JP2024500264A - ニューラルネットワークデバイスをトレーニングするためのコンピュータ実装方法およびフレグランスまたはフレーバー組成物を生成するための対応する方法 - Google Patents
ニューラルネットワークデバイスをトレーニングするためのコンピュータ実装方法およびフレグランスまたはフレーバー組成物を生成するための対応する方法 Download PDFInfo
- Publication number
- JP2024500264A JP2024500264A JP2023513997A JP2023513997A JP2024500264A JP 2024500264 A JP2024500264 A JP 2024500264A JP 2023513997 A JP2023513997 A JP 2023513997A JP 2023513997 A JP2023513997 A JP 2023513997A JP 2024500264 A JP2024500264 A JP 2024500264A
- Authority
- JP
- Japan
- Prior art keywords
- fragrance
- flavor composition
- composition
- flavor
- identified
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000000203 mixture Substances 0.000 title claims abstract description 356
- 239000000796 flavoring agent Substances 0.000 title claims abstract description 231
- 235000019634 flavors Nutrition 0.000 title claims abstract description 231
- 239000003205 fragrance Substances 0.000 title claims abstract description 219
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000012549 training Methods 0.000 title claims abstract description 77
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 27
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 14
- 239000004615 ingredient Substances 0.000 claims abstract description 78
- 230000003750 conditioning effect Effects 0.000 claims description 34
- 230000001953 sensory effect Effects 0.000 claims description 24
- 238000010801 machine learning Methods 0.000 claims description 23
- 239000000126 substance Substances 0.000 claims description 22
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 14
- 229910052799 carbon Inorganic materials 0.000 claims description 14
- 230000001339 gustatory effect Effects 0.000 claims description 14
- 230000002708 enhancing effect Effects 0.000 claims description 12
- 150000001875 compounds Chemical class 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 206010070835 Skin sensitisation Diseases 0.000 claims description 8
- 230000014759 maintenance of location Effects 0.000 claims description 8
- 238000012805 post-processing Methods 0.000 claims description 8
- 231100000370 skin sensitisation Toxicity 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 7
- 231100000419 toxicity Toxicity 0.000 claims description 7
- 230000001988 toxicity Effects 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- 230000015556 catabolic process Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000006731 degradation reaction Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 description 47
- 239000002304 perfume Substances 0.000 description 31
- 239000002609 medium Substances 0.000 description 28
- 239000013598 vector Substances 0.000 description 17
- 239000000463 material Substances 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 238000009826 distribution Methods 0.000 description 13
- 239000000969 carrier Substances 0.000 description 12
- 239000002904 solvent Substances 0.000 description 11
- -1 aromatic chemical compounds Chemical class 0.000 description 10
- 239000003607 modifier Substances 0.000 description 10
- 239000000047 product Substances 0.000 description 10
- 239000007787 solid Substances 0.000 description 10
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 9
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 235000019640 taste Nutrition 0.000 description 9
- 239000007788 liquid Substances 0.000 description 7
- DNIAPMSPPWPWGF-UHFFFAOYSA-N Propylene glycol Chemical compound CC(O)CO DNIAPMSPPWPWGF-UHFFFAOYSA-N 0.000 description 6
- 239000002671 adjuvant Substances 0.000 description 6
- 239000003795 chemical substances by application Substances 0.000 description 6
- 238000005538 encapsulation Methods 0.000 description 6
- 230000008447 perception Effects 0.000 description 6
- 229920005989 resin Polymers 0.000 description 6
- 239000011347 resin Substances 0.000 description 6
- 241000207199 Citrus Species 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 235000020971 citrus fruits Nutrition 0.000 description 5
- 235000019441 ethanol Nutrition 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 230000013016 learning Effects 0.000 description 5
- 230000002787 reinforcement Effects 0.000 description 5
- 239000000344 soap Substances 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 150000001299 aldehydes Chemical class 0.000 description 4
- 238000005354 coacervation Methods 0.000 description 4
- 229920005862 polyol Polymers 0.000 description 4
- 239000004094 surface-active agent Substances 0.000 description 4
- 150000003505 terpenes Chemical class 0.000 description 4
- FKTHNVSLHLHISI-UHFFFAOYSA-N 1,2-bis(isocyanatomethyl)benzene Chemical compound O=C=NCC1=CC=CC=C1CN=C=O FKTHNVSLHLHISI-UHFFFAOYSA-N 0.000 description 3
- 239000005057 Hexamethylene diisocyanate Substances 0.000 description 3
- 229920000877 Melamine resin Polymers 0.000 description 3
- 244000290333 Vanilla fragrans Species 0.000 description 3
- 235000009499 Vanilla fragrans Nutrition 0.000 description 3
- 235000012036 Vanilla tahitensis Nutrition 0.000 description 3
- KRKNYBCHXYNGOX-UHFFFAOYSA-N citric acid Chemical compound OC(=O)CC(O)(C(O)=O)CC(O)=O KRKNYBCHXYNGOX-UHFFFAOYSA-N 0.000 description 3
- RRAMGCGOFNQTLD-UHFFFAOYSA-N hexamethylene diisocyanate Chemical compound O=C=NCCCCCCN=C=O RRAMGCGOFNQTLD-UHFFFAOYSA-N 0.000 description 3
- WGCNASOHLSPBMP-UHFFFAOYSA-N hydroxyacetaldehyde Natural products OCC=O WGCNASOHLSPBMP-UHFFFAOYSA-N 0.000 description 3
- JDSHMPZPIAZGSV-UHFFFAOYSA-N melamine Chemical compound NC1=NC(N)=NC(N)=N1 JDSHMPZPIAZGSV-UHFFFAOYSA-N 0.000 description 3
- 238000002156 mixing Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000006068 polycondensation reaction Methods 0.000 description 3
- 229920000642 polymer Polymers 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 239000003755 preservative agent Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000002453 shampoo Substances 0.000 description 3
- 239000003381 stabilizer Substances 0.000 description 3
- URAYPUMNDPQOKB-UHFFFAOYSA-N triacetin Chemical compound CC(=O)OCC(OC(C)=O)COC(C)=O URAYPUMNDPQOKB-UHFFFAOYSA-N 0.000 description 3
- 239000013638 trimer Substances 0.000 description 3
- 235000004257 Cordia myxa Nutrition 0.000 description 2
- 244000157795 Cordia myxa Species 0.000 description 2
- 229920000858 Cyclodextrin Polymers 0.000 description 2
- RTZKZFJDLAIYFH-UHFFFAOYSA-N Diethyl ether Chemical compound CCOCC RTZKZFJDLAIYFH-UHFFFAOYSA-N 0.000 description 2
- 241000402754 Erythranthe moschata Species 0.000 description 2
- 235000016623 Fragaria vesca Nutrition 0.000 description 2
- 240000009088 Fragaria x ananassa Species 0.000 description 2
- 235000011363 Fragaria x ananassa Nutrition 0.000 description 2
- 241000287828 Gallus gallus Species 0.000 description 2
- 229920000084 Gum arabic Polymers 0.000 description 2
- SIKJAQJRHWYJAI-UHFFFAOYSA-N Indole Chemical compound C1=CC=C2NC=CC2=C1 SIKJAQJRHWYJAI-UHFFFAOYSA-N 0.000 description 2
- KFZMGEQAYNKOFK-UHFFFAOYSA-N Isopropanol Chemical compound CC(C)O KFZMGEQAYNKOFK-UHFFFAOYSA-N 0.000 description 2
- 229920000881 Modified starch Polymers 0.000 description 2
- 108050002069 Olfactory receptors Proteins 0.000 description 2
- 102000012547 Olfactory receptors Human genes 0.000 description 2
- 239000004372 Polyvinyl alcohol Substances 0.000 description 2
- DOOTYTYQINUNNV-UHFFFAOYSA-N Triethyl citrate Chemical compound CCOC(=O)CC(O)(C(=O)OCC)CC(=O)OCC DOOTYTYQINUNNV-UHFFFAOYSA-N 0.000 description 2
- ZJCCRDAZUWHFQH-UHFFFAOYSA-N Trimethylolpropane Chemical compound CCC(CO)(CO)CO ZJCCRDAZUWHFQH-UHFFFAOYSA-N 0.000 description 2
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 2
- MBHRHUJRKGNOKX-UHFFFAOYSA-N [(4,6-diamino-1,3,5-triazin-2-yl)amino]methanol Chemical compound NC1=NC(N)=NC(NCO)=N1 MBHRHUJRKGNOKX-UHFFFAOYSA-N 0.000 description 2
- 239000002250 absorbent Substances 0.000 description 2
- 230000002745 absorbent Effects 0.000 description 2
- 239000000205 acacia gum Substances 0.000 description 2
- 235000010489 acacia gum Nutrition 0.000 description 2
- 150000001242 acetic acid derivatives Chemical class 0.000 description 2
- 238000005054 agglomeration Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 150000001298 alcohols Chemical class 0.000 description 2
- 229920003180 amino resin Polymers 0.000 description 2
- 230000000844 anti-bacterial effect Effects 0.000 description 2
- 229940121375 antifungal agent Drugs 0.000 description 2
- 239000003963 antioxidant agent Substances 0.000 description 2
- 125000003118 aryl group Chemical group 0.000 description 2
- WPYMKLBDIGXBTP-UHFFFAOYSA-N benzoic acid Chemical compound OC(=O)C1=CC=CC=C1 WPYMKLBDIGXBTP-UHFFFAOYSA-N 0.000 description 2
- SESFRYSPDFLNCH-UHFFFAOYSA-N benzyl benzoate Chemical compound C=1C=CC=CC=1C(=O)OCC1=CC=CC=C1 SESFRYSPDFLNCH-UHFFFAOYSA-N 0.000 description 2
- 235000013361 beverage Nutrition 0.000 description 2
- OHJMTUPIZMNBFR-UHFFFAOYSA-N biuret Chemical compound NC(=O)NC(N)=O OHJMTUPIZMNBFR-UHFFFAOYSA-N 0.000 description 2
- 239000001913 cellulose Substances 0.000 description 2
- 229920002678 cellulose Polymers 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000001143 conditioned effect Effects 0.000 description 2
- 239000011258 core-shell material Substances 0.000 description 2
- 239000003599 detergent Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- FLKPEMZONWLCSK-UHFFFAOYSA-N diethyl phthalate Chemical compound CCOC(=O)C1=CC=CC=C1C(=O)OCC FLKPEMZONWLCSK-UHFFFAOYSA-N 0.000 description 2
- 230000001804 emulsifying effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 150000002148 esters Chemical class 0.000 description 2
- 150000002170 ethers Chemical class 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000001125 extrusion Methods 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 239000000834 fixative Substances 0.000 description 2
- LEQAOMBKQFMDFZ-UHFFFAOYSA-N glyoxal Chemical compound O=CC=O LEQAOMBKQFMDFZ-UHFFFAOYSA-N 0.000 description 2
- HHLFWLYXYJOTON-UHFFFAOYSA-N glyoxylic acid Chemical compound OC(=O)C=O HHLFWLYXYJOTON-UHFFFAOYSA-N 0.000 description 2
- 239000000416 hydrocolloid Substances 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 150000002576 ketones Chemical class 0.000 description 2
- XMGQYMWWDOXHJM-UHFFFAOYSA-N limonene Chemical compound CC(=C)C1CCC(C)=CC1 XMGQYMWWDOXHJM-UHFFFAOYSA-N 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000003094 microcapsule Substances 0.000 description 2
- 235000019426 modified starch Nutrition 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 150000002825 nitriles Chemical class 0.000 description 2
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen group Chemical group [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 description 2
- 239000001814 pectin Substances 0.000 description 2
- 229920001277 pectin Polymers 0.000 description 2
- 235000010987 pectin Nutrition 0.000 description 2
- WVDDGKGOMKODPV-ZQBYOMGUSA-N phenyl(114C)methanol Chemical compound O[14CH2]C1=CC=CC=C1 WVDDGKGOMKODPV-ZQBYOMGUSA-N 0.000 description 2
- 239000005056 polyisocyanate Substances 0.000 description 2
- 229920001228 polyisocyanate Polymers 0.000 description 2
- 229920002689 polyvinyl acetate Polymers 0.000 description 2
- 239000011118 polyvinyl acetate Substances 0.000 description 2
- 229920002451 polyvinyl alcohol Polymers 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000006254 rheological additive Substances 0.000 description 2
- 230000035807 sensation Effects 0.000 description 2
- 235000019615 sensations Nutrition 0.000 description 2
- 235000014347 soups Nutrition 0.000 description 2
- 238000012358 sourcing Methods 0.000 description 2
- 238000001694 spray drying Methods 0.000 description 2
- 229910052717 sulfur Inorganic materials 0.000 description 2
- 239000011593 sulfur Substances 0.000 description 2
- 235000007586 terpenes Nutrition 0.000 description 2
- 239000002562 thickening agent Substances 0.000 description 2
- 239000006163 transport media Substances 0.000 description 2
