Campuran aroma: kuncinya rupa-rupanya perkataan — GrassAccord mengupas kertas kajian "Meramal Jarak Campuran Aroma"

Bayangkan dua helai jalur hidu betul-betul di depan hidung anda. Satu ialah campuran aroma daripada 10 molekul. Satu lagi juga daripada 10 molekul, tetapi tiada satu pun molekul yang sama. Namun, bagi hidung manusia kedua-duanya terasa agak serupa.

Mengapa perkara ini berlaku? Dan bolehkah hasilnya diketahui sebelum dicampur? Sebuah kertas kajian yang diterbitkan Ogos lalu dalam Prosiding Akademi Sains Kebangsaan Amerika Syarikat (PNAS) merakam usaha 26 pasukan penyelidik dari seluruh dunia menjawab soalan lama ini bersama-sama.

Hasilnya di luar jangkaan. Kunci terbaik untuk meneka aroma campuran bukanlah membaca bentuk molekul secara terus. Ramalan paling tepat diperoleh melalui perkataan yang menamakan aroma, seperti "seperti buah" atau "seperti rumput".

Jika anda sudah mula meracik minyak wangi, mungkin anda pernah tertanya-tanya perkara seperti ini.

• Adakah menulis aroma dengan perkataan benar-benar membantu kemahiran saya?
• Dua aroma yang semalam serupa terasa berbeza hari ini. Adakah hidung saya bermasalah?
• Adakah AI tidak lama lagi akan menyusun akord menggantikan saya?

Kertas kajian ini memberi petunjuk untuk ketiga-tiga soalan itu. Bahagian awal memperkenalkan apa yang dilakukan dan ditemui pasukan penyelidik, manakala bahagian akhir berisi ulasan kami tentang cara mereka yang sedang belajar meracik minyak wangi boleh memanfaatkan hasilnya di meja racikan. Istilah yang mungkin baharu kami terangkan secara berasingan di bahagian paling bawah, jadi bacalah dengan santai.

Pertama, kertas kajian apakah ini

• Tajuk: A semantic-based community model for high-fidelity tuning of olfactory mixture distances (Model komuniti berasaskan makna perkataan untuk melaras jarak antara campuran aroma dengan tepat)
• Penulis: Pasukan kerjasama besar yang diterajui Vahid Satarifard dan Pablo Meyer. Institusi dari pelbagai negara turut serta, antaranya Universiti Yale, Universiti Rockefeller, Monell Chemical Senses Center, Institut Weizmann dan IBM Research. Antara penulis bersama juga ialah Leslie B. Vosshall, Noam Sobel dan Joel D. Mainland, nama yang terkenal dalam kajian penghiduan.
• Diterbitkan: Prosiding Akademi Sains Kebangsaan Amerika Syarikat (PNAS) jilid 123 nombor 32, 4 Ogos 2026. Kertas kajian ini sudah melalui semakan rakan setara jurnal akademik.
• Baca naskhah asal: doi.org/10.1073/pnas.2611057123 — sesiapa sahaja boleh membacanya secara percuma (dalam bahasa Inggeris).
• Perlu diingat: Kajian ini membincangkan campuran molekul untuk penyelidikan, bukan minyak wangi. Para penulis sendiri hanya menyebut reka bentuk minyak wangi sebagai salah satu bidang aplikasi pada masa depan.

Mengapa kertas kajian ini dipilih

Dalam ulasan kertas kajian pertama, kita melihat kira-kira 170 ribu minyak wangi dari atas melalui angka. Itu peta pasaran dan budaya. Kali ini arahnya bertentangan. Kita meninjau hidung seseorang yang duduk di depan dua helai jalur hidu.

Meracik minyak wangi akhirnya ialah kerja mencampur. Namun, peraturan yang sudah dimiliki mata dan telinga masih belum dimiliki hidung. Warna pada skrin dibina daripada merah, hijau dan biru, manakala bunyi boleh dijelaskan dengan frekuensi. Pasukan penyelidik mengatakan penghiduan belum mempunyai rangka yang setanding. Oleh itu, sejak sekian lama perfumer bersandar pada pengalaman dan hidung.

