焦げた食品が存在する確率を判定する。確率が閾値確率を超える場合、アラートがアクティブ化され得る。

【0034】

さらに、いくつかの実施態様では、トレーニング済み機械学習済モデルを備えた電子化学センサデバイスを地上車両や低空飛行ＵＡＶなどの農業機器に実装して、病気の作物の存在を検出すること、または植物が収穫に際して熟しているかどうかを検出することができる。例えば、埋め込み出力を分類ヘッドに入力することができ、それは埋め込み出力を処理して、植物が収穫に際して熟している確率を判定する。

【0035】

いくつかの実施態様では、本明細書に開示されるシステム及び方法は、機械を制御し、及び／またはアラートを提示するために使用され得る。システム及び方法は、製造機械を制御してより安全な作業環境をもたらしたり、混合物の組成を変更して所望の生産量をもたらしたりするために使用することができる。さらに、いくつかの実施態様では、リアルタイムのセンサデータを生成及び処理して、アラート（例えば、危険な状態、食品の腐敗、疾患の状態、異臭などを示すアラート）を提示する必要があるかどうかを判定するために分類できる埋め込み出力を生成することができる。例えば、いくつかの実施態様では、判定された分類には、輸送サービスに使用される車両の香りについての嗅覚特性予測などの特性予測が含まれてもよい。次いで、分類を処理して、いつ新しい香り製品を輸送デバイスに配置すべきか、及び／または輸送デバイスが清掃ルーチンを受けるべきかどうかを判定することができる。悪臭が存在するという判定は、そのとき、ユーザのコンピューティングデバイスにアラートとして送信され得るか、自動購入を設定するために使用され得る。別の例では、輸送デバイス（例えば、自律走行車）は、清掃ルーチンを受けるために施設に自動的に呼び戻され得る。別の例では、機械学習モデルによって生成された特性予測が、動物または人にとって危険な環境が空間内部に存在することを示している場合に、アラートを提示することができる。例えば、建物で感知された化学物質に基づいて安全性の欠如の予測が生成された場合、建物で音声アラートを鳴らすことができる。例として、埋め込み出力を分類ヘッドに入力することができ、分類ヘッドは埋め込み出力を処理して環境に危険な化学物質が含まれる確率を判定することができる。確率が閾値確率を超える場合、アラートを発することができ、及び／またはアラームを作動させることができる。

【0036】

いくつかの実施態様では、システムは、環境の特性予測を生成するために、埋め込みモデル及び分類モデルに入力されるセンサデータを取り込むことができる。例えば、システムは、環境の分子の存在及び／または濃度に関連するデータを取り込むために、１つまたは複数のセンサを利用することができる。システムは、センサデータを処理して埋め込みモデルの入力データを生成し、分類モデルを処理して環境の特性予測を生成できる。これには、環境の匂いまたは環境の他の特性に関する１つ以上の予測が含まれ得る。予測に特定の不快な臭気が含まれている場合、システムは、清掃サービスを完了させるようにユーザのコンピューティングデバイスにアラートを送信することができる。いくつかの実施態様では、システムは、不快な臭気を判定すると、アラートをバイパスし、清掃サービスに予約リクエストを送信することができる。

【0037】

別の例示的な実施態様には、バックグラウンド処理及び／または安全対策のためのアクティブな監視が含まれる場合がある。例えば、システムは、製造工場のセンサで取得したセンサデータをアクティブに生成及び処理して、メーカがいずれかの危険を確実に認識できるようにすることができる。いくつかの実施態様では、センサデータは間隔を置いてまたは断続的に生成され、埋め込みモデル及び分類モデルによって処理されて、特性予測を判定することができる。特性予測には、環境にある化学物質が可燃性、有毒、不安定、または何らかの形で危険であるかどうかを含めることができる。例えば、特性予測は、存在する複数の環境的に危険な状態のそれぞれに対する確率スコアを含むことができる。環境で感知された化学物質が何らかの形で危険であると判断された場合、例えば、任意の１つまたは複数の環境的に危険な状態の確率スコアがそれぞれの閾値を超えた場合、アラートが送信され得る。代替的に及び／または追加的に、システムは、いずれかの潜在的な現在または将来の危険から保護するために、１つまたは複数のマシンを制御して処理を停止及び／または抑止することができる。

【0038】

システム及び方法は、他の製造システム、産業システム、または商業システムに適用して、特性予測に応じて自動化されたアラートまたは自動化されたアクションをもたらすことができる。これらの適用には、感知された化学物質の特定、感知された化学物質の特性の判定、疾患の特定、食品の腐敗の特定、作物の問題の判定が含まれ得る。

【0039】

いくつかの実施態様では、本明細書に開示されるシステム及び方法は、化学混合物特性予測データベースを活用して、埋め込み出力を分類することができる。データベースは、予測特性を判定するための埋め込みモデル及び予測モデルを使用して理論的化学混合物の特性予測を生成することによって生成され得る。

【0040】

例えば、システム及び方法は、１つまたは複数の分子の分子データ及び１つまたは複数の分子の混合物に関連する混合物データを取得することを含むことができる。分子データは、混合物を構成する複数の分子の各分子のそれぞれの分子データを含むことができる。いくつかの実施態様では、混合物データは、混合物の全体の組成とともに、混合物中の各分子の濃度に関連するデータを含むことができる。混合物データは、混合物の化学的な配合を記述することができる。分子データを埋め込みモデルで処理して、複数の埋め込みを生成することができる。それぞれの分子のそれぞれの分子データは、混合物中のそれぞれの分子についてそれぞれの埋め込みを生成するために、埋め込みモデルで処理され得る。いくつかの実施態様では、埋め込みは、埋め込みデータの個々の分子特性を記述するデータを含むことができる。一部の実施態様では、埋め込みは数値のベクトルにすることができる。場合によっては、埋め込みはグラフや分子特性の説明を表す場合がある。埋め込み及び混合物データは、予測モデルによって処理されて、１つまたは複数の特性予測を生成できる。１つ以上の特性予測は、１つ以上の埋め込み及び混合物データに少なくとも部分的に基づくことができる。特性予測には、混合物の味、匂い、色合いなどに関する様々な予測が含まれ得る。いくつかの実施態様では、システム及び方法は、１つまたは複数の特性予測を保存することを含むことができる。一部の実施態様では、モデルの一方または両方に機械学習済モデルを含めることができる。