- 239000001069 triethyl citrate Substances 0.000 description 2
- VMYFZRTXGLUXMZ-UHFFFAOYSA-N triethyl citrate Natural products CCOC(=O)C(O)(C(=O)OCC)C(=O)OCC VMYFZRTXGLUXMZ-UHFFFAOYSA-N 0.000 description 2
- 235000013769 triethyl citrate Nutrition 0.000 description 2
- 235000019583 umami taste Nutrition 0.000 description 2
- 239000011782 vitamin Substances 0.000 description 2
- 235000013343 vitamin Nutrition 0.000 description 2
- 229940088594 vitamin Drugs 0.000 description 2
- 229930003231 vitamin Natural products 0.000 description 2
- 239000000341 volatile oil Substances 0.000 description 2
- 239000002023 wood Substances 0.000 description 2
- MRAMPOPITCOOIN-VIFPVBQESA-N (2r)-n-(3-ethoxypropyl)-2,4-dihydroxy-3,3-dimethylbutanamide Chemical compound CCOCCCNC(=O)[C@H](O)C(C)(C)CO MRAMPOPITCOOIN-VIFPVBQESA-N 0.000 description 1
- KARKLKYTKCUJDC-UHFFFAOYSA-N (3-hydroxy-2,2-dimethylpropyl) 2-ethylhexanoate Chemical compound CCCCC(CC)C(=O)OCC(C)(C)CO KARKLKYTKCUJDC-UHFFFAOYSA-N 0.000 description 1
- RTTZISZSHSCFRH-UHFFFAOYSA-N 1,3-bis(isocyanatomethyl)benzene Chemical compound O=C=NCC1=CC=CC(CN=C=O)=C1 RTTZISZSHSCFRH-UHFFFAOYSA-N 0.000 description 1
- FDCJDKXCCYFOCV-UHFFFAOYSA-N 1-hexadecoxyhexadecane Chemical compound CCCCCCCCCCCCCCCCOCCCCCCCCCCCCCCCC FDCJDKXCCYFOCV-UHFFFAOYSA-N 0.000 description 1
- FENFUOGYJVOCRY-UHFFFAOYSA-N 1-propoxypropan-2-ol Chemical compound CCCOCC(C)O FENFUOGYJVOCRY-UHFFFAOYSA-N 0.000 description 1
- OGFKTAMJLKHRAZ-UHFFFAOYSA-N 2,2-dimethoxyacetaldehyde Chemical compound COC(OC)C=O OGFKTAMJLKHRAZ-UHFFFAOYSA-N 0.000 description 1
- OJCFEGKCRWEVSN-UHFFFAOYSA-N 2-[2-[2-[2-[2-(2-dodecoxyethoxy)ethoxy]ethoxy]ethoxy]ethoxy]ethanol Chemical compound CCCCCCCCCCCCOCCOCCOCCOCCOCCOCCO OJCFEGKCRWEVSN-UHFFFAOYSA-N 0.000 description 1
- MIDXCONKKJTLDX-UHFFFAOYSA-N 3,5-dimethylcyclopentane-1,2-dione Chemical compound CC1CC(C)C(=O)C1=O MIDXCONKKJTLDX-UHFFFAOYSA-N 0.000 description 1
- XXBAQTDVRLRXEV-UHFFFAOYSA-N 3-tetradecoxypropan-1-ol Chemical compound CCCCCCCCCCCCCCOCCCO XXBAQTDVRLRXEV-UHFFFAOYSA-N 0.000 description 1
- HIQIXEFWDLTDED-UHFFFAOYSA-N 4-hydroxy-1-piperidin-4-ylpyrrolidin-2-one Chemical compound O=C1CC(O)CN1C1CCNCC1 HIQIXEFWDLTDED-UHFFFAOYSA-N 0.000 description 1
- GZVHEAJQGPRDLQ-UHFFFAOYSA-N 6-phenyl-1,3,5-triazine-2,4-diamine Chemical compound NC1=NC(N)=NC(C=2C=CC=CC=2)=N1 GZVHEAJQGPRDLQ-UHFFFAOYSA-N 0.000 description 1
- 244000215068 Acacia senegal Species 0.000 description 1
- 239000005711 Benzoic acid Substances 0.000 description 1
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 1
- 235000013162 Cocos nucifera Nutrition 0.000 description 1
- 244000060011 Cocos nucifera Species 0.000 description 1
- 244000068485 Convallaria majalis Species 0.000 description 1
- 235000009046 Convallaria majalis Nutrition 0.000 description 1
- 229920003270 Cymel® Polymers 0.000 description 1
- UDSFAEKRVUSQDD-UHFFFAOYSA-N Dimethyl adipate Chemical compound COC(=O)CCCCC(=O)OC UDSFAEKRVUSQDD-UHFFFAOYSA-N 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- RFSUNEUAIZKAJO-ARQDHWQXSA-N Fructose Chemical compound OC[C@H]1O[C@](O)(CO)[C@@H](O)[C@@H]1O RFSUNEUAIZKAJO-ARQDHWQXSA-N 0.000 description 1
- 229930091371 Fructose Natural products 0.000 description 1
- 239000005715 Fructose Substances 0.000 description 1
- 240000004670 Glycyrrhiza echinata Species 0.000 description 1
- 235000001453 Glycyrrhiza echinata Nutrition 0.000 description 1
- 235000006200 Glycyrrhiza glabra Nutrition 0.000 description 1
- 235000017382 Glycyrrhiza lepidota Nutrition 0.000 description 1
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 1
- 238000012695 Interfacial polymerization Methods 0.000 description 1
- 239000005058 Isophorone diisocyanate Substances 0.000 description 1
- 244000178870 Lavandula angustifolia Species 0.000 description 1
- 235000010663 Lavandula angustifolia Nutrition 0.000 description 1
- 235000006679 Mentha X verticillata Nutrition 0.000 description 1
- 235000002899 Mentha suaveolens Nutrition 0.000 description 1
- 235000001636 Mentha x rotundifolia Nutrition 0.000 description 1
- 241001061115 Philyra <decapod> Species 0.000 description 1
- 239000004952 Polyamide Substances 0.000 description 1
- 229920002690 Polyoxyl 40 HydrogenatedCastorOil Polymers 0.000 description 1
- CDBYLPFSWZWCQE-UHFFFAOYSA-L Sodium Carbonate Chemical compound [Na+].[Na+].[O-]C([O-])=O CDBYLPFSWZWCQE-UHFFFAOYSA-L 0.000 description 1
- 229920002385 Sodium hyaluronate Polymers 0.000 description 1
- 239000004376 Sucralose Substances 0.000 description 1
- CZMRCDWAGMRECN-UGDNZRGBSA-N Sucrose Chemical compound O[C@H]1[C@H](O)[C@@H](CO)O[C@@]1(CO)O[C@@H]1[C@H](O)[C@@H](O)[C@H](O)[C@@H](CO)O1 CZMRCDWAGMRECN-UGDNZRGBSA-N 0.000 description 1
- 229930006000 Sucrose Natural products 0.000 description 1
- 235000019486 Sunflower oil Nutrition 0.000 description 1
- 235000011941 Tilia x europaea Nutrition 0.000 description 1
- HLLPKVARTYKIJB-MCQPFKOBSA-N [(2r,3s,4s,5r,6r)-6-[(2s,3s,4s,5r)-3,4-dihydroxy-2,5-bis(octadecanoyloxymethyl)oxolan-2-yl]oxy-3,4,5-trihydroxyoxan-2-yl]methyl octadecanoate Chemical compound O[C@H]1[C@H](O)[C@@H](COC(=O)CCCCCCCCCCCCCCCCC)O[C@@]1(COC(=O)CCCCCCCCCCCCCCCCC)O[C@@H]1[C@H](O)[C@@H](O)[C@H](O)[C@@H](COC(=O)CCCCCCCCCCCCCCCCC)O1 HLLPKVARTYKIJB-MCQPFKOBSA-N 0.000 description 1
- FOLJTMYCYXSPFQ-CJKAUBRRSA-N [(2r,3s,4s,5r,6r)-6-[(2s,3s,4s,5r)-3,4-dihydroxy-5-(hydroxymethyl)-2-(octadecanoyloxymethyl)oxolan-2-yl]oxy-3,4,5-trihydroxyoxan-2-yl]methyl octadecanoate Chemical compound O[C@@H]1[C@@H](O)[C@H](O)[C@@H](COC(=O)CCCCCCCCCCCCCCCCC)O[C@@H]1O[C@@]1(COC(=O)CCCCCCCCCCCCCCCCC)[C@@H](O)[C@H](O)[C@@H](CO)O1 FOLJTMYCYXSPFQ-CJKAUBRRSA-N 0.000 description 1
- GCSPRLPXTPMSTL-IBDNADADSA-N [(2s,3r,4s,5s,6r)-2-[(2s,3s,4s,5r)-3,4-dihydroxy-2,5-bis(hydroxymethyl)oxolan-2-yl]-3,4,5-trihydroxy-6-(hydroxymethyl)oxan-2-yl] dodecanoate Chemical compound CCCCCCCCCCCC(=O)O[C@@]1([C@]2(CO)[C@H]([C@H](O)[C@@H](CO)O2)O)O[C@H](CO)[C@@H](O)[C@H](O)[C@H]1O GCSPRLPXTPMSTL-IBDNADADSA-N 0.000 description 1
- ZPVGIKNDGJGLCO-VGAMQAOUSA-N [(2s,3r,4s,5s,6r)-2-[(2s,3s,4s,5r)-3,4-dihydroxy-2,5-bis(hydroxymethyl)oxolan-2-yl]-3,4,5-trihydroxy-6-(hydroxymethyl)oxan-2-yl] hexadecanoate Chemical compound CCCCCCCCCCCCCCCC(=O)O[C@@]1([C@]2(CO)[C@H]([C@H](O)[C@@H](CO)O2)O)O[C@H](CO)[C@@H](O)[C@H](O)[C@H]1O ZPVGIKNDGJGLCO-VGAMQAOUSA-N 0.000 description 1
- SZYSLWCAWVWFLT-UTGHZIEOSA-N [(2s,3s,4s,5r)-3,4-dihydroxy-5-(hydroxymethyl)-2-[(2r,3r,4s,5s,6r)-3,4,5-trihydroxy-6-(hydroxymethyl)oxan-2-yl]oxyoxolan-2-yl]methyl octadecanoate Chemical compound O([C@@H]1[C@@H]([C@@H](O)[C@H](O)[C@@H](CO)O1)O)[C@]1(COC(=O)CCCCCCCCCCCCCCCCC)O[C@H](CO)[C@@H](O)[C@@H]1O SZYSLWCAWVWFLT-UTGHZIEOSA-N 0.000 description 1
- UEYVMVXJVDAGBB-ZHBLIPIOSA-N [(2s,3s,4s,5r)-3,4-dihydroxy-5-(hydroxymethyl)-2-[(2r,3r,4s,5s,6r)-3,4,5-trihydroxy-6-(hydroxymethyl)oxan-2-yl]oxyoxolan-2-yl]methyl tetradecanoate Chemical compound O([C@@H]1[C@@H]([C@@H](O)[C@H](O)[C@@H](CO)O1)O)[C@]1(COC(=O)CCCCCCCCCCCCC)O[C@H](CO)[C@@H](O)[C@@H]1O UEYVMVXJVDAGBB-ZHBLIPIOSA-N 0.000 description 1
- GORMSINSWZJIKL-UHFFFAOYSA-N [3-(2-ethylhexanoyloxy)-2,2-dimethylpropyl] 2-ethylhexanoate Chemical compound CCCCC(CC)C(=O)OCC(C)(C)COC(=O)C(CC)CCCC GORMSINSWZJIKL-UHFFFAOYSA-N 0.000 description 1
- 239000003082 abrasive agent Substances 0.000 description 1
- 150000001412 amines Chemical class 0.000 description 1
- 239000003242 anti bacterial agent Substances 0.000 description 1
- 230000000843 anti-fungal effect Effects 0.000 description 1
- 230000000845 anti-microbial effect Effects 0.000 description 1
- 239000003429 antifungal agent Substances 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 235000015278 beef Nutrition 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 235000010233 benzoic acid Nutrition 0.000 description 1
- 229960002903 benzyl benzoate Drugs 0.000 description 1
- 235000021028 berry Nutrition 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 235000019658 bitter taste Nutrition 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 239000006172 buffering agent Substances 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 235000013736 caramel Nutrition 0.000 description 1
- 239000004202 carbamide Substances 0.000 description 1
- 239000004359 castor oil Substances 0.000 description 1
- 235000019438 castor oil Nutrition 0.000 description 1
- 229920003118 cationic copolymer Polymers 0.000 description 1
- 229940093528 cetearyl ethylhexanoate Drugs 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002738 chelating agent Substances 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 239000003240 coconut oil Substances 0.000 description 1
- 235000019864 coconut oil Nutrition 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 239000003636 conditioned culture medium Substances 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 229940097362 cyclodextrins Drugs 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 235000021185 dessert Nutrition 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- MTHSVFCYNBDYFN-UHFFFAOYSA-N diethylene glycol Chemical class OCCOCCO MTHSVFCYNBDYFN-UHFFFAOYSA-N 0.000 description 1
- XTDYIOOONNVFMA-UHFFFAOYSA-N dimethyl pentanedioate Chemical compound COC(=O)CCCC(=O)OC XTDYIOOONNVFMA-UHFFFAOYSA-N 0.000 description 1
- SZXQTJUDPRGNJN-UHFFFAOYSA-N dipropylene glycol Chemical compound OCCCOCCCO SZXQTJUDPRGNJN-UHFFFAOYSA-N 0.000 description 1
- HQYLVDYBSIUTBB-UHFFFAOYSA-L disodium;3-[2-(2-carboxylatoethoxy)ethyl-[2-(dodecanoylamino)ethyl]amino]propanoate Chemical compound [Na+].[Na+].CCCCCCCCCCCC(=O)NCCN(CCC([O-])=O)CCOCCC([O-])=O HQYLVDYBSIUTBB-UHFFFAOYSA-L 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- SNPLKNRPJHDVJA-UHFFFAOYSA-N dl-panthenol Chemical compound OCC(C)(C)C(O)C(=O)NCCCO SNPLKNRPJHDVJA-UHFFFAOYSA-N 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 239000003995 emulsifying agent Substances 0.000 description 1
- LYCAIKOWRPUZTN-UHFFFAOYSA-N ethylene glycol Natural products OCCO LYCAIKOWRPUZTN-UHFFFAOYSA-N 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000013373 food additive Nutrition 0.000 description 1
- 235000013355 food flavoring agent Nutrition 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000499 gel Substances 0.000 description 1
- 239000000451 gelidium spp. gum Substances 0.000 description 1
- 229930182478 glucoside Natural products 0.000 description 1
- 150000004676 glycans Chemical class 0.000 description 1
- ZEMPKEQAKRGZGQ-XOQCFJPHSA-N glycerol triricinoleate Natural products CCCCCC[C@@H](O)CC=CCCCCCCCC(=O)OC[C@@H](COC(=O)CCCCCCCC=CC[C@@H](O)CCCCCC)OC(=O)CCCCCCCC=CC[C@H](O)CCCCCC ZEMPKEQAKRGZGQ-XOQCFJPHSA-N 0.000 description 1
- 239000001087 glyceryl triacetate Substances 0.000 description 1
- 235000013773 glyceryl triacetate Nutrition 0.000 description 1
- VPVSTMAPERLKKM-UHFFFAOYSA-N glycoluril Chemical compound N1C(=O)NC2NC(=O)NC21 VPVSTMAPERLKKM-UHFFFAOYSA-N 0.000 description 1
- 229940015043 glyoxal Drugs 0.000 description 1
- PKWIYNIDEDLDCJ-UHFFFAOYSA-N guanazole Chemical compound NC1=NNC(N)=N1 PKWIYNIDEDLDCJ-UHFFFAOYSA-N 0.000 description 1
- 108091005708 gustatory receptors Proteins 0.000 description 1
- 239000010440 gypsum Substances 0.000 description 1
- 229910052602 gypsum Inorganic materials 0.000 description 1
- BXWNKGSJHAJOGX-UHFFFAOYSA-N hexadecan-1-ol Chemical compound CCCCCCCCCCCCCCCCO BXWNKGSJHAJOGX-UHFFFAOYSA-N 0.000 description 1
- FRYYDDOUGYKZSA-UHFFFAOYSA-N hexadecyl nonanoate Chemical compound CCCCCCCCCCCCCCCCOC(=O)CCCCCCCC FRYYDDOUGYKZSA-UHFFFAOYSA-N 0.000 description 1
- 229920002674 hyaluronan Polymers 0.000 description 1
- 229960003160 hyaluronic acid Drugs 0.000 description 1
- PZOUSPYUWWUPPK-UHFFFAOYSA-N indole Natural products CC1=CC=CC2=C1C=CN2 PZOUSPYUWWUPPK-UHFFFAOYSA-N 0.000 description 1
- RKJUIXBNRJVNHR-UHFFFAOYSA-N indolenine Natural products C1=CC=C2CC=NC2=C1 RKJUIXBNRJVNHR-UHFFFAOYSA-N 0.000 description 1
- 229910010272 inorganic material Inorganic materials 0.000 description 1
- 239000011147 inorganic material Substances 0.000 description 1
