Mieszanki zapachów: kluczem okazały się słowa — GrassAccord omawia artykuł „Przewidywanie odległości między mieszankami zapachów”

Wyobraźmy sobie dwie mieszanki zapachów na dwóch blotterach tuż pod nosem. Pierwsza powstała z 10 cząsteczek. Druga też z 10, ale ani jedna się nie powtarza. A jednak ludzki nos odbiera oba zapachy jako dość podobne.

Skąd to się bierze? I czy wynik można poznać jeszcze przed zmieszaniem? Artykuł opublikowany w sierpniu w czasopiśmie PNAS, wydawanym przez Narodową Akademię Nauk USA, to zapis wspólnej próby 26 zespołów badawczych z całego świata, które zmierzyły się z tym starym pytaniem.

Wynik zaskoczył. Najlepszym kluczem do zapachu mieszanki nie było bezpośrednie odczytywanie kształtu cząsteczek. Prognozy były najdokładniejsze wtedy, gdy przechodziły przez słowa, którymi nazywamy zapachy, takie jak „owocowy” czy „trawiasty”.

Kto zaczął komponować zapachy, zapewne zna takie wątpliwości:

• Czy opisywanie zapachów słowami naprawdę podnosi umiejętności?
• Wczoraj dwa zapachy wydawały się podobne, a dziś się różnią. Czy coś jest nie tak z moim nosem?
• Czy sztuczna inteligencja wkrótce nie zacznie układać akordów za człowieka?

Ten artykuł daje wskazówki przy wszystkich trzech pytaniach. W pierwszej części przedstawiamy, co zrobili badacze i co odkryli, a w drugiej dodajemy nasz komentarz o tym, jak osoby uczące się perfumiarstwa mogą wykorzystać te wyniki przy stole perfumiarza. Mniej znane pojęcia objaśniamy na samym końcu, można więc czytać bez pośpiechu.

Najpierw: co to za artykuł?

• Tytuł: A semantic-based community model for high-fidelity tuning of olfactory mixture distances (wspólny model oparty na znaczeniu słów, który precyzyjnie dostraja odległości między mieszankami zapachów)
• Autorzy: duży międzynarodowy zespół z Vahidem Satarifardem i Pablem Meyerem na czele. Udział wzięły instytucje z wielu krajów, między innymi Uniwersytet Yale, Uniwersytet Rockefellera, Monell Chemical Senses Center, Instytut Weizmanna i IBM Research. Współautorami są też znani badacze węchu: Leslie B. Vosshall, Noam Sobel i Joel D. Mainland.
• Publikacja: PNAS, tom 123, numer 32, 4 sierpnia 2026 roku. Artykuł przeszedł recenzję w czasopiśmie naukowym.
• Oryginał: doi.org/10.1073/pnas.2611057123 — każdy może przeczytać go za darmo (po angielsku).
• Uwaga: badanie dotyczy nie perfum, lecz badawczych mieszanek cząsteczek. Sami autorzy wymieniają projektowanie perfum tylko jako jedno z przyszłych zastosowań.

Dlaczego wybraliśmy właśnie ten artykuł?

W pierwszym omówieniu artykułu patrzyliśmy na około 170 tysięcy perfum przez pryzmat liczb. To była mapa rynku i kultury. Tym razem idziemy w przeciwnym kierunku i przyglądamy się nosowi człowieka siedzącego przed dwoma blotterami.

Perfumiarstwo to w gruncie rzeczy mieszanie. Tyle że reguły znane oczom i uszom nie istnieją jeszcze dla nosa. Kolory na ekranie powstają z czerwieni, zieleni i błękitu, a dźwięk można opisać częstotliwościami. Badacze piszą, że dla węchu nie ma jeszcze porównywalnych ram. Dlatego perfumiarze od dawna polegają na doświadczeniu i własnym nosie.

Ten artykuł po raz pierwszy kładzie nad tą luką dość solidny most. Nie jest to most ukończony. Pokazuje jednak uczciwie, jak daleko dotarliśmy i gdzie droga się urywa, dlatego jest dobrym materiałem do nauki dla osób poznających perfumiarstwo.

Mapa nosa: jak do tego doszło?

Zanim przejdziemy do sedna, warto wyjaśnić, po co w ogóle zorganizowano te zawody.

