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

Les chercheurs de l’Université Cornell ont créé un algorithme informatique inspiré du système olfactif des mammifères. Les scientifiques ont longtemps cherché à comprendre comment les mammifères apprennent et identifient les odeurs. Le nouvel algorithme fournit des informations sur le fonctionnement du cerveau, et son application à une puce informatique lui permet d’apprendre rapidement et de manière fiable les modèles, mieux que les modèles d’apprentissage automatique actuels.

Thomas Cleland est professeur de psychologie et auteur principal de l’étude intitulée « Rapid Learning and Robust Recall in a Neuromorphic Olfactory Circuit », publiée dans Nature Machine Intelligence le 16 mars.

« C’est le résultat de plus d’une décennie d’études sur le circuit de l’ampoule olfactive chez les rongeurs et d’essais pour comprendre essentiellement comment cela fonctionne, avec un œil sur les choses que nous savons que les animaux peuvent faire et que nos machines ne peuvent pas », a déclaré Cleland.

« Nous savons maintenant suffisamment pour que cela fonctionne. Nous avons construit ce modèle computationnel basé sur ce circuit, guidé fortement par les choses que nous savons sur la connectivité et la dynamique des systèmes biologiques », a-t-il continué. « Ensuite, nous disons, si cela était vrai, cela fonctionnerait. Et la partie intéressante est qu’il fonctionne vraiment ».

Puce informatique Intel (INTC )

Cleland a été rejoint par le co-auteur Nabil Imam, un 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 est inspirée des fonctions du cerveau. La puce possède des circuits numériques qui imitent la façon dont les neurones apprennent et communiquent.

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

Grâce à l’utilisation de puces informatiques neuromorphiques, les machines pourraient fonctionner mille fois plus vite qu’une unité centrale ou une unité de traitement graphique pour identifier les modèles et effectuer certaines tâches.

La puce de recherche Loihi peut également exécuter certains algorithmes en utilisant environ mille fois moins de puissance que les méthodes traditionnelles. Cela convient bien à l’algorithme, qui peut accepter des modèles d’entrée provenant de divers capteurs, apprendre des modèles rapidement et séquentiellement, et identifier chaque modèle significatif, 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 différent de 80 % par rapport au modèle que l’ordinateur a appris à l’origine.

« Le modèle du signal a été substantiellement 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 se souvenir des odeurs de manière extrêmement efficace, et il peut y avoir des milliers de récepteurs olfactifs et de réseaux neuronaux complexes qui analysent les modèles 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 lorsqu’il y a de nouvelles connaissances. Dans les approches d’apprentissage profond, 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 définitivement 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. Alors, du côté de la machine, nous renforçons simplement cela et traçons une ligne ferme ».

Cleland a parlé de la façon dont l’équipe a élaboré de nouvelles approches expérimentales.

« Lorsque vous commencez à étudier un processus biologique qui devient plus complexe et plus intriqué que vous ne pouvez simplement deviner, vous devez discipliner votre esprit avec un modèle informatique », a-t-il déclaré. « Vous ne pouvez pas vous contenter de deviner. Et cela nous a menés à un certain nombre de nouvelles approches et d’idées expérimentales que nous n’aurions pas trouvées simplement en regardant les choses ».