הסוד של תערובות ריח נמצא במילים — GrassAccord קוראת את המחקר «לחזות את המרחק בין תערובות ריח»

דמיינו שתי רצועות בדיקה מול האף. על האחת תערובת ריח של 10 מולקולות. על השנייה גם 10 מולקולות, אבל אין ביניהן אף מולקולה משותפת. ובכל זאת, האף מרגיש ששני הריחות די דומים.

למה זה קורה? והאם אפשר לדעת את התוצאה עוד לפני שמערבבים? מחקר שפורסם באוגוסט האחרון בכתב העת של האקדמיה הלאומית האמריקאית למדעים (PNAS) מתעד את הניסיון המשותף של 26 צוותי מחקר מכל העולם לענות על השאלה הישנה הזאת.

התוצאה הפתיעה. המפתח הטוב ביותר לניחוש הריח של תערובת לא היה קריאה ישירה של צורת המולקולות. החיזוי היה מדויק ביותר דווקא כשהוא עבר דרך המילים שבהן אנחנו קוראים לריחות, כמו "דמוי פרי" או "דמוי עשב".

אם רק התחלתם להרכיב בשמים, סביר שכבר שאלתם את עצמכם משהו כזה.

• האם לכתוב ריח במילים באמת משפר את היכולת שלי?
• שני ריחות שהיו דומים אתמול נראים לי היום שונים. משהו לא בסדר עם האף שלי?
• האם בינה מלאכותית תבנה בקרוב אקורדים במקומי?

המאמר הזה נותן רמזים לכל שלוש השאלות. בחלק הראשון נציג מה הצוות עשה ומה גילה, ובחלק האחרון נוסיף את הפרשנות שלנו: איך מי שלומד בישום יכול להשתמש בממצאים ליד שולחן העבודה. מונחים לא מוכרים הסברנו בסוף הכתבה, אז קראו בנחת.

קודם כול, איזה מחקר זה?

• כותרת: A semantic-based community model for high-fidelity tuning of olfactory mixture distances (מודל קהילתי המבוסס על משמעות המילים, לכוונון מדויק של המרחקים בין תערובות ריח)
• כותבים: צוות מחקר משותף גדול בהובלת והיד סתאריפרד (Vahid Satarifard) ופבלו מאייר (Pablo Meyer). השתתפו בו מוסדות מכמה מדינות, בהם אוניברסיטת ייל, אוניברסיטת רוקפלר, מרכז מונל לחושים כימיים, מכון ויצמן ו-IBM Research, ובין הכותבים גם לסלי ב. ווסהול (Leslie B. Vosshall), נועם סובל (Noam Sobel) וג'ואל ד. מיינלנד (Joel D. Mainland), המוכרים בזכות מחקרי חוש הריח שלהם.
• היכן פורסם: כתב העת של האקדמיה הלאומית האמריקאית למדעים (PNAS), כרך 123, גיליון 32, פורסם ב-4 באוגוסט 2026. זהו מאמר שעבר שיפוט.
• המאמר המקורי: doi.org/10.1073/pnas.2611057123 — פתוח לכולם בחינם (באנגלית).
• נקודה לתשומת לב: המחקר עוסק בתערובות מולקולות למטרות מחקר, לא בבשמים. גם הכותבים מזכירים עיצוב בשמים רק כאחד מתחומי היישום האפשריים בעתיד.

למה בחרנו דווקא במחקר הזה?

בסקירת המחקר הראשונה שלנו השקפנו מלמעלה בעזרת מספרים על כ-170 אלף בשמים. זו הייתה מפה של השוק והתרבות. הפעם הכיוון הפוך לגמרי: אנחנו מביטים אל תוך האף של אדם שיושב מול שתי רצועות בדיקה.

בישום הוא בסופו של דבר מלאכת ערבוב. אבל לאף עדיין אין כללים כמו אלה שיש לעין ולאוזן. מאדום, ירוק וכחול אנחנו יוצרים את צבעי המסך, וצליל אפשר להסביר בעזרת חלוקה לתדרים. צוות המחקר אומר שלחוש הריח עדיין אין מסגרת דומה. לכן פרפיומרים נשענו זמן רב על ניסיון ועל האף.