【0041】

次に、埋め込みとそのそれぞれの特性予測をラベル付きセットとして対にして、埋め込み空間にラベル付き埋め込みを生成できる。機械学習済モデルは、感知された化合物の特性の判定またはセンサによって感知された化学混合物の判定などの分類タスクのために、埋め込み空間内のラベルとその後比較できる埋め込み出力を出力するようにトレーニングできる。

【0042】

本開示のシステム及び方法は、多くの技術的効果及び利点を提供する。一例として、システム及び方法は、電気信号の理解及び解釈を可能にできるデバイス及びプロセスを提供することができ、これにより、効率的かつ正確な特定プロセスにつながり得る。システム及び方法はさらに、電気センサによる食品の腐敗の特定、または植物、動物、または人間の疾患の状態の特定に使用することができる。さらに、このシステム及び方法は、電子化学センサによって生成された電気信号データに基づいて化合物を特定するための自動プロセスを可能にすることができる。

【0043】

本開示のシステム及び方法の別の技術的利点は、電気信号の分類のために匂い埋め込み空間を利用できることである。既知の混合物または特性をすべて特定するためにモデルを手動でトレーニングするのは面倒な場合があるが、生成された匂い埋め込み空間を使用すると、トレーニングを最初から開始する必要なく、容易にアクセスできるデータを提示できる。

【0044】

技術的な効果及び利点の別の例は、計算効率の向上及びコンピューティングシステムの機能の改善に関するものである。例えば、特定の既存のシステムは、単一の化合物または少数の化合物の存在を特定するようにトレーニングされている。化合物ごとに個別にトレーニングするのは時間がかかる可能性があるが、システムが化合物が存在するか存在しないかをテストするだけであるとき、計算が非効率になる可能性もある。対照的に、機械学習済モデルをトレーニングして埋め込み空間に埋め込み出力を生成することにより、システムは埋め込み特性を利用して化合物または化学特性を効率的に判定できる。したがって、提案されたシステム及び方法は、プロセッサの使用量、メモリの使用量、及び／またはネットワーク帯域幅などの計算リソースを節約することができる。

【0045】

ここで図面を参照して、本開示の例示的な実施形態をさらに詳細に説明する。

【0046】

例示的なデバイス及びシステム
図１Ａは、本開示の例示的な実施形態による、電気信号の処理を実行する、例示的なコンピューティングシステム１００のブロック図を示す。システム１００は、ネットワーク１８０を介して通信可能に結合されたユーザコンピューティングデバイス１０２、サーバコンピューティングシステム１３０、及びトレーニングコンピューティングシステム１５０を含む。

【0047】

ユーザコンピューティングデバイス１０２は、例えば、パーソナルコンピューティングデバイス（例えば、ラップトップまたはデスクトップ）、モバイルコンピューティングデバイス（例えば、スマートフォンまたはタブレット）、ゲームコンソールまたはコントローラ、ウェアラブルコンピューティングデバイス、埋め込みコンピューティングデバイス、またはその他いずれかのタイプのコンピューティングデバイスなどの、いずれかのタイプのコンピューティングデバイスであり得る。

【0048】

ユーザコンピューティングデバイス１０２は、１つまたは複数のプロセッサ１１２及びメモリ１１４を含む。１つまたは複数のプロセッサ１１２は、任意の適切な処理デバイス（例えば、プロセッサコア、マイクロプロセッサ、ＡＳＩＣ、ＦＰＧＡ、コントローラ、マイクロコントローラなど）とすることができ、１つのプロセッサまたは動作可能に接続される複数のプロセッサとすることができる。メモリ１１４は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、ＥＰＲＯＭ、フラッシュメモリデバイス、磁気ディスクなど、及びそれらの組み合わせなどの１つまたは複数の非一時的なコンピュータ可読記憶媒体を含むことができる。メモリ１１４は、ユーザコンピューティングデバイス１０２に動作を実行させるためにプロセッサ１１２によって実行されるデータ１１６及び命令１１８を格納することができる。

【0049】

いくつかの実施態様では、ユーザコンピューティングデバイス１０２は、１つまたは複数の電気信号処理モデル１２０を格納または含むことができる。例えば、電気信号処理モデル１２０は、ニューラルネットワーク（例えば、ディープニューラルネットワーク）、または非線形モデル及び／または線形モデルを含む他の種類の機械学習済モデルなどの様々な機械学習済モデルであってもよいし、そうでなければそれを含むこともできる。ニューラルネットワークには、フィードフォワードニューラルネットワーク、リカレントニューラルネットワーク（例えば長期短期記憶リカレントニューラルネットワーク）、畳み込みニューラルネットワーク、または他の形式のニューラルネットワークが含まれ得る。例示的な電気信号処理モデル１２０については、図４、５、及び９を参照して説明する。

【0050】

いくつかの実施態様では、１つまたは複数の電気信号処理モデル１２０は、ネットワーク１８０を介してサーバコンピューティングシステム１３０から受信され、ユーザコンピューティングデバイスメモリ１１４に格納され、その後、１つまたは複数のプロセッサ１１２によって使用されるか、さもなければ実装され得る。いくつかの実施態様では、ユーザコンピューティングデバイス１０２は、単一の電気信号処理モデル１２０の複数の並列インスタンスを実装することができる（例えば、感知されている異なる化合物の複数のインスタンスにわたって並列電気信号処理を実行するため）。

【0051】

より具体的には、電気信号処理モデルは、化合物を示す電気信号を記述するセンサデータを受信し、センサデータを処理し、埋め込み空間に埋め込み出力を出力するようにトレーニングされた機械学習済モデルであり得る。埋め込み出力は、そのとき様々なタスクの実行に使用できる。例えば、埋め込み出力を分類モデルで処理して、化合物の分子と濃度、または化合物の特性を判定することができる。その後、結果をユーザに提示できる。

【0052】

加えて、または代わりに、１つまたは複数の電気信号処理モデル１４０は、クライアント－サーバ関係に従ってユーザコンピューティングデバイス１０２と通信するサーバコンピューティングシステム１３０に含まれるか、またはそれによって格納及び実装され得る。例えば、電気信号処理モデル１４０は、ウェブサービス（例えば、電子化学センササービス）の一部としてサーバコンピューティングシステム１４０によって実装することができる。したがって、１つまたは複数のモデル１２０をユーザコンピューティングデバイス１０２に格納及び実装することができ、及び／または１つまたは複数のモデル１４０をサーバコンピューティングシステム１３０に格納及び実装することができる。

