Výzkumníci vyvinuli počítačový algoritmus inspirovaný mammálním olfaktorickým systémem

Výzkumníci z Cornellovy univerzity vytvořili počítačový algoritmus inspirovaný mammálním olfaktorickým systémem. Vědci již dlouho hledali vysvětlení, jak savci učí a identifikují pachy. Nový algoritmus poskytuje vhled do fungování mozku a jeho aplikace na počítačový čip umožňuje rychle a spolehlivě učit se vzorcům lépe než současné modely strojového učení.

Thomas Cleland je profesorem psychologie a hlavním autorem studie s názvem „Rapid Learning and Robust Recall in a Neuromorphic Olfactory Circuit“, která byla zveřejněna v časopise Nature Machine Intelligence dne 16. března.

„Je to výsledek více než desetiletého studia olfaktorické bulby u hlodavců a snažení se pochopit, jak to vlastně funguje, s ohledem na věci, které víme, že zvířata mohou dělat lépe než naše stroje,“ řekl Cleland.

„Nyní víme dostatek, abychom to mohli udělat. Postavili jsme tento komputační model na základě této sítě, který je silně ovlivněn věcmi, které víme o biologických systémech, jejich propojení a dynamice,“ pokračoval. „Pak říkáme, kdyby to tak bylo, mělo by to fungovat. A zajímavá věc je, že to skutečně funguje.“

Čip Intel (INTC )

Cleland spolupracoval s spoluautorem Nabilem Imamem, výzkumníkem v Intelu, a společně aplikovali algoritmus na čip Intel. Čip se jmenuje Loihi a je neuromorfní, což znamená, že je inspirovaný funkcemi mozku. Čip má digitální obvody, které napodobují, jak neuronální buňky učí a komunikují.

Čip Loihi spoléhá na paralelní jádra, která komunikují prostřednictvím diskrétních pulzů, a každý z těchto pulzů má účinek, který se může měnit v závislosti na lokální aktivitě. To vyžaduje odlišné strategie pro návrh algoritmu než ty, které se používají v existujících počítačových čipech.

Pomocí neuromorfních počítačových čipů mohou stroje pracovat tisíckrát rychleji než počítačový centrální nebo grafický procesor při identifikaci vzorců a provádění určitých úkolů.

Výzkumný čip Loihi může také spouštět určité algoritmy při použití kolem tisícekrát méně energie než tradiční metody. To je vhodné pro algoritmus, který může přijímat vstupní vzorce z různých senzorů, učit se vzorcům rychle a sekvenčně a identifikovat každý významný vzorec i při silném senzorickém rušení. Algoritmus je schopen úspěšně identifikovat pachy a může to udělat i tehdy, když je vzorec až o 80 % odlišný od vzorce, který byl původně naučen počítačem.

„Vzorec signálu byl podstatně zničen,“ řekl Cleland, „a přesto je systém schopen ho obnovit.“

Mozek savců

Mozek savce je schopen identifikovat a pamatovat si pachy extrémně dobře a může existovat tisíce olfaktorických receptorů a složitých neuronálních sítí, které analyzují vzorce spojené s pachy. Jednou z věcí, které savci mohou dělat lépe než systémy umělé inteligence, je uchovat to, co se naučili, i po získání nové znalosti. Při hlubokém učení musí být síť představena všemu najednou, protože nová informace může ovlivnit nebo dokonce zničit to, co systém dříve naučil.

„Když se něco naučíte, trvale diferencujete neuronální buňky,“ řekl Cleland. „Když se naučíte jeden pach, jsou trénovány interneuronální buňky, aby reagovaly na konkrétní konfigurace, takže dostanete tu segregaci na úrovni interneuronů. Takže na straně stroje to prostě posílíme a nakreslíme pevnou linii.“

Cleland hovořil o tom, jak tým přišel s novými experimentálními přístupy.

„Když začnete studovat biologický proces, který se stává složitějším a komplexnějším, než můžete jednoduše intuitivně pochopit, musíte disciplinovat svůj mozek pomocí počítačového modelu,“ řekl. „Nemůžete to prostě projít. A to nás vedlo k řadě nových experimentálních přístupů a nápadů, které bychom jinak nevyvinuli.“