Kertas kajian ini buat pertama kalinya memasang satu jambatan yang agak kukuh pada ruang kosong itu. Jambatan itu belum siap. Namun, kerana ia jujur menunjukkan sudah sampai ke mana dan terputus di mana, kajian ini menjadi bahan belajar yang baik bagi mereka yang sedang belajar meracik minyak wangi.

Usaha melukis peta hidung

Sebelum masuk ke isi utama, mari lihat dahulu mengapa pertandingan ini diadakan.

Aroma satu molekul sudah agak boleh diteka

Meneka aroma hanya daripada struktur molekul lama dikenali sebagai masalah yang amat sukar. Namun, dalam 10 tahun lalu keadaan berubah. Pertandingan penghiduan DREAM yang pertama menunjukkan bahawa komputer boleh meramal deskripsi aroma seperti bawang putih, manis atau bunga daripada struktur molekul.

Pada 2023 muncul model bernama Peta Aroma Utama (POM). Ia ialah peta yang meletakkan struktur molekul di dalam ruang aroma. Menurut kertas kajian ini, model tersebut meramal deskripsi aroma lebih baik daripada penilai peringkat pertengahan dalam panel. Banyak pasukan dalam pertandingan kali ini menggunakan peta itu sebagai bahan.

Namun, kebanyakan aroma di dunia berupa campuran

Masalahnya ada pada langkah seterusnya. Aroma yang kita hidu setiap hari, seperti kopi, bunga dan minyak wangi, biasanya campuran berpuluh hingga beratus molekul. Jika satu molekul boleh diteka tetapi campurannya tidak, hasilnya sukar digunakan di dunia sebenar.

Jika pernah meracik minyak wangi, anda tentu faham kesukaran ini. Dua bahan yang bagus apabila dicampur boleh menghasilkan aroma yang langsung di luar jangkaan, atau bahan yang dimasukkan terasa seperti hilang. Satu piawaian terbuka untuk meramal campuran diperlukan, maka diadakanlah pertandingan supaya banyak pasukan bersaing pada masalah yang sama.

Bagaimana pertandingan 26 pasukan berjalan

Eksperimen yang bertaburan dikumpulkan menjadi satu

Pasukan penyelidik terlebih dahulu menggabungkan enam set data daripada tiga kajian yang selama ini dijalankan secara berasingan. Selepas digabungkan, skalanya seperti ini.

• 168 molekul tunggal
• 731 campuran berbeza
• 507 pengukuran yang membandingkan dua campuran

Oleh sebab cara eksperimen berbeza-beza, semua hasil dipindahkan ke satu skala. Angka 0 bermaksud dua aroma tidak dapat dibezakan, angka 1 bermaksud berbeza sejauh mungkin. Pasukan penyelidik memanggil angka ini jarak aroma. Sama seperti mengukur jarak dua bandar di peta, yang diukur di sini ialah jarak antara dua aroma.

Bersaing selama tiga bulan

Pertandingan ini bernama DREAM Challenge. Banyak pasukan menerima masalah yang sama dan bersaing kemahiran meramal secara terbuka. Sebanyak 26 pasukan mengasah model AI selama kira-kira tiga bulan, kemudian menduduki ujian akhir dengan 46 pasang campuran yang jawapannya disembunyikan.

Soalan latihan boleh dihantar sehingga tiga kali seminggu dan markahnya boleh dilihat. Sepanjang pertandingan ada 159 ramalan latihan dihantar, dan 19 pasukan bertahan hingga ujian akhir.

Pemenangnya tidak terpisah dengan jelas. Empat pasukan, iaitu D2Smell, UMich CASI, ChemSenSim Lab dan belfaction, sama-sama menjadi johan. Pasukan penyelidik menjangkakan perbezaannya sukar dipastikan kerana soalan ujian hanya 46 pasang. Maka, daripada memilih satu pasukan, mereka mempuratakan ramalan enam model teratas menjadi model gabungan. Watak utama kertas kajian ini ialah model gabungan tersebut.