Zapach pojedynczej cząsteczki da się już całkiem dobrze przewidzieć

Odgadywanie zapachu wyłącznie na podstawie budowy cząsteczki przez lata uchodziło za niesławnie trudny problem. W ostatnich dziesięciu latach sytuacja się jednak zmieniła. Pierwsze zawody węchowe DREAM pokazały, że komputer potrafi przewidzieć z budowy cząsteczki takie określenia zapachu jak czosnkowy, słodki czy kwiatowy.

W 2023 roku powstał model o nazwie główna mapa zapachów (POM). To mapa, która rozmieszcza budowy cząsteczek w przestrzeni zapachów. Według artykułu model przewidywał określenia zapachu lepiej niż przeciętny członek panelu oceniającego. Wiele zespołów biorących udział w tych zawodach użyło właśnie tej mapy jako materiału wyjściowego.

Ale zapachy na świecie są zwykle mieszankami

I tu zaczyna się problem. To, co czujemy na co dzień, na przykład kawa, kwiaty czy perfumy, to zazwyczaj mieszaniny dziesiątek lub setek cząsteczek. Nawet trafna prognoza dla jednej cząsteczki niewiele daje w praktyce, jeśli nie umiemy przewidzieć, co stanie się po zmieszaniu.

Kto próbował komponować, dobrze zna tę trudność. Zdarza się, że po połączeniu dwóch świetnych surowców powstaje zapach zupełnie inny od oczekiwanego albo że dodany surowiec jakby znika. Potrzebny był publiczny punkt odniesienia do przewidywania mieszanek, dlatego zorganizowano zawody, w których wiele zespołów rozwiązywało ten sam problem.

Zawody 26 zespołów: jak przebiegały?

Rozproszone eksperymenty zebrano w jedną całość

Badacze najpierw połączyli sześć zbiorów danych z trzech prowadzonych wcześniej osobno badań. Po połączeniu skala wyglądała tak:

• 168 pojedynczych cząsteczek
• 731 różnych mieszanek
• 507 pomiarów porównujących dwie mieszanki

Metody eksperymentów były różne, więc wszystkie wyniki przeniesiono na jedną skalę. 0 oznacza, że dwóch zapachów nie da się odróżnić, a 1, że bardziej różnić się już nie mogą. Badacze nazywają tę liczbę odległością między zapachami. Mierzy się ją tak, jak na mapie mierzy się drogę między dwoma miastami, tylko że między dwoma zapachami.

Rywalizacja trwała trzy miesiące

Zawody nazywają się DREAM Challenge. Wiele zespołów publicznie porównuje w nich skuteczność prognoz przy tym samym zadaniu. Przez około trzy miesiące 26 zespołów dopracowywało modele sztucznej inteligencji, a na końcu zmierzyło się z 46 parami mieszanek, których prawidłowe odpowiedzi były ukryte.

Zadania treningowe można było zgłaszać do trzech razy w tygodniu i sprawdzać wynik. W trakcie zawodów zgłoszono 159 prognoz treningowych, a do końcowego testu dotarło 19 zespołów.

Rozstrzygnięcie nie było jednoznaczne. Pierwsze miejsce ex aequo zajęły cztery zespoły: D2Smell, UMich CASI, ChemSenSim Lab i belfaction. Badacze uważają, że przy zaledwie 46 parach trudno było wychwycić różnice. Dlatego zamiast wybierać jeden zespół, uśrednili prognozy sześciu najlepszych modeli i stworzyli model zespołowy. To on jest bohaterem tego artykułu.

Ludzki nos sprawdził wynik dwa razy

Odpowiedzi sztucznej inteligencji oceniał ludzki nos. Testy były dwa.

• Pierwszy test (Nowy Jork, Uniwersytet Rockefellera) — wzięły w nim udział 34 osoby. 92 mieszanki tworzyły 46 par, a każda mieszanka składała się z 10 niepowtarzających się składników. Zastosowano test trójkątny, w którym z trzech butelek należy wybrać tę o innym zapachu.
• Drugi test (Filadelfia, Monell Chemical Senses Center) — po zawodach wzięło w nim udział 16 osób. Z 59 nowo zaprojektowanych mieszanek powstało 50 par, a mieszanka miała 9–11 składników. Uczestnicy sami oceniali punktowo, jak podobne są dwa zapachy.

