Potencjalny wpływ GAT jest znaczący. Opracowywanie nowych formuł aromatów i zapachów tradycyjnie było czasochłonnym i wymagającym dużych zasobów procesem, często pochłaniającym tygodnie lub miesięce pracy ekspertów. Jeśli GAT może osiągnąć ten sam wynik w zaledwie kilka sekund, może to znacznie obniżyć koszty rozwoju smaków i zapachów. – Sztuczna inteligencja jest zwykle kojarzona z tworzeniem obrazów, filmów i tekstu, ale okazuje się, że ma także nieograniczone możliwości w innych kreatywnych zastosowaniach. GAT może tworzyć zapachy na zamówienie w ciągu kilku sekund – to proces, który tradycyjnie zajmował miesiące i wymagał znacznych zasobów. Dzięki temu nowatorskie, wysokiej jakości zapachy są dostępne jak nigdy dotąd dla szerokiej gamy produktów z różnych kategorii – mówi Aadit Patel, starszy wiceprezes ds. produktów w firmie NotCo. 

NotCo twierdzi, że wczesne testy wypadły pozytywnie. W ślepych próbach zapachowych aromaty stworzone przez GAT okazały się nie do odróżnienia od tych stworzonych przez ekspertów. Odkrycie to sygnalizuje potencjalnie znaczącą zmianę w branży, w której na całym świecie istnieje tylko 600 certyfikowanych perfumiarzy. Według badań zaprezentowanych podczas Food AI Summit rdzeń funkcjonalności GAT leży w jego zdolności do rozumienia i modelowania złożonych interakcji między lotnymi cząsteczkami. Model jest szkolony na obszernym zbiorze danych historycznych formuł zapachowych i struktur molekularnych lotnych związków zapachowych. Trening ten umożliwia GAT rozszyfrowanie subtelnych relacji między różnymi cząsteczkami i przewidywanie, w jaki sposób będą one oddziaływać w celu stworzenia określonych profili aromatycznych. – System przyjmuje podpowiedź, taką jak „zapach oceanu w wietrzny letni dzień na tropikalnej wyspie”, aby stworzyć nowatorską formułę chemiczną tego zapachu w jednym ujęciu. Następnie model generuje odpowiednią formułę zapachową – wyjaśnia Patel.

Model wykorzystuje dwusystemową sieć transformatorową składającą się z kodera i dekodera. Koder przetwarza monit użytkownika (z danymi wejściowymi, takimi jak nuta górna [wiśniowy cukierek], nuta środkowa [wanilia] i nuta dolna [wiśnia]), przechwytując pożądany profil aromatu. Jest on przekazywany do dekodera, który generuje odpowiednią sekwencję tokenów reprezentujących strukturę molekularną zapachu. GAT wykorzystuje strukturę atomową substancji lotnych do generowania nowych formuł. Każda cząsteczka jest reprezentowana jako graf, z atomami opisanymi przez wartościowość, stopień, liczbę wodorów, hybrydyzację, ładunek formalny i liczbę atomową. Szczegóły te są następnie tłumaczone na reprezentacje numeryczne i wprowadzane do modelu grafowej sieci neuronowej (GNN), który tworzy unikalny wektor reprezentujący każdą cząsteczkę. Podobne wektory wskazują na podobne cząsteczki, umożliwiając GAT identyfikację i wykorzystanie struktur molekularnych o pożądanych właściwościach aromatycznych.