Duftblandinger: nøkkelen viste seg å være ordene — GrassAccord går gjennom studien «Å forutsi avstanden mellom duftblandinger»

La oss si at to duftblandinger ligger på hver sin duftstrimmel rett under nesen. Den ene består av 10 molekyler. Den andre også av 10, men ikke ett eneste av dem er det samme. Likevel oppfatter menneskets nese de to duftene som ganske like.

Hvorfor skjer dette? Og kan man vite resultatet før noe er blandet? En studie som ble publisert i august i tidsskriftet PNAS, utgitt av USAs nasjonale vitenskapsakademi, forteller hvordan 26 forskerlag fra hele verden sammen tok fatt på dette gamle spørsmålet.

Resultatet var uventet. Den beste nøkkelen til duften av en blanding var ikke å lese molekylenes form direkte. Forutsigelsene ble mest nøyaktige når de gikk via ordene vi bruker om dufter, som «fruktig» og «gressaktig».

Den som har begynt å komponere dufter, kjenner sikkert igjen disse tankene:

• Blir man virkelig flinkere av å beskrive dufter med ord?
• I går kjentes to dufter like, i dag kjennes de forskjellige. Er det noe galt med nesen min?
• Kommer KI snart til å lage akkordene for oss?

Studien gir hint til alle tre spørsmålene. I første del forteller vi hva forskerne gjorde og hva de fant, og i andre del har vi lagt til vår egen kommentar om hvordan den som lærer parfymeri, kan bruke resultatene ved parfymørbordet. Uvanlige ord er forklart for seg nederst, så det er bare å lese i ro og mak.

Først: hva slags studie er dette?

• Tittel: A semantic-based community model for high-fidelity tuning of olfactory mixture distances (en felles modell som ut fra ordenes betydning finjusterer avstandene mellom duftblandinger)
• Forfattere: en stor internasjonal forskergruppe med Vahid Satarifard og Pablo Meyer i sentrum. Institusjoner fra flere land deltok, blant annet Yale University, Rockefeller University, Monell Chemical Senses Center, Weizmann-instituttet og IBM Research. Også de kjente luktforskerne Leslie B. Vosshall, Noam Sobel og Joel D. Mainland er medforfattere.
• Publisert: PNAS bind 123, nummer 32, 4. august 2026. Artikkelen er fagfellevurdert av det vitenskapelige tidsskriftet.
• Les originalen: doi.org/10.1073/pnas.2611057123 — gratis for alle (på engelsk).
• Verdt å vite: Studien handler ikke om parfymer, men om molekylblandinger laget til forskning. Forfatterne nevner parfymedesign bare som ett av flere framtidige bruksområder.

Hvorfor valgte vi akkurat denne studien?

I den første studiepresentasjonen så vi omkring 170 000 parfymer ovenfra gjennom tall. Det var et kart over marked og kultur. Denne gangen går vi i stikk motsatt retning og ser inn i nesen på den som sitter foran to duftstrimler.

Parfymeri handler til syvende og sist om å blande. Men reglene som finnes for øyne og ører, finnes ennå ikke for nesen. Farger på en skjerm lages av rødt, grønt og blått, og lyd kan beskrives med frekvenser. Forskerne skriver at luktesansen ennå mangler en tilsvarende ramme. Derfor har parfymører lenge måttet stole på erfaring og nese.

Denne studien legger for første gang en ganske solid bro over dette tomrommet. Broen er ikke ferdig. Men studien viser ærlig hvor langt man har kommet og hvor det stopper, og det gjør den til godt studiemateriale for den som lærer parfymeri.

Et kart over nesen: slik begynte det

Før vi går inn på selve innholdet, ser vi på hvorfor konkurransen ble holdt i det hele tatt.

Duften av ett molekyl lar seg nå forutsi ganske godt

Å gjette en duft bare ut fra strukturen til et molekyl var lenge et beryktet vanskelig problem. Men de siste ti årene har bildet endret seg. Den første DREAM-konkurransen om luktesansen viste at en datamaskin kan forutsi duftuttrykk som hvitløk, sødme og blomster ut fra molekylstrukturen.