W drugim teście zastosowano ciekawe zabezpieczenie. Uczestnicy porównywali cząsteczkę o zapachu czosnku z cząsteczką o zapachu ananasa, a cząsteczkę o zapachu truskawki z nią samą. Pierwszą parę ocenili jako odległą, drugą jako bardzo bliską. To dowód, że skala działała prawidłowo.

Dwie liczby, które warto znać z góry

W artykule stale powracają dwie liczby. Mogą wydawać się trudne, więc najpierw krótko wyjaśnimy, o co w nich chodzi.

Współczynnik korelacji pokazuje, jak bardzo prognoza i rzeczywistość zmieniają się w tym samym kierunku. 1 oznacza idealną zgodność, a 0 brak związku. Wartość 0,61 nie znaczy, że trafiono w 61%. Wystarczy rozumieć ją tak: pary, które ludzie uznali za bardziej odległe, model też zwykle wskazywał jako bardziej odległe.

Średni błąd (w artykule RMSE) pokazuje, o ile prognoza przeciętnie mija się z rzeczywistą odległością. Im mniejszy, tym lepiej. 0,08 oznacza chybienie mniej więcej o tyle na skali od 0 do 1.

W skrócie: współczynnik korelacji mówi, czy kolejność jest trafna, a średni błąd, jak blisko jest wartość.

Jak trafny był model zespołowy?

Wyraźnie wyprzedził dotychczasowe metody

W pierwszym teście model zespołowy osiągnął średni błąd 0,08 i współczynnik korelacji 0,57. W porównaniu z typowymi dotychczasowymi metodami błąd zmalał o około 33%, a współczynnik korelacji wzrósł o 53%. Wynik był też lepszy niż w przypadku modelu któregokolwiek pojedynczego zespołu.

Warto zwrócić tu uwagę na jedną rzecz. Po zawodach badacze zbudowali nowy model z samych cech, które wydawały się najważniejsze. Nie dorównał on jednak modelowi zespołowemu i zatrzymał się na poziomie najlepszych pojedynczych zespołów. Badacze tłumaczą to tak: sam dobór dobrych składników nie wystarcza, a taki poziom osiąga się dopiero dzięki połączeniu różnych metod.

Poradził sobie też z nowymi zadaniami

Model, który rozwiązuje tylko zadania z zawodów, na niewiele się przydaje. Dlatego po zawodach sprawdzono go ponownie na 50 nowo zaprojektowanych parach. Średni błąd modelu zespołowego wzrósł do 0,13, ale wyniki pozostały dobre. Znaczenie tego rezultatu jest duże, bo inne były miejsce badania, uczestnicy i metoda testu.

Wyniki zależały od rodzaju zadania

Końcowe 46 par dzieliło się na trzy grupy: 16 par utworzonych losowo, 20 par zaprojektowanych przez człowieka tak, by wydawały się podobne, oraz 10 par dopasowanych dotychczasową metodą liczenia odległości. Zespoły nie wiedziały, do której grupy należy dana para.

Średni błąd modelu zespołowego był mały w dwóch grupach projektowanych, 0,07 i 0,06, a w grupie losowej wyniósł 0,10. Ze współczynnikiem korelacji było odwrotnie: grupa losowa miała nieco wyższy, 0,45, a pozostałe dwie po 0,38. Badacze dodają, że par było mało, więc liczby z małych grup trzeba czytać ostrożnie.

Słowa pokonały budowę cząsteczek

To prawdopodobnie ten wynik artykułu będzie cytowany najczęściej.

Same słowa dały lepszy wynik

Badacze przeprowadzili eksperyment, w którym po kolei odejmowali modelowi kolejne składniki. Usunęli chemiczne cechy cząsteczek, informacje o receptorach w ciele oraz informacje o mieszankach, a zostawili tylko dane odpowiadające słowom, którymi nazywamy zapachy.

Wynik był zaskakujący. Model zespołowy oparty na samych słowach osiągnął w pierwszym teście współczynnik korelacji 0,61 i średni błąd 0,075, czyli był nawet lepszy od modelu zespołowego korzystającego ze wszystkich składników. W drugim teście współczynnik korelacji wyniósł 0,54 i był o 15% wyższy.

Z kolei model bez słów wyraźnie się pogorszył. W pierwszym teście współczynnik korelacji spadł do 0,41, a w drugim wynik zbliżył się do poziomu przypadkowego zgadywania.

Co właściwie znaczą tu „słowa”?