【0053】

ユーザコンピューティングデバイス１０２はまた、ユーザ入力を受け取る１つまたは複数のユーザ入力コンポーネント１２２を含むこともできる。例えば、ユーザ入力コンポーネント１２２は、ユーザ入力オブジェクト（例えば、指またはスタイラス）のタッチを感知するタッチ感知コンポーネント（例えば、タッチ感知表示画面またはタッチパッド）であり得る。タッチセンサコンポーネントは、仮想キーボードを実装するために機能する。他の例示的なユーザ入力コンポーネントは、マイク、従来のキーボード、またはユーザがユーザの入力を実行できるその他の手段が含まれる。

【0054】

サーバコンピューティングシステム１３０は、１つまたは複数のプロセッサ１３２及びメモリ１３４を含む。１つまたは複数のプロセッサ１３２は、任意の適切な処理デバイス（例えば、プロセッサコア、マイクロプロセッサ、ＡＳＩＣ、ＦＰＧＡ、コントローラ、マイクロコントローラなど）とすることができ、１つのプロセッサまたは動作可能に接続される複数のプロセッサとすることができる。メモリ１３４は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、ＥＰＲＯＭ、フラッシュメモリデバイス、磁気ディスクなど、及びそれらの組み合わせなどの１つまたは複数の非一時的なコンピュータ可読記憶媒体を含むことができる。メモリ１３４は、サーバコンピューティングシステム１３０に動作を実行させるためにプロセッサ１３２によって実行されるデータ１３６及び命令１３８を格納することができる。

【0055】

いくつかの実施態様では、サーバコンピューティングシステム１３０は、１つまたは複数のサーバコンピューティングデバイスを含むか、またはそれによって実装される。サーバコンピューティングシステム１３０が複数のサーバコンピューティングデバイスを含む場合、そのようなサーバコンピューティングデバイスは、逐次コンピューティングアーキテクチャ、並列コンピューティングアーキテクチャ、またはそれらの組み合わせに従って動作することができる。

【0056】

上述のように、サーバコンピューティングシステム１３０は、１つ以上の機械学習された電気信号処理モデル１４０を格納するか、そうでなければ含むことができる。例えば、モデル１４０は、様々な機械学習済モデルであってもよく、あるいはそれを含むことができる。例示的な機械学習済モデルは、ニューラルネットワークまたはその他の多層非線形モデルが含まれる。例示的なニューラルネットワークは、フィードフォワードニューラルネットワーク、ディープニューラルネットワーク、リカレントニューラルネットワーク、及び畳み込みニューラルネットワークを含む。例示的なモデル１４０について、図４、５、及び９を参照して説明する。

【0057】

ユーザコンピューティングデバイス１０２及び／またはサーバコンピューティングシステム１３０は、ネットワーク１８０を介して通信可能に結合されたトレーニングコンピューティングシステム１５０との対話を介して、モデル１２０及び／または１４０をトレーニングすることができる。トレーニングコンピューティングシステム１５０は、サーバコンピューティングシステム１３０とは別個であってもよいし、サーバコンピューティングシステム１３０の一部であってもよい。

【0058】

トレーニングコンピューティングシステム１５０は、１つまたは複数のプロセッサ１５２及びメモリ１５４を含む。１つまたは複数のプロセッサ１５２は、任意の適切な処理デバイス（例えば、プロセッサコア、マイクロプロセッサ、ＡＳＩＣ、ＦＰＧＡ、コントローラ、マイクロコントローラなど）とすることができ、１つのプロセッサまたは動作可能に接続される複数のプロセッサとすることができる。メモリ１５４は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、ＥＰＲＯＭ、フラッシュメモリデバイス、磁気ディスクなど、及びそれらの組み合わせなどの１つまたは複数の非一時的なコンピュータ可読記憶媒体を含むことができる。メモリ１５４は、トレーニングコンピューティングシステム１５０に動作を実行させるためにプロセッサ１５２によって実行されるデータ１５６及び命令１５８を格納することができる。いくつかの実施態様では、トレーニングコンピューティングシステム１５０は、１つまたは複数のサーバコンピューティングデバイスを含むか、またはそれによって実装される。

【0059】

トレーニングコンピューティングシステム１５０は、例えば、エラーの逆方向伝播のような様々なトレーニングまたは学習技術を使用して、ユーザコンピューティングデバイス１０２及び／またはサーバコンピューティングシステム１３０に格納された機械学習済モデル１２０及び／または１４０をトレーニングするモデルトレーナー１６０を含むことができる。例えば、損失関数は、（例えば、損失関数の勾配に基づいて）モデル（複数可）の１つまたは複数のパラメータを更新するために、モデル（複数可）を通して逆伝播され得る。平均二乗誤差、尤度損失、クロスエントロピー損失、ヒンジ損失、及び／または他の様々な損失関数など、様々な損失関数を使用できる。勾配降下法を使用すると、トレーニングを何回も繰り返して、パラメータを繰り返し更新することができる。

【0060】

いくつかの実施態様では、エラーの逆伝播を実行することは、打ち切り型通時的逆伝搬を実行することを含むことができる。モデルトレーナー１６０は、トレーニング中のモデルの一般化能力を向上させるために、多くの一般化技術（例えば、重み減衰、ドロップアウトなど）を実行することができる。

【0061】

特に、モデルトレーナー１６０は、一組のトレーニングデータ１６２に基づいて電気信号処理モデル１２０及び／または１４０をトレーニングすることができる。トレーニングデータ１６２は、例えば、対にしたデータのセットを含むことができ、各対にしたセットは、電気信号トレーニングデータと、それぞれの電気信号トレーニングデータに対するグラウンドトゥルーストレーニングラベルとを含む。

【0062】

いくつかの実施態様では、ユーザが同意した場合、トレーニングの例が、ユーザコンピューティングデバイス１０２によって提示され得る。したがって、そのような実施態様では、ユーザコンピューティングデバイス１０２に提供されるモデル１２０は、ユーザコンピューティングデバイス１０２から受信したユーザ固有のデータに基づいてトレーニングコンピューティングシステム１５０によってトレーニングすることができる。場合によっては、このプロセスをモデルのパーソナライズと呼ぶこともある。