I 2023 kom en modell som heter det prinsipale duftkartet (POM). Det er et kart som plasserer molekylstrukturer i duftens rom. Ifølge studien ga modellen bedre resultater enn et gjennomsnittlig medlem av testpanelet når det gjaldt å forutsi duftuttrykk. Mange lag i denne konkurransen brukte nettopp dette kartet som råmateriale.

Men de fleste dufter i verden er blandinger

Så kommer problemet. Det vi lukter i hverdagen, som kaffe, blomster og parfyme, er oftest blandinger av titalls eller hundrevis av molekyler. Selv om man kan forutsi ett molekyl, er det til liten praktisk nytte hvis man ikke kan forutsi hva som skjer når det blandes.

Den som har prøvd å komponere, kjenner denne vanskeligheten. To fine råvarer kan sammen gi en duft som er helt annerledes enn ventet, og en tilsatt råvare kan kjennes som om den har forsvunnet. Det trengtes en åpen målestokk for å forutsi blandinger, og derfor ble det holdt en konkurranse der flere lag løste det samme problemet.

Konkurransen med 26 lag: hvordan foregikk den?

Spredte forsøk ble samlet på ett sted

Forskerne slo først sammen seks datasett fra tre studier som tidligere var gjort hver for seg. Samlet så omfanget slik ut:

• 168 enkeltmolekyler
• 731 forskjellige blandinger
• 507 målinger der to blandinger ble sammenlignet

Siden forsøkene var lagt opp på ulike måter, ble alle resultatene ført over på én felles skala. 0 betyr at to dufter ikke kan skilles fra hverandre, og 1 at de ikke kan være mer forskjellige. Forskerne kaller tallet duftavstand. Den måles slik man måler veien mellom to byer på et kart, bare mellom to dufter.

Konkurransen varte i tre måneder

Konkurransen heter DREAM Challenge. Flere lag konkurrerer åpent om hvem som forutsier best på samme oppgave. I omkring tre måneder finpusset 26 lag KI-modellene sine, og til slutt sto de overfor en avsluttende prøve med 46 par blandinger der de riktige svarene var skjult.

Øvingsoppgaver kunne leveres inn opptil tre ganger i uken med poeng som tilbakemelding. Under konkurransen ble det levert 159 øvingsforutsigelser, og 19 lag leverte til den avsluttende prøven.

Avgjørelsen ble ikke klar. Fire lag delte førsteplassen: D2Smell, UMich CASI, ChemSenSim Lab og belfaction. Forskerne mener det var vanskelig å skille dem med bare 46 par. I stedet for å velge ett lag tok de derfor gjennomsnittet av de seks beste modellenes forutsigelser og lagde en fellesmodell. Det er fellesmodellen som er hovedpersonen i denne studien.

Menneskets nese sjekket to ganger

Det var menneskets nese som rettet KI-svarene. Det var to prøver.

• Første prøve (New York, Rockefeller University) — 34 personer deltok. 92 blandinger utgjorde 46 par, og hver blanding besto av 10 ingredienser uten overlapp. Man brukte en triangeltest, der den med avvikende duft skal velges ut blant tre flasker.
• Andre prøve (Philadelphia, Monell Chemical Senses Center) — etter konkurransen deltok 16 personer. Av 59 nydesignede blandinger ble det laget 50 par, med 9–11 ingredienser per blanding. Deltakerne ga selv poeng for hvor like to dufter var.

Den andre prøven hadde en interessant sikkerhetsmekanisme. Deltakerne skulle sammenligne et molekyl med hvitløksduft med et molekyl med ananasduft, og et molekyl med jordbærduft med seg selv. Det første paret ble vurdert som langt fra hverandre, det andre som svært nære. Det viser at skalaen virket som den skulle.