המאמר הזה מניח לראשונה מעל הפער גשר די יציב. זה לא גשר גמור. ועדיין, הוא מראה ביושר עד לאן הגענו והיכן הדרך נקטעת, ולכן הוא חומר לימוד טוב למי שלומד בישום.

ניסיון לצייר את המפה של האף

לפני שנכנסים לעניין, נראה קודם למה בכלל נערכה התחרות הזאת.

את הריח של מולקולה אחת כבר יודעים לנחש די טוב

ניחוש הריח מתוך מבנה המולקולה בלבד היה במשך שנים חידה ידועה לשמצה. אבל בעשור האחרון המגמה השתנתה. תחרות הריח הראשונה של DREAM הראתה שמחשב יכול לחזות ממבנה המולקולה תיאורי ריח כמו שום, מתיקות ופרחים.

ב-2023 הופיע מודל בשם מפת הריח העיקרית (POM). זו מפה שממקמת מבנים של מולקולות במרחב הריחות. לפי המאמר, המודל הזה השיג בחיזוי תיאורי ריח תוצאות טובות יותר מהאדם החציוני בפאנל ההערכה. צוותים רבים בתחרות הזאת השתמשו בדיוק במפה הזאת כחומר גלם.

אבל רוב הריחות בעולם הם תערובות

הבעיה מתחילה אחרי זה. הריחות שאנחנו פוגשים ביום־יום, כמו קפה, פרחים ובשמים, הם בדרך כלל תערובות של עשרות ומאות מולקולות. אם יודעים לנחש מולקולה אחת אבל לא מה קורה כשמערבבים, קשה להשתמש בזה בעולם האמיתי.

מי שניסה להרכיב בושם מכיר את הקושי הזה היטב. מערבבים שני חומרי גלם יפים ויוצא ריח שונה לגמרי מהצפוי, או שחומר שהוספתם נדמה כאילו נעלם. נדרש מדד פתוח לחיזוי תערובות, ולכן נערכה תחרות שבה צוותים רבים מתמודדים על אותה בעיה.

איך התנהלה התחרות של 26 הצוותים?

ניסויים מפוזרים נאספו למקום אחד

תחילה איחד צוות המחקר שישה מאגרי נתונים משלושה מחקרים שנערכו בנפרד. אחרי האיחוד התקבל ההיקף הזה.

• 168 מולקולות בודדות
• 731 תערובות שונות
• 507 מדידות שהשוו בין שתי תערובות

שיטות הניסוי היו שונות, ולכן כל התוצאות הועברו לסולם אחד. 0 פירושו ששני הריחות אינם ניתנים להבחנה, ו-1 פירושו שהם שונים ככל האפשר. הצוות קורא למספר הזה מרחק הריח. כמו שמודדים במפה את המרחק בין שתי ערים, הם מודדים את המרחק בין שני ריחות.

שלושה חודשי תחרות

שם התחרות הוא DREAM Challenge. צוותים רבים מתמודדים בה בגלוי על יכולת החיזוי באותה בעיה. 26 צוותים שיפרו את מודלי הבינה המלאכותית שלהם במשך כשלושה חודשים, ואז ניגשו למבחן הסופי על 46 זוגות תערובות שהתשובות עליהם הוסתרו.

על שאלות התרגול אפשר היה להגיש תשובות ולראות ציון עד שלוש פעמים בשבוע. במהלך התחרות הוגשו 159 חיזויי תרגול, ו-19 צוותים הגיעו עד המבחן הסופי.

ההכרעה לא הייתה חדה. ארבעה צוותים חלקו את המקום הראשון: D2Smell, UMich CASI, ChemSenSim Lab ו-belfaction. צוות המחקר סבור שהיה קשה להבדיל ביניהם כי במבחן היו רק 46 זוגות. לכן, במקום לבחור צוות אחד, הם בנו מודל משולב שמחשב ממוצע של החיזויים של ששת המודלים הטובים ביותר. המודל המשולב הזה הוא גיבור המאמר.