- 239000000077 insect repellent Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229940113096 isoceteth 20 Drugs 0.000 description 1
- 229940010298 isoceteth-10 Drugs 0.000 description 1
- NIMLQBUJDJZYEJ-UHFFFAOYSA-N isophorone diisocyanate Chemical compound CC1(C)CC(N=C=O)CC(C)(CN=C=O)C1 NIMLQBUJDJZYEJ-UHFFFAOYSA-N 0.000 description 1
- 150000002596 lactones Chemical class 0.000 description 1
- 239000001102 lavandula vera Substances 0.000 description 1
- 235000018219 lavender Nutrition 0.000 description 1
- 239000010985 leather Substances 0.000 description 1
- 235000015122 lemonade Nutrition 0.000 description 1
- 229940010454 licorice Drugs 0.000 description 1
- 239000004571 lime Substances 0.000 description 1
- 235000001510 limonene Nutrition 0.000 description 1
- 229940087305 limonene Drugs 0.000 description 1
- 235000021388 linseed oil Nutrition 0.000 description 1
- 239000000944 linseed oil Substances 0.000 description 1
- WSFSSNUMVMOOMR-NJFSPNSNSA-N methanone Chemical compound O=[14CH2] WSFSSNUMVMOOMR-NJFSPNSNSA-N 0.000 description 1
- HOVAGTYPODGVJG-UHFFFAOYSA-N methyl beta-galactoside Natural products COC1OC(CO)C(O)C(O)C1O HOVAGTYPODGVJG-UHFFFAOYSA-N 0.000 description 1
- FBUKVWPVBMHYJY-UHFFFAOYSA-N nonanoic acid Chemical compound CCCCCCCCC(O)=O FBUKVWPVBMHYJY-UHFFFAOYSA-N 0.000 description 1
- 231100000252 nontoxic Toxicity 0.000 description 1
- 230000003000 nontoxic effect Effects 0.000 description 1
- WWZKQHOCKIZLMA-UHFFFAOYSA-N octanoic acid Chemical compound CCCCCCCC(O)=O WWZKQHOCKIZLMA-UHFFFAOYSA-N 0.000 description 1
- 239000002674 ointment Substances 0.000 description 1
- 238000005191 phase separation Methods 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000007747 plating Methods 0.000 description 1
- 229920000162 poly(ureaurethane) Polymers 0.000 description 1
- 229920002647 polyamide Polymers 0.000 description 1
- 229920000768 polyamine Polymers 0.000 description 1
- 229920000728 polyester Polymers 0.000 description 1
- 229940110977 polyglycerin-4 Drugs 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 150000003077 polyols Chemical class 0.000 description 1
- 229920001282 polysaccharide Polymers 0.000 description 1
- 239000005017 polysaccharide Substances 0.000 description 1
- 229920002635 polyurethane Polymers 0.000 description 1
- 239000004814 polyurethane Substances 0.000 description 1
- 235000019422 polyvinyl alcohol Nutrition 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 229940116987 ppg-3 myristyl ether Drugs 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 108020003175 receptors Proteins 0.000 description 1
- 102000005962 receptors Human genes 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 235000019643 salty taste Nutrition 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
- HFHDHCJBZVLPGP-UHFFFAOYSA-N schardinger α-dextrin Chemical compound O1C(C(C2O)O)C(CO)OC2OC(C(C2O)O)C(CO)OC2OC(C(C2O)O)C(CO)OC2OC(C(O)C2O)C(CO)OC2OC(C(C2O)O)C(CO)OC2OC2C(O)C(O)C1OC2CO HFHDHCJBZVLPGP-UHFFFAOYSA-N 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 229940010747 sodium hyaluronate Drugs 0.000 description 1
- YWIVKILSMZOHHF-QJZPQSOGSA-N sodium;(2s,3s,4s,5r,6r)-6-[(2s,3r,4r,5s,6r)-3-acetamido-2-[(2s,3s,4r,5r,6r)-6-[(2r,3r,4r,5s,6r)-3-acetamido-2,5-dihydroxy-6-(hydroxymethyl)oxan-4-yl]oxy-2-carboxy-4,5-dihydroxyoxan-3-yl]oxy-5-hydroxy-6-(hydroxymethyl)oxan-4-yl]oxy-3,4,5-trihydroxyoxane-2- Chemical compound [Na+].CC(=O)N[C@H]1[C@H](O)O[C@H](CO)[C@@H](O)[C@@H]1O[C@H]1[C@H](O)[C@@H](O)[C@H](O[C@H]2[C@@H]([C@@H](O[C@H]3[C@@H]([C@@H](O)[C@H](O)[C@H](O3)C(O)=O)O)[C@H](O)[C@@H](CO)O2)NC(C)=O)[C@@H](C(O)=O)O1 YWIVKILSMZOHHF-QJZPQSOGSA-N 0.000 description 1
- BAQAVOSOZGMPRM-QBMZZYIRSA-N sucralose Chemical compound O[C@@H]1[C@@H](O)[C@@H](Cl)[C@@H](CO)O[C@@H]1O[C@@]1(CCl)[C@@H](O)[C@H](O)[C@@H](CCl)O1 BAQAVOSOZGMPRM-QBMZZYIRSA-N 0.000 description 1
- 235000019408 sucralose Nutrition 0.000 description 1
- 239000005720 sucrose Substances 0.000 description 1
- 239000002600 sunflower oil Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 239000000454 talc Substances 0.000 description 1
- 229910052623 talc Inorganic materials 0.000 description 1
- 102000015130 taste receptor activity proteins Human genes 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 125000000383 tetramethylene group Chemical group [H]C([H])([*:1])C([H])([H])C([H])([H])C([H])([H])[*:2] 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 229960002622 triacetin Drugs 0.000 description 1
- LADGBHLMCUINGV-UHFFFAOYSA-N tricaprin Chemical compound CCCCCCCCCC(=O)OCC(OC(=O)CCCCCCCCC)COC(=O)CCCCCCCCC LADGBHLMCUINGV-UHFFFAOYSA-N 0.000 description 1
- 150000004043 trisaccharides Chemical class 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 235000015112 vegetable and seed oil Nutrition 0.000 description 1
- 239000008158 vegetable oil Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 239000000230 xanthan gum Substances 0.000 description 1
- 229920001285 xanthan gum Polymers 0.000 description 1
- 235000010493 xanthan gum Nutrition 0.000 description 1
- 229940082509 xanthan gum Drugs 0.000 description 1
- 239000010457 zeolite Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- C—CHEMISTRY; METALLURGY
- C11—ANIMAL OR VEGETABLE OILS, FATS, FATTY SUBSTANCES OR WAXES; FATTY ACIDS THEREFROM; DETERGENTS; CANDLES
- C11B—PRODUCING, e.g. BY PRESSING RAW MATERIALS OR BY EXTRACTION FROM WASTE MATERIALS, REFINING OR PRESERVING FATS, FATTY SUBSTANCES, e.g. LANOLIN, FATTY OILS OR WAXES; ESSENTIAL OILS; PERFUMES
- C11B9/00—Essential oils; Perfumes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Combustion & Propulsion (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Organic Chemistry (AREA)
- Wood Science & Technology (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Fats And Perfumes (AREA)
- Cosmetics (AREA)
Abstract
配合すべき新規のフレグランスまたはフレーバー成分組成物の非決定論的でかつ現実的なデジタル表現を生成するためにオートエンコーダニューラルネットワークまたは敵対的生成ネットワークデバイスをトレーニングするためのコンピュータ実装方法（１００）は、以下のステップ：－少なくとも２つの異なる成分を含む具体化されたフレグランスまたはフレーバー組成物を代表するものである例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットを提供するステップ（１０５）と、－配合すべき少なくとも２つの異なる成分を含む、新規のフレグランスまたはフレーバー成分組成物を生成するようにトレーニングされたフレグランスまたはフレーバー組成物生成モデルを生成するために、例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットを使用してオートエンコーダデバイスまたは敵対的生成ネットワークデバイスをトレーニングするステップ（１１０）とを含む。トレーニングされたオートエンコーダデバイスまたは敵対的生成ネットワークデバイスは、新規のフレグランスまたはフレーバー成分組成物を生成するために使用することができる。
Description
発明の技術分野
本発明は、オートエンコーダニューラルネットワークデバイスをトレーニングするためのコンピュータ実装方法、敵対的生成ニューラルネットワークデバイスをトレーニングするためのコンピュータ実装方法、およびフレグランスまたはフレーバー組成物を生成するための対応するコンピュータ実装方法に関するものである。このフォーマットは、香水およびフレーバー設計および製造の領域における予測および生成設計プロセスに使用することができ、より一般的には、疼痛、美食または薬などの成分組成物を使用する任意の領域に使用することができる。
本発明は、オートエンコーダニューラルネットワークデバイスをトレーニングするためのコンピュータ実装方法、敵対的生成ニューラルネットワークデバイスをトレーニングするためのコンピュータ実装方法、およびフレグランスまたはフレーバー組成物を生成するための対応するコンピュータ実装方法に関するものである。このフォーマットは、香水およびフレーバー設計および製造の領域における予測および生成設計プロセスに使用することができ、より一般的には、疼痛、美食または薬などの成分組成物を使用する任意の領域に使用することができる。
発明の背景技術
成分組成物を生成する１つのやり方として、用途における統計的な成分使用量を使用し、成分の存在と所与の用途に対する調合量との組み合わせを決定するために最適化技術を適用することがある。この技術は、ワインのアッサンブラージュのように、問題の次元が最大１００成分未満と非常に限定された、非常に単純なケースに限られる。
成分組成物を生成する１つのやり方として、用途における統計的な成分使用量を使用し、成分の存在と所与の用途に対する調合量との組み合わせを決定するために最適化技術を適用することがある。この技術は、ワインのアッサンブラージュのように、問題の次元が最大１００成分未満と非常に限定された、非常に単純なケースに限られる。
IBM社のｐｈｉｌｙｒａシステムのような現行のシステムは、より大きな成分次元空間において成分の類似性を学習できる意味のある埋め込み空間を作成することによって同様の働きをしている。しかしながら、このシステムは、生成された組成物の数パーセントだけが専門家にとって興味深い出発点とみなされることを考慮すると、まだランダムに近いものである。
他の現行システムでは、ランダムフォレストニューラルネットワークデバイスが、トレーニングされたランダムフォレストニューラルネットワークデバイスに入力された組成物に対するプルーニング効果またはクロッピング効果を得るための生成ツールとして使用される場合がある。したがって、そのようなシステムでは、新規の組成物を非決定論的な手法で生成することはできない。
他のシステムでは、深層信念ニューラルネットワークが生成ツールとして使用される場合がある。しかしながら、そのようなシステムでは、実行可能な解決手段をフィルタリングするために、大量の後処理が必要となる。基本的に、深層信念ニューラルネットワークは、その空間に整合する解決手段を提供するためにその解決手段が実行可能かどうか空間全体を探索するものである。次いで、これは、生成的なやり方で使用される深層信念ニューラルネットワークが、トレーニング後に決定論的であることを意味する。
国際公開第２０２０／１６３８６０号に開示されているような他のシステムでは、個々の分子の嗅覚特性が機械学習技術を使用して実現される。そのようなシステムは、成分組成物の生成に使用することはできない。さらに、そのようなシステムは、単位分子の嗅覚特性予測に焦点を当てているが、現実には、成分組成物の嗅覚特性は、前述の組成物中の単位分子の嗅覚特性と線形にリンクしていない。少なくとも、香料は、成分と溶媒とを含み、溶媒は組成物の嗅覚特性に影響を与える。例えば、インドール（登録商標）という成分は、多少希釈されても、同じ匂いを呈することはない。そのため、そのような現在のシステムでは考慮されていない組成物効果が存在する。
本課題は、解決手段を数千の可能な成分にスケールアップし、既存の組成物データベースに近い組成物の点で新規の成分組成物を提供し、さらに匂いおよび／または味覚の点でも既に良好にできる機会を十分に持たせつつ、価格、安定性、色調、沈殿、安全性、パワー、および性能などの複数の基準の最適化を満足させることができるようにすることである。
発明の概要
本発明は、これらの欠点の全部または一部の改善を課題とするものである。
本発明は、これらの欠点の全部または一部の改善を課題とするものである。
この効果に対して、第１の態様によれば、本発明は、配合すべき新規のフレグランスまたはフレーバー成分組成物の非決定論的(indeterministic)でかつ現実的な(realistic)デジタル表現を生成するためにオートエンコーダニューラルネットワークまたは敵対的生成ネットワークデバイスをトレーニングするためのコンピュータ実装方法を目的としており、このコンピュータ実装方法は、以下のステップ：
－少なくとも２つの異なる成分を含む具体化された(materialized)フレグランスまたはフレーバー組成物を代表する(representative)ものである例示的な(exemplar)フレグランスまたはフレーバー組成物デジタル識別子の元のセットを提供するステップと、
－配合すべき少なくとも２つの異なる成分を含む、新規のフレグランスまたはフレーバー成分組成物を生成するようにトレーニングされたフレグランスまたはフレーバー組成物生成モデルを生成するために、例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットを使用してオートエンコーダデバイスまたは敵対的生成ネットワークデバイスをトレーニングするステップとを含むことを特徴としている。
－少なくとも２つの異なる成分を含む具体化された(materialized)フレグランスまたはフレーバー組成物を代表する(representative)ものである例示的な(exemplar)フレグランスまたはフレーバー組成物デジタル識別子の元のセットを提供するステップと、
－配合すべき少なくとも２つの異なる成分を含む、新規のフレグランスまたはフレーバー成分組成物を生成するようにトレーニングされたフレグランスまたはフレーバー組成物生成モデルを生成するために、例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットを使用してオートエンコーダデバイスまたは敵対的生成ネットワークデバイスをトレーニングするステップとを含むことを特徴としている。
そのような規定は、新規の組成物の発見または元の組成物とは異なる使用ケース環境に適した等価的組成物の自動生成を目的とした生成的機械学習デバイスのトレーニングを可能にする。
これらの規定のおかげで、フレグランスまたはフレーバー組成物を生成するためにオートエンコーダデバイスまたは敵対的生成ネットワークデバイスが使用されるたびに、そのフレグランスまたはフレーバー成分組成物は新しくなり、確実に具体化することができる。
特定の実施形態において、例示的なフレグランスの元のセットは、少なくとも１つの例示的なフレグランスまたはフレーバー組成物デジタル識別子に関連付けられた、少なくとも１つの快楽的(hedonic)、感覚的(sensorial)および／または物理化学的(physicochemical)パラメータを代表する値をさらに含み、前述の値は、具体化されたフレグランスまたはフレーバー組成物についての少なくとも１つの捕捉された快楽的、感覚的および／または物理化学的パラメータを代表する値であり、中でも：
－識別されたフレグランスまたはフレーバー組成物に関連付けられた嗅覚または味覚の方向性、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた条件付け媒体、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた視覚的および／または嗅覚的安定性または劣化値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた生分解性のパーセンテージ、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた再生可能な炭素のパーセンテージ、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた精神物理学的知覚強度(perceived psychophysical intensity)、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた引火点値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた毒性値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた皮膚感作値(skin sensitization value)、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた増強成分適合値、
－組成物中の複数の成分、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた環境累積値、および／または
－組成物のための保留指標(retention indices)を代表する値である。
－識別されたフレグランスまたはフレーバー組成物に関連付けられた嗅覚または味覚の方向性、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた条件付け媒体、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた視覚的および／または嗅覚的安定性または劣化値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた生分解性のパーセンテージ、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた再生可能な炭素のパーセンテージ、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた精神物理学的知覚強度(perceived psychophysical intensity)、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた引火点値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた毒性値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた皮膚感作値(skin sensitization value)、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた増強成分適合値、
－組成物中の複数の成分、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた環境累積値、および／または
－組成物のための保留指標(retention indices)を代表する値である。
トレーニングのステップにおいてそのような制約の使用は、所定の生成基準を満たす空間内で組成物を生成する組成物生成器の能力の最適化を可能にする。そのような生成基準は、トレーニング段階および生成段階の両方で制約として入力される。
特定の実施形態において、本発明対象の方法は、少なくとも１つの具体化されたフレグランスまたはフレーバー組成物についての少なくとも１つの快楽的、感覚的、および／または物理化学的パラメータを代表する値を捕捉するステップを含み、前述の値は、例示的セットにおけるフレグランスまたはフレーバー組成物デジタル識別子に関連付けられたものである。
そのような実施形態は、既存のフレグランスまたはフレーバー組成物についての物理的および現実の快楽的、感覚的、および／または物理化学的パラメータの収集を可能にする。次いで、そのような収集は、生成された組成物が、例示的セットにおいて値が捕捉されたパラメータによって象徴される生成制約に整合することを保証するために、トレーニングするステップにおいて使用することができる。
特定の実施形態では、
－提供するステップは、一次条件付け媒体識別子(primary conditioning medium identifier)に関連付けられた例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットと、少なくとも１つの二次条件付け媒体識別子(secondary conditioning medium identifier)に関連付けられた例示的なフレグランスまたはフレーバー組成物デジタル識別子の少なくとも付加的な元のセットとを提供するように構成され、