【0063】

モデルトレーナー１６０は、所望の機能をもたらすために利用されるコンピュータロジックを含む。モデルトレーナー１６０は、ハードウェア、ファームウェア、及び／または汎用プロセッサを制御するソフトウェアで実装することができる。例えば、いくつかの実施態様では、モデルトレーナー１６０は、記憶装置に格納され、メモリにロードされ、１つまたは複数のプロセッサによって実行されるプログラムファイルを含む。他の実施態様では、モデルトレーナー１６０は、ＲＡＭハードディスク、光学媒体または磁気媒体などの有形のコンピュータ可読記憶媒体に格納されるコンピュータ実行可能命令の１つまたは複数のセットを含む。

【0064】

ネットワーク１８０は、ローカルエリアネットワーク（例えば、イントラネット）、ワイドエリアネットワーク（例えば、インターネット）、またはそれらの組み合わせなどの任意のタイプの通信ネットワークであり得、任意の数の有線または無線リンクを含み得る。一般に、ネットワーク１８０での通信は、多種多様な通信プロトコル（例えば、ＴＣＰ／ＩＰ、ＨＴＴＰ、ＳＭＴＰ、ＦＴＰ）、エンコーディングまたはフォーマット（例えば、ＨＴＭＬ、ＸＭＬ）、及び／または保護スキーム（ＶＰＮ、セキュアＨＴＴＰ、ＳＳＬなど）を使用して、任意のタイプの有線及び／または無線接続を介して実行することができる。

【0065】

図１Ａは、本開示を実装するために使用できるコンピューティングシステムの一例を示す。他のコンピューティングシステムも同様に使用できる。例えば、いくつかの実施態様では、ユーザコンピューティングデバイス１０２は、モデルトレーナー１６０及びトレーニングデータセット１６２を含むことができる。このような実施態様では、モデル１２０は、ユーザコンピューティングデバイス１０２においてローカルにトレーニング及び使用することができる。このような実施態様のいくつかでは、ユーザコンピューティングデバイス１０２は、モデルトレーナー１６０を実装して、ユーザ固有のデータに基づいてモデル１２０をパーソナライズすることができる。

【0066】

図１Ｂは、本開示の例示的な実施形態により実行する例示的なコンピューティングデバイス１０のブロック図を示す。コンピューティングデバイス１０は、ユーザコンピューティングデバイスまたはサーバコンピューティングデバイスであり得る。

【0067】

コンピューティングデバイス１０は、多数のアプリケーション（例えば、アプリケーション１からＮ）を含む。各アプリケーションは、独自の機械学習ライブラリと機械学習済モデル（複数可）を含む。例えば、各アプリケーションは機械学習済モデルを含めることができる。例示的アプリケーションは、テキストメッセージングアプリケーション、電子メールアプリケーション、ディクテーションアプリケーション、仮想キーボードアプリケーション、ブラウザアプリケーションなどが含まれる。

【0068】

図１Ｂに示すように、各アプリケーションは、例えば、１つ以上のセンサ、コンテキストマネージャ、デバイス状態コンポーネント、及び／または追加のコンポーネントなど、コンピューティングデバイスの他の多くのコンポーネントと通信することができる。いくつかの実施態様では、各アプリケーションは、ＡＰＩ（例えば、パブリックＡＰＩ）を使用して各デバイスコンポーネントと通信することができる。一部の実施態様では、各アプリケーションで使用されるＡＰＩはそのアプリケーションに固有である。

【0069】

図１Ｃは、本開示の例示的な実施形態により実行する例示的なコンピューティングデバイス５０のブロック図を示す。コンピューティングデバイス５０は、ユーザコンピューティングデバイスまたはサーバコンピューティングデバイスであり得る。

【0070】

コンピューティングデバイス５０は多数のアプリケーション（アプリケーション１からＮなど）含をむ。各アプリケーションは中央のインテリジェンス層と通信する。例示的アプリケーションは、テキストメッセージングアプリケーション、電子メールアプリケーション、ディクテーションアプリケーション、仮想キーボードアプリケーション、ブラウザアプリケーションなどが含まれる。一部の実施態様では、各アプリケーションは、ＡＰＩ（すべてのアプリケーションにわたる共通ＡＰＩなど）を使用して中央インテリジェンス層（及びそこに格納されているモデル（複数可））と通信できる。

【0071】

中央インテリジェンス層には、多数の機械学習済モデルが含まれている。例えば、図１Ｃに示すように、それぞれの機械学習済モデル（例えば、モデル）がアプリケーションごとに設けられ、中央インテリジェンス層によって管理されることが可能である。他の実施態様では、２つ以上のアプリケーションが単一の機械学習済モデルを共有できる。例えば、いくつかの実施態様では、中央インテリジェンス層は、すべてのアプリケーションに対して単一のモデル（例えば、単一のモデル）を設けることができる。いくつかの実施態様では、中央インテリジェンス層は、コンピューティングデバイス５０のオペレーティングシステムの内部に含まれるか、またはそれによって実装される。

【0072】

中央インテリジェンス層は、中央デバイスデータ層と通信できる。中央デバイスデータ層は、コンピューティングデバイス５０のためのデータの集中リポジトリであり得る。図１Ｃに示すように、中央デバイスデータ層は、例えば、１つ以上のセンサ、コンテキストマネージャ、デバイス状態コンポーネント、及び／または追加のコンポーネントなど、コンピューティングデバイスの他の多くのコンポーネントと通信することができる。いくつかの実施態様では、中央デバイスデータ層は、ＡＰＩ（例えば、プライベートＡＰＩ）を使用して各デバイスコンポーネントと通信することができる。

【0073】

例示的なモデルの配置
図２は、本開示の例示的な実施形態による例示的な二足分類システム２００のブロック図を示す。いくつかの実施態様では、二足分類システム２００は、化合物のグラフ表現２１０または化合物を記述する電気信号データ２２０のいずれかを受信し、入力データ２１０及び２２０の受信の結果として、入力データを特定の化合物または特定の特性に関連するものとして分類する出力データ２３０を提示するようにトレーニングされる。したがって、いくつかの実施態様では、二足分類システム２００は、グラフ表現２１０を処理するように動作可能なグラフニューラルネットワーク２１２と、電気信号データ２２０を処理するように動作可能な機械学習済モデル２２２とを含むことができる。

【0074】

特に、図２は、センサデータまたはグラフ表現データのいずれかを処理することによって分類を提供できるシステム２００を示す。図示されたシステム２００は、１つまたは複数の分子２１０のグラフ表現を処理するための第１のフットと、１つまたは複数の分子の電気信号データまたはセンサデータを処理するための第２のフット２２０とを含む。ただし、一部の実施態様では、単一のモデルアーキテクチャでグラフ表現２１０とセンサデータ２２０の両方を処理できる。