To tall det lønner seg å kjenne på forhånd

To tall går igjen gjennom hele studien. De kan virke vanskelige, så vi begynner med en enkel forklaring.

Korrelasjonskoeffisienten viser hvor godt forutsigelse og virkelighet beveger seg i samme retning. 1 betyr at de følger hverandre perfekt, 0 at det ikke er noen sammenheng. Verdien 0,61 betyr ikke at 61 % var riktig. Det holder å tenke slik: Parene som mennesker opplevde som lengre fra hverandre, pekte også modellen som regel ut som lengre fra hverandre.

Gjennomsnittsfeilen (RMSE i artikkelen) viser hvor mye forutsigelsen i snitt avviker fra den virkelige avstanden. Jo mindre, desto bedre. 0,08 betyr omtrent et slikt bom på skalaen fra 0 til 1.

Korrelasjonskoeffisienten svarer altså på «stemmer rekkefølgen?», og gjennomsnittsfeilen på «hvor nær er verdien?».

Hvor treffsikker var fellesmodellen?

Den gikk klart forbi tidligere metoder

I den første prøven nådde fellesmodellen en gjennomsnittsfeil på 0,08 og en korrelasjonskoeffisient på 0,57. Sammenlignet med typiske tidligere metoder sank feilen med omkring 33 %, og korrelasjonskoeffisienten steg med 53 %. Den var også bedre enn modellen fra noe enkelt lag i konkurransen.

Én ting er verdt å merke seg. Etter konkurransen bygde forskerne en ny modell med bare de egenskapene som virket viktigst. Den tok likevel ikke igjen fellesmodellen, men ble liggende på nivå med de beste enkeltlagene. Forskerne tolker det slik: Det er ikke nok å velge gode ingredienser, for nivået nås først når ulike metoder forenes.

Den holdt også for nye oppgaver

En modell som bare klarer konkurransens oppgaver, er til liten nytte. Derfor ble den testet igjen etter konkurransen med 50 nydesignede par. Fellesmodellens gjennomsnittsfeil økte til 0,13, men ytelsen var fortsatt god. Det veier tungt, siden både prøvested, deltakere og prøvemetode var annerledes.

Resultatene varierte med oppgavetypen

Den avsluttende prøvens 46 par var delt i tre grupper: 16 tilfeldig lagede par, 20 par som mennesker hadde designet for å kjennes like, og 10 par justert med en eksisterende metode for avstandsberegning. Lagene visste ikke hvilket par som hørte til hvilken gruppe.

Fellesmodellens gjennomsnittsfeil var liten i de to designede gruppene, 0,07 og 0,06, og 0,10 i den tilfeldige. Korrelasjonskoeffisienten gikk motsatt vei: Den tilfeldige gruppen lå litt høyere med 0,45, og de to andre på 0,38. Forskerne legger til at parene var få, og at tallene fra små grupper bør leses med forsiktighet.

Ordene slo molekylstrukturen

Dette er trolig det resultatet fra studien som kommer til å bli sitert mest.

Med bare ordene ble det bedre

Forskerne gjorde et forsøk der de fjernet modellens ingredienser én etter én. De tok bort molekylenes kjemiske egenskaper, informasjonen om reseptorer i kroppen og informasjonen om blandingene, og beholdt bare det som tilsvarer ordene vi bruker om dufter.

Resultatet var overraskende. Fellesmodellen med bare duftord nådde i den første prøven korrelasjonskoeffisienten 0,61 og gjennomsnittsfeilen 0,075, og var dermed til og med bedre enn fellesmodellen med alle ingredienser. I den andre prøven lå korrelasjonskoeffisienten på 0,54, som var 15 % høyere.

Modellen uten ord ble derimot klart dårligere. I den første prøven falt korrelasjonskoeffisienten til 0,41, og i den andre nærmet resultatet seg tilfeldig gjetting.

Hva betyr «ord» her?

