Forscher entwickeln Computer-Algorithmus, inspiriert vom olfaktorischen System der Säugetiere

Forscher der Cornell-Universität haben einen Computer-Algorithmus entwickelt, der vom olfaktorischen System der Säugetiere inspiriert ist. Wissenschaftler haben lange nach Erklärungen gesucht, wie Säugetiere Gerüche lernen und identifizieren. Der neue Algorithmus gibt Einblicke in die Funktionsweise des Gehirns und seine Anwendung auf einem Computerchip ermöglicht es, Muster schnell und zuverlässig zu lernen, besser als aktuelle Machine-Learning-Modelle.

Thomas Cleland ist Professor für Psychologie und Senior-Autor der Studie mit dem Titel “Rapid Learning and Robust Recall in a Neuromorphic Olfactory Circuit“, die am 16. März in der Zeitschrift Nature Machine Intelligence veröffentlicht wurde.

“Dies ist das Ergebnis von über einem Jahrzehnt der Erforschung der olfaktorischen Bulb-Circuitry bei Nagetieren und dem Versuch, herauszufinden, wie es funktioniert, mit dem Ziel, Dinge zu verstehen, die Tiere können, die unsere Maschinen nicht können”, sagte Cleland.

“Wir wissen jetzt genug, um es funktionieren zu lassen. Wir haben ein computergestütztes Modell auf der Grundlage dieser Circuitry entwickelt, das stark von Dingen beeinflusst wird, die wir über die biologischen Systeme wissen, ihre Konnektivität und Dynamik”, fuhr er fort. “Dann sagen wir, wenn dies so ist, würde es funktionieren. Und das Interessante ist, dass es tatsächlich funktioniert.”

Intel (INTC ) -Computer-Chip

Cleland wurde von Co-Autor Nabil Imam, einem Forscher bei Intel, begleitet, und zusammen wendeten sie den Algorithmus auf einen Intel-Computerchip an. Der Chip heißt Loihi und ist neuromorph, was bedeutet, dass er von den Funktionen des Gehirns inspiriert ist. Der Chip verfügt über digitale Schaltkreise, die die Art und Weise, wie Neuronen lernen und kommunizieren, nachahmen.

Der Loihi-Chip basiert auf parallelen Kernen, die über diskrete Spikes kommunizieren, und jeder dieser Spikes hat eine Wirkung, die je nach lokaler Aktivität variieren kann. Dies erfordert unterschiedliche Strategien für die Algorithmus-Entwicklung als bei herkömmlichen Computerchips.

Durch die Verwendung von neuromorphen Computerchips könnten Maschinen ein Tausendfaches schneller als ein Computers-Prozessor oder eine Grafikprozessoreinheit Muster erkennen und bestimmte Aufgaben ausführen.

Der Loihi-Forschungs-Chip kann auch bestimmte Algorithmen ausführen, während er etwa tausend Mal weniger Energie verbraucht als herkömmliche Methoden. Dies ist gut geeignet für den Algorithmus, der Eingabemuster von verschiedenen Sensoren akzeptieren, Muster schnell und sequenziell lernen und jedes der bedeutungsvollen Muster auch bei starker sensorischer Störung identifizieren kann. Der Algorithmus kann erfolgreich Gerüche identifizieren und dies auch dann, wenn das Muster 80% von dem ursprünglich vom Computer gelernten Muster abweicht.

“Das Muster des Signals wurde wesentlich zerstört”, sagte Cleland, “und dennoch kann das System es wiederherstellen.”

Das Gehirn der Säugetiere

Das Gehirn eines Säugetiers kann Gerüche extrem gut erkennen und merken, und es gibt Tausende von olfaktorischen Rezeptoren und komplexe neuronale Netze, die die mit Gerüchen verbundenen Muster analysieren. Eines der Dinge, die Säugetiere besser können als künstliche Intelligenz-Systeme, ist, das Gelernte auch nach dem Erwerb neuer Kenntnisse zu behalten. Bei Deep-Learning-Ansätzen muss das Netzwerk mit allem auf einmal präsentiert werden, da neue Informationen die vorherigen Lernerfahrungen beeinflussen oder sogar zerstören können.

“Wenn Sie etwas lernen, unterscheiden sich die Neuronen dauerhaft”, sagte Cleland. “Wenn Sie einen Geruch lernen, werden die Interneuronen trainiert, auf bestimmte Konfigurationen zu reagieren, so dass Sie eine Trennung auf der Ebene der Interneuronen erhalten. Auf der Maschinenseite verstärken wir dies einfach und ziehen eine feste Linie.”

Cleland sprach über die Entwicklung neuer experimenteller Ansätze.

“Wenn Sie ein biologisches Verfahren studieren, das komplexer wird, als Sie es einfach intuitiv verstehen können, müssen Sie Ihren Geist mit einem Computer-Modell disziplinieren”, sagte er. “Sie können es nicht einfach durchführen. Und das führte uns zu einer Reihe neuer experimenteller Ansätze und Ideen, die wir nicht einfach durch Beobachtung entwickelt hätten.”