【0075】

グラフ表現２１０の処理は、グラフニューラルネットワーク（ＧＮＮ）モデル２１２を用いてグラフ表現２１０を記述するデータを処理して、埋め込み２１４を生成することを含むことができる。埋め込みは、少なくとも部分的に分子濃度に基づくことができる。埋め込み２１４は、埋め込み空間での埋め込みであり得る。

【0076】

電気信号データ２２０の処理は、機械学習済モデル２２２を用いて電気信号データ２２０を処理して、ＭＬ出力２２４を生成することを含むことができる。いくつかの実施態様では、電気信号データ２２０は、１つまたは複数のセンサから取得されるか、またはそれを用いて生成され得る。１つまたは複数のセンサは、電子化学センサを含むことができる。さらに、いくつかの実施態様では、電気信号データ２２０は、化合物への曝露に応答して生成される１つまたは複数の電気信号を記述するセンサデータを含むことができる。機械学習済モデル２２２には、１つまたは複数の埋め込みモデル及び／または１つまたは複数のトランスフォーマモデルが含まれ得る。さらに、ＭＬ出力２２４は、埋め込み空間における埋め込み出力とすることができる。

【0077】

いくつかの実施態様では、ＧＮＮモデル２１２及び機械学習済モデル２２は、同じ埋め込み空間に埋め込み２１４及び埋め込み出力２２４を設けるようにトレーニングすることができる。さらに、いくつかの実施態様では、ＧＮＮモデル２１２及び機械学習済モデル２２２は、単一の共有モデルであってもよい。２つのモデルは、同じモデルアーキテクチャの一部である可能性がある。

【0078】

次に、埋め込み２１４及びＭＬ出力２２４を分類モデルで処理して、分類２３０を判定することができる。分類２３０は、人間が入力したラベルのセットに少なくとも部分的に基づくことができる。いくつかの実施態様では、分類２３０は、埋め込み空間での特性予測ラベルに少なくとも部分的に基づくことができる。特性予測ラベルは、理論的混合物の特性予測を判定するために埋め込みモデル及び予測モデルを利用する化学混合物特性予測システムに少なくとも部分的に基づくことができる。

【0079】

図３は、本開示の例示的な実施形態による、例示的な電子化学センサデバイスシステム３００のブロック図を示す。いくつかの実施態様では、電子化学センサデバイスシステム３００は、機械学習済モデル３１２、１つまたは複数のセンサ３１４、ユーザインターフェース３１６、プロセッサ３１８、メモリ３２０、及びＧＮＮ埋め込みモデル３３０を備えたセンサコンピューティングシステム３１０を含むことができる。

【0080】

特に、センサコンピューティングシステム３１０は、化合物の曝露を感知するための１つ以上のセンサ３１４を含む電子化学センサデバイスを含むことができる。センサ３１４は、１つ以上の分子への曝露に応答して得られる電気信号を記述するセンサデータを生成するように構成することができる。

【0081】

さらに、センサコンピューティングシステム３１０は、センサデータを処理して埋め込み空間に埋め込み出力を生成するための機械学習済モデル３１２を含むことができる。センサコンピューティングシステムは、グラフ表現を処理するための、及び／または機械学習済モデル３１２をグラフニューラルネットワーク埋め込みモデル３３０と共同してトレーニングするための埋め込みモデル３３０をさらに含んでもよい。

【0082】

いくつかの実施態様では、センサコンピューティングシステムは、埋め込み空間データ３２２、電気信号データ３２４、ラベル付きデータセット３２６、他のデータ、及び１つまたは複数の動作または機能を実行するための命令を格納するための１つまたは複数のメモリコンポーネント３２０を含むことができる。特に、メモリ３２０は、埋め込みラベル対のデータベースを使用して生成された埋め込み空間データ３２２を格納することができる。例えば、埋め込み空間データ３２２は、グラフ表現またはセンサデータに基づいて生成された埋め込みと、化学混合物または特性予測を記述するそれぞれの対のラベルを含む複数の対のセットを含むことができる。埋め込み空間データ３２２は、センサが曝露された化合物を判定するなどの分類タスクを支援することができる。

【0083】

メモリコンポーネントは、過去の電気信号データ３２４及びラベル付けされたデータ３２６も格納し得る。過去の電気信号データ３２４は、トレーニング、分類タスクのために、及び／または過去の取り込みデータのデータログを保持するために、格納することができる。例えば、一組の電気信号データ３２４は、いずれかの格納されたラベルまたはクラスの閾値分類スコアに達しない可能性があるため、新しい分類ラベルまたはクラスとして格納され得る。しかしながら、いくつかの実施態様では、電気信号データ３２４は、分類閾値と一致するが、トレーニングデータからの偏差値を含む場合がある。センサコンピューティングシステムは、過去の電気信号データ３２４または過去のセンサデータを記録して、センサの較正またはパラメータ調整の必要性を示し得る、再発する偏差傾向またはエラーを判定することができる。

【0084】

代替的に及び／または追加的に、メモリコンポーネント３２０は、埋め込み空間データ３２２の代わりに、またはそれと組み合わせて、ラベル付きデータセット３２６を格納することができる。ラベル付きデータセット３２６は、分類タスクまたは機械学習済モデル３１２のトレーニングに利用することができる。いくつかの実施態様では、センサコンピューティングシステム３１０は、分類タスクの精度を向上させるため、または将来のトレーニングのために、人間が入力したラベルをアクティブに取り込むことができる。

【0085】

センサコンピューティングシステムは、ユーザ入力を受け取り、ユーザに通知及びフィードバックを提示するためのユーザインターフェース３１６を含むことができる。例えば、いくつかの実施態様では、センサコンピューティングシステム３１０は、埋め込み値、センサデータ分類などについての通知を提供するユーザインターフェースを表示できる、電子化学センサの上にある、またはそれに取り付けられたディスプレイを含んでもよい。いくつかの実施態様では、電子化学センサは電子化学センサの使用を支援するためにユーザからの入力を受け取るためのタッチスクリーンディスプレイを含めることができる。