－トレーニングするステップは、入力が一次条件付け媒体に関連付けられたフレグランスまたはフレーバー組成物デジタル識別子であり、出力が少なくとも１つの二次条件付け媒体識別子に関連付けられたフレグランスまたはフレーバー組成物デジタル識別子である生成モデルをトレーニングするように構成されている。
－提供するステップは、一次条件付け媒体識別子(primary conditioning medium identifier)に関連付けられた例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットと、少なくとも１つの二次条件付け媒体識別子(secondary conditioning medium identifier)に関連付けられた例示的なフレグランスまたはフレーバー組成物デジタル識別子の少なくとも付加的な元のセットとを提供するように構成され、
－トレーニングするステップは、入力が一次条件付け媒体に関連付けられたフレグランスまたはフレーバー組成物デジタル識別子であり、出力が少なくとも１つの二次条件付け媒体識別子に関連付けられたフレグランスまたはフレーバー組成物デジタル識別子である生成モデルをトレーニングするように構成されている。
そのような実施形態は、例えば、ファインフレグランスのためのライン拡張の自動的な生成を可能にする。より一般的には、そのような実施形態は、既知の基準用途から異なる条件付け用途に対応する組成物の生成を可能にする。
特定の実施形態では、トレーニングするステップは、変分オートエンコーダデバイス(variational autoencoder device)をトレーニングするように構成されている。
第２の態様によれば、本発明は、デジタル識別子によって表されるフレグランスまたはフレーバー組成物を生成するためのコンピュータ実装方法を目的としており、このコンピュータ実装方法は、本発明対象のトレーニング方法に記載のトレーニングでトレーニングされたオートエンコーダまたは敵対的生成ネットワークデバイスを使用してフレグランスまたはフレーバー組成物を生成するステップを含む。
そのような規定は、新規の組成物の発見または元の組成物とは異なる使用ケース環境に適した等価的組成物の自動生成を可能にする。
特定の実施形態では、生成するステップは、生成されたフレグランスまたはフレーバー組成物デジタル識別子について、中でも：
－識別されたフレグランスまたはフレーバー組成物に関連付けられた嗅覚または味覚の方向性、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた条件付け媒体、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた視覚的および／または嗅覚的安定性または劣化値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた生分解性のパーセンテージ、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた再生可能な炭素のパーセンテージ、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた精神物理学的知覚強度、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた引火点値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた毒性値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた皮膚感作値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた増強成分適合値、
－組成物中の複数の成分、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた環境累積値、および／または
－組成物のための保留指標について、フレグランスまたはフレーバー組成物デジタル識別子を、少なくとも１つの快楽的、感覚的、および／または物理化学的パラメータを代表する生成された組成物に対する少なくとも１つの入力制約を代表する少なくとも１つの値の関数として生成するように構成されている。
－識別されたフレグランスまたはフレーバー組成物に関連付けられた嗅覚または味覚の方向性、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた条件付け媒体、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた視覚的および／または嗅覚的安定性または劣化値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた生分解性のパーセンテージ、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた再生可能な炭素のパーセンテージ、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた精神物理学的知覚強度、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた引火点値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた毒性値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた皮膚感作値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた増強成分適合値、
－組成物中の複数の成分、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた環境累積値、および／または
－組成物のための保留指標について、フレグランスまたはフレーバー組成物デジタル識別子を、少なくとも１つの快楽的、感覚的、および／または物理化学的パラメータを代表する生成された組成物に対する少なくとも１つの入力制約を代表する少なくとも１つの値の関数として生成するように構成されている。
そのような実施形態は、世代別ターゲットの仕様が機械学習デバイスの使用によって達成されることを可能にする。
特定の実施形態では、生成するステップは、少なくとも１つの二次条件付け媒体識別子に関連付けられたフレグランスまたはフレーバー組成物デジタル識別子を、一次条件付け媒体識別子に関連付けられた少なくとも１つのフレグランスまたはフレーバー組成物デジタル識別子の入力の関数として(as a function of)生成するように構成されている。
そのような実施形態は、例えば、ファインフレグランスのためのライン拡張の自動的生成を可能にする。より一般的には、そのような実施形態は、既知の基準用途から異なる条件付け用途に対応する組成物を生成することを可能にする。
特定の実施形態では、本発明対象の方法は、
－トレーニングされた補助的機械学習デバイスを生成するステップを含み、該生成するステップは：
－例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットと、嗅覚的特徴値または前述の構造に関連付けられた化学的化合物量(chemical compound quantity)を代表する値などの化学的特徴を代表するラベルとを提供するステップと、
－組成物分類器(composition classifier)を提供するために例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットを使用して補助的機械学習デバイスをトレーニングするステップとを含み、さらに前述の方法は、
－機械学習デバイスを用いて敵対的生成ネットワークデバイスまたはオートエンコーダデバイスをトレーニングするステップを制約するステップを含み、前述のステップは、前述のトレーニングするステップ中に、強化ルールとして、または生成されたフレグランスまたはフレーバー組成物識別子の後処理を介して実行されるものである。
－トレーニングされた補助的機械学習デバイスを生成するステップを含み、該生成するステップは：
－例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットと、嗅覚的特徴値または前述の構造に関連付けられた化学的化合物量(chemical compound quantity)を代表する値などの化学的特徴を代表するラベルとを提供するステップと、
－組成物分類器(composition classifier)を提供するために例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットを使用して補助的機械学習デバイスをトレーニングするステップとを含み、さらに前述の方法は、
－機械学習デバイスを用いて敵対的生成ネットワークデバイスまたはオートエンコーダデバイスをトレーニングするステップを制約するステップを含み、前述のステップは、前述のトレーニングするステップ中に、強化ルールとして、または生成されたフレグランスまたはフレーバー組成物識別子の後処理を介して実行されるものである。
そのような実施形態は、他の、専門的な機械学習デバイスのトレーニングから結果として生じる制約のもとで組成物の生成を可能にする。
特定の実施形態では、本発明対象の任意の方法は、少なくとも２つの異なる成分を含む生成されたフレグランスまたはフレーバー組成物を配合するステップをさらに含む。
この配合するステップは、生成されたフレグランスまたはフレーバー組成物を、調香師が任意の関連する化学的プロセスに従って事後的に取得されるフレグランスまたはフレーバーを生成するやり方に類似した物理的手法で取得させることを可能にする。
特定の実施形態において、本発明対象の方法は、配合すべき少なくとも２つの異なる成分を含む生成されたフレグランスまたはフレーバー組成物を選択するステップをさらに含む。
そのような実施形態は、配合または生成すべき、かつ分配すべき生成されたフレグランスまたはフレーバー組成物を手動または自動で選択することを可能にする。
第３の態様によれば、本発明は、本発明対象の方法に従ってトレーニングされている、コンピュータ実装オートエンコーダデバイスを目的としている。
第４の態様によれば、本発明は、本発明対象の方法に従ってトレーニングされている、コンピュータ実装敵対的生成ネットワークデバイスを目的としている。
第５の態様によれば、本発明は、本発明対象の任意の方法を実行するためのプログラミング命令を含んでいる、コンピュータプログラム製品を目的としている。
第６の態様によれば、本発明は、コンピュータによって実行されるときに、本発明対象の任意の方法のステップをコンピュータに実行させることを示すプログラミング命令が記憶されているコンピュータ可読記憶媒体を目的としている。
第７の態様によれば、本発明は、配合すべき新規のフレグランスまたはフレーバー成分組成物の非決定論的でかつ現実的なデジタル表現を生成するためにオートエンコーダニューラルネットワークまたは敵対的生成ネットワークデバイスをトレーニングするためのデバイスを目的としており、このデバイスは、以下のステップ：
－少なくとも２つの異なる成分を含む具体化されたフレグランスまたはフレーバー組成物を代表するものである例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットを提供する手段と、
－配合すべき少なくとも２つの異なる成分を含む、新規のフレグランスまたはフレーバー成分組成物を生成するようにトレーニングされたフレグランスまたはフレーバー組成物生成モデルを生成するために、例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットを使用してオートエンコーダデバイスまたは敵対的生成ネットワークデバイスをトレーニングする手段とを含む。
－少なくとも２つの異なる成分を含む具体化されたフレグランスまたはフレーバー組成物を代表するものである例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットを提供する手段と、
－配合すべき少なくとも２つの異なる成分を含む、新規のフレグランスまたはフレーバー成分組成物を生成するようにトレーニングされたフレグランスまたはフレーバー組成物生成モデルを生成するために、例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットを使用してオートエンコーダデバイスまたは敵対的生成ネットワークデバイスをトレーニングする手段とを含む。
第８の態様によれば、本発明は、フレグランスまたはフレーバー組成物デジタル識別子を生成するためのデバイスを目的としており、このデバイスは、本発明対象の方法に記載のトレーニングでトレーニングされたオートエンコーダまたは敵対的生成ネットワークデバイスを使用してフレグランスまたはフレーバー組成物を生成する手段を含む。
本発明の第３～第８の態様は、関連する第１および第２の態様と同じ利点を呈する。
本発明の他の利点、目的、および特定の特徴は、本明細書に添付の図面に関連して、本発明の少なくとも１つの特定の実施形態の以下の網羅するものではない説明から明らかになるであろう。
発明の詳細な説明
１つの実施形態の各特徴は、任意の他の実施形態の任意の他の特徴と有利なやり方で組み合わせてもよいため、この説明は網羅するものではない。また、様々な発明概念は、１つまたは複数の方法として実施されてよく、それらの一例が提供されている。本方法の一部として実行される行為は、任意の適切なやり方で順序付けてよい。したがって、実例的な実施形態において順次連続した行為として示されていたとしても、それらの行為が図示とは異なる順序で行われ、いくつかの行為は同時に行われることを含み得る実施形態が構築されてもよい。
１つの実施形態の各特徴は、任意の他の実施形態の任意の他の特徴と有利なやり方で組み合わせてもよいため、この説明は網羅するものではない。また、様々な発明概念は、１つまたは複数の方法として実施されてよく、それらの一例が提供されている。本方法の一部として実行される行為は、任意の適切なやり方で順序付けてよい。したがって、実例的な実施形態において順次連続した行為として示されていたとしても、それらの行為が図示とは異なる順序で行われ、いくつかの行為は同時に行われることを含み得る実施形態が構築されてもよい。
本明細書および特許請求の範囲で使用されるように、不定冠詞「ａ」および「ａｎ」は、明示的に反することが示されていない限り、「少なくとも１つ」を意味するものと理解されるべきである。
本明細書および特許請求の範囲で使用されるように、「および／または」という表現は、そのように結合された要素の「いずれかまたは両方」、すなわち、いくつかの場合には結合的に存在し、他の場合には分離的に存在する要素を意味するものと理解されるべきである。「および／または」で列記された複数の要素は、同じように解釈されるべきであり、すなわち、そのように結合された要素の「１つまたは複数」を意味する。「および／または」節によって具体的に識別された要素以外の他の要素が、具体的に識別されたこれらの要素に関連するかどうかにかかわらず任意選択的に存在する場合もある。したがって、非限定的な例として、「Ａおよび／またはＢ」への言及が「含む」などの拡張可能な言語と組み合わせて使用される場合、１つの実施形態では、Ａのみ（任意選択的にＢ以外の要素を含む）；別の実施形態では、Ｂのみ（任意選択的にＡ以外の要素を含む）；さらに別の実施形態では、ＡおよびＢの両方（任意選択的に他の要素を含む）；などを指し得る。
本明細書および特許請求の範囲で使用されるように、「または」は、上記で定義された「および／または」と同じ意味を有するものと理解されるべきである。例えば、リスト内の項目を区切る場合、「または」もしくは「および／または」は、包括的であるように、すなわち、要素の数または列記のうち、少なくとも１つを含むが、１より多くのものも含み、ならびに列記されていない付加的項目を任意選択的に含むものであるように解釈されよう。例えば「のうちの１つだけ」または「のうちの厳密に１つ」、あるいは特許請求の範囲で使用される場合の「～からなる」など、明示的に反することが示されている用語のみが、要素の数または列記のうちの厳密に１つの要素が含まれていることを指す。一般的に、本明細書で使用されるように、「または」という用語は、例えば「いずれか」、「のうちの１つ」、「のうちの１つだけ」、または「のうちの厳密に１つ」などの排他性の用語に先行する場合にのみ、排他的選択肢（すなわち「一方または他方だが両方ではない」）を示すものとして解釈されよう。「実質的に～からなる」は、特許請求の範囲において使用される場合、特許法の分野で使用される通常の意味を有するものとする。
本明細書および特許請求の範囲で使用されるように、１つまたは複数の要素の列記に言及する「少なくとも１つ」という表現は、要素のリスト内の任意の１つまたは複数の要素から選択される少なくとも１つの要素を意味するものと理解すべきであるが、必ずしも要素のリスト内に具体的に列記された各々およびすべての要素の少なくとも１つを含むものではなく、要素のリスト内の要素の任意の組み合わせを除外しない。この定義も、「少なくとも１つ」という表現が指す要素のリスト内で具体的に識別された要素以外の要素が、具体的に識別されたこれらの要素に関連するかどうかにかかわらず任意選択的に存在する場合もあることを可能にする。したがって、非限定的な例として、「ＡおよびＢの少なくとも１つ」（あるいは等価的に「ＡまたはＢの少なくとも１つ」あるいは等価的に「Ａおよび／またはＢの少なくとも１つ」）は、１つの実施形態では、Ｂが存在しない、２つ以上のＡを任意選択的に含む少なくとも１つのＡ（ならびにＢ以外の要素を任意選択的に含む）；別の実施形態では、Ａが存在しない、２つ以上のＢを任意選択的に含む少なくとも１つのＢ（ならびにＡ以外の要素を任意選択的に含む）；さらに別の実施形態では、２つ以上のＡを任意選択的に含む少なくとも１つのＡ、および２つ以上のＢを任意選択的に含む少なくとも１つのＢ（ならびに他の要素を任意選択的に含む）などを指し得る。
特許請求の範囲、ならびに上記明細書において、「含む」、「含有する」、「持っている」、「有する」、「収容する」、「伴う」、「保持する」「～を含む」などのすべての移行句は、拡張可能であること、すなわち、それらを含むがそれらに限定されないことを意味するものと理解すべきである。移行句「～からなる」および「実質的に～からなる」だけが、それぞれ限定的または半限定的な移行句であるものとされよう。
この点においては、図面が縮尺通りではないことに留意されたい。
フレーバーおよびフレグランスの知覚は、製品の化学的混合物と個々の生物学的受容体との間の相互作用によって励起される。化学製品から知覚に至るまで、最終製品の正／負のフィードバックを決定する感覚と感情とを生成するために、プロセスの高度な非線形的連鎖が起こっている。
ディープニューラルネットワークは、視覚、聴覚、言語理解など、人間の認知の複数の側面をモデル化することを既に可能にしている。そのようなモデルは、非常にリアルな画像や音／歌の生成にも使用されている。しかしながら、嗅覚や味覚に関するモデルは、主に利用可能なデータ量が限られている理由からほとんど注目されていない。
本明細書で呈示されるモデルの目的は、以下のような所定のターゲットを考慮することによって、新規の代替的フレグランスまたはフレーバー組成物を生成することである：
－「グリーン、ウッディ、バニラ」または「フルーティ、シトラス、アロマティック」、「ローストチキン」または「ストロベリー、シトラス」などの識別されたフレグランスまたはフレーバー組成物に関連付けられた嗅覚または味覚の方向性であって、この場合、精神化学的知覚の点で類似のまたはそれに近い別の項目の味覚または匂いを表し、成分の特徴としていずれ既知となる、フレグランスまたはフレーバーの味覚または匂いの記述子に対応する嗅覚の方向性、味覚の方向性、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた条件付け媒体、識別されたフレグランスまたはフレーバー組成物が注入される消費者製品のフレグランスまたはフレーバー用途に関連付けられた条件付け媒体など；そのような条件付け媒体は、芳香性の分子の輸送を可能にする化学基剤を示す。用途の例は、「石鹸」、「液体洗剤」、「粉末洗剤」、「シャンプー」、「スキンケア／フェイス」、「飲料」、「スープ＆ストック」、「スイーツ」、「デザート」、「ダイアリー」などである、
－消費者製品において識別されたフレグランスまたはフレーバー組成物に関連付けられた視覚的および／または嗅覚的／味覚的安定性評価制御：沈殿物なし、非常に僅かな黄色い着色、非常に僅かな臭いの変化、フレグランスまたはフレーバーの安定性を代表するスコアまたはパーセンテージに対応する値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた生分解性のパーセンテージ；そのような単位はパーセンテージとして測定でき、例えば、組成物中の化学物質の割合の９５％が２８日後の試験で生分解性である、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた再生可能な炭素のパーセンテージ；そのような単位はパーセンテージとして測定可能であり、例えば、組成物中の化学物質の割合の６５％が再生可能な炭素源であり、石油化学の調達に由来するのではなく、天然の調達に由来するか、または再生可能な炭素基準の大部分を維持しながら変換された化学的または生物学的分子に由来する（炭素の５０％を超える部分が石油化学の調達に由来しない）、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた精神物理学的知覚強度；そのような単位は、例えば、臭気強度の基準スケールにおいて６４％などのパーセンテージとして測定することができ、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた引火点値；そのような単位は、例えば、６７℃など、爆発のリスクなしで飛行機または船舶でのフレグランスの輸送が可能なパーセンテージとして測定することができる、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた毒性値；そのような単位は、例えば、組成物中の化学物質の１００％が非毒性であるなどのパーセンテージとして測定することができる、
－識別されたフレグランス／フレーバー組成物に関連付けられた皮膚感作値、
－例えば、グルテンフリーまたはベジタリアンなどダイエットタイプを代表する値、
－組成物中の複数の成分、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた増強成分適合値；そのような単位は、例えば、スクラロースのパーセンテージ、フルクトースのパーセンテージ、旨味のパーセンテージ、増強成分のパーセンテージなどのパーセンテージとして測定することができる、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた環境累積値、および／または
－組成物の保持指標。
－「グリーン、ウッディ、バニラ」または「フルーティ、シトラス、アロマティック」、「ローストチキン」または「ストロベリー、シトラス」などの識別されたフレグランスまたはフレーバー組成物に関連付けられた嗅覚または味覚の方向性であって、この場合、精神化学的知覚の点で類似のまたはそれに近い別の項目の味覚または匂いを表し、成分の特徴としていずれ既知となる、フレグランスまたはフレーバーの味覚または匂いの記述子に対応する嗅覚の方向性、味覚の方向性、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた条件付け媒体、識別されたフレグランスまたはフレーバー組成物が注入される消費者製品のフレグランスまたはフレーバー用途に関連付けられた条件付け媒体など；そのような条件付け媒体は、芳香性の分子の輸送を可能にする化学基剤を示す。用途の例は、「石鹸」、「液体洗剤」、「粉末洗剤」、「シャンプー」、「スキンケア／フェイス」、「飲料」、「スープ＆ストック」、「スイーツ」、「デザート」、「ダイアリー」などである、
－消費者製品において識別されたフレグランスまたはフレーバー組成物に関連付けられた視覚的および／または嗅覚的／味覚的安定性評価制御：沈殿物なし、非常に僅かな黄色い着色、非常に僅かな臭いの変化、フレグランスまたはフレーバーの安定性を代表するスコアまたはパーセンテージに対応する値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた生分解性のパーセンテージ；そのような単位はパーセンテージとして測定でき、例えば、組成物中の化学物質の割合の９５％が２８日後の試験で生分解性である、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた再生可能な炭素のパーセンテージ；そのような単位はパーセンテージとして測定可能であり、例えば、組成物中の化学物質の割合の６５％が再生可能な炭素源であり、石油化学の調達に由来するのではなく、天然の調達に由来するか、または再生可能な炭素基準の大部分を維持しながら変換された化学的または生物学的分子に由来する（炭素の５０％を超える部分が石油化学の調達に由来しない）、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた精神物理学的知覚強度；そのような単位は、例えば、臭気強度の基準スケールにおいて６４％などのパーセンテージとして測定することができ、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた引火点値；そのような単位は、例えば、６７℃など、爆発のリスクなしで飛行機または船舶でのフレグランスの輸送が可能なパーセンテージとして測定することができる、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた毒性値；そのような単位は、例えば、組成物中の化学物質の１００％が非毒性であるなどのパーセンテージとして測定することができる、
－識別されたフレグランス／フレーバー組成物に関連付けられた皮膚感作値、
－例えば、グルテンフリーまたはベジタリアンなどダイエットタイプを代表する値、
－組成物中の複数の成分、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた増強成分適合値；そのような単位は、例えば、スクラロースのパーセンテージ、フルクトースのパーセンテージ、旨味のパーセンテージ、増強成分のパーセンテージなどのパーセンテージとして測定することができる、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた環境累積値、および／または
－組成物の保持指標。