Dette punktet er lett å misforstå, så vi forklarer det nøye. Det handler ikke om duftnotater som mennesker har skrevet etter å ha luktet på blandingen. Datamaskinen ser først på molekylets struktur og forutsier hva mennesker ville kalle det. Den setter sannsynligheter på 138 ord, som fruktig og gressaktig. To blandinger sammenlignes deretter ut fra kombinasjonen av disse ordene.

Veien fra molekyl til duftavstand går altså ikke direkte, men via ordene som en mellomstasjon. Det overraskende er at ordene, som var lært fra rene enkeltmolekyler og ikke fra blandinger, likevel forklarte avstandene mellom blandinger godt.

Forskerne går et skritt videre. Duften av blandinger skapes kanskje ikke etter grunnleggende andre prinsipper enn duften av enkeltmolekyler, mener de. Det vanskelige ligger kanskje mindre i «blandetrinnet» og mer i «trinnet fra molekyl til duft». Studien nevner likevel også at det finnes forskere som ikke deler dette synet.

Hvilke ord hadde størst kraft?

Ett av lagene delte de 138 ordene inn i 12 grupper. I det lagets modell hadde gruppene frukt, gress og urter samt nøtter, olje og ristet størst innvirkning.

Også de enkelte ordene gjorde det forskjellig. I samme lags analyse var grønn, ren og konjakk knyttet til mindre feil, mens fiol, aromatisk og naturlig var knyttet til større feil. Forskerne påpeker at resultatet ikke kan tolkes rett fram. Det er likevel interessant at et så vidt ord som naturlig er med. Det er vår egen følelse og ikke studiens konklusjon.

Det trengtes ikke mange ingredienser

Forskerne stablet hver modells mest innflytelsesrike egenskaper etter hverandre. Tre av de nøyaktige modellene nådde halvparten av den totale innflytelsen med færre enn 100 egenskaper. En annen modell trengte omkring 1 000, så forskjellen er stor. Det betyr at det ikke nødvendigvis trengs mange kompliserte ingredienser for å forklare duftavstand.

Også menneskets nese vakler

Menneskets resultat er taket

Dette er studiens ærligste avsnitt. Forskerne målte også hvor godt de samme personene ga samme svar når de vurderte på nytt. I den andre prøven vurderte deltakerne to ganger med minst én dags mellomrom, og korrelasjonskoeffisienten mellom resultatene ble 0,74. I den første prøven ga en sammenligning av to halvdeler 0,69.

Det er egentlig ikke rart. Selv gjennomsnittlige menneskelige vurderinger gjentas ikke perfekt. Det er derfor vanskelig for en modell å treffe menneskets dømmekraft bedre enn menneskene selv. Modellen med bare duftord nådde 0,61 og 0,54 og er altså ennå ikke oppe ved dette taket. Forskerne innrømmer også at det fortsatt finnes et gap mellom modell og menneske.

Feil ved svært like eller svært ulike par

Modellen var mest nøyaktig i intervallet 0,5–0,8 i avstand, fordi treningsdataene samlet seg der. Tilfeldig sammensatte blandinger havner ifølge studien som regel i dette intervallet.

Under 0,5 og over 0,8 ble feilene større. Modellene viste en tendens til å trekke forutsigelsene mot midten. Svært like par ble anslått som litt lengre fra hverandre enn i virkeligheten, og svært ulike par som litt nærmere.

Det er viktig for en parfymør. Den vanskeligste avgjørelsen i praksis er å skille mellom to versjoner som er «nesten identiske, men likevel forskjellige på et vis». Det er nettopp der dagens modeller er svakest.

Den nye modellen vant ikke alltid

Da den andre prøven ble delt i fem intervaller etter avstand, hadde det tidligere prinsipale duftkartet minst feil i det likeste intervallet. I de fire andre lå fellesmodellen og modellen med bare duftord foran. Det viser at et godt totalt gjennomsnitt ikke betyr at alt er bra i hvert intervall.