【0086】

センサコンピューティングシステム３１０は、ネットワーク３５０を介して１つまたは複数の他のコンピューティングシステムと通信することができる。例えば、センサコンピューティングシステム３１０は、ネットワーク３５０を介してサーバコンピューティングシステム３６０と通信することができる。サーバコンピューティングシステム３６０は、機械学習済モデル３６２、グラフニューラルネットワーク埋め込みモデル３６４、格納データ３６６、及び１つまたは複数のプロセッサ３６８を含むことができる。いくつかの実施態様では、サーバコンピューティングシステム３６０は、機械学習済モデルの再トレーニングまたは診断タスクを支援するために、センサコンピューティングシステムからセンサデータまたはラベル付きデータ３２６を受信することができる。いくつかの実施態様では、サーバコンピューティングシステム３６０の格納データ３６６は、分類タスク及びトレーニングを支援するためにネットワークを介してセンサコンピューティングシステム３１０によってアクセスできるラベル付き埋め込みデータベースを含むことができる。いくつかの実施態様では、サーバコンピューティングシステム３６０は、更新されたモデルを１つまたは複数のセンサコンピューティングシステム３１０に提供することができる。さらに、いくつかの実施態様では、センサコンピューティングシステム３１０は、１つまたは複数のセンサ３１４によって生成されたセンサデータを処理するために、サーバコンピューティングシステム３６０の１つまたは複数のプロセッサ３６８及び機械学習済モデル３６２を利用することができる。

【0087】

いくつかの実施態様では、センサコンピューティングシステム３７０は、通知を提示するため、他のコンピューティングデバイス３７０からのセンサデータを処理するため、または他のコンピューティングタスクのために、１つまたは複数の他のコンピューティングデバイス３７０と通信することができる。

【0088】

図４は、本開示の例示的な実施形態による、機械学習済モデルをトレーニングするための例示的なシステム４００のブロック図を示す。いくつかの実施態様では、機械学習済モデルをトレーニングするためのシステム４００は、化合物を記述する入力データセット４０４を受信し、入力データ４０４の受信の結果として、予測された特性ラベルまたは化学混合物ラベルを記述する出力データ４１６を提供するように機械学習済モデル４１０をトレーニングすることを含むことができる。したがって、いくつかの実施態様では、機械学習済モデルをトレーニングするためのシステム４００は、生成された埋め込み４１２を分類するように動作可能な分類モデル４１４を含むことができる。

【0089】

機械学習済モデルは、グラウンドトゥルースラベルを使用してトレーニングできる。いくつかの実施態様では、機械学習済モデルは、センサデータ４０８を処理して、生成された埋め込み出力４１２を出力するようにトレーニングされた埋め込みモデル４１０であり得、これはその後、他の様々なタスクに使用することができる。

【0090】

いくつかの実施態様では、埋め込みモデル４００のトレーニングは、特性４０２の人間によるラベルを有する１つまたは複数のトレーニング化学物質から開始することができる。１つまたは複数の化学物質４０４は、１つまたは複数のセンサ４０６に曝露されて、１つまたは複数の化学物質４０４への曝露を記述するセンサデータを生成することができる。いくつかの実施態様では、センサデータは、電子化学センサによって生成される電気信号（例えば、電圧または電流）を記述することができる。

【0091】

生成されるセンサデータ４０８は、次いで埋め込みモデル４１０によって処理され得、埋め込み出力４１２を生成する。埋め込みモデル４１０には、１つまたは複数のトランスフォーマモデルが含まれ得る。いくつかの実施態様では、埋め込みモデル４１０は、グラフニューラルネットワークモデルを含むことができ、グラフ表現とセンサデータ４０８の両方を処理できるようにトレーニングされ得る。さらに、生成された埋め込み４１２は、埋め込み空間の埋め込み出力であり得、カラー表示用のＲＧＢ値と同様の識別子の値のセットを含むことができる。

【0092】

次いで、生成された埋め込み４１２は、分類ヘッド４１４によって処理されて、１つまたは複数の一致する予測特性ラベル４１６を判定することができる。予測特性ラベル４１６は、匂い、味、または色などの感覚特性ラベルを含むことができる。次いで、予測特性ラベル４１６及び人間が入力した特性ラベル４２０を使用して、損失関数４２２を評価することができる。次に、損失関数４２２を使用して、損失を逆伝播してモデルパラメータ４１８を学習／最適化することによって、機械学習済モデル４１０の１つまたは複数のパラメータを調整することができる。

【0093】

プロセス４００は、機械学習済モデル４１０をトレーニングして、分類タスクを実行するか、取得されたセンサデータ４０８に基づいて他のタスクを実行するために使用できる埋め込み出力４１２を生成するために、複数のトレーニングの例について反復的に完了することができる。

【0094】

図５は、本開示の例示的な実施形態による、例示的なトレーニングされた機械学習済モデルシステム５００のブロック図を示す。いくつかの実施態様では、トレーニングされた機械学習済モデルシステム５００は、１つまたは複数の化学物質を記述する入力データ５０４のセットを受信し、入力データ５０４の受信の結果として、生成された埋め込みを含む出力データ５１２を提示するようにトレーニングされる。したがって、いくつかの実施態様では、トレーニングされた機械学習済モデルシステム５００は、予測された特性ラベル５１６を判定するように動作可能な分類ヘッド５１４を含むことができる。

【0095】

トレーニングされた機械学習済モデル５１０は、その後、特性予測タスクを含む様々なタスクに使用することができる。

【0096】

例えば、１つまたは複数の化学物質５０２を１つまたは複数のセンサ５０６に曝露して５０４、センサデータ５０８を生成することができる。１つまたは複数のセンサ５０６は、１つまたは複数の化学物質５０２へ曝露している最中に観察される電気信号データを記述するセンサデータ５０８を生成することができる１つまたは複数の電子化学センサを含むことができる。さらに、１つまたは複数の化学物質５０２は、制御された環境（例えば、研究室空間）または非制御の環境（例えば、車、オフィスなど）で１つまたは複数のセンサ５０６に曝露５０４され得る。

【0097】

センサデータ５０８は、次いでトレーニングされた埋め込みモデル５１０によって処理され得、埋め込み出力５１２を生成する。埋め込み出力５１２は、埋め込み空間の埋め込みとすることができ、ベクトル値を記述する複数の値を含むことができる。

