यह शोधपत्र गंध स्रोत स्थानीयकरण (OSL) की सटीकता में सुधार के लिए एक नवीन मशीन लर्निंग विधि प्रस्तुत करता है, जो जटिल वातावरणों में कार्यरत स्वायत्त प्रणालियों के लिए एक प्रमुख कार्य है। मौजूदा OSL विधियाँ अस्पष्टता की समस्याओं से ग्रस्त हैं, जहाँ रोबोट घ्राण डेटासेट और सेंसर रिज़ॉल्यूशन की सीमाओं के कारण गलत वस्तुओं को गलत तरीके से गंध का श्रेय देते हैं। इस समस्या के समाधान के लिए, हम विसरण-आधारित अणु निर्माण का उपयोग करते हुए एक नवीन मशीन लर्निंग विधि प्रस्तावित करते हैं। यह विधि मौजूदा घ्राण डेटासेट और प्रशिक्षण विधियों की सीमाओं से परे रासायनिक क्षेत्र का विस्तार करती है, जिससे पहले से अज्ञात संभावित गंध अणुओं की पहचान संभव हो पाती है। उन्नत घ्राण सेंसरों का उपयोग करके उत्पन्न अणुओं का अधिक सटीकता से सत्यापन किया जा सकता है, जिससे अधिक यौगिकों का पता लगाया जा सकता है और बेहतर हार्डवेयर डिज़ाइन की जानकारी प्राप्त की जा सकती है। दृश्य विश्लेषण, भाषा प्रसंस्करण और अणु निर्माण को एकीकृत करके, एक रोबोट का घ्राण-दृष्टि मॉडल गंधों को उनके सही स्रोतों से जोड़ने की क्षमता में सुधार करता है, जिससे विस्फोटक पहचान, दवा जाँच और खोज एवं बचाव जैसे महत्वपूर्ण अनुप्रयोगों में बेहतर सेंसर चयन के माध्यम से बेहतर नेविगेशन और निर्णय लेने में मदद मिलती है। यह सीमित घ्राण डेटा और संवेदक अस्पष्टता की चुनौतियों का एक मापनीय समाधान प्रदान करता है, जो कृत्रिम घ्राण के क्षेत्र में एक मौलिक प्रगति का प्रतिनिधित्व करता है। कोड और डेटा सार्वजनिक रूप से उपलब्ध हैं।