Łatwo to źle zrozumieć, więc wyjaśnijmy dokładnie. Nie chodzi o notatki z wąchania, które człowiek zapisał po powąchaniu mieszanki. Komputer najpierw patrzy na budowę cząsteczki i przewiduje, jak ludzie by ją nazwali. Przypisuje prawdopodobieństwa 138 słowom, takim jak owocowy czy trawiasty. Dwie mieszanki porównuje się potem na podstawie tak uzyskanego zestawu słów.

Czyli droga od cząsteczki do odległości między zapachami nie jest bezpośrednia, lecz prowadzi przez słowa jako przystanek pośredni. Co zdumiewające, słowa wyuczone na czystych pojedynczych cząsteczkach, a nie na mieszankach, dobrze wyjaśniały odległości między mieszankami.

Badacze idą o krok dalej. Ich zdaniem zapach mieszanki być może nie powstaje według zasadniczo innych reguł niż zapach pojedynczej cząsteczki. Trudność może tkwić nie tyle w etapie mieszania, ile w etapie przejścia od cząsteczki do zapachu. Artykuł zaznacza jednak, że są badacze, którzy się z tym poglądem nie zgadzają.

Które słowa miały największą moc?

Jeden z zespołów połączył 138 słów w 12 grup. W jego modelu największy wpływ miały grupy: nuty owocowe, nuty trawiaste i ziołowe oraz nuty orzechowe, oleiste i prażone.

Także poszczególne słowa wypadały różnie. W analizie tego samego zespołu zielony (green), czysty (clean) i koniak wiązały się ze zmniejszaniem błędu, a fiołek, aromatyczny i naturalny z jego zwiększaniem. Badacze zastrzegają, że trudno ten wynik od razu zinterpretować. Ciekawe jest jednak, że wśród nich znalazło się tak szerokie znaczeniowo słowo jak naturalny. To nasze odczucie, a nie wniosek artykułu.

Wcale nie trzeba było wielu składników

Badacze ułożyli cechy każdego modelu kolejno według ich wpływu. Trzy z dokładnych modeli osiągnęły połowę całkowitego wpływu przy mniej niż 100 cechach. Inny model potrzebował ich około 1000, więc różnica jest duża. Oznacza to, że do wyjaśnienia odległości między zapachami niekoniecznie potrzeba wielu skomplikowanych składników.

Ludzki nos też bywa niepewny

Wynik człowieka to górna granica

To najuczciwszy fragment artykułu. Badacze zmierzyli też, na ile te same osoby udzielają tej samej odpowiedzi przy ponownej ocenie. W drugim teście uczestnicy oceniali dwukrotnie, z przerwą co najmniej jednego dnia, a współczynnik korelacji między wynikami wyniósł 0,74. W pierwszym teście porównanie dwóch połówek dało 0,69.

Po namyśle nie jest to dziwne. Nawet uśrednione ludzkie oceny nie powtarzają się idealnie. Trudno więc oczekiwać, że model będzie trafiał w ludzki osąd lepiej niż sami ludzie. Wyniki modelu opartego na słowach, 0,61 i 0,54, wciąż nie sięgają tej górnej granicy. Badacze przyznają, że między modelem a człowiekiem nadal jest luka.

Pomyłki przy bardzo podobnych i bardzo różnych parach

Model był najdokładniejszy w przedziale odległości 0,5–0,8, bo tam skupiały się dane treningowe. Mieszanki tworzone losowo zwykle trafiają właśnie w ten zakres.

Poniżej 0,5 i powyżej 0,8 błąd rósł. Modele miały skłonność do ściągania prognoz ku środkowi. Bardzo podobne pary szacowały jako nieco bardziej odległe niż w rzeczywistości, a bardzo różne jako nieco bliższe.

Dla perfumiarza to ważne. W praktyce najtrudniej rozstrzygnąć między dwiema próbami, które są „prawie takie same, ale czymś się różnią”. To właśnie tam obecne modele są najsłabsze.

Nowy model nie zawsze wygrywał

Gdy drugi test podzielono według odległości na pięć przedziałów, w przedziale największego podobieństwa mniejszy błąd miała wcześniejsza główna mapa zapachów. W pozostałych czterech przedziałach przewagę miały model zespołowy i model oparty na samych słowach. Widać tu, że dobra średnia nie oznacza dobrego wyniku w każdym przedziale.

Czym różnią się od prawdziwych perfum?

Tego badania nie można przenieść wprost na perfumy. Między mieszanką laboratoryjną a prawdziwymi perfumami jest duża różnica.