Disemak dua kali dengan hidung manusia

Yang menilai jawapan AI ialah hidung manusia. Ujiannya ada dua.

• Ujian pertama (New York, Universiti Rockefeller) — Disertai 34 orang. Sebanyak 92 campuran membentuk 46 pasang, dan setiap campuran dibuat daripada 10 komponen yang tidak bertindih. Kaedahnya ujian segi tiga, iaitu memilih satu botol yang aromanya berbeza daripada tiga botol.
• Ujian kedua (Philadelphia, Monell Chemical Senses Center) — Disertai 16 orang selepas pertandingan tamat. Daripada 59 campuran reka bentuk baharu dibuat 50 pasang, dengan 9~11 komponen setiap campuran. Peserta terus memberi markah sejauh mana dua aroma serupa.

Ujian kedua mempunyai pengaman yang menarik. Peserta diminta membandingkan molekul beraroma bawang putih dengan molekul beraroma nanas, dan membandingkan molekul beraroma strawberi dengan dirinya sendiri. Peserta menilai pasangan pertama jauh dan pasangan kedua sangat dekat. Ini bukti bahawa skala bergerak dengan betul.

Kenali dahulu dua angka ini

Dua angka terus muncul dalam kertas kajian ini. Mungkin terdengar sukar, jadi mari kita fahami secara ringkas.

Pekali korelasi menunjukkan sejauh mana ramalan dan kenyataan bergerak sehala. Nilai 1 bermaksud bergerak bersama dengan sempurna, nilai 0 bermaksud tiada kaitan. Nilai 0.61 bukan bermaksud tekaan 61% betul. Cukup fahami bahawa pasangan yang dirasakan manusia lebih jauh, umumnya turut ditunjukkan model sebagai lebih jauh.

Ralat purata (RMSE dalam kertas kajian) menunjukkan sejauh mana ramalan tersasar daripada jarak sebenar secara purata. Makin kecil makin baik. Ralat 0.08 bermaksud pada skala 0~1, ramalan tersasar lebih kurang sebanyak itu.

Jadi, ingat sahaja pekali korelasi sebagai "adakah urutannya betul" dan ralat purata sebagai "sejauh mana nilainya dekat".

Sejauh mana tepatnya model gabungan

Jauh mendahului kaedah lama

Pada ujian pertama, model gabungan mencatat ralat purata 0.08 dan pekali korelasi 0.57. Berbanding kaedah utama sebelum ini, ralat turun kira-kira 33% dan pekali korelasi naik 53%. Hasil ini juga lebih baik daripada model mana-mana satu pasukan dalam pertandingan.

Ada satu perkara yang patut diberi perhatian. Selepas pertandingan tamat, pasukan penyelidik cuba membina satu model baharu hanya daripada ciri yang kelihatan paling penting. Namun, model ini tidak dapat mengejar model gabungan dan terhenti pada tahap pasukan teratas. Tafsiran pasukan penyelidik begini: memilih bahan yang baik sahaja tidak cukup, cara yang berbeza perlu berkumpul untuk sampai ke tahap itu.

Tetap bertahan pada soalan yang belum pernah dilihat

Model yang hanya pandai menjawab soalan pertandingan kurang berguna. Oleh itu, selepas pertandingan mereka menguji semula dengan 50 pasang reka bentuk baharu. Ralat purata model gabungan membesar kepada 0.13, tetapi prestasinya kekal baik. Memandangkan tempat, peserta dan cara ujian semuanya berbeza, hasil ini sangat bermakna.

Markah berbeza mengikut jenis soalan

Sebanyak 46 pasang dalam ujian akhir terbahagi kepada tiga kumpulan: 16 pasang rawak, 20 pasang yang direka manusia supaya terasa serupa, dan 10 pasang yang diselaraskan supaya serupa dengan kaedah pengiraan jarak sedia ada. Pasukan peserta tidak tahu pasangan mana termasuk dalam kumpulan mana.