【0098】

いくつかの実施態様では、埋め込み出力５１２だけでも、異なる化学物質５２０のセンサデータから生成された埋め込みに基づいて類似の化学物質をクラスタリングするのに有用であり得る。埋め込み出力５１２は、埋め込み空間及び埋め込み空間の異なる化学物質の特性をより良く理解するために使用することもできる。あるいは、及び／またはさらに、埋め込み出力のみを、化学特性空間のより直観的な描写を提供するための埋め込み空間の視覚化の生成を含み得る様々なタスクに利用できる。生成された埋め込み出力は、さらなるモデルのトレーニングまたはその他の様々なタスクに使用できる。

【0099】

埋め込み出力５１２の他のアプリケーションは、分類タスク５１８を含むことができ、これは、１つまたは複数の関連する予測特性ラベル５１６を判定するために、分類ヘッド５１４を用いて埋め込み出力５１２を処理することを含むことができる。分類ヘッド５１４は、嗅覚特性予測などの特性予測タスクのためにトレーニングすることができ、これを使用して、いつ車を清掃サービスによって整備する必要があるかを判断するか、またはいつ悪臭が存在するかを判断することができる。

【0100】

代替的に及び／または追加的に、埋め込み出力５１２は、異なるタスク５２２用にトレーニングされた異なるヘッドによって処理されて、タスク５２４の実行を支援する予測タスク出力５２４をもたらすことができる。いくつかの実施態様では、異なるヘッド５２２は、埋め込み出力が食品の腐敗、疾患の状態を記述するかどうか、または化学物質が抗真菌などの有益な特性を有する可能性があるかどうか分類するように、トレーニングすることができる。

【0101】

図９は、本開示の例示的な実施形態による、機械学習済モデルをトレーニングするための例示的なシステム９００のブロック図を示す。機械学習済モデルをトレーニングするためのシステム９００は、機械学習済モデルをトレーニングするためのシステム９００がグラフ表現を処理するようにシステムをトレーニングすることをさらに含むことを除いて、図４の機械学習済モデルをトレーニングするためのシステム４００と同様である。

【0102】

いくつかの実施態様では、機械学習済モデル９１０及び９２６は、グラウンドトゥルースラベルを使用してトレーニングできる。いくつかの実施態様では、機械学習済モデルは、センサデータ９０８及び／またはグラフ表現９２４を記述するデータを処理して、生成された埋め込み出力９１２を出力するようにトレーニングされた埋め込みモデル９１０及び９２６であり得、これはその後、他の様々なタスクに使用することができる。

【0103】

いくつかの実施態様では、埋め込みモデル９００のトレーニングは、特性９０２の人間によるラベルを有する１つまたは複数のトレーニング化学物質から開始することができる。１つまたは複数の化学物質９０４は、１つまたは複数のセンサ９０６に曝露されて、１つまたは複数の化学物質９０４への曝露を記述するセンサデータを生成することができる。いくつかの実施態様では、センサデータは、電子化学センサによって生成される電気信号（例えば、電圧または電流）を記述することができる。

【0104】

生成されるセンサデータ９０８は、次いで埋め込みモデル９１０によって処理され得、埋め込み出力９１２を生成する。埋め込みモデル９１０には、１つまたは複数のトランスフォーマモデルが含まれ得る。いくつかの実施態様では、埋め込みモデル９１０は、グラフニューラルネットワークモデル９２６を含むことができ、グラフ表現９２４及びセンサデータ９０８の両方を処理できるようにトレーニングされ得る。さらに、生成された埋め込み９１２は、埋め込み空間の埋め込み出力とすることができ、カラー表示用のＲＧＢ値と同様の識別子の値のセットを含むことができる。

【0105】

いくつかの実施態様では、システムは、センサデータ９０８またはグラフ表現９２４を記述するデータのいずれかを処理して、埋め込み出力９１２を生成することができる二足システムであり得る。さらに、いくつかの実施態様では、グラフニューラルネットワークモデル９２６及び埋め込みモデル９１０を共同でトレーニングすることができる。いくつかの実施態様では、グラフ表現データ９２４は、埋め込みモデル９１０によって処理される前に、グラフニューラルネットワークモデル９２６によって処理され得る。しかしながら、いくつかの実施態様では、ＧＮＮモデル９２６は、埋め込みモデル９１０によって処理されることなく、予測特性ラベル９１６を判定するために分類ヘッド９１４によって処理され得る埋め込みを出力し得る。

【0106】

次いで、生成された埋め込み９１２は、分類ヘッド９１４によって処理されて、１つまたは複数の一致する予測特性ラベル９１６を判定することができる。予測特性ラベル９１６は、匂い、味、または色などの感覚特性ラベルを含むことができる。次いで、予測特性ラベル９１６及び人間が入力した特性ラベル９２０を使用して、損失関数９２２を評価することができる。次に、損失関数９２２を使用して、損失を逆伝播してモデルパラメータ９１８を学習／最適化することによって、機械学習済モデル９１０及び／または９２６の少なくとも１つのうちの１つまたは複数のパラメータを調整することができる。

【0107】

プロセス９００は、機械学習済モデル９１０及び９２６をトレーニングして、分類タスクを実行するか、取得されたセンサデータ９０８に基づいて他のタスクを実行するために使用できる埋め込み出力９１２を生成するために、複数のトレーニングの例について反復的に完了することができる。

【0108】

例示的な方法
図６は、本開示の例示的な実施形態により実行する例示的な方法のフローチャートの図表を示す。図６は、例示及び論考の目的で特定の順序で実行されるステップを示しているが、本開示の方法は、特に図示された順序または配置に限定されない。方法６００の様々なステップは、本開示の範囲から逸脱することなく、様々な方法で省略、再配置、組み合わせ、及び／または適合させることができる。

【0109】

６０２で、コンピューティングシステムはセンサデータを生成することができる。センサデータは、電子化学センサを含むことができる１つ以上のセンサを使用して生成できる。いくつかの実施態様では、センサデータは、１つ以上の分子への曝露に応答してセンサによって生成される電気信号（例えば、電圧または電流）を記述することができる。

【0110】

６０４において、コンピューティングシステムは、機械学習済モデルを用いてセンサデータを処理することができる。機械学習済モデルには、１つまたは複数のトランスフォーマモデル及び／または１つまたは複数のＧＮＮ埋め込みモデルが含まれ得る。さらに、機械学習済モデルは、センサデータを処理して埋め込み空間に埋め込み出力を生成するようにトレーニングされた機械学習済モデルであり得る。

