Forskere udvikler computeralgoritme inspireret af pattedyrenes lugtesystem

Forskere fra Cornell University har udviklet en computeralgoritme inspireret af pattedyrenes lugtesystem. Videnskabsfolk har længe søgt efter forklaringer på, hvordan pattedyr lærer og genkender lugte. Den nye algoritme giver indsigt i hjernens funktioner, og ved at anvende den på en computerchip kan den lære og genkende mønstre hurtigere og mere pålideligt end nuværende maskinlæringsmodeller.

Thomas Cleland er professor i psykologi og hovedforfatter af studiet “Rapid Learning and Robust Recall in a Neuromorphic Olfactory Circuit”, der er offentliggjort i Nature Machine Intelligence den 16. marts.

“Dette er resultatet af mere end et årtis studier af lugtebulbcirkuitry i gnavere og forsøg på at forstå, hvordan det virker, med henblik på ting, vi ved, dyrene kan gøre, som vores maskiner ikke kan,” sagde Cleland.

“Vi ved nu nok til at gøre dette arbejde. Vi har bygget denne beregningsmodel baseret på denne cirkuitry, vejledt tungt af ting, vi ved om de biologiske systemers tilslutning og dynamik,” fortsatte han. “Så siger vi, hvis dette var sådan, ville det virke. Og det interessante er, at det virker.”

Intel (INTC ) Computer Chip

Cleland blev sammen med medforfatter Nabil Imam, en forsker hos Intel, og sammen anvendte de algoritmen på en Intel-computerchip. Chippen hedder Loihi og er neuromorf, hvilket betyder, at den er inspireret af hjernens funktioner. Chippen har digitale cirkuitry, der efterligner, hvordan neuroner lærer og kommunikerer.

Loihi-chippen afhænger af parallelle kerner, der kommunikerer via diskrete spikes, og hver af disse spikes har en effekt, der kan ændre sig afhængigt af lokal aktivitet. Dette kræver andre strategier for algoritme-design end dem, der bruges i eksisterende computerchips.

Gennem brugen af neuromorfe computerchips kan maskiner arbejde tusind gange hurtigere end en computers centrale eller grafikprocessoren til at identificere mønstre og udføre visse opgaver.

Loihi-forskningschippen kan også køre visse algoritmer, mens den bruger omkring tusind gange mindre strøm end traditionelle metoder. Dette er velegnet til algoritmen, der kan acceptere inputmønstre fra forskellige sensorer, lære mønstre hurtigt og sekventielt og identificere hver af de meningsfulde mønstre, selv med stærk sensorisk interferens. Algoritmen kan med held identificere lugte, og den kan gøre det, selv når mønstret er 80% forskelligt fra mønstret, der oprindeligt blev lært af computeren.

“Mønstret på signalet er blevet betydeligt ødelagt,” sagde Cleland, “og alligevel kan systemet genskabe det.”

Pattedyrens Hjerne

Pattedyrens hjerne kan identificere og huske lugte ekstremt godt, og der kan være tusindvis af lugtereceptrorer og komplekse neurale netværk, der arbejder sammen for at analysere mønstrene associeret med lugte. En af de ting, pattedyr kan gøre bedre end kunstig intelligens-systemer, er at fastholde, hvad de har lært, selv efter at der er tilføjet ny viden. I dybtlæringsmetoder skal netværket præsenteres for alt på én gang, da ny information kan påvirke eller endda ødelægge, hvad systemet tidligere havde lært.

“Når du lærer noget, differentierer det neuroner permanent,” sagde Cleland. “Når du lærer en lugt, trænes interneuronerne til at reagere på bestemte konfigurationer, så du får denne adskillelse på interneuronernes niveau. Så på maskinens side forstærker vi bare det og trækker en fast linje.”

Cleland talte om, hvordan holdet kom op med nye eksperimentelle tilgange.

“Når du begynder at studere en biologisk proces, der bliver mere intrikat og kompleks, end du bare kan intuitivt forstå, må du disciplinere din hjjerne med en computermodel,” sagde han. “Du kan ikke bare føle dig vej igennem det. Og det ledte os til en række nye eksperimentelle tilgange og ideer, som vi ikke ville have kommet på, hvis vi bare havde kigget på det.”