「フレグランスまたはフレーバー組成物デジタル識別子」という用語は、フレグランスまたはフレーバー組成物の任意のデジタル表現を指す。そのような組成物は、少なくとも２つの成分の組み合わせに対応する。対応するデジタル表現は、例えば、組成物のグラフまたは線形表記のデータベース内のエントリ識別子に対応し得る。そのような線形表記は、例えば、ＳＭＩＬＥＳ（「Simplified Molecular Input Line Entry Specification」）ストリングに対応し得る。代替的に、そのような組成物は、成分名に対応する英数字名によって参照されてもよい。
本明細書で使用されるように、「計算システム」という用語は、単一型か分散型かにかかわらず、数値入力を受け取り、デジタルインターフェースなどの任意の種類のインターフェースによって、およびそれに向けて数値出力を提供することができる、任意の電子計算デバイスを示す。典型的には、計算システムは、データストレージへのアクセスを有するソフトウェアを実行するコンピュータまたはクライアント側がインターフェースとして作用している間にサーバー側でデータおよび／または計算が実行されるクライアントサーバーアーキテクチャのいずれかを示す。
本発明の重要な利点の１つが、非決定論的組成物識別子を生成するためのトレーニングされたオートエンコーダデバイスまたは敵対的生成ネットワークデバイスの能力にあることを理解すべきである。「非決定論的」という用語は、オートエンコーダデバイスまたは敵対的生成ネットワークデバイスが、配合することによって具体化されるべき新規の具体化されていない組成物識別子を現実的に代表する真にランダムな組成物識別子を生成する能力を指す。換言すれば、非決定論的システムは、元の具体化された組成物識別子に関連付けられた値を再現または導出するのではなく、まったく新規の組成物識別子を生成する。そのような非決定論的能力は、単一の入力に基づいて複数の組成物識別子を生成するようにオートエンコーダデバイスまたは敵対的生成ネットワークデバイスをトレーニングできるという事実によっても表される。そのようなシステムでは、例えば、潜在空間は、凸包として既知の入力適用性範囲を定義する。入力ベクトルは、この範囲内から選択される。入力における生成制約の使用は、前述の適用性範囲から抽出された入力が制約のセットごとに異なるように適用性範囲を変更する。
「現実的な」表現とは、生成された組成物識別子が、対応する具体化された組成物についての材料の世界の挙動を代表することを意図している。これは、例えば、特定の感覚的嗅覚または味覚の方向性に関連付けられた組成物識別子の元のセットを使用して敵対的生成ネットワークがトレーニングされているならば、敵対的生成ネットワークは、元のセットの初期の感覚的嗅覚または味覚の方向性に整合する組成物識別子を生成し、したがって、材料の世界を代表するものであることを意味する。
本明細書において、「具体化された」という用語は、本発明のデジタル環境外に存在することを意図している。「具体化された」とは、例えば、自然界で容易に発見されるか、実験室または化学プラントで合成されることを意味し得る。いずれにせよ、具体化された組成物は、明確な現実を呈示する。「配合される」または「配合する」という用語は、成分の抽出および組み立てを介してか、成分の合成および組み立てを介してかにかかわらず、組成物の具体化の行為を指す。
本明細書で使用されるように、「成分」という用語は、香料成分、フレーバー成分、香水担体、フレーバー担体、香水補助剤、フレーバー補助剤、香水調節剤、フレーバー調節剤を示す。好適には、そのようなフレグランスまたは芳香性の化学的化合物は揮発性である。そのような成分は、天然成分であってもよい。
「香料成分」とは、本明細書では、快楽的効果を付与するために香料調製物または組成物に使用される化合物を意味する。換言すれば、そのような成分は、香料成分であるとみなされるべきであり、当業者によって、組成物の臭いを単に臭いがあるというだけでなく積極的にまたは心地よいやり方で付与または変更できるものとして認識されなければならない。
香料成分の性質とタイプについては、本明細書でより詳細な説明を保証するものではなく、いずれにせよ、網羅するものでもないが、当業者であれば、一般的な知識に基づいて、意図された使用または用途、および所期の官能効果に従ってそれらを選択することができるものである。一般論として、これらの香料補助成分は、アルコール、ラクトン、アルデヒド、ケトン、エステル、エーテル、アセテート、ニトリル、テルペノイド、窒素性または硫黄質複素環化合物および精油などの様々な化学クラスに属し、前述の香料補助成分は天然または合成由来であり得る。前述の香料成分は、いずれにせよ、S. Arctanderによる刊行物「Perfume and Flavor Chemicals, 1969, Montclair, New Jersey, USA」、などの参考テキストまたはそのより新しいバージョン、あるいは同様の性質の他の著作物、および香水の分野における豊富な特許文献に列記されている。また、前述の香料成分は、香料前駆体またはプロフレグランスとしても知られている様々なタイプの香料成分を制御されたやり方で放出することが知られている化合物であってもよいことが理解される。
「香水担体」とは、本明細書では、香水の観点から実質的に中性である、すなわち香料成分の官能特性を著しく変化させない材料を意味する。前述の担体は、液体または固体であってよい。
液体担体としての非限定的な例として、乳化系、すなわち溶媒および界面活性剤系、または香水において一般的に使用される溶媒を挙げることができる。香水で一般的に使用される溶媒の性質とタイプの詳細な説明について網羅することはできない。しかし、非限定的な例として、ブチレンまたはプロピレングリコール、グリセロール、ジプロピレングリコールおよびそのモノエーテル、１，２，３－プロパントリイルトリアセテート、グルタル酸ジメチル、アジピン酸ジメチル１，３－ジアセチルオキシプロパン－２－イルアセテート、フタル酸ジエチル、ミリスチン酸イソプロピル、安息香酸ベンジル、ベンジルアルコール、２－（２－エトキシエトキシ）－１－エタン、クエン酸トリエチル、または最も一般的に使用されるそれらの混合物などの溶媒を挙げることができる。香水担体および香水ベースの両方を含む組成物について、先に特定したもの以外の適切な香水担体は、エタノール、水／エタノール混合物、リモネンまたは他のテルペン、例えばＩｓｏｐａｒ（登録商標）（由来：Exxon Chemical）の商標で知られているイソパラフィンなど、またはＤｏｗａｎｏｌ（登録商標）（由来：Dow Chemical Company）の商標で知られているグリコールエーテルおよびグリコールエーテルエステルなど、またはＣｒｅｍｏｐｈｏｒ（登録商標）ＲＨ４０（由来：BASF）の商標で知られている硬化ヒマシ油などであってもよい。
固体担体は、香料組成物または香料組成物のいくつかの要素を化学的または物理的に結合させることができる材料を指定することを意味する。一般的に、そのような固体担体は、組成物を安定化させるか、または組成物もしくはいくつかの成分の蒸発速度を制御するために採用される。固体担体の使用は、当該技術分野において現在使用されているものであり、当業者ならば、所期の効果に到達する術を知っている。しかしながら、固体担体の非限定的な例として、吸収性ガムまたはポリマーまたは無機材料、例えば多孔性ポリマーなど、シクロデキストリン、木材ベース材料、有機または無機ゲル、粘土、石膏タルクまたはゼオライトを挙げることができる。
固体担体の他の非限定的な例として、カプセル化材料を挙げることができる。そのような材料の例には、壁形成および可塑化材料、例えば単糖類、二糖類、または三糖類、天然または変性デンプン、ハイドロコロイド、セルロース誘導体、ポリ酢酸ビニル、ポリビニルアルコール、タンパク質、またはペクチン、あるいはさらにH. Scherzによる「Hydrokolloide： Stabilisatoren, Dickungs - und Geliermittel in Lebensmitteln, Band 2 der Schriftenreihe Lebensmittelchemie, Lebensmittelqualitaet, Behr’s Verlag GmbH & Co., Hamburg, 1996.」などの参考テキストに引用されている材料を挙げることができる。カプセル化は、当業者にとって周知のプロセスであり、例えば、噴霧乾燥、凝集、あるいはさらに押し出しなどの技術を使用することによって実行することができ；あるいはコアセルベーションおよび複合コアセルベーション技術を含むコーティングカプセル化からなる。
固体担体の非限定的な例として、特に、アミノプラスト、ポリアミド、ポリエステル、ポリウレア、またはポリウレタンタイプの樹脂（前述の樹脂のすべては当業者に周知である）、または任意選択的にポリマー安定剤またはカチオンコポリマーの存在下で、重合、界面重合、コアセルベーション、または全体によって誘導される相分離プロセスのような技術（前述の技術のすべては従来技術に記載されている）を使用したこれらの混合物を有するコアシェルカプセルを挙げることができる。
樹脂は、アルデヒド（例えば、ホルムアルデヒド、２，２－ジメトキシエタナール、グリオキサール、グリオキシル酸またはグリコールアルデヒドおよびそれらの混合物など）と、尿素、ベンゾグアナミン、グリコールウリル、メラミン、メチロールメラミン、メチル化メチロールメラミン、グアナゾールなどのアミン、ならびにそれらの混合物との重縮合によって生成されてよい。代替的に、Ｕｒａｃ（登録商標）（由来：Cytec Technology Corp.）、Ｃｙｍｅｌ（登録商標）（由来：Cytec Technology Corp.）、Ｕｒｅｃｏｌｌ（登録商標）またはＬｕｒａｃｏｌｌ（登録商標）（由来：ＢＡＳＦ）の商標のもとで市販されている予備成形樹脂アルキロール化ポリアミンなどを使用することができる。
他の樹脂には、グリセロールのようなポリオールと、ヘキサメチレンジイソシアネートの３量体、イソホロンジイソシアネートまたはキシリレンジイソシアネートの３量体、またはヘキサメチレンジイソシアネートのビウレット、キシリレンジイソシアネートとトリメチロールプロパンとの３量体（タケネート（登録商標）の商標名で知られている、由来：三井化学）などのポリイソシアネートとの重縮合によって生成されたものがあり、中でもキシリレンジイソシアネートとトリメチロールプロパンとの３量体およびヘキサメチレンジイソシアネートのビウレットが好適である。
アミノ樹脂、すなわちメラミンベースの樹脂とアルデヒドとの重縮合による香水のカプセル化に関連するいくつかの独創的な文献は、K. Dietrichらによって公開された「Acta Polymerica, 1989, vol. 40, pages 243, 325,683, ならびに 1990, vol. 41, page 91」などの論文によって表されるものを含んでいる。そのような論文は、特許文献にもさらに詳しく例示されている従来の方法に従って、そのようなコアシェルマイクロカプセルの調製に影響を与える様々なパラメータを既に記載している。Wiggins Teape Group Limited社に対する米国特許第４，３９６，６７０号明細書は、後者に関係する初期の例である。それ以来、他の多くの著者がこの分野の文献を充実させており、本明細書で開示されたすべての開発を網羅することはできないが、カプセル化技術における一般的な知識は非常に重要である。そのようなマイクロカプセルの好適な使用を開示する、pertinencypertinenceのより最近の刊行物は、例えば、K.BruyninckxおよびM.Dusselierらの論文、「ACS Sustainable Chemistry & Engineering, 2019, vol.7, pages 8041-8054」、H.Y.Leeらによる「Journal of Microencapsulation, 2002, vol.19, pages 559-569」、国際公開第０１／４１９１５号、またはさらにS.Boeneらの論文「Chimia, 2011, vol.65, pages 177-181」によって表される。
「香水補助剤」とは、本明細書では、色、特定の耐光性、化学的安定性などの付加的に加算される利点を付与することができる成分を意味する。香料組成物に一般的に使用される補助剤の性質およびタイプの詳細な説明について網羅することはできないが、前述の成分は当業者に周知であることを言及しなければならない。具体的で非限定的な例として、以下のものを挙げることができる：粘度剤（例えば、界面活性剤、増粘剤、ゲル化および／またはレオロジー調整剤）、安定剤（例えば、防腐剤、酸化防止剤、熱／光および／または緩衝剤またはＢＨＴなどのキレート剤）、着色剤（例えば、染料および／または顔料）、防腐剤（例えば、抗菌剤または抗微生物剤または抗真菌剤または抗刺激剤）、研磨剤、皮膚冷却剤、固定剤、防虫剤、軟膏、ビタミン、およびそれらの混合物。
「香水調整剤」とは、ここでは、前述の調整剤を組み込んだ組成物の匂い、特に蒸発速度および強度が、調整剤の非存在下での同じ認識と比較して、その観察者または使用者によって経時的に認識され得る態様に影響を与える能力を有する薬剤を意味するものと理解される。香水調節剤は、固定剤としても知られている。特に、調節剤は、その香りが知覚される時間を延長することを可能にする。好適な調節剤の非限定的な例としては、メチルグルコシドポリオール；エチルグルコシドポリオール、プロピルグルコシドポリオール、イソセチルアルコール；ＰＰＧ－３ミリスチルエーテル；ジエチルヘキサン酸ネオペンチルグリコール；ラウリン酸スクロース、ジラウリン酸スクロース、ミリスチン酸スクロース、パルミチン酸スクロース、ステアリン酸スクロース、ジステアリン酸スクロース、トリステアリン酸スクロース、ヒアルロン酸二糖ナトリウム塩、ヒアルロン酸ナトリウム、プロピレングリコールプロピルエーテル；ジセチルエーテル；ポリグリセリン－４エーテル；イソセテス－５；イソセテス－７、イソセテス－１０；イソセテス－１２；イソセテス－１５；イソセテス－２０；イソセテス－２５；イソセテス－３０；ラウロアンホジプロピオン酸二ナトリウム、ヘキサエチレングリコールモノドデシルエーテル、およびそれらの混合物、ジイソノナン酸ネオペンチルグリコール、エチルヘキサン酸セテアリル、パンテノールエチルエーテル、ＤＬ－パンテノール、ｎ－ノナン酸ヘキサデシル、ｎ－ノナン酸ノクタデシル、プロフレグランス、シクロデキストリン、カプセル化、およびこれらの組み合わせを含むことができる。
「香味成分」とは、本明細書では、快楽的効果を付与するために香味調製物または組成物に使用される化合物を意味する。換言すれば、そのような成分は、香味成分であるとみなされるべきであり、当業者によって、組成物の味を単に味を有するというだけでなく積極的にまたは心地よいやり方で付与または変更することができるものとして認識されなければならない。組成物中に存在する香味成分の性質およびタイプは、ここでより詳細な説明を保証するものではなく、当業者は、その一般的な知識に基づいて、意図する使用または用途および所期の官能効果に従って、それらを選択することができる。一般論として、これらの香味成分は、アルコール、アルデヒド、ケトン、エステル、エーテル、アセテート、ニトリル、テルペノイド、窒素性または硫黄質複素環化合物および精油などの様々な化学クラスに属し、前述の香味成分は天然または合成由来であり得る。これらの成分の多くは、いずれにせよ、S. Arctanderによる刊行物「Perfume and Flavor Chemicals, 1969, Montclair, New Jersey, USA」などの参考テキストまたはそのより新しいバージョン、あるいは同様の性質の他の著作物、およびフレーバーの分野における豊富な特許文献に列記されている。また、前述の補助成分は、プロフレーバーとも称される様々なタイプの香味化合物を制御されたやり方で放出することが知られている化合物であってもよいことが理解される。
「フレーバー担体」という用語は、フレーバー成分の官能特性を著しく変化させない限りにおいて、フレーバーの観点から実質的に中性である材料を示すものである。担体は、液体または固体であってよい。
適切な液体担体には、例えば、乳化系、すなわち溶媒と界面活性剤系、またはフレーバーにおいて一般的に使用される溶媒が含まれる。フレーバーで一般的に使用される溶媒の性質およびタイプの詳細な説明について網羅することはできない。フレーバーに使用される適切な溶媒には、例えば、プロピレングリコール、トリアセチン、カプリル／カプリン酸トリグリセリド（ｎｅｏｂｅｅ（登録商標））、クエン酸トリエチル、ベンジルアルコール、エタノール、イソプロパノール、シトラステルペン、リンシード油、ひまわり油、またはココナッツ油などの植物油、グリセロールが含まれる。
適切な固体担体には、例えば、吸収性ガムまたはポリマー、あるいはカプセル化材料ですら含まれる。そのような材料の例は、壁形成および可塑化材料、例えば、単糖類、二糖類、または多糖類、天然または変性デンプン、ハイドロコロイド、セルロース誘導体、ポリ酢酸ビニル、ポリビニルアルコール、キサンタンガム、アラビアゴム、アカシアガム、あるいはさらにH. Scherzによる「Hydrokolloid: Stabilisatoren, Dickungs - und Geliermittel in Lebensmitteln, Band 2 der Schriftenreihe Lebensmittelchemie, Lebensmittelqualitaet, Behr’s Verlag GmbH & Co., Hamburg, 1996.」などの参考テキストに引用されている材料を挙げることができる。カプセル化は、当業者にとって周知のプロセスであり、例えば、噴霧乾燥、凝集、押し出し、コーティング、メッキ、コアセルベーションなどの技術を使用して実行することができる。
「フレーバー補助剤」とは、本明細書では、色（例えばカラメル）、化学的安定性などの付加的に加算される利点を付与することができる成分を意味する。香味組成物において一般的に使用される補助剤の性質およびタイプの詳細な説明を網羅することはできない。それにもかかわらず、そのような補助剤は、その一般的な知識に基づいて、意図された使用または用途に従ってそれらを選択することができる当業者には周知である。具体的で非限定的な例として、以下のものを挙げることができる：粘度剤（例えば、乳化剤、増粘剤、ゲル化および／またはレオロジー調整剤、例えばペクチンまたは寒天ガム）、安定剤（例えば、抗酸化剤、熱／光および／または緩衝剤、例えばクエン酸など）、着色剤（例えば、天然または合成または色を付与する天然抽出物など）、防腐剤（例えば、抗菌剤または抗真菌剤、安息香酸など）、ビタミン、およびそれらの混合物。
「フレーバー調節剤」とは、本明細書では、甘味の増強、苦味の遮断、旨味の増強、酸味や甘草味の低減、塩味の増強、冷却効果の増強、またはこれらの任意の組み合わせが可能な成分を意味する。フレーバー調節剤は、三叉神経感覚物とも称される。
本明細書で使用されるように、「組成物」という用語は、少なくとも１つの揮発性分子の液体、固体または気体状の集合体を示す。
本明細書で使用されるように、「フレグランス」という用語は、少なくとも１つの芳香性の化学的化合物による臭気受容体の活性化、増強、および阻害の合計から結果として生じる嗅覚知覚を指す。
本明細書で使用されるように、「フレーバー」という用語は、組成物中の少なくとも成分による嗅覚および／または味覚受容体の活性化、増強および阻害の合計から結果として生じる嗅覚および／または味覚の知覚を指す。
本明細書で使用されるように、「例示的なフレグランスまたはフレーバー組成物デジタル識別子」という用語は、具体化されたフレグランスまたはフレーバー組成物のデジタル化された表現を指す。
図１は、本発明対象の方法１００の特定の実施形態のステップの連続を示す。配合すべき新規のフレグランスまたはフレーバー成分組成物の非決定論的でかつ現実的なデジタル表現を生成するためにオートエンコーダニューラルネットワークまたは敵対的生成ネットワークデバイスをトレーニングするためのこのコンピュータ実装方法１００は、以下のステップ：
－少なくとも２つの異なる成分を含む具体化されたフレグランスまたはフレーバー組成物を代表するものである例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットを提供するステップ１０５と、
－配合すべき少なくとも２つの異なる成分を含む、新規のフレグランスまたはフレーバー成分組成物を生成するようにトレーニングされたフレグランスまたはフレーバー組成物生成モデルを生成するために、例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットを使用してオートエンコーダデバイスまたは敵対的生成ネットワークデバイスをトレーニングするステップ１１０とを含む。
－少なくとも２つの異なる成分を含む具体化されたフレグランスまたはフレーバー組成物を代表するものである例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットを提供するステップ１０５と、
－配合すべき少なくとも２つの異なる成分を含む、新規のフレグランスまたはフレーバー成分組成物を生成するようにトレーニングされたフレグランスまたはフレーバー組成物生成モデルを生成するために、例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットを使用してオートエンコーダデバイスまたは敵対的生成ネットワークデバイスをトレーニングするステップ１１０とを含む。
提供するステップ１０５は、例えば、マイクロプロセッサなどの電子計算デバイスによって実行されるコンピュータプログラムによって実行される。この提供するステップ１０５の間に、少なくとも１つの例示的なフレグランスまたはフレーバー組成物デジタル識別子が、トレーニングされる機械学習デバイスに提供される。そのような提供するステップ１０５は、例示的なフレグランスまたはフレーバー組成物デジタル識別子を、デジタル記憶場所から別の場所にメモリ内で転送することに対応し得るものであり、後者は機械学習デバイスのトレーニングセット専用のものである。そのような提供するステップ１０５の間、別個のフレグランスまたはフレーバー組成物を代表するフレグランスまたはフレーバー組成物デジタル識別子のより大きなサンプルは、トレーニングセットと検証セットとに分割されてよい。
トレーニングするステップ１１０は、オートエンコーダデバイスまたは敵対的生成ネットワークデバイスをトレーニングするために適切な任意のトレーニング方法を使用することができる。
特定の実施形態において、例示的なフレグランスの元のセットは、少なくとも１つの例示的なフレグランスまたはフレーバー組成物デジタル識別子に関連付けられた、少なくとも１つの快楽的、感覚的および／または物理化学的パラメータを代表する値をさらに含み、前述の値は、具体化されたフレグランスまたはフレーバー組成物についての少なくとも１つの捕捉された快楽的、感覚的および／または物理化学的パラメータの代表値であり、中でも：
－識別されたフレグランスまたはフレーバー組成物に関連付けられた嗅覚または味覚の方向性、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた条件付け媒体、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた視覚的および／または嗅覚的安定性または劣化値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた生分解性のパーセンテージ、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた再生可能な炭素のパーセンテージ、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた精神物理学的知覚強度、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた引火点値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた毒性値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた皮膚感作値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた増強成分適合値、
－組成物中の複数の成分、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた環境累積値、および／または
－組成物のための保留指標（Ｋｏｖａｔｓ保留指標など）を代表するものである。
－識別されたフレグランスまたはフレーバー組成物に関連付けられた嗅覚または味覚の方向性、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた条件付け媒体、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた視覚的および／または嗅覚的安定性または劣化値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた生分解性のパーセンテージ、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた再生可能な炭素のパーセンテージ、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた精神物理学的知覚強度、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた引火点値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた毒性値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた皮膚感作値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた増強成分適合値、
－組成物中の複数の成分、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた環境累積値、および／または
－組成物のための保留指標（Ｋｏｖａｔｓ保留指標など）を代表するものである。
特定の実施形態では、図１に示されているように、本発明は、少なくとも１つの具体化されたフレグランスまたはフレーバー組成物についての少なくとも１つの快楽的、感覚的、および／または物理化学的パラメータを代表する値を捕捉するステップ１０４を含み、前述の値は、例示的セットにおけるフレグランスまたはフレーバー組成物デジタル識別子に関連付けられたものである。
そのような捕捉するステップ１０４は、例えば、捕捉すべき快楽的、感覚的および／または物理化学的パラメータに適合する任意のタイプのセンサを使用することによって実行されてよい。例えば、皮膚感作値は、アンチバックスキンアッセイまたはＬＬＮＡ法を用いて測定することができる。
特定の実施形態では、