אישור כפול באף אנושי

מי שבדק את התשובות של הבינה המלאכותית היה האף האנושי. נערכו שני מבחנים.

• המבחן הראשון (ניו יורק, אוניברסיטת רוקפלר) — השתתפו 34 אנשים. 92 תערובות יצרו 46 זוגות, וכל תערובת הורכבה מ-10 רכיבים שלא חופפים זה לזה. השתמשו במבחן משולש: בוחרים מתוך שלושה בקבוקים את זה שריחו שונה.
• המבחן השני (פילדלפיה, מרכז מונל לחושים כימיים) — השתתפו 16 אנשים אחרי סיום התחרות. מ-59 תערובות שתוכננו מחדש נוצרו 50 זוגות, ובכל תערובת היו 9–11 רכיבים. המשתתפים נתנו ציון ישיר למידת הדמיון בין שני הריחות.

במבחן השני היה מנגנון ביטחון מעניין. השוו מולקולה בריח שום למולקולה בריח אננס, ומולקולה בריח תות לעצמה. המשתתפים קבעו שהזוג הראשון רחוק ושהשני קרוב מאוד. זו הוכחה שהסולם פועל כמו שצריך.

שני מספרים שכדאי להכיר מראש

שני מספרים חוזרים לאורך המאמר. הם עשויים להיראות קשים, אז נקבל מהם תחושה קצרה.

מקדם המתאם מראה עד כמה החיזוי והמציאות נעים באותו כיוון. אם הוא 1 הם נעים יחד לחלוטין, ואם הוא 0 אין ביניהם קשר. 0.61 אינו אומר שהמודל צדק ב-61%. מספיק להבין שזוגות שאנשים הרגישו כרחוקים יותר, גם המודל בדרך כלל מסמן כרחוקים יותר.

השגיאה הממוצעת (RMSE במאמר) מראה בכמה החיזוי סוטה בממוצע מהמרחק האמיתי. ככל שהיא קטנה יותר, כך טוב יותר. אם היא 0.08, פירוש הדבר שהטעות היא בערך בגודל הזה על סולם של 0–1.

אפשר לזכור את מקדם המתאם כ"האם הוא קולע לסדר" ואת השגיאה הממוצעת כ"כמה הוא קרוב לערך".

עד כמה המודל המשולב היה מדויק?

הוא עקף בבירור את השיטות הקיימות

במבחן הראשון השיג המודל המשולב שגיאה ממוצעת של 0.08 ומקדם מתאם של 0.57. בהשוואה לשיטות המוכרות הקיימות, השגיאה ירדה בכ-33% ומקדם המתאם עלה ב-53%. הוא גם היה טוב יותר מהמודל של כל צוות בודד בתחרות.

יש כאן נקודה שכדאי לשים אליה לב. אחרי התחרות בנה צוות המחקר מודל חדש שבחר רק את המאפיינים שנראו החשובים ביותר. אבל המודל הזה לא השיג את המודל המשולב ונשאר ברמת הצוותים הבודדים המובילים. הפרשנות של הצוות: לא מספיק לבחור חומרים טובים, ורק חיבור בין גישות שונות מגיע לרמה הזאת.

הוא החזיק מעמד גם בשאלות חדשות

מודל שפותר היטב רק את שאלות התחרות אינו מועיל במיוחד. לכן הוא נבחן שוב אחרי התחרות על 50 זוגות שתוכננו מחדש. השגיאה הממוצעת של המודל המשולב עלתה ל-0.13, אבל הביצועים נשארו טובים. זה משמעותי, בהתחשב בכך שמקום המבחן, המשתתפים ושיטת המבחן היו שונים.

התוצאות השתנו לפי סוג השאלה

46 הזוגות של המבחן הסופי חולקו לשלוש קבוצות: 16 זוגות אקראיים, 20 זוגות שאנשים תכננו כך שירגישו דומים, ו-10 זוגות שכוונו להיות דומים לפי שיטת חישוב המרחק הקיימת. הצוותים המשתתפים לא ידעו איזה זוג שייך לאיזו קבוצה.