【0111】

６０６で、コンピューティングシステムは、埋め込み出力を生成することができる。埋め込み出力には、カラー表示のＲＧＢ値に類似した１つ以上の値を含めることができる。

【0112】

６０８で、コンピューティングシステムは、埋め込み出力に基づいてタスクを実行することができる。例えば、埋め込み出力を分類モデルによって処理して、感知された化学物質または感知された化学物質の特性を判定することができる。埋め込み出力の分類には、埋め込み空間でのラベル付き埋め込みの使用、トレーニングの例、またはその他の分類手法が含まれる場合がある。いくつかの実施態様では、埋め込み出力は、感知された化学物質の感覚特性（例えば、匂い、味、色など）を判定するために、分類ヘッドによって処理され得る。他の実施態様では、分類ヘッドは、埋め込み出力に基づいて疾患の状態を特定するようにトレーニングされ得る。埋め込み出力を使用して、センサデバイスが食品の腐敗、病気の作物、悪臭などを、リアルタイムで特定できるようにし得る。

【0113】

図７は、本開示の例示的な実施形態により実行する例示的な方法のフローチャートの図表を示す。図７は、例示及び論考の目的で特定の順序で実行されるステップを示しているが、本開示の方法は、特に図示された順序または配置に限定されない。方法７００の様々なステップは、本開示の範囲から逸脱することなく、様々な方法で省略、再配置、組み合わせ、及び／または適合させることができる。

【0114】

７０２で、コンピューティングシステムはセンサデータを取得することができる。センサデータは１つ以上のセンサで取得でき、１つ以上の分子への曝露を記述することができる。

【0115】

７０４において、コンピューティングシステムは、機械学習済モデルを用いてセンサデータを処理することができる。機械学習済モデルは、電気信号の生データを記述するセンサデータを処理し、埋め込み出力を生成するようにトレーニングされる１つ以上の埋め込みモデルを含み得る。

【0116】

７０６で、コンピューティングシステムは、埋め込み出力を生成することができる。

【0117】

７０８で、コンピューティングシステムは、分類モデルを用いて埋め込み出力を処理して、分類を判定することができる。分類モデルには、埋め込み空間の１つまたは複数の一致するラベルを特定するようにトレーニングされた１つまたは複数の分類ヘッドを含めることができる。いくつかの実施態様では、分類モデルは、埋め込み出力の値または埋め込み空間の埋め込み出力の位置において少なくとも部分的に判定される閾値の類似度に基づいて、埋め込み出力に関連するラベルを判定することができる。

【0118】

７１０で、コンピューティングシステムは、表示のための分類を提供することができる。分類は、化学混合物の特定、１つ以上の特性予測、または別の形式の分類（例えば、病状の分類、食品腐敗の分類、熟度の分類、悪臭の分類、病気の作物の分類など）であり得る。ディスプレイには、ＬＥＤディスプレイ、ＬＣＤディスプレイ、ＥＬＤディスプレイ、プラズマディスプレイ、ＱＬＥＤディスプレイ、またはラベルの上に貼られた１つ以上のライトが含まれ得る。いくつかの実施態様では、分類は、埋め込み空間の埋め込み出力の視覚的表現とともに表示され得る。さらに、いくつかの実施態様では、異なる分類の類似性スコアが表示され得る。どの分類でも閾値が満たされない場合、システムは類似性スコアとともに最も近いクラスを表示することがある。

【0119】

図８は、本開示の例示的な実施形態により実行する例示的な方法のフローチャートの図表を示す。図８は、例示及び論考の目的で特定の順序で実行されるステップを示しているが、本開示の方法は、特に図示された順序または配置に限定されない。方法８００の様々なステップは、本開示の範囲から逸脱することなく、様々な方法で省略、再配置、組み合わせ、及び／または適合させることができる。

【0120】

８０２で、コンピューティングシステムは、化合物のトレーニングの例を取得することができる。化合物トレーニングの例は、電気信号トレーニングデータとそれぞれのトレーニングラベルを含むことができる。電気信号トレーニングデータとそれぞれのトレーニングラベルは、特定のトレーニング化合物を記述することができる。

【0121】

８０４で、コンピューティングシステムは、機械学習済モデルを用いてトレーニング電気信号データを処理して、化合物の埋め込み出力を生成することができる。化合物の埋め込み出力は、埋め込み空間の埋め込みを含み得る。

【0122】

８０６で、コンピューティングシステムは、分類モデルを用いて化合物の埋め込み出力を処理して、化合物ラベルを判定することができる。分類モデルは、１つ以上の関連する化合物ラベルを特定するようにトレーニングできる。いくつかの実施態様では、分類モデルは、特定の分類用にトレーニングされた１つまたは複数の分類ヘッドを含むことができる。

【0123】

８０８で、コンピューティングシステムは、化合物ラベルとそれぞれのトレーニングラベルとの間の差を評価する損失関数を評価することができる。

【0124】

８１０で、コンピューティングシステムは、損失関数に少なくとも部分的に基づいて、機械学習済モデルの１つまたは複数のパラメータを調整することができる。

【0125】

追加的な開示
本明細書で説明する技術では、サーバ、データベース、ソフトウェアアプリケーション、その他のコンピュータベースのシステム、及び実行されるアクション、及びそのようなシステムとの間で送受信される情報について言及している。コンピュータベースのシステム固有の柔軟性が、コンポーネント間でのタスクと機能の多種多様な可能な構成、組み合わせ、及び分割を有効にする。例えば、本明細書で説明するプロセスは、単一のデバイスまたはコンポーネント、または組み合わせて動作する複数のデバイスまたはコンポーネントを使用して実装することができる。データベースとアプリケーションは、単一のシステムにおいて実装することも、複数のシステムに分散して実装することもできる。分散させたコンポーネントは、順次または並行して動作できる。

【0126】

本発明の主題をその様々な特定の例示的な実施形態に関して詳細に説明してきたが、各例は説明のために提示されたものであり、本開示を限定するものではない。当業者は、前述の内容を理解したら、そのような実施形態に対する変更、変形、及び等価物を容易に生み出すことができる。したがって、本開示は、当業者にとって容易に明白となるような、本主題に対するそのような修正、変形、及び／または追加を含むことを妨げるものではない。例えば、一実施形態の一部として図示または説明された特徴を別の実施形態とともに使用して、さらに別の実施形態を得ることができる。したがって、本開示はそのような変更、変形、及び均等物を網羅することが意図されている。

【図1A】

【図1B】

【図1C】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【国際調査報告】