－提供するステップ１０５は、一次条件付け媒体識別子に関連付けられた例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットと、少なくとも１つの二次条件付け媒体識別子に関連付けられた例示的なフレグランスまたはフレーバー組成物デジタル識別子の少なくとも付加的な元のセットとを提供するように構成され、
－トレーニングするステップ１１０は、入力が一次条件付け媒体に関連付けられたフレグランスまたはフレーバー組成物デジタル識別子であり、出力が少なくとも１つの二次条件付け媒体識別子に関連付けられたフレグランスまたはフレーバー組成物デジタル識別子である生成モデルをトレーニングするように構成されている。
－提供するステップ１０５は、一次条件付け媒体識別子に関連付けられた例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットと、少なくとも１つの二次条件付け媒体識別子に関連付けられた例示的なフレグランスまたはフレーバー組成物デジタル識別子の少なくとも付加的な元のセットとを提供するように構成され、
－トレーニングするステップ１１０は、入力が一次条件付け媒体に関連付けられたフレグランスまたはフレーバー組成物デジタル識別子であり、出力が少なくとも１つの二次条件付け媒体識別子に関連付けられたフレグランスまたはフレーバー組成物デジタル識別子である生成モデルをトレーニングするように構成されている。
一次調整媒体の例では、嗅覚の方向性が「スズラン、グルマン、フローラル」で、炭素再生率７０％、生分解性１００％の「石鹸」がある。
トレーニングするステップ１１０の例では、「スープ＆ストック」の条件付け媒体と「ローストチキン」の嗅覚プロファイルとに関連付けられたフレグランスまたはフレーバー組成物デジタル識別子を有することができ、出力は「シトラス」の嗅覚プロファイルを持つ「飲料」の条件付け媒体で最終製品はレモネードソーダであり得る。
条件付け媒体または輸送媒体は、香水用の溶媒または液体石鹸もしくはシャンプー用途用の界面活性剤基剤のように、放出まで芳香性の分子を保持する化学基剤に対応し得る。そのような輸送媒体も、ファインフレグランス、ボディケア、ホームケア、食品、または香気添加物の用途など、フレグランスまたはフレーバー組成物の意図する用途に対応することができる。
以下では、２つの例が呈示される：
－図６によって示されるオートエンコーダデバイス６００のトレーニングに関連する第１の例と
－図８によって示される敵対的生成ネットワークデバイス８００のトレーニングに関連する第２の例である。
－図６によって示されるオートエンコーダデバイス６００のトレーニングに関連する第１の例と
－図８によって示される敵対的生成ネットワークデバイス８００のトレーニングに関連する第２の例である。
オートエンコーダニューラルネットワーク
オートエンコーダは、入力および出力に典型的には同じ数のニューロンを持つ特定のタイプのニューラルネットワークである。出力は、トレーニングプロセス中に入力にできるだけ近くなるように期待され、強制される。この「コピーマシン」の目的は、入力中に表される情報の圧縮目的を果たすニューラルネットワークの層の１つにボトルネックが存在するという興味深い特徴に基づいている。そのようなボトルネック層は、潜在空間と称されるものを表し、そのボトルネック層以前のすべてのニューラルネットワーク層（隠れ層とも称される）は、入力よりもはるかに少ない数のニューロンを用いて最もパフォーマンスの高いやり方で入力の情報を圧縮し、それによって、初期入力の最も顕著な特徴が潜在空間において表されることを目的としている。これは、オートエンコーダの「エンコーダ」部分とも称される。ボトルネック層以降のすべての隠れ層は、潜在空間の情報を解凍し、それによって、出力が可能な限り入力と同様になるようにすることを目的としている。オートエンコーダのそのような部分は「デコーダ」と称される。
オートエンコーダは、入力および出力に典型的には同じ数のニューロンを持つ特定のタイプのニューラルネットワークである。出力は、トレーニングプロセス中に入力にできるだけ近くなるように期待され、強制される。この「コピーマシン」の目的は、入力中に表される情報の圧縮目的を果たすニューラルネットワークの層の１つにボトルネックが存在するという興味深い特徴に基づいている。そのようなボトルネック層は、潜在空間と称されるものを表し、そのボトルネック層以前のすべてのニューラルネットワーク層（隠れ層とも称される）は、入力よりもはるかに少ない数のニューロンを用いて最もパフォーマンスの高いやり方で入力の情報を圧縮し、それによって、初期入力の最も顕著な特徴が潜在空間において表されることを目的としている。これは、オートエンコーダの「エンコーダ」部分とも称される。ボトルネック層以降のすべての隠れ層は、潜在空間の情報を解凍し、それによって、出力が可能な限り入力と同様になるようにすることを目的としている。オートエンコーダのそのような部分は「デコーダ」と称される。
出力が可能な限り同様になるように強制される出力のやり方は、「再構成損失」と称されるもので、これは、入力（典型的にはベクトルで表される）と出力とを量ごとに比較し、その差分を合計するものである。学習プロセスの目的は、逆伝播と称されるプロセスを通じて、その合計に対する可及的に低い数値を得ることである。
オートエンコーダは、画像のノイズ除去など、様々なタスクで使用され、ノイズ除去オートエンコーダとも称される。このノイズ除去オートエンコーダは、潜在空間のスパース表現を学習した後、ノイズの多い画像を呈示することができ、関連する特徴をノイズから区別することを学習したので、学習した潜在空間を通じてそこからノイズを除去することができる。
本発明にとって特に興味深い別の種類のオートエンコーダは、変分オートエンコーダである。この変分オートエンコーダは、潜在空間のスパース表現を学習するだけでなく、さらに新しい出力も生成することができる。
オートエンコーダが学習しているのは入力のデータ分布であり、変分オートエンコーダが行うのは、その問題を２つのサブ問題に分割することである。潜在空間分布の中央値ベクトルと標準偏差ベクトルとを学習し、潜在空間分布がガウスであることを仮定する（そうでなければ中央値または標準偏差が存在することを補償することはできない）。トレーニングプロセスが終了すると、新たに生成された出力を、潜在空間で学習した分布からランダムにサンプリングし、それをデコーダに供給し、モデルがトレーニングオフしたデータ分布の連続的な表現に由来するまったく新しい出力を生成することによって提供することができる。そのようなサンプルは、ランダムでユニークな値を生成するように設計されたサンプリング器によって提供される。
変分オートエンコーダをトレーニングするためには、リパラメータ化トリックと称される最終的なトリックを考慮する必要がある。デコーダに供給されたサンプリング演算は、逆伝播によってトレーニングすることができないので、変分オートエンコーダを適切にトレーニングするためには、決定論的な平均および標準偏差を考慮に入れ、決定論的な標準偏差を持つガウス分布を有するランダムベクトルの乗算にサンプリングプロセスが挿入される。そのようなランダムベクトルは、逆伝播プロセスを介さず、中央値と標準偏差の値とを介すだけである。したがって、サンプリングプロセスは、学習される決定論的な部分と、固定された（したがって学習されない）確率的な部分とに分割される。トレーニングが終わると、正規分布からランダムなベクトルをサンプリングして、それをデコーダに供給することができる。
変分オートエンコーダは、潜在空間の量子化により、自己回帰モデルと称されるモデルを採用することができるため改善が可能である。そのような自己回帰モデルの考え方は、生成自体が自身の先行する値に基づいて条件付けられている点にあり、したがって、出力ベクトルの第１の値はランダムな値となり、出力の第２の値は、生成された第１の値に基づいて条件付けされ、第３の値は、第１の値および第２の値に依存するなどとなる。そのような自己回帰モデルは、トレーニングプロセスが終了した後はデコーダの役割を果たす。
変分オートエンコーダトレーニングのための例示的なアーキテクチャは、各層が先行する層の出力と同じ数のニューロンを有し、１層～５層の隠れ層を含む完全接続型ニューラルネットワークである。特定の実施形態では、非線形性（ｒｅｌｕ，ｐｒｅｌｕ，ｅｌｕ，ｓｅｌｕ，ｓｗｉｓｈ，ｍｉｓｈ，ｓｉｇｍｏｉｄ，ｔａｎｈ，ｔａｎｈｅｘｐなどの任意の活性化関数）を一部またはすべての隠れ層と任意選択的に出力層とに適用することが可能である。
そのようなアーキテクチャをトレーニングするために、以下のような例が実装されてよい：
－入力として、エンコーダは、２つの別個の文字列の連結を受け取る：
－組成物または混合物（例えば２～５００００成分）を代表する第１の文字列６０５；文字列６０５の例：「ウッドレザー」、「ライムミントベリー」、「ラベンダーハロセント」、「メラミン」、および
－上記で定義されたように関連付けられた快楽的、感覚的、および／または物理化学的パラメータを代表する、かつ／または任意選択的に価格またはユーザーの好み指標などの非快楽的、非感覚的、および／または非物理化学的パラメータを代表する第２の文字列６１０；文字列６１０の例：「石鹸」、「価格：１０＄」、「ムスク、バニラ、スパイシー」、「再生可能な炭素：１００％」、「ココナッツ」、「ダイアリー」、「ベジタリアン」、「ナチュラル：１００％」、
－エンコーダ６１５は、入力を受信するように構成され、以下を含む：
－入力側からのサンプルの数に対応する入力サイズ（ニューロンの数）、
－所期の圧縮レベルに依存して構成可能な出力サイズ、
－デコーダの出力側にプラグインされる、潜在空間の平均の予測器、
－デコーダの出力側にプラグインされる、潜在空間の標準偏差の予測器、
－潜在空間６２０は、以下のように説明される再パラメータ化トリックを使用して予測された平均と標準偏差とから計算される：予測された標準偏差は、ランダムガウスノイズによって乗算されて予測された平均に追加され、調整された予測平均と予測標準偏差とが逆伝播される、
－デコーダ６２５は：
－計算された潜在空間の連結と、上記で定義されたように関連付けられた快楽的、感覚的、および／または物理化学的パラメータを代表する、かつ／または任意選択的に価格またはユーザーの好み指標などの非快楽的、非感覚的、および／または非物理化学的パラメータを代表する第２の文字列６３０とにプラグインされ、そのような第２の文字列６３０は、第１の文字列６１０と同一であり、
－計算された潜在空間の連結と各第２の文字列の代表とに対応する入力サイズを含み、
－エンコーダの入力サイズと同じ出力サイズを含み、
－逆伝播中は、再構成損失と発散損失とが最小化されるべきである。再構成損失について、これは、距離を計算できる任意のメトリック（例えば、ＭＳＥ、ＲＭＳＥ、ＫＬ－ダイバージェンスなど）を使用して行うことができる。ダイバージェンス損失については、２つの分布間の距離を計算できる任意のメトリック（例えば、ＫＬ－ダイバージェンス、Ｗａｓｓｅｒｓｔｅｉｎ距離など）を使用して、潜在空間の正規性を強制することが目的である。
－入力として、エンコーダは、２つの別個の文字列の連結を受け取る：
－組成物または混合物（例えば２～５００００成分）を代表する第１の文字列６０５；文字列６０５の例：「ウッドレザー」、「ライムミントベリー」、「ラベンダーハロセント」、「メラミン」、および
－上記で定義されたように関連付けられた快楽的、感覚的、および／または物理化学的パラメータを代表する、かつ／または任意選択的に価格またはユーザーの好み指標などの非快楽的、非感覚的、および／または非物理化学的パラメータを代表する第２の文字列６１０；文字列６１０の例：「石鹸」、「価格：１０＄」、「ムスク、バニラ、スパイシー」、「再生可能な炭素：１００％」、「ココナッツ」、「ダイアリー」、「ベジタリアン」、「ナチュラル：１００％」、
－エンコーダ６１５は、入力を受信するように構成され、以下を含む：
－入力側からのサンプルの数に対応する入力サイズ（ニューロンの数）、
－所期の圧縮レベルに依存して構成可能な出力サイズ、
－デコーダの出力側にプラグインされる、潜在空間の平均の予測器、
－デコーダの出力側にプラグインされる、潜在空間の標準偏差の予測器、
－潜在空間６２０は、以下のように説明される再パラメータ化トリックを使用して予測された平均と標準偏差とから計算される：予測された標準偏差は、ランダムガウスノイズによって乗算されて予測された平均に追加され、調整された予測平均と予測標準偏差とが逆伝播される、
－デコーダ６２５は：
－計算された潜在空間の連結と、上記で定義されたように関連付けられた快楽的、感覚的、および／または物理化学的パラメータを代表する、かつ／または任意選択的に価格またはユーザーの好み指標などの非快楽的、非感覚的、および／または非物理化学的パラメータを代表する第２の文字列６３０とにプラグインされ、そのような第２の文字列６３０は、第１の文字列６１０と同一であり、
－計算された潜在空間の連結と各第２の文字列の代表とに対応する入力サイズを含み、
－エンコーダの入力サイズと同じ出力サイズを含み、
－逆伝播中は、再構成損失と発散損失とが最小化されるべきである。再構成損失について、これは、距離を計算できる任意のメトリック（例えば、ＭＳＥ、ＲＭＳＥ、ＫＬ－ダイバージェンスなど）を使用して行うことができる。ダイバージェンス損失については、２つの分布間の距離を計算できる任意のメトリック（例えば、ＫＬ－ダイバージェンス、Ｗａｓｓｅｒｓｔｅｉｎ距離など）を使用して、潜在空間の正規性を強制することが目的である。
敵対的生成ネットワーク
敵対的生成ネットワーク（ＧＡＮ；Generative Adversarial Networks）は、実際には２つのニューラルネットワーク：１つの生成モデル（Ｇ）と１つの識別モデル（Ｄ）とである。識別モデルは、入力変数が与えられたターゲット変数の条件付き確率を学習する。図８の例８００では、Ｄは、ニューラルネットワークＤに供給される組成物が、実際に実データのサンプルなのか、生成されたサンプルなのかを弁別するように学習する。他方、ニューラルネットワークＧは、入力変数と出力変数との結合確率分布を学習する。生成モデルＧは、データ自体の分布関数を学習しているため、基本的には実データの確率分布に従うべき新規のサンプルを生成するために使用される。
敵対的生成ネットワーク（ＧＡＮ；Generative Adversarial Networks）は、実際には２つのニューラルネットワーク：１つの生成モデル（Ｇ）と１つの識別モデル（Ｄ）とである。識別モデルは、入力変数が与えられたターゲット変数の条件付き確率を学習する。図８の例８００では、Ｄは、ニューラルネットワークＤに供給される組成物が、実際に実データのサンプルなのか、生成されたサンプルなのかを弁別するように学習する。他方、ニューラルネットワークＧは、入力変数と出力変数との結合確率分布を学習する。生成モデルＧは、データ自体の分布関数を学習しているため、基本的には実データの確率分布に従うべき新規のサンプルを生成するために使用される。
この２つのモデルは、敵対的なセットアップにおいて作動する。これは、これらの２つのモデルが互いに「競争」し、最終的には両者がそのタスクにおいてより良好となることを意味する。トレーニングプロセス中は、ランダムなベクトルが、典型的にはＧ（Ｚ）と称される出力を生成する生成モデルＧに供給される。次いで、生成器の出力が弁別器に渡される。時折、実データからのサンプルが弁別器に供給される。弁別器は、単一の数値：その入力が元のデータに属する確率を出力する。モデルＤは、適正なクラスを予測する偶発性を最大化しているが、他方、ＧはＤを騙そうと試みている。ＧＡＮの文献では、ＧとＤとが２人用のミニマックスゲームをプレイしているようなものと言及している。つまりこれは、一方のプレーヤーは勝つ確率を最大化しようと試み、それに対して、他方のプレーヤーは最初のプレーヤーの勝つ確率を最小にしようと試みることを意味する。
この特定のセットアップでは、ジェネレータからの特定の入力または実データが特定の用途（または条件付け媒体）、例えば石鹸、シャンプーなどに属するかどうかを分類する追加の弁別器など、複雑さのいくつかの追加の要素が導入されている。
トレーニングプロセスが終点に達したら、次いで、基本的に具体化されたデータを代表する新しいサンプルを作成するためにジェネレータを使用することができる。実際に、ＧＡＮモデルの価値関数は、生成されたデータの確率分布が、価値関数の汎用的最小値における実データの確率分布であることを保証する。汎用的最小値に到達することは、ＧＡＮをトレーニングするときに直面しなければならない実際の技術的課題である。
異なるタイプのＧＡＮ、例えばｉｎｆｏＧＡＮまたはＷａｓｓｅｒｓｔｅｉｎＧＡＮ（ＷＧＡＮ）などが存在し、本開示のセットアップのために考慮される。特定のｉｎｆｏＧＡＮでは、それらは、ＧＡＮの情報理論的拡張であり、これは、潜在空間表現を分離することができ、それにより、教師なし手法で実データの最も重要な特徴を見ることができるようになる。他方、ＷＧＡＮは、異なる確率分布（実際の確率分布と生成された確率分布）間の距離を計算することができるＷａｓｓｅｒｓｔｅｉｎ距離の使用により生成されたサンプルの品質を向上させる。
そのようなトレーニングアーキテクチャの例には、例えば、完全接続型ニューラルネットワークがあり、これは以下のもの：
－各層が先行する層の出力と同じ数のニューロンを有している１層～５層の隠れ層と、ここで、非線形性（ｒｅｌｕ，ｐｒｅｌｕ，ｅｌｕ，ｓｅｌｕ，ｓｗｉｓｈ，ｍｉｓｈ，ｓｉｇｍｏｉｄ，ｔａｎｈ，ｔａｎｈｅｘｐなどの任意の活性化関数）を一部またはすべての隠れ層と、任意選択的に出力層とに適用することが可能であり、
－成分の存在を計算し、存在と量との間にアダマール積を適用する層と、
－組成物を模倣するランダム（例えば正規）ガウスベクトルと、
ここで、対応するトレーニング方法では、以下のパラメータ：
－入力として：
－組成物または混合物を代表する第１の文字列８０５（例えば、２～５００００成分）と、
－上記で定義されたように関連付けられた快楽的、感覚的、および／または物理化学的パラメータを代表する、かつ／または任意選択的に価格またはユーザーの好み指標などの非快楽的、非感覚的、および／または非物理化学的パラメータを代表する第２の文字列８１０とを使用することが可能であり、
－１００～１０００まで変化する出力サイズで当該入力側に埋め込むために使用される第２の文字列８１０に対応する、入力側にプラグインされたターゲットエンコーダと、
－１００～１００００まで変化可能な出力サイズで入力側にプラグインされ、１００～１０００まで変化する出力サイズでターゲットエンコーダにプラグインされる生成器８１５と、前述の生成器は、入力とターゲットエンコーダ値の連結と、１００～１００００まで変化可能な出力サイズとをさらに使用し、前述の生成器は、入力に使用されている成分の可能な数を有する組成物を提供し、
－全体の入力または生成器のいずれかにランダムにプラグインされ、本物または偽物の組成物のための分類として出力サイズが１に等しい本物／偽物弁別器８２０と、
－所期のターゲットのための分類として、全体の入力またはターゲットの数と同じ出力サイズを有する生成器のいずれかにランダムにプラグインされる弁別器ターゲットとを含み、
－逆伝播として、弁別器は批判損失の最大化を試み、すなわち、実インスタンスに基づく出力と、生成されたインスタンスに基づく出力との間の差分の最大化を試み、生成器は偽インスタンスに対する弁別器の出力の最大化を試みる。
－各層が先行する層の出力と同じ数のニューロンを有している１層～５層の隠れ層と、ここで、非線形性（ｒｅｌｕ，ｐｒｅｌｕ，ｅｌｕ，ｓｅｌｕ，ｓｗｉｓｈ，ｍｉｓｈ，ｓｉｇｍｏｉｄ，ｔａｎｈ，ｔａｎｈｅｘｐなどの任意の活性化関数）を一部またはすべての隠れ層と、任意選択的に出力層とに適用することが可能であり、
－成分の存在を計算し、存在と量との間にアダマール積を適用する層と、
－組成物を模倣するランダム（例えば正規）ガウスベクトルと、
ここで、対応するトレーニング方法では、以下のパラメータ：
－入力として：
－組成物または混合物を代表する第１の文字列８０５（例えば、２～５００００成分）と、
－上記で定義されたように関連付けられた快楽的、感覚的、および／または物理化学的パラメータを代表する、かつ／または任意選択的に価格またはユーザーの好み指標などの非快楽的、非感覚的、および／または非物理化学的パラメータを代表する第２の文字列８１０とを使用することが可能であり、
－１００～１０００まで変化する出力サイズで当該入力側に埋め込むために使用される第２の文字列８１０に対応する、入力側にプラグインされたターゲットエンコーダと、
－１００～１００００まで変化可能な出力サイズで入力側にプラグインされ、１００～１０００まで変化する出力サイズでターゲットエンコーダにプラグインされる生成器８１５と、前述の生成器は、入力とターゲットエンコーダ値の連結と、１００～１００００まで変化可能な出力サイズとをさらに使用し、前述の生成器は、入力に使用されている成分の可能な数を有する組成物を提供し、
－全体の入力または生成器のいずれかにランダムにプラグインされ、本物または偽物の組成物のための分類として出力サイズが１に等しい本物／偽物弁別器８２０と、
－所期のターゲットのための分類として、全体の入力またはターゲットの数と同じ出力サイズを有する生成器のいずれかにランダムにプラグインされる弁別器ターゲットとを含み、
－逆伝播として、弁別器は批判損失の最大化を試み、すなわち、実インスタンスに基づく出力と、生成されたインスタンスに基づく出力との間の差分の最大化を試み、生成器は偽インスタンスに対する弁別器の出力の最大化を試みる。
図２は、本発明対象の方法２００の特定の実施形態を示す。デジタル識別子によって表されるフレグランスまたはフレーバー組成物を生成するためのこのコンピュータ実装方法２００は、上記に開示されている方法の任意の変化形態に従ってトレーニングされたオートエンコーダまたは敵対的生成ネットワークデバイスを使用して、フレグランスまたはフレーバー組成物を生成するステップ１１５を含む。
例えば、そのような生成するステップ１１５は、例えば、コンピュータなどの電子計算ユニットまたは計算システム上で実行されるコンピュータプログラムによって実行される。このステップの間、トレーニングされた機械学習デバイスは、出力として、基準（上述の快楽的、感覚的、および／または物理化学的パラメータなど）に対する予め定められた値に適合するフレグランスまたはフレーバー組成物を提供するように実行される。
以下では、２つの例が呈示される：
－図７によって示されるフレグランスまたはフレーバー組成物を生成するためのオートエンコーダデバイス７００の使用に関する第１の例、および
－図９によって示されるフレグランスまたはフレーバー組成物を生成するための敵対的生成ネットワークデバイス９００のトレーニングに関する第２の例である。
－図７によって示されるフレグランスまたはフレーバー組成物を生成するためのオートエンコーダデバイス７００の使用に関する第１の例、および
－図９によって示されるフレグランスまたはフレーバー組成物を生成するための敵対的生成ネットワークデバイス９００のトレーニングに関する第２の例である。
第１の例では、トレーニング中に潜在空間を模倣するランダム（例えば正規）ガウスベクトル７０５が、デコーダ７１５に供給される。理想的には、このベクトルは、入力が既にデコーダ７１５によって使用されている見込みを低減することによって出力の独自性を保証するために１００を超える次元を呈示する。
デコーダ７１５の入力は、価格、嗅覚または味覚の方向性、用途、安定性、生分解性、再生可能炭素の割合、消費者の嗜好、あるいはトレーニング中に使用されるセット、ならびに潜在空間とターゲットパラメータとの連結に整合させなければならない組成物についての他の快楽的、感覚的、および／または物理化学的パラメータターゲットなどのパラメータセットである。
生成器として作用するデコーダ７１５は、トレーニング中に使用された成分の数と同じ出力サイズを提供し、これは組成物またはフレーバーまたは構成を呈示する。
第２の例では、価格、嗅覚または味覚の方向性、用途、安定性、生分解性、再生可能炭素の割合、消費者の嗜好、あるいはトレーニング中に使用されるセットに整合させなければならない組成物についての入力ターゲットとして作用する他の快楽的、感覚的、および／または物理化学的パラメータターゲットなどのパラメータセットである。
ターゲットエンコーダは、１００～１０００まで変化する出力サイズでパラメータ値を埋め込むために使用される入力側にプラグインされる。
生成器９１５は、ランダムベクトル９１５ならびにターゲット９１０を、当該ターゲットに整合する組成物生成のための入力として使用する。
特定の実施形態では、生成するステップ１１５は、生成されたフレグランスまたはフレーバー組成物デジタル識別子について、中でも：
－識別されたフレグランスまたはフレーバー組成物に関連付けられた嗅覚または味覚の方向性、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた条件付け媒体、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた視覚的および／または嗅覚的安定性または劣化値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた生分解性のパーセンテージ、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた再生可能な炭素のパーセンテージ、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた精神物理学的知覚強度、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた引火点値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた毒性値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた皮膚感作値、
－組成物中の複数の成分、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた増強成分適合値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた環境累積値、および／または
－組成物のための保留指標について、フレグランスまたはフレーバー組成物デジタル識別子を、少なくとも１つの快楽的、感覚的、および／または物理化学的パラメータを代表する生成された組成物に対する少なくとも１つの入力制約を代表する少なくとも１つの値の関数として生成するように構成されている。