• Mieszanki o wyrównanej intensywności — w większości danych intensywność składników wyrównano z góry. W prawdziwym zapachu silny składnik przykrywa słabszy, a charakter zapachu zmienia się ze stężeniem. Badacze piszą, że uwzględnienie intensywności to zadanie na przyszłość.
• Liczba składników — mieszanki testowe miały około 10 składników. Badacze wyjaśniają, że zapachy spotykane na co dzień to zwykle mieszaniny dziesiątek lub setek cząsteczek.
• Ograniczone surowce — zakres użytych cząsteczek jest wąski. Nie wiadomo jeszcze, czy metoda sprawdzi się przy cząsteczkach, których model wcześniej nie widział.
• Ocena jednej chwili — badanie pytało, jak podobne są dwa zapachy. Nie pytało, jak zapach zmienia się w czasie ani czy ludzie go lubią.

Szczególnie warto zapamiętać ostatni punkt. Odległość mówi tylko, jak bardzo dwa zapachy się różnią, a nie który z nich jest lepszy.

Jest też jedna dobra wiadomość. Badacze udostępnili publicznie dane, modele i kod. Każdy może więc wypróbować lepsze metody na tym samym problemie. Nie oznacza to jednak, że powstało narzędzie, do którego perfumiarz wpisze dwa akordy i od razu otrzyma odległość. Na razie to raczej punkt odniesienia dla naukowców.

Metamery: różne składniki, ten sam zapach

Jeden ze zbiorów danych użytych w artykule pochodzi z badania, które miało stworzyć metamery węchowe. Metamery to pary mieszanek bez wspólnych składników, które mimo to wydają się podobne. Przypomina to zjawisko ze świata barw, w którym światło o różnym składzie widzimy jako ten sam kolor.

Badacze przewidują, że dzięki tym wynikom będzie można sprawnie tworzyć wirtualne metamery na komputerze i sprawdzać je w eksperymentach. Najpierw obliczenia wybierają kandydatów, a potem człowiek ich weryfikuje.

Autorzy wymieniają szeroki zakres zastosowań: cyfrowy węch, który zapisuje i przesyła zapachy jako dane, technologie monitorowania zdrowia na przykład przez oddech, elektroniczne nosy i generatywne projektowanie zapachów. To jednak możliwości na przyszłość, a nie dowód, że w tym artykule zaprojektowano perfumy.

Komentarz: co ten artykuł mówi osobom uczącym się perfumiarstwa

Od tego miejsca nie są to wnioski artykułu, lecz interpretacja GrassAccord.

Opisywanie zapachu to projektowanie, nie wrażenie

Gdy na zajęciach z perfumiarstwa trzeba prowadzić notatki o surowcach, wiele osób uważa to za uciążliwe. Skoro i tak się wącha, po co pisać? Ten artykuł każe spojrzeć na ten nawyk inaczej. Kilka słów o zapachu wyjaśniało odległość między mieszankami lepiej niż ogrom danych o cząsteczkach.

Słowa komputera i ludzkie notatki to oczywiście nie to samo. Kierunek jest jednak ten sam. Gdy zapach rozłoży się na słowa, można go porównywać. Notatka kończąca się na „ładny” nie przyda się przy kolejnej kompozycji, ale notatka „wyraźna trawa, a na końcu zostaje mokre drewno” już tak.

Najpierw warto poznać pojedyncze surowce

Słowa wyuczone na pojedynczych cząsteczkach wyjaśniały mieszanki. Tak samo wygląda kolejność nauki perfumiarstwa. Kto zna dokładnie wrażenie jednego surowca, potrafi odczytać, co stało się po zmieszaniu. Czas poświęcony na wielokrotne wąchanie jednego surowca zwraca się później bardziej niż tworzenie wielu akordów.

Warto przy tym zapożyczyć jedną metodę z laboratorium. Tak jak badacze wyrównywali intensywność składników, przy porównywaniu surowców należy wyrównać stężenie rozcieńczenia. Jeśli jeden jest mocniejszy, porównuje się intensywność, a nie charakter surowca. Oceny wydane na czystych surowcach często zmieniają się po rozcieńczeniu.