Ralat purata model gabungan kecil pada dua kumpulan reka bentuk, iaitu 0.07 dan 0.06, dan 0.10 pada kumpulan rawak. Pekali korelasi pula sebaliknya: kumpulan rawak sedikit lebih tinggi dengan 0.45, manakala dua kumpulan lagi 0.38. Pasukan penyelidik menambah bahawa angka kumpulan kecil harus dibaca dengan berhati-hati kerana bilangan pasangannya sedikit.

Perkataan mengalahkan struktur molekul

Inilah hasil yang mungkin paling banyak dipetik daripada kertas kajian ini.

Apabila hanya perkataan tinggal, hasilnya lebih baik

Pasukan penyelidik menjalankan eksperimen mengurangkan bahan daripada model satu demi satu. Ciri kimia molekul, maklumat reseptor dalam badan dan maklumat campuran semuanya dibuang, lalu hanya ditinggalkan maklumat yang setara dengan perkataan penamaan aroma.

Hasilnya mengejutkan. Model gabungan yang hanya menggunakan perkataan mencatat pekali korelasi 0.61 dan ralat purata 0.075 pada ujian pertama, malah lebih baik daripada model gabungan yang menggunakan semua bahan. Pada ujian kedua juga pekali korelasinya 0.54, lebih tinggi 15%.

Sebaliknya, model tanpa perkataan menjadi jauh lebih teruk. Pekali korelasinya jatuh kepada 0.41 pada ujian pertama, dan pada ujian kedua hampir setara tekaan rambang.

Apakah maksud perkataan di sini

Bahagian ini mudah disalah faham, jadi mari kita perjelaskan. Yang dimasukkan bukan catatan hiduan yang ditulis orang selepas menghidu campuran. Komputer melihat struktur molekul, lalu terlebih dahulu meramal "orang akan memanggil molekul ini apa". Caranya dengan memberi kebarangkalian kepada 138 perkataan seperti aroma buah dan aroma rumput. Gabungan perkataan yang diperoleh itulah yang digunakan untuk membandingkan dua campuran.

Jadi, model tidak terus bergerak daripada molekul ke jarak aroma, tetapi melalui perkataan sebagai perhentian perantaraan. Yang mengejutkan, perkataan ini dipelajari daripada molekul tunggal tulen, bukan daripada campuran, tetapi tetap dapat menjelaskan jarak antara campuran dengan baik.

Pasukan penyelidik melangkah lebih jauh. Mungkin aroma campuran tidak terbentuk dengan prinsip yang berbeza secara asas daripada aroma molekul tunggal. Bahagian yang sukar mungkin bukan "peringkat mencampur", tetapi "peringkat peralihan daripada molekul kepada aroma". Walau bagaimanapun, kertas kajian ini turut mencatat bahawa ada penyelidik yang tidak bersetuju dengan pandangan ini.

Perkataan mana yang paling kuat

Satu pasukan mengelompokkan 138 perkataan menjadi 12 kumpulan. Dalam model pasukan itu, kumpulan yang paling berpengaruh ialah aroma buah, aroma rumput dan herba, serta aroma kacang, minyak dan panggang.

Hasil setiap perkataan juga berbeza. Dalam analisis pasukan yang sama, green, clean dan cognac berkait dengan sisi ralat mengecil, manakala violet, aromatic dan natural berkait dengan sisi ralat membesar. Pasukan penyelidik menegaskan hasil ini tidak boleh terus ditafsir. Walaupun begitu, menarik bahawa perkataan yang maknanya luas seperti natural turut terselit. Ini kesan kami, bukan kesimpulan kertas kajian.

Tidak perlu banyak bahan

Pasukan penyelidik menimbunkan satu demi satu ciri yang paling berpengaruh dalam setiap model. Antara model yang tepat, tiga model mencapai separuh daripada seluruh pengaruh dengan kurang daripada 100 ciri. Ada model yang memerlukan kira-kira 1,000 ciri, jadi bezanya besar. Maksudnya, untuk menjelaskan jarak aroma tidak semestinya diperlukan banyak bahan yang rumit.

