Forskere utvikler datamaskinalgoritme inspirert av pattedyrenes luktesystem

Forskere fra Cornell University har utviklet en datamaskinalgoritme inspirert av pattedyrenes luktesystem. Vitenskapsmenn har lenge søkt å forstå hvordan pattedyr lærer og gjenkjenner lukter. Den nye algoritmen gir innsikt i hjernens funksjoner, og ved å bruke den på en datamaskin-chip kan den lære og gjenkjenne mønster raskt og pålitelig, bedre enn nåværende maskinlæringsmodeller.

Thomas Cleland er professor i psykologi og hovedforfatter av studien “Rapid Learning and Robust Recall in a Neuromorphic Olfactory Circuit”, som ble publisert i Nature Machine Intelligence den 16. mars.

“Dette er et resultat av over ett tiår med studier av luktebulb-cirkuitry i gnagere og forsøk på å forstå hvordan det fungerer, med fokus på ting vi vet at dyr kan gjøre bedre enn våre maskiner”, sa Cleland.

“Vi vet nå nok til å gjøre dette arbeidet. Vi har bygget en komputasjonsmodell basert på denne cirkuitryen, sterkt guidet av ting vi vet om biologiske systemers sammenheng og dynamikk”, fortsatte han. “Så sier vi, hvis dette var så, ville dette fungere. Og det interessante er at det faktisk fungerer.”

Intel (INTC ) Datamaskin-chip

Cleland ble sammen med medforfatter Nabil Imam, en forsker ved Intel, og sammen brukte de algoritmen på en Intel datamaskin-chip. Chipen heter Loihi, og den er neuromorf, det vil si at den er inspirert av hjernens funksjoner. Chipen har digitale cirkuitry som etterligner måten neuronene lærer og kommuniserer på.

Loihi-chipen bruker parallellkjerner som kommuniserer via diskrete spiker, og hver av disse spikrene har en effekt som kan endre seg avhengig av lokal aktivitet. Dette krever forskjellige strategier for algoritme-design enn det som brukes i eksisterende datamaskin-chiper.

Gjennom bruk av neuromorfe datamaskin-chiper kan maskiner arbeide tusen ganger raskere enn en datamaskins sentrale eller grafikkprosessorer når det gjelder å gjenkjenne mønster og utføre visse oppgaver.

Loihi-forskningschipen kan også kjøre visse algoritmer mens den bruker rundt tusen ganger mindre strøm enn tradisjonelle metoder. Dette er godt egnet for algoritmen, som kan akseptere innputtmønster fra forskjellige sensorer, lære mønster raskt og sekvensielt, og gjenkjenne hver av de meningsfulle mønstrene selv med sterk sanselig interferens. Algoritmen kan med hell gjenkjenne lukter, og den kan gjøre det selv når mønsteret er 80% forskjellig fra mønsteret som datamaskinen opprinnelig lærte.

“Mønsteret av signalet er vesentlig ødelagt”, sa Cleland, “og likevel er systemet i stand til å gjenopprette det.”

Pattedyrenes Hjerne

Pattedyrenes hjerne er i stand til å gjenkjenne og huske lukter ekstremt godt, og det kan være tusenvis av luktereceptorer og komplekse neurale nettverk som arbeider for å analysere mønstrene forbundet med lukter. En av tingene pattedyr kan gjøre bedre enn kunstig intelligens er å beholde det de har lært, selv etter at det er ny kunnskap. I dyptelærings-tilnærminger må nettverket presenteres med alt på en gang, siden ny informasjon kan påvirke eller til og med ødelegge det systemet tidligere har lært.

“Når du lærer noe, differensierer det permanent neuronene”, sa Cleland. “Når du lærer en lukt, trenes interneuronene til å reagere på bestemte konfigurasjoner, så du får denne segregasjonen på interneuron-nivå. Så på maskin-siden forbedrer vi bare det og trekker en fast linje.”

Cleland snakket om hvordan teamet kom opp med nye eksperimentelle tilnærminger.

“Når du begynner å studere en biologisk prosess som blir mer intrikat og kompleks enn du kan enkelt intuere, må du disiplinere din hjerne med en datamaskinmodell”, sa han. “Du kan ikke gjøre det på en uklar måte. Og det ledet oss til en rekke nye eksperimentelle tilnærminger og ideer som vi ikke ville ha kommet på bare ved å se på det.”