Des chercheurs développent un algorithme informatique inspiré du système olfactif des mammifères

Des chercheurs de l'Université Cornell ont créé un algorithme informatique inspiré du système olfactif des mammifères. Les scientifiques cherchent depuis longtemps des explications sur la manière dont les mammifères apprennent et identifient les odeurs. Le nouvel algorithme donne un aperçu du fonctionnement du cerveau et son application à une puce informatique lui permet d'apprendre rapidement et de manière fiable des modèles mieux que les modèles d'apprentissage automatique actuels. 

Thomas Cleland est professeur de psychologie et auteur principal de l'étude intitulée "Apprentissage rapide et rappel robuste dans un circuit olfactif neuromorphique,» Publié dans Intelligence artificielle de la nature sur Mars 16.

"C'est le résultat de plus d'une décennie d'étude des circuits des bulbes olfactifs chez les rongeurs et d'essayer de comprendre essentiellement comment cela fonctionne, en gardant un œil sur les choses que nous savons que les animaux peuvent faire et que nos machines ne peuvent pas", a déclaré Cleland. 

« Nous en savons maintenant assez pour que cela fonctionne. Nous avons construit ce modèle de calcul basé sur ce circuit, fortement guidé par ce que nous savons sur la connectivité et la dynamique des systèmes biologiques », a-t-il poursuivi. « Ensuite, nous disons que si tel était le cas, cela fonctionnerait. Et ce qui est intéressant, c'est que ça marche.

Puce informatique Intel

Cleland a été rejoint par le co-auteur Nabil Imam, chercheur chez Intel, et ensemble, ils ont appliqué l'algorithme à une puce informatique Intel. La puce s'appelle Loihi et elle est neuromorphique, ce qui signifie qu'elle s'inspire des fonctions du cerveau. La puce possède des circuits numériques qui imitent la manière dont les neurones apprennent et communiquent. 

La puce Loihi repose sur des cœurs parallèles qui communiquent via des pointes discrètes, et chacune de ces pointes a un effet qui peut changer en fonction de l'activité locale. Cela nécessite des stratégies de conception d'algorithmes différentes de celles utilisées dans les puces informatiques existantes. 

Grâce à l'utilisation de puces informatiques neuromorphiques, les machines pourraient fonctionner mille fois plus vite que les unités centrales ou de traitement graphique d'un ordinateur pour identifier des modèles et effectuer certaines tâches. 

La puce de recherche Loihi peut également exécuter certains algorithmes tout en utilisant environ mille fois moins d'énergie que les méthodes traditionnelles. Ceci est bien adapté à l'algorithme, qui peut accepter des modèles d'entrée de différents capteurs, apprendre des modèles rapidement et séquentiellement et identifier chacun des modèles significatifs même avec une forte interférence sensorielle. L'algorithme est capable d'identifier avec succès les odeurs, et il peut le faire lorsque le modèle est à 80 % différent du modèle appris à l'origine par l'ordinateur. 

«Le modèle du signal a été sensiblement détruit», a déclaré Cleland, «et pourtant le système est capable de le récupérer.»

Le cerveau des mammifères

Le cerveau d'un mammifère est capable d'identifier et de mémoriser extrêmement bien les odeurs, et il peut y avoir des milliers de récepteurs olfactifs et de réseaux neuronaux complexes travaillant pour analyser les schémas associés aux odeurs. L'une des choses que les mammifères peuvent faire mieux que les systèmes d'intelligence artificielle est de conserver ce qu'ils ont appris, même après l'acquisition de nouvelles connaissances. Dans les approches d'apprentissage en profondeur, le réseau doit être présenté avec tout à la fois, car de nouvelles informations peuvent affecter ou même détruire ce que le système a appris précédemment. 

"Lorsque vous apprenez quelque chose, cela différencie en permanence les neurones", a déclaré Cleland. «Lorsque vous apprenez une odeur, les interneurones sont formés pour répondre à des configurations particulières, vous obtenez donc cette ségrégation au niveau des interneurones. Donc, du côté de la machine, nous améliorons simplement cela et traçons une ligne ferme.

Cleland a expliqué comment l'équipe a proposé de nouvelles approches expérimentales. 

"Lorsque vous commencez à étudier un processus biologique qui devient plus complexe et complexe que vous ne pouvez simplement l'imaginer, vous devez discipliner votre esprit avec un modèle informatique", a-t-il déclaré. « Vous ne pouvez pas vous frayer un chemin à travers cela. Et cela nous a conduit à un certain nombre de nouvelles approches et idées expérimentales que nous n'aurions pas trouvées simplement en les regardant.