Hidung manusia juga goyah

Rekod manusia ialah had atas

Inilah bahagian paling jujur dalam kertas kajian ini. Pasukan penyelidik turut mengukur sejauh mana jawapan orang yang sama serupa apabila menilai semula. Pada ujian kedua, peserta menilai dua kali dengan jarak sekurang-kurangnya sehari, dan pekali korelasi kedua-dua hasil itu 0.74. Pada ujian pertama, nilai daripada membahagi dua lalu membandingkannya ialah 0.69.

Kalau difikirkan, ini wajar. Penilaian manusia yang sudah dipuratakan pun tidak berulang dengan sempurna. Maka, sukar bagi model untuk meneka lebih seperti manusia daripada manusia sendiri. Angka 0.61 dan 0.54 daripada model yang hanya menggunakan perkataan belum mencapai had atas ini. Pasukan penyelidik juga mengakui masih ada jurang antara model dan manusia.

Tersasar apabila terlalu serupa atau terlalu berbeza

Model paling tepat pada julat jarak 0.5~0.8. Sebabnya, data latihan bertumpu pada julat itu. Campuran yang dibuat secara rawak umumnya juga jatuh dalam lingkungan ini.

Sebaliknya, di bawah 0.5 atau di atas 0.8 ralatnya membesar. Model menunjukkan tabiat menarik ramalan ke tengah. Pasangan yang sangat serupa diteka sedikit lebih jauh daripada kenyataan, dan pasangan yang sangat berbeza diteka sedikit lebih dekat daripada kenyataan.

Bagi perfumer, perkara ini penting. Penilaian paling sukar dalam kerja sebenar ialah memisahkan dua draf yang "hampir sama tetapi entah di mana berbeza". Pada julat itulah model semasa paling lemah.

Model baharu tidak selalu menang

Apabila ujian kedua dibahagikan kepada lima julat mengikut jarak, pada julat paling serupa ralat Peta Aroma Utama, model terdahulu, lebih kecil. Pada empat julat selebihnya, model gabungan dan model yang hanya menggunakan perkataan mendahului. Bahagian ini menunjukkan bahawa purata keseluruhan yang baik tidak bermakna baik pada semua julat.

Apakah bezanya dengan minyak wangi sebenar

Kajian ini tidak boleh dipindahkan begitu sahaja kepada minyak wangi. Ada perbezaan besar antara campuran makmal dan minyak wangi sebenar.

• Campuran dengan keamatan diselaraskan — Sebahagian besar data sudah menyamakan keamatan komponennya lebih awal. Dalam aroma sebenar, komponen kuat menutup komponen lemah, dan watak aroma juga berubah mengikut kepekatan. Pasukan penyelidik mencatat bahawa mengendalikan keamatan ialah tugas seterusnya.
• Bilangan komponen — Campuran ujian berisi kira-kira 10 komponen. Pasukan penyelidik menerangkan bahawa aroma yang kita temui setiap hari biasanya campuran berpuluh hingga beratus molekul.
• Bahan terhad — Skop molekul yang digunakan sempit. Belum diketahui sama ada ia berkesan untuk molekul yang belum pernah dilihat.
• Penilaian sekejap — Kajian ini bertanya sejauh mana dua aroma serupa. Ia tidak bertanya bagaimana aroma berubah mengikut masa atau sama ada orang menyukainya.

Sila ingat terutamanya perkara terakhir. Jarak hanya mengatakan sejauh mana dua aroma berbeza, bukan yang mana lebih bagus.

Ada satu perkara yang menggembirakan. Pasukan penyelidik membuka semua data, model dan kod. Maksudnya, sesiapa sahaja boleh mencuba kaedah yang lebih baik pada masalah yang sama. Namun, terbuka tidak bermakna sudah ada alat untuk perfumer memasukkan dua akord lalu terus menerima jaraknya. Buat masa ini ia lebih hampir kepada piawaian bagi penyelidik.

Metamer: bahan berbeza, aroma sama

Salah satu data yang digunakan kertas kajian ini datang daripada kajian yang cuba membuat metamer penghiduan. Metamer ialah pasangan campuran yang terasa serupa walaupun tiada komponen yang sama. Dari segi warna, ia seperti fenomena apabila susunan cahaya berbeza tetapi kelihatan sebagai warna yang sama.