השגיאה הממוצעת של המודל המשולב הייתה קטנה בשתי הקבוצות המתוכננות, 0.07 ו-0.06, ו-0.10 בקבוצה האקראית. מקדם המתאם היה דווקא גבוה מעט יותר בקבוצה האקראית, 0.45, ו-0.38 בשתי האחרות. צוות המחקר הוסיף שמספר הזוגות קטן, ולכן יש לקרוא בזהירות את הנתונים של קבוצות קטנות.

המילים ניצחו את מבנה המולקולה

זו כנראה התוצאה שתצוטט הכי הרבה מהמאמר.

כשנשארו רק המילים, התוצאה השתפרה

צוות המחקר ערך ניסוי שבו הוציא מהמודל רכיבים בזה אחר זה. הם הסירו את התכונות הכימיות של המולקולות, את המידע על הקולטנים בגוף ואת המידע על התערובת, והשאירו רק את המידע שמקביל למילים שבהן קוראים לריחות.

התוצאה הייתה מדהימה. המודל המשולב שנשארו בו רק המילים השיג במבחן הראשון מקדם מתאם של 0.61 ושגיאה ממוצעת של 0.075, טוב יותר אפילו מהמודל המשולב שהשתמש בכל הרכיבים. גם במבחן השני הוא היה גבוה ב-15%, עם מקדם מתאם של 0.54.

לעומת זאת, המודל שהוצאו ממנו המילים נפגע מאוד. במבחן הראשון מקדם המתאם ירד ל-0.41, ובמבחן השני הוא התקרב לרמה של ניחוש מקרי.

מה הכוונה ב"מילים"?

זו נקודה שקל לטעות בה, אז נדייק. לא הוזנו כאן הערות ריח שאנשים כתבו אחרי שהריחו את התערובות. המחשב מסתכל על מבנה המולקולה וחוזה קודם "איך אנשים יקראו למולקולה הזאת". הוא נותן הסתברויות ל-138 מילים כמו ריח פרי וריח עשב. בעזרת צירוף המילים שהתקבל הוא משווה בין שתי תערובות.

כלומר, לא עוברים ישירות מהמולקולה למרחק הריח, אלא דרך תחנת ביניים של מילים. המפתיע הוא שהמילים האלה נלמדו ממולקולות בודדות טהורות ולא מתערובות, ובכל זאת הסבירו היטב את המרחק בין תערובות.

צוות המחקר הולך כאן צעד נוסף. ייתכן שהריח של תערובת אינו נוצר לפי עיקרון שונה מיסודו מהריח של מולקולה בודדת. לדעתם, ייתכן שהחלק הקשה נמצא פחות ב"שלב הערבוב" ויותר ב"מעבר מהמולקולה לריח". עם זאת, המאמר מציין גם שיש חוקרים שמתנגדים לדעה הזאת.

אילו מילות ריח היו החזקות ביותר?

צוות אחד קיבץ את 138 המילים ל-12 קבוצות. במודל שלו הקבוצות המשפיעות ביותר היו ריחות פרי, ריחות עשב ועשבי תיבול, וריחות אגוזים, שמן וקלייה.

גם הביצועים של כל מילה היו שונים. באותו ניתוח, ירוק, נקי וקוניאק נקשרו לירידה בשגיאה, וסיגלית, ארומטי וטבעי נקשרו לעלייה בה. צוות המחקר הדגיש שקשה לפרש את התוצאה הזאת ישירות. ובכל זאת מעניין שמופיעה כאן מילה רחבת משמעות כמו טבעי. זה הרושם שלנו, לא מסקנת המאמר.

לא נדרשו רכיבים רבים

צוות המחקר ערם בכל מודל את המאפיינים המשפיעים ביותר בזה אחר זה. שלושה מהמודלים המדויקים הגיעו למחצית ההשפעה הכוללת בפחות מ-100 מאפיינים. מודל אחר נזקק לכ-1,000, כך שהפער גדול. המשמעות היא שכדי להסביר את מרחק הריח לא בהכרח צריך רכיבים מורכבים רבים.

