通过计算建模解码成分交互作用下的混合物感知

arXiv cs.LG 论文
olfaction mixture-perception deep-learning bio-inspired computational-modeling

摘要

本文提出了一种生物启发的深度学习框架，用于准确的气味混合物感知，达到92.2%的准确率，并为混合物感知挑战提供了一种可泛化的解决方案。

arXiv:2609.11958v1 公告类型：新 摘要： 嗅觉在人类进化和文明中扮演着不可或缺的角色。即使在当今先进技术的时代，嗅觉仍然是人类进行危险辨别、情感体验和记忆形成的关键通道。然而，自然界的大多数物质以多分子混合物的形式存在。混合物组成的复杂性，以及浓度依赖的饱和效应和受体特异性激活阈值，给识别嗅觉特征带来了巨大挑战。在本研究中，我们提出了一种新颖的生物启发深度学习框架，用于准确的气味混合物感知识别。我们稳健地构建了分子-受体相互作用的神经响应曲线，并开发了一种融合策略，将注意力加权的多受体曲线与浓度依赖的多分子曲线相结合，复制了混合物成分的竞争激活和协同整合。此外，通过比较响应曲线模式的一致性，模型可以从语义丰富的分子关联空间中转移知识，以指导混合物感知特征的识别。因此，我们建立了一条从化学混合、神经编码到感知形成的完整计算路径。最后，我们进行了全面评估，结果表现出卓越的优越性，准确率达到92.2%。因此，我们的工作为长期存在的混合物感知挑战提供了一种可泛化的解决方案。更重要的是，它可以集成到具身认知系统中，以增强智能体在复杂场景中的感知和交互能力。
查看原文
查看缓存全文

缓存时间: 2026/09/14 08:29 

# 通过组分相互作用的计算模型解码混合物感知
来源：https://arxiv.org/abs/2609.11958
查看PDF (https://arxiv.org/pdf/2609.11958)

> 摘要：嗅觉在人类进化与文明进程中始终扮演着不可或缺的角色。即便在技术高度发达的当代，嗅觉仍是人类进行危险鉴别、情绪体验与记忆形成的关键通道。然而，自然界中大多数物质以多分子混合物的形式存在。混合物组成的复杂性、浓度依赖性饱和效应以及受体特异性激活阈值，给气味特征识别带来了巨大挑战。本研究提出了一种新型仿生深度学习框架，以实现混合物气味感知的精准识别。我们稳健构建了分子-受体相互作用的神经响应曲线，并开发了一种融合策略，将注意力加权的多受体曲线与浓度依赖的多分子曲线相结合，复现了混合物组分的竞争性激活与协同整合机制。此外，通过比较响应曲线模式的一致性，模型能够从语义丰富的分子关联空间迁移知识，从而指导混合物感知特征的识别。由此，我们建立了从化学混合、神经编码到感知形成的完整计算路径。最终，综合评估结果显示该模型具有卓越优越性，准确率达92.2%。本研究为长期存在的混合物感知挑战提供了普适性解决方案，更重要的是，该模型可融入具身认知系统，以增强智能体在复杂场景中的感知与交互能力。

## 提交历史
来自：Fei Wang \[查看邮件 (https://arxiv.org/show-email/206757d0/2609.11958)\] **\[v1\]** 2026年8月10日 星期一 15:13:19 UTC（2,687 KB）

相似文章

MOLAR：从噪声标签中学习多模态分子表征

arXiv cs.LG

MOLAR提出了一种噪声感知框架，通过将干净属性推理与观测到的标签噪声分离，从噪声标签中学习多模态分子表征，在分子基准测试中优于基线方法。