Hva skiller dem fra ekte parfymer?

Studien kan ikke overføres direkte til parfymer. Mellom laboratoriets blandinger og ekte parfymer er det store forskjeller.

• Blandinger med utjevnet styrke — i de fleste dataene var styrken på ingrediensene justert på forhånd. I en ekte duft skjuler sterke ingredienser svake, og duftens karakter skifter med konsentrasjonen. Forskerne skriver at håndtering av styrke er en framtidig oppgave.
• Antall ingredienser — testblandingene hadde omkring 10 ingredienser. Forskerne forklarer at dufter i hverdagen oftest er blandinger av titalls eller hundrevis av molekyler.
• Begrensede råvarer — utvalget av molekyler er smalt. Det er ennå ukjent om metoden virker for molekyler modellen ikke har sett.
• Et øyeblikks vurdering — studien spurte hvor like to dufter er. Den spurte ikke hvordan duften endrer seg over tid, eller om folk liker den.

Det siste punktet er særlig verdt å huske. Avstanden sier bare hvor forskjellige to dufter er, ikke hvilken som er best.

Én ting er gledelig. Forskerne har gjort data, modeller og kode helt åpne. Det betyr at alle kan prøve bedre metoder på det samme problemet. Det betyr likevel ikke at det finnes et verktøy der en parfymør kan legge inn to akkorder og straks få en avstand. Foreløpig er det nærmest en målestokk for forskere.

Metamerer: ulike ingredienser, samme duft

Ett av datasettene i studien kommer fra et forsøk på å lage luktmetamerer. Metamerer er par av blandinger uten felles ingredienser som likevel kjennes like. Det minner om fargefenomenet der lys med ulik sammensetning ser ut som samme farge.

Forskerne tror resultatene gjør det mulig å lage virtuelle metamerer effektivt på datamaskinen og teste dem i forsøk. Først velges kandidater ut ved beregning, deretter kontrolleres de av mennesker.

Forfatterne nevner mange bruksområder: digital luktesans som lagrer og overfører dufter som data, teknologi som følger helsen for eksempel gjennom utåndingsluften, elektroniske neser og generativ duftdesign. Dette er likevel framtidige muligheter, og studien har ikke vist fram noen designet parfyme.

Kommentar: hva studien sier til dem som lærer parfymeri

Herfra er det ikke studiens konklusjoner, men GrassAccords tolkning.

Å beskrive dufter er design, ikke synsing

Når man på et parfymekurs skal skrive råvarenotater, føles det tungvint for mange. Man kan jo lukte med nesen, så hvorfor skrive? Studien gir grunn til å se denne vanen på nytt. Noen få duftord forklarte avstanden mellom blandinger bedre enn en mengde molekyldata.

Datamaskinens ord og menneskers notater er selvsagt ikke det samme. Men retningen er den samme. Når en duft deles opp i ord, kan den sammenlignes. Et notat som slutter med «fin», kan ikke brukes ved neste blanding, men «kraftig gresstone og vått tre igjen på slutten» kan det.

Enkeltråvarer kommer først

Ordene var lært fra enkeltmolekyler og forklarte likevel blandinger. Samme rekkefølge gjelder når man lærer parfymeri. Den som kjenner inntrykket av én råvare tydelig, kan lese hva som har skjedd i blandingen. Tiden det tar å lukte på én råvare mange ganger, gir større utbytte på sikt enn å lage mange akkorder.

Her lønner det seg å låne en metode fra laboratoriet. Akkurat som forskerne utjevnet styrken på ingrediensene, bør fortynningskonsentrasjonen være den samme når råvarer sammenlignes. Er den ene sterkere, sammenlignes styrken og ikke råvarens karakter. Vurderinger av ufortynnede råvarer endrer seg ofte etter fortynning.