－識別されたフレグランスまたはフレーバー組成物に関連付けられた嗅覚または味覚の方向性、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた条件付け媒体、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた視覚的および／または嗅覚的安定性または劣化値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた生分解性のパーセンテージ、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた再生可能な炭素のパーセンテージ、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた精神物理学的知覚強度、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた引火点値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた毒性値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた皮膚感作値、
－組成物中の複数の成分、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた増強成分適合値、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた環境累積値、および／または
－組成物のための保留指標について、フレグランスまたはフレーバー組成物デジタル識別子を、少なくとも１つの快楽的、感覚的、および／または物理化学的パラメータを代表する生成された組成物に対する少なくとも１つの入力制約を代表する少なくとも１つの値の関数として生成するように構成されている。
特定の実施形態では、生成するステップ１１５は、少なくとも１つの二次条件付け媒体識別子に関連付けられたフレグランスまたはフレーバー組成物デジタル識別子を、一次条件付け媒体識別子に関連付けられた少なくとも１つのフレグランスまたはフレーバー組成物デジタル識別子の入力の関数として生成するように構成されている。
特定の実施形態では、図３に示されているように、上記に開示されている任意の実施形態によるコンピュータ実装方法３００は、
－トレーニングされた補助的機械学習デバイスを生成するステップ１３０を含み、該生成するステップ１３０は：
－例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットと、嗅覚もしくは味覚の特徴または特性値（例えば「ムスク」、「バニラ」、「グリルビーフ」、「ストロベリー」、「シトラス」など）、前述の構造に関連付けられた化学的化合物量を代表する値などの化学的特徴を代表するラベルとを提供するステップ１３１と、
－組成物分類器を提供するために例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットを使用して補助的機械学習デバイスをトレーニングするステップ１３２とを含み、さらに前述の方法は、
－機械学習デバイスを用いて敵対的生成ネットワークデバイスまたはオートエンコーダデバイスをトレーニングするステップを制約するステップ１３５を含み、前述のステップは、前述のトレーニングするステップ中に、強化ルールとして、または生成されたフレグランスまたはフレーバー組成物識別子の後処理を介して実行されるものである。
－トレーニングされた補助的機械学習デバイスを生成するステップ１３０を含み、該生成するステップ１３０は：
－例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットと、嗅覚もしくは味覚の特徴または特性値（例えば「ムスク」、「バニラ」、「グリルビーフ」、「ストロベリー」、「シトラス」など）、前述の構造に関連付けられた化学的化合物量を代表する値などの化学的特徴を代表するラベルとを提供するステップ１３１と、
－組成物分類器を提供するために例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットを使用して補助的機械学習デバイスをトレーニングするステップ１３２とを含み、さらに前述の方法は、
－機械学習デバイスを用いて敵対的生成ネットワークデバイスまたはオートエンコーダデバイスをトレーニングするステップを制約するステップ１３５を含み、前述のステップは、前述のトレーニングするステップ中に、強化ルールとして、または生成されたフレグランスまたはフレーバー組成物識別子の後処理を介して実行されるものである。
生成するステップ１３０、提供するステップ１３１、およびトレーニングするステップ１３２は、図１に関連して開示された方法１００および関連する提供するステップ１０５およびトレーニングするステップ１１０に類似して実行することができる。そのような機械学習デバイスは、例えば、ニューラルネットワークデバイスであってよい。
制約するステップ１３５は、補助的機械学習デバイスの出力をオートエンコーダまたは敵対的生成ネットワークデバイス用の生成入力として使用することによって実行されてよい。そのような補助的機械学習デバイスの出力は、生成された組成物をこの補助的機械学習デバイスに入力し、その結果をオートエンコーダまたは敵対的生成ネットワークデバイスに遡及的に注入することによって動的にかつトレーニング後に得られてもよい。
そのような補助機械学習デバイス１００５は、トレーニングアーキテクチャ１０００による間の生成データの処理として、図１０に示されている。トレーニングされたデバイス１１００は、図１１に示されている。そのような補助的機械学習デバイス１００５は、例えば、ＧＡＮで使用されるような、弁別器ニューラルネットワークである。
さらなる実施形態において、本方法は、オートエンコーダデバイスのトレーニングにおける強化機構を含むことができる。そのような強化機構は、例えば、新しいまたは所期の解決手段を見つけるための強化損失であってよい。そのような強化規則は、例えば、結果を特定の嗅覚の調子を表現するように強制することである。
特定の実施形態では、方法１００，２００および／または３００は、生成されたフレグランスまたはフレーバー組成物を配合するステップ１３６を含むことができる。そのような、フレグランスまたはフレーバー組成物を得るための配合するステップ１３６は、当業者に周知の任意の手段を使用して実施してよい。そのような手段は、例えば、実験室または化学工場において合成する手段であってもよい。
図１に示されているような特定の実施形態では、方法１００は、配合すべき生成されたフレグランスまたはフレーバー組成物デジタル識別子を選択するステップ１３７を含むことができる。そのような配合のステップ１３７は、例えばユーザーインターフェースを介して手動で実行してもよいし、生成され選択された化学的化合物デジタル識別子を配合することができるデバイスへの配合命令の発出を介して自動的に実行されてもよい。
理解されるように、本発明は、図１に示されているような方法１００の任意の変形形態に従ってトレーニングされたコンピュータ実装オートエンコーダデバイスを目的としている。
理解されるように、本発明は、図１に示されているような方法１００の任意の変形形態による方法に従ってトレーニングされたコンピュータ実装敵対的生成ネットワークデバイスを目的としている。
理解されるように、本発明は、図１～図３に示されているような任意の方法１００，２００または３００の任意の変形形態を実行するためのプログラミング命令を含んでいるコンピュータプログラム製品を目的としている。
理解されるように、本発明は、コンピュータによって実行されるときに、図１～図３に示されているような任意の方法１００，２００または３００の任意の変形形態のステップをコンピュータに実行させることを示すプログラミング命令が記憶されているコンピュータ可読記憶媒体を目的としている。
図４は、本発明対象のデバイス４００の特定の実施形態を示す。配合すべき新規のフレグランスまたはフレーバー成分組成物の非決定論的でかつ現実的なデジタル表現を生成するためにオートエンコーダニューラルネットワークまたは敵対的生成ネットワークデバイスをトレーニングするためのこのデバイス４００は、以下のステップ：
－少なくとも２つの異なる成分を含む具体化されたフレグランスまたはフレーバー組成物を代表するものである例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットを提供する手段４０５と、
－配合すべき少なくとも２つの異なる成分を含む、新規のフレグランスまたはフレーバー成分組成物を生成するようにトレーニングされたフレグランスまたはフレーバー組成物生成モデルを生成するために、例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットを使用してオートエンコーダデバイスまたは敵対的生成ネットワークデバイスをトレーニングする手段４１０とを含む。
－少なくとも２つの異なる成分を含む具体化されたフレグランスまたはフレーバー組成物を代表するものである例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットを提供する手段４０５と、
－配合すべき少なくとも２つの異なる成分を含む、新規のフレグランスまたはフレーバー成分組成物を生成するようにトレーニングされたフレグランスまたはフレーバー組成物生成モデルを生成するために、例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットを使用してオートエンコーダデバイスまたは敵対的生成ネットワークデバイスをトレーニングする手段４１０とを含む。
提供する手段４０５およびトレーニングする手段４１０は、本発明対象の方法１００の等価的な提供するステップ１０５およびトレーニングするステップ１１０に必要な変更を加えて対応するものである。
図５は、本発明対象のデバイス５００の特定の実施形態を示す。フレグランスまたはフレーバー組成物デジタル識別子を生成するためのこのデバイス５００は、本発明対象の方法の特定の実施形態に従ってトレーニングされたオートエンコーダまたは敵対的生成ネットワークデバイスを使用して、フレグランスまたはフレーバー組成物を生成する手段５０５を含んでいる。
この生成する手段５０５は、本発明対象の方法１００の等価的な生成するステップ１１５に必要な変更を加えて対応するものである。
そのようなオートエンコーダと敵対的生成ニューラルネットワークの使用は、出力基準によって定義されるターゲット組成物とライン拡張とを生成するために使用されてよい。ライン拡張は、初期組成物が設計された元の媒体とは異なる媒体に適合するように組成物を変更することに対応する。
図１０および図１１は、本発明対象のオートエンコーダ１０００の特定の実施形態を示す。この実施形態では、オートエンコーダの学習における快楽的、感覚的および／または物理化学的パラメータを代表するトレーニングに使用される入力１０１０は、デコーダの入力１０１５とは異なっており、そのため、生成段階の有効性要件は、学習段階の初期要件とは異なる。例えば、そのような変化は、例えば、条件付け媒体の変化を反映するかもしれない。そのような実施形態は、例えば、例示的なデータセットの条件付け媒体とは異なる条件付け媒体のための組成物を適合させるような、組成物における変換の獲得を可能にする。そのような特徴は、香水または味覚用途の変化を指すライン拡張を可能にさせる。
図１０および図１１は、有効性制約の変化とは無関係に、生成する段階の間の組成物の代替的セットの使用も示す。そのような代替的セットは、ランダム、ルールベースであってもよく、あるいは少なくともトレーニング段階において使用された元のデータセットと比較した変形形態を呈示するものであってもよい。そのような代替的セットは、例えば、別の生成器の出力に対応することができる。
図１２は、本発明対象の後処理方法１２００の特定の実施形態を示す。この後処理方法１２００は、以下のもの：
－生成された組成物に対する生成ターゲットを入力するステップ１２０５と、
－組成物のバッチを生成するステップ１２１０と、
－以下の後処理ステップ：
－組成物中に生成された条件付け媒体識別子についてフィルタリングするステップ１２１５と、
－有効範囲に従って生成された組成物の価格値についてフィルタリングするステップ１２２５と、
－有効範囲に従って生成された組成物の持続可能性値についてフィルタリングするステップ１２３０と、
－有効範囲に従って生成された組成物の安定値についてフィルタリングするステップ１２３５と、
－有効範囲に従って生成された組成物の安全値についてフィルタリングするステップ１２３６とのうちの少なくとも１つと、
－１つまたは複数の後処理ステップを通過する組成物を出力するステップ１２４０とを含む。
－生成された組成物に対する生成ターゲットを入力するステップ１２０５と、
－組成物のバッチを生成するステップ１２１０と、
－以下の後処理ステップ：
－組成物中に生成された条件付け媒体識別子についてフィルタリングするステップ１２１５と、
－有効範囲に従って生成された組成物の価格値についてフィルタリングするステップ１２２５と、
－有効範囲に従って生成された組成物の持続可能性値についてフィルタリングするステップ１２３０と、
－有効範囲に従って生成された組成物の安定値についてフィルタリングするステップ１２３５と、
－有効範囲に従って生成された組成物の安全値についてフィルタリングするステップ１２３６とのうちの少なくとも１つと、
－１つまたは複数の後処理ステップを通過する組成物を出力するステップ１２４０とを含む。
図１３は、ＶＡＥトレーニングアーキテクチャ１３００の一例を示すものであり、その中で：
－２３２１項目のサイズの入力配列１３０１は、以下のもの：
－２０００項目の出力サイズの例示的な組成物１３０５、
－３００項目の出力サイズの嗅覚ターゲット１３０４、
－２０項目の出力サイズの用途ターゲット１３０３、
－１項目の出力サイズの価格ターゲット１３０２、
を含有する複数のタイプの入力を含み、
－そのような入力配列１３０１は、エンコーダ１３０６に供給され、前述のエンコーダ１３０６は、以下のもの：
－７００項目の出力サイズを有する完全接続型人工ニューロン層１３０７と、
－３５０の出力サイズを有し、完全接続型人工ニューロン層１３０７の出力の平均として使用されるように構成された完全接続型人工ニューロン層１３０９と、
－３５０の出力サイズを有し、完全接続型人工ニューロン層１３０７の出力の対数分散として使用される完全接続型人工ニューロン層１３１０と、
－処理層１３１０の出力との積で使用されるように構成され、この積の出力は処理層１３０９の出力と連結される、３５０の出力サイズを有するランダムガウスベクトル生成器１３０８とを含み、
－エンコーダ１３０６の出力は、３５０項目の出力サイズを有する潜在コード１３１１を生成するために使用され、この潜在コードは、デコーダ１３１２のための他の入力と関連付けられた場合に、新規の組成物の生成を可能にするものであり、前述の他の入力は以下のもの：
－３００項目の出力サイズを有する嗅覚ターゲット１３１３と、
－２０項目の出力サイズを有する用途ターゲット１３１４と、
－１項目の出力サイズを有する価格ターゲット１３１５とを含み、
－デコーダ１３１２は、以下のもの：
－２つの完全接続型およびカスケード接続型人工ニューロン層１３１６および１３１７を含み、第１の層１３１６は、７００項目の出力サイズを有し、第２の層１３１７は、１０００項目の出力サイズを有し、２０００成分または項目の生成された組成物を提供する。
－２３２１項目のサイズの入力配列１３０１は、以下のもの：
－２０００項目の出力サイズの例示的な組成物１３０５、
－３００項目の出力サイズの嗅覚ターゲット１３０４、
－２０項目の出力サイズの用途ターゲット１３０３、
－１項目の出力サイズの価格ターゲット１３０２、
を含有する複数のタイプの入力を含み、
－そのような入力配列１３０１は、エンコーダ１３０６に供給され、前述のエンコーダ１３０６は、以下のもの：
－７００項目の出力サイズを有する完全接続型人工ニューロン層１３０７と、
－３５０の出力サイズを有し、完全接続型人工ニューロン層１３０７の出力の平均として使用されるように構成された完全接続型人工ニューロン層１３０９と、
－３５０の出力サイズを有し、完全接続型人工ニューロン層１３０７の出力の対数分散として使用される完全接続型人工ニューロン層１３１０と、
－処理層１３１０の出力との積で使用されるように構成され、この積の出力は処理層１３０９の出力と連結される、３５０の出力サイズを有するランダムガウスベクトル生成器１３０８とを含み、
－エンコーダ１３０６の出力は、３５０項目の出力サイズを有する潜在コード１３１１を生成するために使用され、この潜在コードは、デコーダ１３１２のための他の入力と関連付けられた場合に、新規の組成物の生成を可能にするものであり、前述の他の入力は以下のもの：
－３００項目の出力サイズを有する嗅覚ターゲット１３１３と、
－２０項目の出力サイズを有する用途ターゲット１３１４と、
－１項目の出力サイズを有する価格ターゲット１３１５とを含み、
－デコーダ１３１２は、以下のもの：
－２つの完全接続型およびカスケード接続型人工ニューロン層１３１６および１３１７を含み、第１の層１３１６は、７００項目の出力サイズを有し、第２の層１３１７は、１０００項目の出力サイズを有し、２０００成分または項目の生成された組成物を提供する。
図１４は、新規の用途に適合化された組成物出力を提供するように構成された、組成物用途拡張トレーニングアーキテクチャ１４００の一例を示すものであり、その中で：
－２３０５項目の大きさの入力配列であって、以下のもの：
－２０００項目の出力サイズを有する例示的な組成物１４０１と、
－３００項目の出力サイズを有する、前述の組成物の例示的な嗅覚特性１４０２と、
－４項目の出力サイズを有する、前述の組成物の例示的な用途１４０３と、
－１項目の出力サイズを有する価格ターゲット１４０４とを含有する複数のタイプの入力を含み、
－入力配列は、エンコーダ１４０５に供給されるものであり、前述のエンコーダ１４０５は、以下のもの：
－例示的な組成物１４０１および例示的な嗅覚特性１４０２を入力用に有し、５１２項目の出力サイズを有する完全接続型人工ニューロン層１４０６と、
－完全接続型人工ニューロン層１４０６の出力を入力用に有し、５１２項目の出力サイズを有する完全接続型人工ニューロン層１４０７と、
－例示的な用途１４０３を入力用に有し、２５６項目の出力サイズを有する完全接続型人工ニューロン層１４０８と、
－完全接続型人工ニューロン層１４０７および１４０８の出力と共に完全接続型人工ニューロン層１４１０用の入力１４０９として作用する価格ターゲット１４０４と、
－５１２項目のサイズを有し、潜在コード１４１１として使用されるものであり、前述の潜在コード１４１１は、デコーダ１４１２において入力１４１５として作用し、用途ターゲット入力１４１３および価格ターゲット入力１４１４と共に、５１２項目の出力サイズを有する、完全接続型人工ニューロン層１４１０の出力とを含み、
－デコーダ１４１２は、以下のもの：
－ターゲット用途１４１３を入力用に有し、２５６項目の出力サイズを有する完全接続型人工ニューロン層１４１６と、
－完全接続型人工ニューロン層１４１６の出力および潜在コード１４１５と共に、５１２項目、５１２項目、および１０００項目の出力サイズをそれぞれ有する一連の３つの完全接続型人工ニューロン層１４１８，１４１９および１４２０に供給されるものである価格ターゲット１４１７と、
－２０００項目の出力を有するリドーズベクトル層１４２３に供給され、２０００×２０００項目の出力を有する置換行列層１４２２に供給され、新規の組成物１４２４を生成するために例示的な組成物１４２１と置換行列１４２２との積が得られ、この第１の積とリドーズベクトル１４２３との積が得られる完全接続型人工ニューロン層１４２０の出力とを含み、
－次いで、生成された新規の組成物１４２４は、以下の両方：
－生成された組成物１４２４と、
－デコーダ用の入力に使用される用途ターゲット１４２６とを含む弁別器１４３１用の代替的入力１４２５を構成するために使用され、
－配合された組成物用の実データを含む別の代替的入力１４３０も弁別器１４３１に供給することができ、前述の入力１４３０は、以下のもの：
－データベース１４２７から抽出され、２０００の出力サイズを有する、配合された組成物１４２９の識別子と、
－４の出力サイズを有する、これらの組成物１４２９用の用途ターゲット１４２８とを含み、
－弁別器１４３１は、以下のもの：
－入力としての以下のもの：
－生成されたもの１４２４か実のもの１４２９かにかかわらず、２０００の成分の出力サイズを有する組成物１４３２と、
－生成された組成物１４２４に関連付けられたか実の組成物１４２９に関連付けられたかにかかわらず、４の出力サイズを有するターゲット用途１４３３と、
－２５６の出力サイズを有するターゲット用途１４３３を入力として有する完全接続型人工ニューロン層１４３５と、
－組成物１４３２と組み合わされ、２２５６項目のサイズを有する入力１４３４として、１０２４項目、５１２項目、５１２項目および１項目の出力サイズをそれぞれ有する一連の完全接続型人工ニューロン層１４３７，１４３８，１４３９および１４４０に供給される完全接続型人工ニューロン層１４３５の出力と、
－弁別器１４３１に、組成物１４３２が生成されたものか、配合された実のものかを予測可能にさせる完全接続型人工ニューロン層１４４０の出力とを含む。
－２３０５項目の大きさの入力配列であって、以下のもの：
－２０００項目の出力サイズを有する例示的な組成物１４０１と、
－３００項目の出力サイズを有する、前述の組成物の例示的な嗅覚特性１４０２と、
－４項目の出力サイズを有する、前述の組成物の例示的な用途１４０３と、
－１項目の出力サイズを有する価格ターゲット１４０４とを含有する複数のタイプの入力を含み、
－入力配列は、エンコーダ１４０５に供給されるものであり、前述のエンコーダ１４０５は、以下のもの：
－例示的な組成物１４０１および例示的な嗅覚特性１４０２を入力用に有し、５１２項目の出力サイズを有する完全接続型人工ニューロン層１４０６と、
－完全接続型人工ニューロン層１４０６の出力を入力用に有し、５１２項目の出力サイズを有する完全接続型人工ニューロン層１４０７と、
－例示的な用途１４０３を入力用に有し、２５６項目の出力サイズを有する完全接続型人工ニューロン層１４０８と、
－完全接続型人工ニューロン層１４０７および１４０８の出力と共に完全接続型人工ニューロン層１４１０用の入力１４０９として作用する価格ターゲット１４０４と、
－５１２項目のサイズを有し、潜在コード１４１１として使用されるものであり、前述の潜在コード１４１１は、デコーダ１４１２において入力１４１５として作用し、用途ターゲット入力１４１３および価格ターゲット入力１４１４と共に、５１２項目の出力サイズを有する、完全接続型人工ニューロン層１４１０の出力とを含み、
－デコーダ１４１２は、以下のもの：
－ターゲット用途１４１３を入力用に有し、２５６項目の出力サイズを有する完全接続型人工ニューロン層１４１６と、
－完全接続型人工ニューロン層１４１６の出力および潜在コード１４１５と共に、５１２項目、５１２項目、および１０００項目の出力サイズをそれぞれ有する一連の３つの完全接続型人工ニューロン層１４１８，１４１９および１４２０に供給されるものである価格ターゲット１４１７と、
－２０００項目の出力を有するリドーズベクトル層１４２３に供給され、２０００×２０００項目の出力を有する置換行列層１４２２に供給され、新規の組成物１４２４を生成するために例示的な組成物１４２１と置換行列１４２２との積が得られ、この第１の積とリドーズベクトル１４２３との積が得られる完全接続型人工ニューロン層１４２０の出力とを含み、
－次いで、生成された新規の組成物１４２４は、以下の両方：
－生成された組成物１４２４と、
－デコーダ用の入力に使用される用途ターゲット１４２６とを含む弁別器１４３１用の代替的入力１４２５を構成するために使用され、
－配合された組成物用の実データを含む別の代替的入力１４３０も弁別器１４３１に供給することができ、前述の入力１４３０は、以下のもの：
－データベース１４２７から抽出され、２０００の出力サイズを有する、配合された組成物１４２９の識別子と、
－４の出力サイズを有する、これらの組成物１４２９用の用途ターゲット１４２８とを含み、
－弁別器１４３１は、以下のもの：
－入力としての以下のもの：
－生成されたもの１４２４か実のもの１４２９かにかかわらず、２０００の成分の出力サイズを有する組成物１４３２と、
－生成された組成物１４２４に関連付けられたか実の組成物１４２９に関連付けられたかにかかわらず、４の出力サイズを有するターゲット用途１４３３と、
－２５６の出力サイズを有するターゲット用途１４３３を入力として有する完全接続型人工ニューロン層１４３５と、
－組成物１４３２と組み合わされ、２２５６項目のサイズを有する入力１４３４として、１０２４項目、５１２項目、５１２項目および１項目の出力サイズをそれぞれ有する一連の完全接続型人工ニューロン層１４３７，１４３８，１４３９および１４４０に供給される完全接続型人工ニューロン層１４３５の出力と、
－弁別器１４３１に、組成物１４３２が生成されたものか、配合された実のものかを予測可能にさせる完全接続型人工ニューロン層１４４０の出力とを含む。
図１５は、組成物を生成するように構成された、敵対的生成ネットワークトレーニングアーキテクチャ１５００の一例を示すものであり、その中で：
－入力は、以下のもの：
－１００の出力サイズを有するノイズベクトル１５０１と、
－３００の出力サイズを有する嗅覚ターゲット１５０２と、
－２０の出力サイズを有する用途ターゲット１５０３と、
－１の出力サイズを有する価格ターゲット１５０４とを含み、
－生成器１５２５は、以下のもの：
－入力として嗅覚ターゲット１５０２を有し、３０項目の出力サイズを有する完全接続型人工ニューロン層１５０５と、
－入力として用途ターゲット１５０３を有し、１５項目の出力サイズを有する完全接続型人工ニューロン層１５０６と、
－５００項目の出力サイズを有し、完全接続型人工ニューロン層１５０８に供給される、完全接続型人工ニューロン層１５０５，１５０６、ならびに価格ターゲット入力１５０４の出力と、
－５００項目の出力サイズを有し、完全接続型人工ニューロン層１５０７に供給されるノイズベクトル１５０１と、
－１０００項目の出力サイズを有し、完全接続型人工ニューロン層１５０９に供給される完全接続型人工ニューロン層１５０７および１５０８の出力と、
－２つの異なる完全接続型人工ニューロン層１５１０および１５１１に提供され、両者は２０００項目の出力サイズを有し、層１５１０については、生成された配合物に存在すべき成分識別子が提供され、層１５１１については、前述の成分についての量が提供され、これらの出力の積が生成された組成物１５１２を形成する完全接続型人工ニューロン層１５０９の出力とを含み、
－生成された組成物１５１４の出力は、初期入力された嗅覚ターゲット１５１５、用途ターゲット１５１６および価格ターゲット１５１７と共に、弁別器１５１８のための代替的入力１５１３を形成し、
－代替入力１５１９は、以下のもの：
－実組成物データベース１５２４から抽出された、２０００項目の出力サイズを有する実組成物１５２０と、
－３００項目の出力サイズを有する嗅覚ターゲット１５２１と、
－２０項目の出力サイズを有する用途ターゲット１５２２と、
－１項目の出力サイズを有する価格ターゲット１５２３とを含み、
－入力１５１３および代替的入力１５１９は、識別器１５１８に供給され、