Pasukan penyelidik menjangkakan hasil ini membolehkan metamer maya dibuat secara cekap di komputer untuk diuji. Calon dipilih dahulu melalui pengiraan, kemudian manusia mengesahkannya.

Bidang aplikasi yang disebut para penulis cukup luas: penghiduan digital yang menyimpan dan menghantar aroma sebagai data, teknologi memantau kesihatan melalui nafas, hidung elektronik, dan reka bentuk wangian generatif. Namun, ini kemungkinan pada masa depan, dan kertas kajian ini tidak menunjukkan reka bentuk minyak wangi.

Ulasan: apa yang disampaikan kertas kajian ini kepada mereka yang sedang belajar meracik minyak wangi

Mulai dari sini bukan kesimpulan kertas kajian, tetapi tafsiran GrassAccord.

Menulis aroma bukan soal perasaan, tetapi reka bentuk

Apabila diminta menulis catatan bahan dalam kelas meracik minyak wangi, ramai yang berasa leceh. Bukankah cukup dihidu, mengapa perlu ditulis? Kertas kajian ini mengajak kita melihat semula tabiat itu. Sebabnya, beberapa perkataan penamaan aroma menjelaskan jarak antara campuran dengan lebih baik daripada segunung maklumat molekul.

Sudah tentu, perkataan komputer dan catatan manusia tidak sama. Namun, arahnya sehaluan. Apabila aroma dipecahkan dengan perkataan, ia boleh dibandingkan. Catatan yang berhenti pada "sedap" tidak boleh digunakan untuk racikan seterusnya, sedangkan catatan "aroma rumput kuat dan di hujung tinggal kayu basah" boleh digunakan.

Kenali dahulu bahan tunggal

Perkataan itu dipelajari daripada molekul tunggal, tetapi dapat menjelaskan campuran. Urutan belajar meracik minyak wangi pun sama. Jika anda jelas mengenal kesan satu bahan, anda dapat membaca apa yang berlaku apabila ia dicampur. Masa menghidu satu bahan berkali-kali kelak memberi pulangan lebih besar daripada membuat banyak akord.

Di sini elok meminjam satu kaedah makmal. Seperti pasukan penyelidik menyamakan keamatan komponen, samakan kepekatan cairan apabila membandingkan bahan. Jika satu pihak sahaja pekat, anda bukan lagi membandingkan watak bahan, tetapi keamatannya. Penilaian ketika menghidu bahan tulen sering berubah apabila bahan itu sudah dicairkan.

Pilih perkataan yang maknanya sempit

Perkataan natural memang mudah, tetapi isinya terlalu banyak. Cuba turun satu peringkat lagi: natural yang bagaimana? Tulislah sama ada itu aroma rumput baru dipotong, tanah basah atau buah yang baru dikupas. Seperti yang disebut tadi, ini bukan perkara yang dibuktikan kertas kajian, tetapi makin sempit makna perkataan, makin berguna untuk penilaian seterusnya, dan anda boleh cepat mengesahkannya di meja racikan.

Cuba bina kesan yang sama dengan bahan lain

Konsep metamer juga amat melegakan bagi pemula. Walaupun satu bahan sukar diperoleh atau terkena peraturan, kesan yang sama boleh dibina semula dengan bahan lain. Untuk terasa serupa, tidak semestinya perlu molekul yang sama.

Banyak formula yang dijual GrassAccord juga menjadikan minyak wangi terkenal sebagai bahan belajar. Namun, serupa dan sama ialah dua perkara berbeza. Yang dibincangkan kajian ini pun hanya kesan sekejap. Bagaimana aroma berubah mengikut masa perlu anda perhatikan sendiri pada jalur hidu.