גם האף האנושי מתנדנד

התוצאה של האדם היא התקרה

זה החלק הכי ישר במאמר. צוות המחקר מדד גם עד כמה אותם אנשים נותנים את אותה תשובה כשהם שופטים שוב. במבחן השני המשתתפים שפטו פעמיים, בהפרש של יום לפחות, ומקדם המתאם בין שתי התוצאות היה 0.74. הערך שהתקבל מהשוואת שני חצאים של המבחן הראשון היה 0.69.

כשחושבים על זה, זה טבעי. אפילו ממוצע השיפוט האנושי אינו חוזר על עצמו בצורה מושלמת. לכן קשה למודל לענות כמו אדם יותר מאשר אדם בעצמו. הערכים 0.61 ו-0.54 של המודל שנשארו בו רק המילים עדיין לא הגיעו לתקרה הזאת. גם צוות המחקר מודה שנשאר פער בין המודל לאדם.

הטעויות מגיעות כשהריחות דומים מאוד או שונים מאוד

המודל היה מדויק ביותר במרחקים של 0.5–0.8, כי נתוני האימון מרוכזים בטווח הזה. לפי המאמר, תערובות אקראיות נופלות בדרך כלל בתחום הזה.

לעומת זאת, מתחת ל-0.5 ומעל 0.8 השגיאה גדלה. המודלים הראו נטייה למשוך את החיזוי אל האמצע. הם מעריכים זוגות דומים מאוד כרחוקים מעט יותר מהמציאות, וזוגות שונים מאוד כקרובים מעט יותר מהמציאות.

זה חשוב לפרפיומרים. ההחלטה הקשה ביותר בעבודה היא להבחין בין שתי גרסאות שהן "כמעט זהות, אבל משהו שונה". הטווח הזה הוא הנקודה החלשה ביותר של המודלים כיום.

המודל החדש לא תמיד ניצח

כשחילקו את המבחן השני לחמישה טווחים לפי מרחק, בטווח הדומה ביותר השגיאה של המודל הקודם, מפת הריח העיקרית, הייתה קטנה יותר. בארבעת הטווחים האחרים הובילו המודל המשולב והמודל שנשארו בו רק המילים. זה מראה שממוצע כללי טוב אינו אומר טוב בכל טווח.

במה זה שונה מבשמים אמיתיים?

אי אפשר להעביר את המחקר הזה לבשמים כמו שהוא. בין תערובות מעבדה לבשמים אמיתיים יש הבדלים גדולים.

• תערובות בעוצמה מאוזנת — ברוב הנתונים עוצמת הרכיבים אוזנה מראש. בריחות אמיתיים רכיב חזק מכסה על רכיב חלש, ואופי הריח משתנה לפי הריכוז. צוות המחקר כתב שהטיפול בעוצמה הוא משימה לעתיד.
• מספר הרכיבים — בתערובות המבחן היו כ-10 רכיבים. הצוות מסביר שהריחות שאנחנו פוגשים ביום־יום הם בדרך כלל תערובות של עשרות ומאות מולקולות.
• חומרי גלם מוגבלים — טווח המולקולות שנעשה בהן שימוש צר. עדיין לא ידוע אם השיטה תעבוד גם על מולקולות חדשות.
• שיפוט של רגע אחד — המחקר הזה שאל עד כמה שני ריחות דומים. הוא לא שאל איך הריח משתנה עם הזמן, או אם אנשים אוהבים אותו.

זכרו במיוחד את הסעיף האחרון. המרחק אומר עד כמה שני ריחות שונים, אבל לא אומר איזה מהם ריח טוב יותר.

יש גם נקודה משמחת. צוות המחקר פרסם בפומבי את הנתונים, את המודלים ואת הקוד. כלומר, כל אחד יכול לנסות שיטות טובות יותר על אותה בעיה. אבל הפרסום לא אומר שנוצר כלי שאליו פרפיומר מכניס שני אקורדים ומקבל מיד מרחק. כרגע זה קרוב יותר לקו בסיס לחוקרים.