Warto wybierać słowa o wąskim znaczeniu

Słowo „naturalny” jest wygodne, ale mieści w sobie bardzo wiele. Warto zejść o poziom niżej i zapytać, co dokładnie jest naturalne: zapach skoszonej trawy, mokrej ziemi czy obranego owocu? Jak wspomnieliśmy, artykuł tego nie udowodnił, ale przy stole perfumiarza łatwo się przekonać, że im węższe znaczenie słowa, tym bardziej przydaje się ono przy następnej decyzji.

To samo wrażenie można zbudować z innych surowców

Pojęcie metamerów jest dużą pociechą także dla początkujących. Nawet jeśli jakiegoś surowca nie da się kupić albo obejmują go regulacje, to samo wrażenie można zbudować z innych surowców. Do podobnego odczucia niekoniecznie potrzebne są te same cząsteczki.

Wiele formuł sprzedawanych przez GrassAccord powstało na podstawie studiów słynnych perfum. Podobieństwo nie oznacza jednak tożsamości. To badanie także dotyczy wrażenia jednej chwili. Jak zapach zmienia się w czasie, trzeba obserwować samodzielnie na blotterze.

Warto ufać własnemu nosowi, ale nie tylko raz

Nawet uśrednione ludzkie oceny dają przy powtórce 0,74. Jeśli dwa zapachy podobne wczoraj dziś wydają się inne, wcale nie musi to oznaczać problemu z nosem. Oceny z natury się wahają. Przy ważnych decyzjach warto powąchać ponownie następnego dnia i porównać z pierwszą notatką. Ocenę chroni nawyk, a nie liczba.

Kilka nosów jest lepszych niż jeden

Najlepszy w tym artykule okazał się nie jeden wybitny zespół, lecz średnia z różnych zespołów. Z wąchaniem jest podobnie. Gdy trudno rozstrzygnąć samemu, warto poprosić kogoś innego. Jedno zdanie osoby nieznającej perfumiarstwa, „pachnie jak mydło”, bywa cenną wskazówką.

Sztuczna inteligencja tylko zawęża wybór

Przyszłość, o której mówi to badanie, to nie tyle świat bez perfumiarzy, ile świat, w którym obliczenia zawężają listę kandydatów, a decyzję podejmuje człowiek nosem. Model nie ocenia jeszcze, co dobre, a co złe, i jest słaby w najtrudniejszym przedziale „prawie takie same, ale inne”. Ten ostatni odcinek na razie należy do ludzkiego nosa.

Trzy ćwiczenia do wykonania od razu przy stole perfumiarza

Szkoda byłoby poprzestać na lekturze. Przenieśmy pracę badaczy w małej skali na stół perfumiarza. Proporcje każdy dobiera do własnych surowców i upodobań.

Ćwiczenie 1. Własny słownik zapachów

Wybieramy dziesięć często używanych surowców i każdy nanosimy na blotter. Do każdego zapisujemy tylko trzy słowa. Pomijamy oceny w rodzaju „ładny”, a używamy słów wskazujących zapach: owoc, trawa, drewno, mydło. Po tygodniu zapisujemy je ponownie, nie patrząc na nazwy, i porównujemy. Słowa, które pozostały, to prawdziwe oblicze surowca.

Ćwiczenie 2. Test trójkątny w domu

Przygotowujemy dwie podobne próby. Z trzech blotterów na dwa nanosimy tę samą próbę, a na jeden drugą i zaznaczamy to na spodzie. Prosimy kogoś o pomieszanie kolejności i wybieramy ten inny. Jeśli przy wielu powtórzeniach trafiamy stale, zapachy są rozróżnialne. Jeśli liczba trafień nie przekracza poziomu zgadywania (raz na trzy), dla naszego nosa są dziś prawie takie same.

Ćwiczenie 3. Pomiar odległości własnym nosem

Odległość między dwoma zapachami zapisujemy jako liczbę od 0 do 1. 0 oznacza, że nie da się ich odróżnić, a 1, że są zupełnie różne. Oceniamy około pięciu par, a następnego dnia powtarzamy to w tej samej kolejności. Wahania liczb pokazują szerokość własnej oceny. Wahania to nic złego. Celem ćwiczenia jest poznanie tej szerokości.