Ord med smal betydning virker best

Ordet naturlig er bekvemt, men rommer mye. Det lønner seg å gå ett trinn videre og spørre hva som føles naturlig: nyklipt gress, våt jord eller skrelt frukt? Som nevnt har studien ikke bevist dette, men ved parfymørbordet merker man raskt at et ord med smal betydning er mer nyttig i neste avgjørelse.

Samme inntrykk kan bygges med andre råvarer

Begrepet metamer er en stor trøst også for nybegynnere. Selv om en råvare ikke kan skaffes eller omfattes av regler, kan samme inntrykk bygges opp igjen med andre råvarer. Det kreves ikke nødvendigvis de samme molekylene for at noe skal kjennes likt.

Mange av formlene GrassAccord selger, bruker kjente parfymer som studiemateriale. Men likt er ikke det samme som identisk. Også denne studien handler om et øyeblikks inntrykk. Hvordan duften endrer seg over tid, må følges på duftstrimmelen.

Nesen er til å stole på, men ikke bare én gang

Selv gjennomsnittlige menneskelige vurderinger gir 0,74 ved gjentakelse. At to dufter som var like i går, kjennes forskjellige i dag, trenger ikke bety at det er noe galt med nesen. Vurderinger vakler av natur. Viktige avgjørelser fortjener å bli luktet på igjen dagen etter og sammenlignet med det første notatet. Det er vaner, ikke tall, som beskytter dømmekraften.

Flere neser er bedre enn én

Best i studien var ikke ett framifrå lag, men gjennomsnittet av ulike lag. Lukting fungerer på lignende vis. Når det er vanskelig å bestemme seg alene, er det verdt å be noen andre lukte. En bemerkning som «det lukter såpe» fra en som ikke kan parfymeri, kan bli et verdifullt hint.

KI siler bare kandidatene

Framtiden studien peker mot, er ikke så mye en verden uten parfymører som en verden der beregninger siler kandidatene og mennesket bestemmer med nesen. Modellen vurderer ennå ikke hva som er bra eller dårlig, og var svak i det vanskeligste intervallet, «nesten identiske, men likevel forskjellige». Den siste strekningen tilhører menneskets nese en god stund til.

Tre øvelser å prøve med en gang ved parfymørbordet

Det ville være synd å stoppe ved lesingen. Vi skalerer ned forskernes arbeid og flytter det til parfymørbordet. Proporsjonene bestemmes ut fra egne råvarer og egen smak.

Øvelse 1. En egen duftordliste

Man velger ti råvarer som brukes ofte, og dypper en duftstrimmel i hver av dem. For hver råvare skrives bare tre ord. Vurderinger som «fin» utelates, og bare ord som peker på duften brukes, som frukt, gress, tre og såpe. En uke senere skrives ordene på nytt med navnene skjult, og resultatene sammenlignes. Ordene som står igjen, er råvarens sanne ansikt.

Øvelse 2. Triangeltest hjemme

Man forbereder to lignende versjoner. To av tre duftstrimler dyppes i samme versjon og én i den andre, og undersiden merkes. Noen andre får blande rekkefølgen, og deretter skal den avvikende velges ut. Blir det riktig gang på gang over flere runder, kan versjonene skilles fra hverandre. Blir antall riktige på gjettenivå (én av tre), er de nesten identiske for nesen akkurat nå.

Øvelse 3. Å måle nesens avstand

Avstanden mellom to dufter skrives som et tall mellom 0 og 1. 0 betyr at de ikke kan skilles fra hverandre, 1 at de er helt forskjellige. Omkring fem par vurderes, og dagen etter gjøres det samme igjen i samme rekkefølge. Hvor mye tallene svinger, viser bredden på ens egen vurdering. Det gjør ikke noe om de svinger. Å kjenne bredden er selve målet med øvelsen.