מטאמר: חומרים שונים, אותו ריח

אחד ממאגרי הנתונים במאמר הגיע ממחקר שניסה ליצור מטאמרים של ריח. מטאמר הוא זוג תערובות בלי רכיבים משותפים שבכל זאת מרגישות דומות. זה דומה לצבע, שבו רואים אותו גוון גם כשהרכב האור שונה.

צוות המחקר צופה שהממצאים יאפשרו ליצור במחשב מטאמרים וירטואליים ביעילות ולבחון אותם בניסוי. קודם בוחרים מועמדים בחישוב, ואחר כך אנשים מאשרים.

תחומי היישום שמנו הכותבים רחבים: ריח דיגיטלי שמאחסן ומשדר ריחות כנתונים, טכנולוגיות למעקב אחר בריאות דרך הנשיפה וכדומה, אף אלקטרוני, ועיצוב גנרטיבי של חומרי ריח. אבל אלה אפשרויות לעתיד, והמאמר הזה לא עיצב בושם בפועל.

פרשנות: מה המחקר הזה אומר למי שלומד בישום

מכאן והלאה זו לא מסקנת המאמר, אלא הפרשנות של GrassAccord.

לכתוב ריח זה עיצוב, לא רושם

כשמבקשים בשיעורי בישום לכתוב הערות על חומרי גלם, רבים מרגישים שזה מטרד. הרי מריחים באף, אז למה לכתוב? המאמר הזה גורם לנו לבחון מחדש את ההרגל. כי כמה מילות ריח הסבירו את המרחק בין תערובות טוב יותר מהמון מידע על מולקולות.

כמובן, המילים של המחשב וההערות של אדם אינן אותו דבר. אבל הכיוון דומה. כשמפרקים ריח למילים, אפשר להשוות אותו. הערה שמסתיימת ב"יפה" לא תעזור בערבוב הבא, אבל "ריח עשב חזק, ובסוף נשאר עץ רטוב" כן תעזור.

התחילו מחומרי גלם בודדים

המילים נלמדו ממולקולות בודדות, ובכל זאת הסבירו תערובות. גם סדר הלימוד של בישום דומה. אם מכירים היטב את הרושם של חומר גלם אחד, אפשר לקרוא מה קרה בערבוב. הזמן שמריחים בו חומר אחד פעמים רבות מחזיר בהמשך יותר מהכנת אקורדים רבים.

כאן כדאי לשאול שיטה אחת מהמעבדה. כמו שצוות המחקר איזן את עוצמת הרכיבים, השוו חומרי גלם כשהם באותו ריכוז דילול. אם אחד מרוכז יותר, אתם משווים עוצמה ולא אופי. שיפוט שנעשה על חומר לא מדולל משתנה לא פעם אחרי הדילול.

בחרו מילים צרות משמעות

המילה טבעי נוחה, אבל היא מכילה הרבה. רדו צעד נוסף: מה בדיוק טבעי? כתבו אם זה עשב קצור, אדמה רטובה או פרי קלוף. כפי שאמרנו, המאמר לא הוכיח זאת, אבל ליד שולחן העבודה אפשר לבדוק מהר שמילה צרה יותר שימושית יותר להחלטה הבאה.

בנו את אותו רושם בחומרים אחרים

הרעיון של מטאמר הוא נחמה גדולה גם למתחילים. גם אם אי אפשר להשיג חומר מסוים או שהוא מוגבל ברגולציה, אפשר לבנות מחדש את אותו רושם בחומרים אחרים. כדי להרגיש דומה לא בהכרח צריך את אותן מולקולות.

רבות מהנוסחאות ש-GrassAccord מוכרת לוקחות בשמים ידועים כחומר לימוד. אבל דומה אינו זהה. גם המחקר הזה עסק ברושם של רגע אחד. איך הריח משתנה עם הזמן צריך לבדוק בעצמכם על רצועת הבדיקה.