Na co uważać, czytając ten artykuł

• To nie jest badanie perfum. Dotyczy badawczych mieszanek cząsteczek. Nie oznacza to, że wyniki można wprost zastosować do kompozycji perfum.
• Zadań testowych nie było wiele. Pierwszy test to 46 par. Dlatego nie dało się ustalić kolejności najlepszych zespołów, a badacze zalecają ostrożność przy wynikach małych grup.
• Mocna strona to środkowy przedział. Dane treningowe skupiają się w odległości 0,5–0,8, więc model słabiej radzi sobie z parami bardzo podobnymi lub bardzo różnymi.
• Metody pomiaru w danych są różne. Test trójkątny i ocenę punktową przeniesiono na jedną skalę, więc mogły pozostać zniekształcenia zależne od metody.
• Intensywność nie została dostatecznie uwzględniona. W większości użyto składników o wyrównanej intensywności. W prawdziwym zapachu to ważna zmienna.
• Nie wiadomo, czy metoda zadziała przy nowych cząsteczkach. Zakres cząsteczek użytych w testach jest wąski.
• Interpretacja budzi sprzeciw. Artykuł podaje, że niektórzy badacze nie zgadzają się z poglądem, iż zapach mieszanki wynika głównie z nakładania się słów.
• Ujawniono powiązania doradcze z firmami. Artykuł podaje, że część autorów doradza firmom związanym z węchem.

Pojęcia z tego tekstu

• Pojedyncza cząsteczka — substancja zapachowa złożona z jednego rodzaju cząsteczek.
• Mieszanka — połączenie wielu cząsteczek. W tym badaniu około 10 składników.
• Odległość — wartość od 0 do 1 mówiąca, jak bardzo dwa zapachy wydają się różne. 0 oznacza brak możliwości rozróżnienia, 1 największą różnicę.
• Test trójkątny — metoda pomiaru zdolności rozróżniania: z trzech próbek wskazuje się tę inną.
• Współczynnik korelacji — liczba pokazująca, jak bardzo dwie wartości zmieniają się razem. Im bliżej 1, tym bardziej zgodnie.
• Średni błąd (RMSE) — przeciętna wielkość odchylenia prognozy od rzeczywistości. Im mniejszy, tym lepiej.
• Model zespołowy (ensemble) — jeden model powstały z uśrednienia prognoz wielu modeli.
• Informacja o słowach (cechy semantyczne) — przewidywane przez komputer wartości mówiące, jakimi słowami nazwano by zapach cząsteczki.
• Główna mapa zapachów (POM) — model z wcześniejszego badania, który przewiduje słowa zapachowe z budowy cząsteczki. Wiele zespołów tych zawodów użyło go jako materiału wyjściowego.
• Metamery — pary mieszanek, które wydają się podobne, choć nie mają wspólnych składników.
• Akord — jednostka zapachowa, w której kilka surowców zmieszano tak, by brzmiały jak jedno wrażenie.
• Formuła — projekt, w którym zapisano, jakie surowce i w jakich proporcjach zmieszać, żeby powstał jeden zapach. To właśnie sprzedaje GrassAccord.

Na zakończenie

Nos wciąż nie ma reguł takich jak czerwień, zieleń i błękit. Pierwszy trop, który wspólnie znalazło 26 zespołów, leżał jednak nieoczekiwanie po stronie ludzkiego języka. Kilka słów nazywających zapachy lepiej niż długi opis cząsteczek wyjaśniało odległość między dwoma zapachami.

A pomiar tej odległości do samego końca nadal należy do ludzkiego nosa. Nos się waha, a modele ciążą ku środkowi. Żadne z nich nie jest doskonałe, dlatego powolne wąchanie przy blotterze, zapisywanie słowami i ponowne wąchanie następnego dnia to wciąż najbardziej godna zaufania metoda.

Dla osób, które dopiero zaczynają przygodę z perfumiarstwem, to dobra wiadomość. Bez drogiego sprzętu, z samymi blotterami i jednym notesem, można wejść na drogę wskazaną przez to badanie. Zapach jest uniwersalnym językiem. GrassAccord chce towarzyszyć każdemu, kto zbiera kolejne słowa tego języka.

Źródło artykułu: Vahid Satarifard, Laura Sisson, Yikun Han i in. "A semantic-based community model for high-fidelity tuning of olfactory mixture distances." PNAS 123(32), e2611057123, opublikowano 4 sierpnia 2026 roku. Oryginał: https://doi.org/10.1073/pnas.2611057123 · Wszystkie liczby w tym tekście pochodzą z artykułu, a zdania są streszczeniem i omówieniem GrassAccord. Rozdział „Komentarz” nie zawiera wniosków artykułu, lecz interpretację GrassAccord.