－弁別器１５１８は、以下のもの：
－入力としての以下のもの：
－入力１５１３または代替的入力１５１９のいずれかに由来し、２０００項目の出力サイズを有する組成物識別子１５２６と、
－入力１５１３または代替的入力１５１９のいずれかに由来し、３００項目の出力サイズを有する嗅覚ターゲット１５２７と、
－入力１５１３または代替的入力１５１９のいずれかに由来し、２０項目の出力サイズを有する用途ターゲット１５２８と、
－入力１５１３または代替的入力１５１９のいずれかに由来し、１項目の出力サイズを有する価格ターゲット１５２９と、
－組成物識別子１５２６を入力として使用し、３０項目の出力サイズを有する完全接続型人工ニューロン層１５３０と、
－嗅覚ターゲット１５２７を入力として使用し、３０項目の出力サイズを有する完全接続型人工ニューロン層１５３１と、
－用途ターゲット１５２８を入力として使用し、１５項目の出力サイズを有する完全接続型人工ニューロン層１５３２と、
－完全接続型人工ニューロン層１５３１および１５３２の出力と共に完全接続型人工ニューロン層１５３４に供給され、５００項目の出力サイズを有する価格ターゲット１５３３と、
－完全接続型人工ニューロン層１５３０の出力を入力として有し、５００の出力サイズを有する完全接続型人工ニューロン層１５３５と、
－完全接続型人工ニューロン層１５３５および１５３４の出力を入力として有し、１００の出力サイズを有する完全接続型人工ニューロン層１５３６と、
－完全接続型人工ニューロン層１５３６の出力を入力として有し、１の出力サイズを有する完全接続型人工ニューロン層１５３７と、
－組成物識別子１５２６が実のものか生成されたものかについての予測１５３８を提供する完全接続型人工ニューロン層１５３７の出力とを含む。
－入力は、以下のもの：
－１００の出力サイズを有するノイズベクトル１５０１と、
－３００の出力サイズを有する嗅覚ターゲット１５０２と、
－２０の出力サイズを有する用途ターゲット１５０３と、
－１の出力サイズを有する価格ターゲット１５０４とを含み、
－生成器１５２５は、以下のもの：
－入力として嗅覚ターゲット１５０２を有し、３０項目の出力サイズを有する完全接続型人工ニューロン層１５０５と、
－入力として用途ターゲット１５０３を有し、１５項目の出力サイズを有する完全接続型人工ニューロン層１５０６と、
－５００項目の出力サイズを有し、完全接続型人工ニューロン層１５０８に供給される、完全接続型人工ニューロン層１５０５，１５０６、ならびに価格ターゲット入力１５０４の出力と、
－５００項目の出力サイズを有し、完全接続型人工ニューロン層１５０７に供給されるノイズベクトル１５０１と、
－１０００項目の出力サイズを有し、完全接続型人工ニューロン層１５０９に供給される完全接続型人工ニューロン層１５０７および１５０８の出力と、
－２つの異なる完全接続型人工ニューロン層１５１０および１５１１に提供され、両者は２０００項目の出力サイズを有し、層１５１０については、生成された配合物に存在すべき成分識別子が提供され、層１５１１については、前述の成分についての量が提供され、これらの出力の積が生成された組成物１５１２を形成する完全接続型人工ニューロン層１５０９の出力とを含み、
－生成された組成物１５１４の出力は、初期入力された嗅覚ターゲット１５１５、用途ターゲット１５１６および価格ターゲット１５１７と共に、弁別器１５１８のための代替的入力１５１３を形成し、
－代替入力１５１９は、以下のもの：
－実組成物データベース１５２４から抽出された、２０００項目の出力サイズを有する実組成物１５２０と、
－３００項目の出力サイズを有する嗅覚ターゲット１５２１と、
－２０項目の出力サイズを有する用途ターゲット１５２２と、
－１項目の出力サイズを有する価格ターゲット１５２３とを含み、
－入力１５１３および代替的入力１５１９は、識別器１５１８に供給され、
－弁別器１５１８は、以下のもの：
－入力としての以下のもの：
－入力１５１３または代替的入力１５１９のいずれかに由来し、２０００項目の出力サイズを有する組成物識別子１５２６と、
－入力１５１３または代替的入力１５１９のいずれかに由来し、３００項目の出力サイズを有する嗅覚ターゲット１５２７と、
－入力１５１３または代替的入力１５１９のいずれかに由来し、２０項目の出力サイズを有する用途ターゲット１５２８と、
－入力１５１３または代替的入力１５１９のいずれかに由来し、１項目の出力サイズを有する価格ターゲット１５２９と、
－組成物識別子１５２６を入力として使用し、３０項目の出力サイズを有する完全接続型人工ニューロン層１５３０と、
－嗅覚ターゲット１５２７を入力として使用し、３０項目の出力サイズを有する完全接続型人工ニューロン層１５３１と、
－用途ターゲット１５２８を入力として使用し、１５項目の出力サイズを有する完全接続型人工ニューロン層１５３２と、
－完全接続型人工ニューロン層１５３１および１５３２の出力と共に完全接続型人工ニューロン層１５３４に供給され、５００項目の出力サイズを有する価格ターゲット１５３３と、
－完全接続型人工ニューロン層１５３０の出力を入力として有し、５００の出力サイズを有する完全接続型人工ニューロン層１５３５と、
－完全接続型人工ニューロン層１５３５および１５３４の出力を入力として有し、１００の出力サイズを有する完全接続型人工ニューロン層１５３６と、
－完全接続型人工ニューロン層１５３６の出力を入力として有し、１の出力サイズを有する完全接続型人工ニューロン層１５３７と、
－組成物識別子１５２６が実のものか生成されたものかについての予測１５３８を提供する完全接続型人工ニューロン層１５３７の出力とを含む。
Claims (17)
- 配合すべき新規のフレグランスまたはフレーバー成分組成物の非決定論的でかつ現実的なデジタル表現を生成するためにオートエンコーダニューラルネットワークまたは敵対的生成ネットワークデバイスをトレーニングするためのコンピュータ実装方法（１００）において、
前記方法は、
－少なくとも２つの異なる成分を含む具体化されたフレグランスまたはフレーバー組成物を代表するものである例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットを提供するステップ（１０５）と、
－配合すべき少なくとも２つの異なる成分を含む、新規のフレグランスまたはフレーバー成分組成物を生成するようにトレーニングされたフレグランスまたはフレーバー組成物生成モデルを生成するために、前記例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットを使用してオートエンコーダデバイスまたは敵対的生成ネットワークデバイスをトレーニングするステップ（１１０）と
を含むことを特徴とする、コンピュータ実装方法（１００）。 - 前記方法において、前記例示的なフレグランスまたはフレーバーの元のセットは、少なくとも１つの例示的なフレグランスまたはフレーバー組成物デジタル識別子に関連付けられた、少なくとも１つの快楽的、感覚的、および／または物理化学的パラメータを代表する値をさらに含み、前記値は、具体化されたフレグランスまたはフレーバー組成物についての少なくとも１つの捕捉された快楽的、感覚的、および／または物理化学的パラメータの代表値であり、中でも：
－識別されたフレグランスまたはフレーバー組成物に関連付けられた嗅覚または味覚の方向性、
－前記識別されたフレグランスまたはフレーバー組成物に関連付けられた条件付け媒体、
－前記識別されたフレグランスまたはフレーバー組成物に関連付けられた視覚的および／または嗅覚的安定性または劣化値、
－前記識別されたフレグランスまたはフレーバー組成物に関連付けられた生分解性のパーセンテージ、
－前記識別されたフレグランスまたはフレーバー組成物に関連付けられた再生可能な炭素のパーセンテージ、
－前記識別されたフレグランスまたはフレーバー組成物に関連付けられた精神物理学的知覚強度、
－前記識別されたフレグランスまたはフレーバー組成物に関連付けられた引火点値、
－前記識別されたフレグランスまたはフレーバー組成物に関連付けられた毒性値、
－前記識別されたフレグランスまたはフレーバー組成物に関連付けられた皮膚感作値、
－前記識別されたフレグランスまたはフレーバー組成物に関連付けられた増強成分適合値、
－組成物中の複数の成分、
－前記識別されたフレグランスまたはフレーバー組成物に関連付けられた環境累積値、および／または
－前記組成物のための保留指標
を代表するものである、請求項１記載のコンピュータ実装方法（１００）。 - 前記方法は、少なくとも１つの具体化されたフレグランスまたはフレーバー組成物についての少なくとも１つの快楽的、感覚的、および／または物理化学的パラメータを代表する値を捕捉するステップ（１０４）を含み、前記値は、例示的セットにおけるフレグランスまたはフレーバー組成物デジタル識別子に関連付けられたものである、請求項２記載の方法（１００）。
- 前記方法において、前記トレーニングするステップ（１１０）は、変分オートエンコーダデバイスをトレーニングするように構成されている、請求項１から３までのいずれか１項記載のコンピュータ実装方法（１００）。
- 前記方法において、
－前記提供するステップ（１０５）は、一次条件付け媒体識別子に関連付けられた例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットと、少なくとも１つの二次条件付け媒体識別子に関連付けられた例示的なフレグランスまたはフレーバー組成物デジタル識別子の少なくとも付加的な元のセットとを提供するように構成され、
－前記トレーニングするステップ（１１０）は、入力が一次条件付け媒体に関連付けられたフレグランスまたはフレーバー組成物デジタル識別子であり、出力が少なくとも１つの二次条件付け媒体識別子に関連付けられたフレグランスまたはフレーバー組成物デジタル識別子である生成モデルをトレーニングするように構成されている、
請求項１から４までのいずれか１項記載のコンピュータ実装方法（１００）。 - デジタル識別子によって表されるフレグランスまたはフレーバー組成物を生成するためのコンピュータ実装方法（２００）において、
請求項１から５までのいずれか１項記載のトレーニングでトレーニングされたオートエンコーダまたは敵対的生成ネットワークデバイスを使用してフレグランスまたはフレーバー組成物を生成するステップ（１１５）を含むことを特徴とする、コンピュータ実装方法（２００）。 - 前記方法において、前記生成するステップ（１１５）は、生成されたフレグランスまたはフレーバー組成物デジタル識別子について、中でも：
－前記識別されたフレグランスまたはフレーバー組成物に関連付けられた嗅覚または味覚の方向性、
－前記識別されたフレグランスまたはフレーバー組成物に関連付けられた条件付け媒体、
－前記識別されたフレグランスまたはフレーバー組成物に関連付けられた視覚的および／または嗅覚的安定性または劣化値、
－前記識別されたフレグランスまたはフレーバー組成物に関連付けられた生分解性のパーセンテージ、
－前記識別されたフレグランスまたはフレーバー組成物に関連付けられた再生可能な炭素のパーセンテージ、
－前記識別されたフレグランスまたはフレーバー組成物に関連付けられた精神物理学的知覚強度、
－前記識別されたフレグランスまたはフレーバー組成物に関連付けられた引火点値、
－前記識別されたフレグランスまたはフレーバー組成物に関連付けられた毒性値、
－前記識別されたフレグランスまたはフレーバー組成物に関連付けられた皮膚感作値、
－前記識別されたフレグランスまたはフレーバー組成物に関連付けられた増強成分適合値、
－組成物中の複数の成分、
－識別されたフレグランスまたはフレーバー組成物に関連付けられた環境累積値、および／または
－前記組成物のための保留指標について、
フレグランスまたはフレーバー組成物デジタル識別子を、少なくとも１つの快楽的、感覚的、および／または物理化学的パラメータを代表する生成された組成物に対する少なくとも１つの入力制約を代表する少なくとも１つの値の関数として生成するように構成されている、請求項６記載のコンピュータ実装方法（２００）。 - 前記方法において、前記生成するステップ（１１５）は、少なくとも１つの二次条件付け媒体識別子に関連付けられたフレグランスまたはフレーバー組成物デジタル識別子を、一次条件付け媒体識別子に関連付けられた少なくとも１つのフレグランスまたはフレーバー組成物デジタル識別子の入力の関数として生成するように構成されている、請求項５ならびに請求項６または７のいずれか１項記載のコンピュータ実装方法（２００）。
- 前記方法は、
－トレーニングされた補助的機械学習デバイスを生成するステップ（１３０）を含み、該生成するステップ（１３０）は：
－例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットと、嗅覚的特徴値または前記構造に関連付けられた化学的化合物量を代表する値などの化学的特徴を代表するラベルとを提供するステップ（１３１）と、
－組成物分類器を提供するために前記例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットを使用して前記補助的機械学習デバイスをトレーニングするステップ（１３２）とを含み、さらに前記方法は、
－前記機械学習デバイスを用いて敵対的生成ネットワークデバイスまたはオートエンコーダデバイスをトレーニングするステップを制約するステップ（１３５）を含み、前記ステップは、前記トレーニングするステップ中に、強化ルールとして、または生成されたフレグランスまたはフレーバー組成物識別子の後処理を介して実行されるものである、
請求項１から７までのいずれか１項記載のコンピュータ実装方法（３００）。 - 前記方法は、少なくとも２つの異なる成分を含む生成されたフレグランスまたはフレーバー組成物を配合するステップ（１３６）をさらに含む、請求項１から９までのいずれか１項記載の方法（１００，２００，３００）。
- 配合すべき少なくとも２つの異なる成分を含む生成されたフレグランスまたはフレーバー組成物を選択するステップ（１３７）をさらに含む、請求項１から１０までのいずれか１項記載の方法（１００，２００，３００）。
- コンピュータ実装オートエンコーダデバイスであって、請求項１から５までのいずれか１項記載の方法に従ってトレーニングされている、コンピュータ実装オートエンコーダデバイス。
- コンピュータ実装敵対的生成ネットワークデバイスであって、請求項１から５までのいずれか１項記載の方法に従ってトレーニングされている、コンピュータ実装敵対的生成ネットワークデバイス。
- コンピュータプログラム製品であって、請求項１から１１までのいずれか１項記載の任意の方法を実行するためのプログラミング命令を含んでいる、コンピュータプログラム製品。
- コンピュータ可読記憶媒体であって、コンピュータによって実行されるときに、請求項１から１１までのいずれか１項記載のステップをコンピュータに実行させることを示すプログラミング命令が記憶されている、コンピュータ可読記憶媒体。
- 配合すべき新規のフレグランスまたはフレーバー成分組成物の非決定論的でかつ現実的なデジタル表現を生成するためにオートエンコーダニューラルネットワークまたは敵対的生成ネットワークデバイスをトレーニングするためのデバイス（４００）において、
前記デバイス（４００）は、
－少なくとも２つの異なる成分を含む具体化されたフレグランスまたはフレーバー組成物を代表するものである例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットを提供する手段（４０５）と、
－配合すべき少なくとも２つの異なる成分を含む新規のフレグランスまたはフレーバー成分組成物を生成するようにトレーニングされたフレグランスまたはフレーバー組成物生成モデルを生成するために、前記例示的なフレグランスまたはフレーバー組成物デジタル識別子の元のセットを使用してオートエンコーダデバイスまたは敵対的生成ネットワークデバイスをトレーニングする手段（４１０）と
を含むことを特徴とする、デバイス（４００）。 - フレグランスまたはフレーバー組成物デジタル識別子を生成するためのデバイス（５００）において、
前記デバイス（５００）は、請求項１から５までのいずれか１項記載のトレーニングでトレーニングされたオートエンコーダまたは敵対的生成ネットワークデバイスを使用して、少なくとも２つの異なる成分を含むフレグランスまたはフレーバー組成物を生成する手段（５０５）を含んでいることを特徴とする、デバイス（５００）。
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP20216123 | 2020-12-21 | ||
| EP20216123.8 | 2020-12-21 | ||
| EP21170833.4 | 2021-04-28 | ||
| EP21170833 | 2021-04-28 | ||
| PCT/EP2021/086591 WO2022136180A1 (en) | 2020-12-21 | 2021-12-17 | Computer-implemented methods for training a neural network device and corresponding methods for generating a fragrance or flavor compositions |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2024500264A true JP2024500264A (ja) | 2024-01-09 |
Family
ID=78829396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023513997A Pending JP2024500264A (ja) | 2020-12-21 | 2021-12-17 | ニューラルネットワークデバイスをトレーニングするためのコンピュータ実装方法およびフレグランスまたはフレーバー組成物を生成するための対応する方法 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US20220196620A1 (ja) |
| EP (1) | EP4016534A1 (ja) |
| JP (1) | JP2024500264A (ja) |
| CN (1) | CN115989546A (ja) |
| BR (1) | BR112023003345A2 (ja) |
| IL (1) | IL300747A (ja) |
| WO (1) | WO2022136180A1 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11837333B1 (en) * | 2022-12-20 | 2023-12-05 | Dow Global Technologies Llc | Simulation guided inverse design for material formulations |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| NZ196601A (en) | 1980-04-08 | 1982-12-21 | Wiggins Teape Group Ltd | Production of microcapsules |
| FR2801811B1 (fr) | 1999-12-06 | 2002-05-03 | Gerard Habar | Procede de fabrication de microcapsules portant des charges cationiques |
| BR112021015643A2 (pt) | 2019-02-08 | 2021-10-05 | Google Llc | Sistemas e métodos para prever as propriedades olfativas de moléculas utilizando aprendizagem de máquina |
-
2021
- 2021-12-17 IL IL300747A patent/IL300747A/en unknown
- 2021-12-17 JP JP2023513997A patent/JP2024500264A/ja active Pending
- 2021-12-17 WO PCT/EP2021/086591 patent/WO2022136180A1/en active Application Filing
- 2021-12-17 BR BR112023003345A patent/BR112023003345A2/pt unknown
- 2021-12-17 CN CN202180053211.XA patent/CN115989546A/zh active Pending
- 2021-12-17 US US17/554,332 patent/US20220196620A1/en active Pending
- 2021-12-17 EP EP21215684.8A patent/EP4016534A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| IL300747A (en) | 2023-04-01 |
| EP4016534A1 (en) | 2022-06-22 |
| BR112023003345A2 (pt) | 2023-05-09 |
| CN115989546A (zh) | 2023-04-18 |
| WO2022136180A1 (en) | 2022-06-30 |
| US20220196620A1 (en) | 2022-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Automl-gpt: Automatic machine learning with gpt | |
| De Blok | The Core‐Cusp Problem | |
| JP2024500264A (ja) | ニューラルネットワークデバイスをトレーニングするためのコンピュータ実装方法およびフレグランスまたはフレーバー組成物を生成するための対応する方法 | |
| CN109871888A (zh) | 一种基于胶囊网络的图像生成方法及系统 | |
| Veramendi et al. | Perfume odor categorization: To what extent trained assessors and consumers agree? | |
| Lee et al. | Sensory and instrumental flavor changes in green tea brewed multiple times | |
| Zhang et al. | Optimization‐based cosmetic formulation: Integration of mechanistic model, surrogate model, and heuristics | |
| Dubey et al. | Transformer-based generative adversarial networks in computer vision: A comprehensive survey | |
| Krishnan et al. | Large scale product categorization using structured and unstructured attributes | |
| Smith et al. | Construct-vl: Data-free continual structured vl concepts learning | |
| Tibebu et al. | Text to image synthesis using stacked conditional variational autoencoders and conditional generative adversarial networks | |
| Tan et al. | Performance comparison of three types of autoencoder neural networks | |
| Feng et al. | Transferred discrepancy: Quantifying the difference between representations | |
| El et al. | Gilt: Generating images from long text | |
| Zarzo | Relevant psychological dimensions in the perceptual space of perfumery odors | |
| Mattos et al. | Patent landscape: Technology development behind science in the flavor and fragrances (F&F) area | |
| Varshney et al. | Olfactory signal processing | |
| Tan et al. | Reconstruction of handwritten digit images using autoencoder neural networks | |
| EP4386766A1 (en) | Method and system for predicting a stability value for a determined fragrance in a determined fragrance base | |
| Varshney et al. | Olfactory signals and systems | |
| KR20240052755A (ko) | 지속가능 향기 또는 향미 조성 방법들 및 연관된 디바이스 | |
| Varshney et al. | Food steganography with olfactory white | |
| Barbadaker et al. | Generation of Royalty-Free Images with NLP-Based Text Encoding and Generative adversarial networks | |
| Lefort et al. | Weakly supervised learning with decision trees applied to fisheries acoustics. | |
| Cicchetti et al. | Critical comparison of selected olfactometric methods for the determination of impact odorants. Proposal of a new representation of olfactometric results |