סמכו על האף, אבל לא על הפעם האחת

אפילו ממוצע השיפוט האנושי מגיע ל-0.74 במדידה חוזרת. אם שני ריחות שהיו דומים אתמול נראים היום שונים, ייתכן שאין שום בעיה באף שלכם. שיפוט מתנדנד מטבעו. בהחלטות חשובות הריחו שוב למחרת והשוו להערה הראשונה. ההרגל, ולא המספר, הוא ששומר על השיפוט.

כמה אפים טובים מאף אחד

בתוצאה הטובה ביותר במאמר לא זכה צוות מבריק אחד, אלא הממוצע של צוותים שונים. גם בהרחה זה דומה. כשאינכם מצליחים להחליט לבד, תנו למישהו אחר להריח. אמירה כמו "זה מריח כמו סבון" ממישהו שלא מבין בבשמים עשויה להיות רמז יקר.

בינה מלאכותית רק מצמצמת את המועמדים

העתיד שהמחקר הזה מצביע עליו קרוב יותר לעולם שבו מצמצמים מועמדים בחישוב והאדם מחליט באף, מאשר לעולם שבו פרפיומרים נעלמים. המודל עדיין לא שפט טוב או רע, והוא היה חלש בטווח הקשה ביותר של "כמעט זהה אבל שונה". הטווח האחרון הזה יישאר בינתיים נחלתו של האף האנושי.

שלושה תרגילים לנסות מיד ליד שולחן העבודה

חבל לעצור בקריאה. בואו ניקח את מה שעשה צוות המחקר, נקטין אותו ונעביר אותו לשולחן העבודה. את היחסים קבעו לפי חומרי הגלם והטעם שלכם.

תרגיל 1. בנו מילון ריחות אישי

בחרו עשרה חומרי גלם שאתם משתמשים בהם הרבה, וטבלו כל אחד ברצועת בדיקה. כתבו לכל חומר רק שלוש מילים. השמיטו מילות הערכה כמו "יפה", והשתמשו במילים שמצביעות על ריח, כמו פרי, עשב, עץ, סבון. אחרי שבוע כסו את השמות, כתבו שוב והשוו. המילים שנשארו הן הפנים האמיתיות של אותו חומר.

תרגיל 2. מבחן משולש בבית

הכינו שתי גרסאות דומות. על שתיים משלוש רצועות שימו את אותה גרסה, ועל השלישית את הגרסה האחרת, וסמנו בתחתית. בקשו ממישהו לערבב את הסדר, ואז בחרו את השונה. אם אחרי כמה פעמים אתם קולעים שוב ושוב, שתי הגרסאות הן ריחות נבדלים. אם מספר הפגיעות נשאר ברמת ניחוש (אחת משלוש), בשביל האף שלכם כרגע מדובר כמעט באותו ריח.

תרגיל 3. מדדו את המרחק של האף שלכם

כתבו את המרחק בין שני ריחות במספר בין 0 ל-1. 0 פירושו שאי אפשר להבחין, 1 פירושו שונים לגמרי. רשמו בערך חמישה זוגות, ולמחרת דרגו שוב באותו סדר. כשרואים כמה המספרים מתנדנדים, מגלים את רוחב השיפוט שלכם. זה בסדר שהם מתנדנדים. המטרה של התרגיל היא להכיר את הרוחב הזה.

במה להיזהר כשקוראים את המחקר הזה

• זה לא מחקר על בשמים. הוא עוסק בתערובות מולקולות למטרות מחקר. זה לא אומר שהוא חל כמו שהוא על נוסחאות בושם.
• שאלות המבחן מעטות. המבחן הראשון כלל 46 זוגות. לכן לא ניתן היה לדרג את הצוותים המובילים, וצוות המחקר ביקש לקרוא בזהירות את התוצאות של קבוצות קטנות.
• חזק בטווח האמצעי. נתוני האימון מרוכזים במרחק 0.5–0.8, ולכן הוא חלש בזוגות דומים מאוד או שונים מאוד.
• שיטות המדידה מעורבות. מבחן משולש ומתן ציונים הועברו לסולם אחד, ולכן ייתכן שנשארו הטיות שנובעות מהשיטה.
• העוצמה לא טופלה דיה. ברוב המקרים נעשה שימוש ברכיבים בעוצמה מאוזנת. בריחות אמיתיים העוצמה היא משתנה גדול.
• לא ידוע אם יעבוד על מולקולות חדשות. טווח המולקולות במבחן צר.
• יש התנגדות לפרשנות. המאמר מציין שיש חוקרים שאינם מסכימים עם הדעה שהריח של תערובת נקבע ברובו מחפיפת המילים.
• קשרי הייעוץ לחברות גלויים. המאמר מציין שחלק מהכותבים מייעצים לחברות בתחום הריח.

