Tutkijat kehittivät tietokonealgoritmin, joka perustuu nisäkkäiden hajujärjestelmään

Cornellin yliopiston tutkijat ovat luoneet tietokonealgoritmin, joka perustuu nisäkkäiden hajujärjestelmään. Tutkijat ovat pitkään etsineet selitystä sille, miten nisäkkäät oppivat ja tunnistavat hajuja. Uusi algoritmi antaa näkymän aivojen toimintaan, ja sen soveltaminen tietokonepiiriin mahdollistaa nopean ja luotettavan oppimisen paremmin kuin nykyiset koneoppimismallit.

Thomas Cleland on psykologian professori ja tutkimuksen pääkirjoittaja, jonka otsikko on “Rapid Learning and Robust Recall in a Neuromorphic Olfactory Circuit”, julkaistu Nature Machine Intelligence -lehdessä 16. maaliskuuta.

“Tämä on yli kymmenen vuoden tulosta olfactory bulb -piirien tutkimisesta jyrsijöissä ja yrittämisestä selvittää, miten se toimii, silmällä pitäen asioita, joita eläimet voivat tehdä, mitä koneet eivät voi”, Cleland sanoi.

“Nyt tiedämme tarpeeksi, jotta voimme tehdä tämän. Olemme rakentaneet tämän laskennallisen mallin piirien perusteella, jota ohjaa voimakkaasti biologisen järjestelmän yhteydet ja dynamiikka”, hän jatkoi. “Sitten sanomme, että jos tämä on totta, tämä toimii. Ja mielenkiintoista on, että se toimii.”

Intel-tietokonepiiri

Clelandia avusti yhteiskirjoittaja Nabil Imam, Intelin tutkija, ja yhdessä he sovelsivat algoritmin Intel-tietokonepiiriin. Piiri on nimeltään Loihi, ja se on neuromorfinen, eli se perustuu aivojen toimintaan. Piirissä on digitaaliset piirit, jotka jäljittelevät hermosolujen oppimista ja viestintää.

Loihi-piiri perustuu rinnakkaisiin ytimiin, jotka viestivät toisiinsa erillisten impulssien avulla, ja kunkin impulssin vaikutus voi muuttua paikallisen toiminnan mukaan. Tämä vaatii erilaisia strategioita algoritmin suunnittelussa kuin mitä käytetään olemassa olevissa tietokonepiireissä.

Neuromorfisten tietokonepiirien avulla koneet voivat toimia tuhannen kerran nopeammin kuin tietokoneen keskus- tai grafiikkaydin tunnistaa kuvioita ja suorittaa tiettyjä tehtäviä.

Loihi-tutkimuspiiri voi myös suorittaa tiettyjä algoritmeja käyttäen noin tuhannen kerran vähemmän virtaa kuin perinteiset menetelmät. Tämä on hyvin sovellettavissa algoritmille, joka voi hyväksyä syötekuviot eri antureista, oppia kuviot nopeasti ja peräkkäin, ja tunnistaa kunkin merkityksellisen kuvion, vaikka aistihäiriötä on voimakasta. Algoritmi pystyy tunnistamaan hajuja onnistuneesti, ja se voi tehdä sen, kun kuvio on jopa 80% erilainen kuin alun perin tietokoneelle opetettu kuvio.

“Kuvion signaali on hävittynyt merkittävästi”, Cleland sanoi, “ja silti järjestelmä pystyy palauttamaan sen.”

Nisäkkäiden aivot

Nisäkkäiden aivot pystyvät tunnistamaan ja muistamaan hajuja erittäin hyvin, ja niissä voi olla tuhannen hajureseptoreita ja monimutkaisia hermoverkkoja, jotka analysoivat hajuja liittyviä kuvioita. Yksi asia, jossa nisäkkäät ovat parempia kuin tekoälyjärjestelmät, on se, että ne säilyttävät oppimansa tiedon, vaikka uusi tieto tulisi. Syvän oppimisen lähestymistavassa verkon on esitettävä kaikki kerran, koska uusi tieto voi vaikuttaa tai jopa tuhota aikaisemmin opitun.

“Kun opit jotain, se erottaa hermosolut pysyvästi”, Cleland sanoi. “Kun opit yhden hajun, interneuronit koulutetaan vastaamaan tiettyihin konfiguraatioihin, joten saat erottelun interneuronien tasolla. Konemallissa vain vahvistamme tämän ja piirrämme selkeän rajan.”

Cleland puhui siitä, miten tiimi keksi uusia kokeellisia lähestymistapoja.

“Kun tutkit biologista prosessia, josta tulee monimutkaisempi ja monimutkaisempi kuin voit yksinkertaisesti aistia, sinun on kurittava mieltäsi tietokoneella”, hän sanoi. “Et voi selvitä siitä sumussa. Ja se johti meidät useisiin uusiin kokeellisiin lähestymistapoihin ja ideoihin, joita emme olisi keksineet vain katsomalla sitä.”