Percayai hidung anda, tetapi jangan sekali sahaja

Penilaian manusia yang sudah dipuratakan pun, apabila diukur semula, hanya 0.74. Dua aroma yang semalam serupa lalu hari ini terasa berbeza belum tentu kerana hidung anda bermasalah. Penilaian memang goyah. Untuk keputusan penting, hidu semula sehari kemudian dan bandingkan dengan catatan pertama. Yang menjaga penilaian bukan angka, tetapi tabiat.

Banyak hidung lebih baik daripada satu

Yang terbaik dalam kertas kajian ini bukan satu pasukan hebat, tetapi purata daripada pasukan yang berbeza. Menghidu aroma pun serupa. Apabila sukar menilai sendiri, mintalah orang lain menghidu. Satu ucapan "macam sabun" daripada orang yang tidak tahu tentang minyak wangi boleh menjadi petunjuk berharga.

AI hanya menyempitkan calon

Masa depan yang digambarkan kajian ini bukanlah dunia tanpa perfumer, tetapi lebih hampir kepada dunia yang menyempitkan calon melalui pengiraan lalu manusia memutuskannya dengan hidung. Model belum menilai baik atau buruk, dan lemah pada julat paling sukar, iaitu "hampir sama tetapi berbeza". Julat terakhir itu buat sementara waktu tetap menjadi tempat hidung manusia.

Tiga latihan yang boleh terus dicuba di meja racikan

Sayang jika selesai membaca kertas kajian lalu berhenti di situ. Mari kita kecilkan apa yang dilakukan pasukan penyelidik dan pindahkan ke meja racikan. Nisbahnya tentukan sendiri mengikut bahan dan citarasa masing-masing.

Latihan 1. Membina kamus aroma sendiri

Pilih sepuluh bahan yang kerap digunakan dan sapukan satu demi satu pada jalur hidu. Tulis tiga perkataan sahaja bagi setiap bahan. Elakkan perkataan penilaian seperti "sedap", gunakan hanya perkataan yang menunjuk aroma, seperti buah, rumput, kayu dan sabun. Seminggu kemudian, tutup namanya, tulis semula, kemudian bandingkan. Perkataan yang kekal ialah wajah sebenar bahan itu.

Latihan 2. Ujian segi tiga di rumah

Sediakan dua draf yang serupa. Daripada tiga helai jalur hidu, sapukan draf yang sama pada dua helai dan draf satu lagi pada sehelai, kemudian tandakan di bahagian bawah. Minta orang lain mengacak susunannya, kemudian cuba pilih yang berbeza. Jika selepas berkali-kali anda terus tepat, kedua-dua draf itu memang boleh dibezakan. Jika bilangan tekaan tepat hanya setakat tahap rambang (sekali daripada tiga kali), bagi hidung anda buat masa ini kedua-duanya hampir sama.

Latihan 3. Mengukur jarak dengan hidung sendiri

Tulis jarak dua aroma dengan angka antara 0 dan 1. Angka 0 bermaksud tidak dapat dibezakan, 1 bermaksud langsung berbeza. Tulis kira-kira lima pasang, kemudian nilai semula keesokan harinya dengan susunan yang sama. Daripada sejauh mana angkanya goyah, anda akan tahu julat penilaian anda. Goyah pun tidak mengapa. Mengetahui julat itulah tujuan latihan ini.

Perkara yang perlu diberi perhatian semasa membaca kertas kajian ini

• Ini bukan kajian minyak wangi. Yang dibincangkan ialah campuran molekul untuk penyelidikan. Tidak bermakna ia boleh terus diguna pada formula minyak wangi.
• Soalan ujian tidak banyak. Ujian pertama berisi 46 pasang. Oleh itu kedudukan pasukan teratas tidak dapat dipisahkan, dan pasukan penyelidik meminta hasil kumpulan kecil dibaca dengan berhati-hati.
• Kuat pada julat tengah. Data latihan bertumpu pada jarak 0.5~0.8, jadi lemah pada pasangan yang sangat serupa atau sangat berbeza.
• Cara pengukuran data bercampur. Ujian segi tiga dan pemberian markah dipindahkan ke satu skala, jadi bias akibat kaedah mungkin masih ada.
• Keamatan belum cukup dikendalikan. Sebahagian besar menggunakan komponen yang keamatannya sudah disamakan. Dalam aroma sebenar, keamatan ialah pemboleh ubah besar.
• Belum tentu berkesan untuk molekul baharu. Skop molekul dalam ujian sempit.
• Ada pendapat yang menentang tafsirannya. Kertas kajian ini menyatakan ada penyelidik yang tidak bersetuju dengan pandangan bahawa aroma campuran kebanyakannya ditentukan oleh pertindihan perkataan.
• Hubungan perundingan dengan syarikat didedahkan. Kertas kajian ini menyatakan sebahagian penulis menjadi perunding kepada syarikat berkaitan penghiduan.