המונחים שהופיעו בכתבה

• מולקולה בודדת — חומר ריח שמורכב מסוג אחד של מולקולות.
• תערובת — כמה מולקולות מעורבבות יחד. במחקר הזה יש כ-10 רכיבים.
• מרחק — ערך בין 0 ל-1 שמראה עד כמה שני ריחות מרגישים שונים. 0 פירושו שאי אפשר להבחין, 1 פירושו השונים ביותר.
• מבחן משולש — שיטה למדידת יכולת הבחנה: בוחרים את השונה מתוך שלושה.
• מקדם מתאם — מספר שמראה עד כמה שני ערכים נעים יחד. ככל שהוא קרוב יותר ל-1, כך הם נעים יחד יותר.
• שגיאה ממוצעת (RMSE) — גודל הסטייה הממוצעת של החיזוי מהמציאות. ככל שהיא קטנה יותר, כך טוב יותר.
• מודל משולב (אנסמבל) — מודל אחד שנוצר ממיצוע החיזויים של כמה מודלים.
• מידע של מילים (מאפיינים סמנטיים) — הערכים שהמחשב חוזה לגבי מילות הריח שבהן יכנו מולקולה.
• מפת הריח העיקרית (POM) — מודל ממחקר קודם שחוזה מילות ריח ממבנה המולקולה. צוותים רבים בתחרות השתמשו בו כחומר גלם.
• מטאמר — זוג תערובות שמרגישות דומות גם בלי רכיבים משותפים.
• אקורד — יחידת ריח שבה כמה חומרי גלם מתערבבים כך שהם נשמעים כרושם אחד.
• נוסחה — התוכנית שמפרטת אילו חומרי גלם מערבבים ובאילו יחסים כדי ליצור ריח אחד. זה מה ש-GrassAccord מוכרת.

לסיום

לאף עדיין אין כלל כמו אדום, ירוק וכחול. אבל הרמז הראשון ש-26 הצוותים מצאו יחד נמצא, באופן מפתיע, בצד של השפה האנושית. כמה מילים שבהן קוראים לריחות הסבירו את המרחק בין שני ריחות טוב יותר מהסברים ארוכים על מולקולות.

ואת המדידה של המרחק הזה עד הסוף עדיין עושה האף האנושי. האף מתנדנד, והמודל נמשך אל האמצע. מכיוון ששניהם לא מושלמים, להריח לאט מול רצועת הבדיקה, לכתוב במילים ולהריח שוב למחרת היא עדיין הדרך האמינה ביותר.

למי שרק התחיל להרכיב בשמים, אלה חדשות טובות. בלי ציוד יקר, רצועות בדיקה ומחברת מספיקות כדי להיכנס לדרך שהמחקר הזה מצביע עליה. ריח הוא שפה אוניברסלית. בדרך לאסוף את המילים של השפה הזאת אחת אחת, GrassAccord תהיה לצדכם.

מקור המחקר: Vahid Satarifard, Laura Sisson, Yikun Han ואחרים. "A semantic-based community model for high-fidelity tuning of olfactory mixture distances." PNAS 123(32), e2611057123, פורסם ב-4 באוגוסט 2026. המקור: https://doi.org/10.1073/pnas.2611057123 · כל המספרים בכתבה נלקחו מגוף המאמר; הניסוח הוא תקציר ופרשנות של GrassAccord. הפרק "פרשנות" אינו מסקנת המאמר אלא הפרשנות של GrassAccord.