Ερευνητές Αναπτύσσουν Αλγόριθμο Υπολογιστή Εμπνευσμένο από το Οσφρητικό Σύστημα των Θηλαστικών

Ερευνητές από το Πανεπιστήμιο Κορνέλ έχουν δημιουργήσει έναν αλγόριθμο υπολογιστή εμπνευσμένο από το οσφρητικό σύστημα των θηλαστικών. Οι επιστήμονες έχουν αναζητήσει για καιρό εξηγήσεις για το πώς τα θηλαστικά μαθαίνουν και αναγνωρίζουν τις μυρωδιές. Ο νέος αλγόριθμος παρέχει έμπνευση για τη λειτουργία του εγκεφάλου και η εφαρμογή του σε einen υπολογιστή επιτρέπει να μάθει γρήγορα και αξιόπιστα τα πρότυπα καλύτερα από τα τρέχοντα μοντέλα μηχανικής μάθησης.

Ο Thomas Cleland είναι καθηγητής ψυχολογίας και старший συγγραφέας της μελέτης με τίτλο “Γρήγορη Μάθηση και Ανθεκτική Ανακληση σε einen Νευρομορφικό Οσφρητικό Κυκλωμα” που δημοσιεύθηκε στο Nature Machine Intelligence στις 16 Μαρτίου.

“Αυτό είναι αποτέλεσμα μιας δεκαετίας μελέτης του οσφρητικού βολβού στους ροδέντες και προσπαθώντας να κατανοήσουμε πώς λειτουργεί, με στόχο τα πράγματα που ξέρουμε ότι τα ζώα μπορούν να κάνουν και τα μηχανήματά μας δεν μπορούν”, είπε ο Cleland.

“Τώρα ξέρουμε αρκετά για να το κάνουμε να λειτουργήσει. Έχουμε δημιουργήσει αυτό το υπολογιστικό μοντέλο με βάση αυτό το κύκλωμα, με τη βοήθεια των πραγμάτων που ξέρουμε για τη συνδεσιμότητα και τη δυναμική των βιολογικών συστημάτων”, συνέχισε. “Στη συνέχεια λέμε, αν αυτό ήταν έτσι, θα λειτουργούσε. Και το ενδιαφέρον μέρος είναι ότι λειτουργεί.”

Επικοινωνιακό Chip Intel (INTC )

Ο Cleland συνεργάστηκε με τον συν-συγγραφέα Nabil Imam, ερευνητή στην Intel, και μαζί εφαρμόστηκαν ο αλγόριθμος σε einen επικοινωνιακό chip Intel. Ο chip ονομάζεται Loihi και είναι νευρομορφικός, που σημαίνει ότι είναι εμπνευσμένος από τις λειτουργίες του εγκεφάλου. Ο chip έχει ψηφιακά κυκλώματα που μιμούνται τον τρόπο με τον οποίο τα νευρικά κύτταρα μαθαίνουν και επικοινωνούν.

Ο chip Loihi βασίζεται σε παράλληλους πυρήνες που επικοινωνούν μέσω διακριτών σπικ, και κάθε ένα από αυτά τα σπικ έχει μια επίδραση που μπορεί να αλλάξει ανάλογα με την τοπική δραστηριότητα. Αυτό απαιτεί διαφορετικές στρατηγικές για τον σχεδιασμό αλγορίθμων από ότι χρησιμοποιείται σε υπάρχοντες επικοινωνιακούς chip.

Μέσω της χρήσης νευρομορφικών επικοινωνιακών chip, οι μηχανές θα μπορούσαν να λειτουργήσουν χίλιες φορές γρηγορότερα από έναν κεντρικό επεξεργαστή ή einen γραφικό επεξεργαστή στην αναγνώριση προτύπων και στην εκτέλεση ορισμένων εργασιών.

Ο επικοινωνιακός chip Loihi μπορεί επίσης να εκτελέσει ορισμένους αλγορίθμους χρησιμοποιώντας περίπου χίλιες φορές λιγότερη ενέργεια από τις παραδοσιακές μεθόδους. Αυτό είναι κατάλληλο για τον αλγόριθμο, ο οποίος μπορεί να接受ει πρότυπα εισόδου από διάφορους αισθητήρες, να μαθαίνει πρότυπα γρήγορα και συνεχώς, και να αναγνωρίζει κάθε ένα από τα σημαντικά πρότυπα ακόμη και με ισχυρή αισθητηριακή παρέμβαση. Ο αλγόριθμος είναι ικανός να αναγνωρίζει με επιτυχία τις μυρωδιές, και μπορεί να το κάνει όταν το πρότυπο είναι 80% διαφορετικό από το πρότυπο που αρχικά έμαθε ο υπολογιστής.

“Το πρότυπο του σήματος έχει καταστραφεί σημαντικά”, είπε ο Cleland, “και όμως το σύστημα είναι ικανό να το ανακτήσει.”

Ο Εγκέφαλος των Θηλαστικών

Ο εγκέφαλος ενός θηλαστικού είναι ικανός να αναγνωρίζει και να θυμάται τις μυρωδιές εξαιρετικά καλά, και μπορεί να υπάρχουν χιλιάδες οσφρητικοί υποδοχείς και σύνθετα νευρωνικά δίκτυα που λειτουργούν για την ανάλυση των προτύπων που συνδέονται με τις μυρωδιές. Ένα από τα πράγματα που τα θηλαστικά μπορούν να κάνουν καλύτερα από τα συστήματα τεχνητής νοημοσύνης είναι να διατηρούν αυτό που έχουν μάθει, ακόμη και μετά από νέα γνώση. Σε προσεγγίσεις βαθιάς μάθησης, το δίκτυο πρέπει να παρουσιαστεί με όλα ταυτόχρονα,既然 νέα πληροφορία μπορεί να επηρεάσει ή ακόμη και να καταστρέψει αυτό που το σύστημα είχε προηγουμένως μάθει.

“Όταν μαθαίνεις κάτι, διαφοροποιείς μόνιμα τα νευρικά κύτταρα”, είπε ο Cleland. “Όταν μαθαίνεις μια μυρωδιά, τα διαμεσολαβικά νευρικά κύτταρα εκπαιδεύονται να ανταποκρίνονται σε συγκεκριμένες διαμορφώσεις, έτσι λοιπόν παίρνεις αυτή τη διαχωριστική γραμμή στο επίπεδο των διαμεσολαβικών νευρώνων. Έτσι, στην πλευρά της μηχανής, απλώς ενισχύουμε αυτό και τραβάμε μια σαφή γραμμή.”

Ο Cleland μίλησε για το πώς η ομάδα ήρθε με νέες πειραματικές προσεγγίσεις.

“Όταν αρχίσεις να μελετάς μια βιολογική διαδικασία που γίνεται πιο περίπλοκη και σύνθετη από ότι μπορείς να την κατανοήσεις απλώς με την直觉, πρέπει να дисципλινάρεις τον νου σου με ένα υπολογιστικό μοντέλο”, είπε. “Δεν μπορείς να το κάνεις με απλό τρόπο. Και αυτό μας οδήγησε σε πολλές νέες πειραματικές προσεγγίσεις και ιδέες που δεν θα τις είχαμε σκεφτεί απλώς με την观察.”