Dette er verdt å passe på når man leser studien

• Dette er ikke en parfymestudie. Den handler om molekylblandinger laget til forskning. Det betyr ikke at resultatene kan brukes rett inn i parfymeformler.
• Prøveoppgavene er ikke mange. Den første prøven hadde 46 par. Derfor kunne topplagene ikke rangeres, og forskerne ber om forsiktighet med resultater fra små grupper.
• Styrken ligger i midtintervallet. Treningsdataene samler seg ved avstand 0,5–0,8, så modellen er svak for svært like eller svært ulike par.
• Dataene bygger på ulike målemetoder. Triangeltest og poenggivning ble ført over på en felles skala, så skjevheter avhengig av metode kan gjenstå.
• Styrke er ikke behandlet godt nok. De fleste ingrediensene hadde utjevnet styrke. I ekte dufter er styrke en stor variabel.
• Det er ukjent om metoden virker for nye molekyler. Utvalget av molekyler i prøvene er smalt.
• Tolkningen har motstandere. Studien oppgir at noen forskere ikke deler synet om at duften av blandinger i stor grad avgjøres av hvordan ordene overlapper.
• Rådgivning for selskaper er oppgitt. Studien oppgir at noen av forfatterne er rådgivere for selskaper innen luktområdet.

Ord fra denne artikkelen

• Enkeltmolekyl — Et duftstoff som består av én type molekyl.
• Blanding — Flere molekyler som er blandet. I denne studien omkring 10 ingredienser.
• Avstand — En verdi fra 0 til 1 som viser hvor forskjellige to dufter kjennes. 0 kan ikke skilles, 1 er størst forskjell.
• Triangeltest — En metode som måler evnen til å skille ved å velge den avvikende av tre.
• Korrelasjonskoeffisient — Et tall som viser hvor godt to verdier beveger seg sammen. Jo nærmere 1, desto mer følger de hverandre.
• Gjennomsnittsfeil (RMSE) — Hvor stort forutsigelsens avvik fra virkeligheten er i snitt. Jo mindre, desto bedre.
• Fellesmodell (ensemble) — En modell laget ved å ta gjennomsnittet av flere modellers forutsigelser.
• Ordinformasjon (semantiske egenskaper) — Verdier datamaskinen forutsier for hvilke duftord et molekyl ville bli kalt.
• Det prinsipale duftkartet (POM) — Modell fra en tidligere studie som forutsier duftord ut fra molekylstruktur. Mange lag i konkurransen brukte den som råmateriale.
• Metamerer — Par av blandinger som kjennes like selv om ingrediensene ikke overlapper.
• Akkord — En duftenhet der flere råvarer er blandet slik at de oppfattes som ett inntrykk.
• Formel — En tegning som viser hvilke råvarer som blandes i hvilke forhold for å lage én duft. Det er dette GrassAccord selger.

Til slutt

Nesen har ennå ingen regler som rødt, grønt og blått. Men det første sporet, som 26 lag fant sammen, lå uventet på det menneskelige språkets side. Noen få ord for dufter forklarte avstanden mellom to dufter bedre enn lange beskrivelser av molekyler.

Og det er fortsatt menneskets nese som måler denne avstanden helt til siste slutt. Nesen vakler, og modellene trekkes mot midten. Ingen av dem er perfekte, og derfor er det fortsatt mest pålitelig å lukte sakte på duftstrimmelen, skrive ned ordene og lukte igjen dagen etter.

For den som nettopp har begynt med parfymeri, er dette gode nyheter. Uten dyrt utstyr, bare med duftstrimler og en notatbok, kan man gå inn på veien studien har pekt ut. Duft er et universelt språk. GrassAccord vil være med på veien når språkets ord samles ett etter ett.

Kilde: Vahid Satarifard, Laura Sisson, Yikun Han mfl. "A semantic-based community model for high-fidelity tuning of olfactory mixture distances." PNAS 123(32), e2611057123, publisert 4. august 2026. Original: https://doi.org/10.1073/pnas.2611057123 · Alle tall i teksten er hentet fra studien, og teksten er GrassAccords sammendrag og kommentar. Avsnittet «Kommentar» er ikke studiens konklusjoner, men GrassAccords tolkning.