Istilah dalam tulisan ini

• Molekul tunggal — Bahan aroma yang terdiri daripada satu jenis molekul.
• Campuran — Beberapa molekul yang dicampur. Dalam kajian ini berisi kira-kira 10 komponen.
• Jarak — Nilai 0~1 yang menunjukkan sejauh mana dua aroma dirasakan berbeza. Angka 0 bermaksud tidak dapat dibezakan, 1 bermaksud paling berbeza.
• Ujian segi tiga — Cara mengukur keupayaan membezakan dengan memilih satu yang berbeza daripada tiga.
• Pekali korelasi — Angka yang menunjukkan sejauh mana dua nilai bergerak bersama. Makin hampir 1, makin bergerak bersama.
• Ralat purata (RMSE) — Saiz purata ramalan tersasar daripada kenyataan. Makin kecil makin baik.
• Model gabungan (ensemble) — Model yang dibuat dengan mempuratakan ramalan beberapa model.
• Maklumat perkataan (ciri semantik) — Nilai ramalan komputer tentang perkataan aroma apa yang akan digunakan untuk menyebut sesuatu molekul.
• Peta Aroma Utama (POM) — Model daripada kajian terdahulu yang meramal perkataan aroma daripada struktur molekul. Banyak pasukan pertandingan ini menggunakannya sebagai bahan.
• Metamer — Pasangan campuran yang terasa serupa walaupun komponennya tidak sama.
• Akord — Unit aroma hasil campuran beberapa bahan supaya kedengaran sebagai satu kesan.
• Formula — Rangka reka bentuk yang mencatat bahan apa dicampur dengan nisbah berapa untuk mencipta satu aroma. Inilah yang dijual oleh GrassAccord.

Penutup

Hidung belum mempunyai peraturan seperti merah, hijau dan biru. Namun, petunjuk pertama yang ditemui 26 pasukan bersama-sama rupa-rupanya berada di sisi bahasa manusia. Beberapa perkataan penamaan aroma menjelaskan jarak dua aroma dengan lebih baik daripada huraian panjang tentang molekul.

Dan mengukur jarak itu hingga selesai masih menjadi tugas hidung manusia. Hidung goyah, model condong ke tengah. Oleh sebab kedua-duanya tidak sempurna, menghidu perlahan-lahan di depan jalur hidu, menulisnya dengan perkataan, lalu menghidu semula keesokan harinya masih menjadi cara yang paling boleh dipercayai.

Bagi anda yang baru mula meracik minyak wangi, ini berita baik. Tanpa peralatan mahal, cukup dengan jalur hidu dan sebuah buku nota, anda sudah boleh masuk ke jalan yang ditunjukkan kajian ini. Aroma ialah bahasa sejagat. GrassAccord akan menemani perjalanan anda mengumpul kosa kata bahasa itu satu demi satu.

Sumber kertas kajian: Vahid Satarifard, Laura Sisson, Yikun Han et al. "A semantic-based community model for high-fidelity tuning of olfactory mixture distances." PNAS 123(32), e2611057123, diterbitkan 4 Ogos 2026. Naskhah asal: https://doi.org/10.1073/pnas.2611057123 · Semua angka dalam tulisan ini diambil daripada isi kertas kajian, manakala ayatnya ialah ringkasan dan ulasan GrassAccord. Bab "Ulasan" bukan kesimpulan kertas kajian, tetapi tafsiran GrassAccord.