Naukowcy Opracowali Komputerowy Algorytm Zainspirowany Mammalian Olfactory System

Naukowcy z Cornell University stworzyli komputerowy algorytm zainspirowany mammalian olfactory system. Naukowcy długo szukali wyjaśnień, jak ssaki uczą się i identyfikują zapachy. Nowy algorytm dostarcza wglądu w działanie mózgu, a jego zastosowanie w komputerze pozwala na szybkie i niezawodne uczenie się wzorców lepiej niż obecne modele uczenia maszynowego.

Thomas Cleland jest profesorem psychologii i seniorem autorem studium zatytułowanym „Rapid Learning and Robust Recall in a Neuromorphic Olfactory Circuit”, opublikowanym w Nature Machine Intelligence 16 marca.

To jest wynik ponad dekady studiów nad obwodem bulwy węchowej u gryzoni i próbami zrozumienia, jak to działa, z uwzględnieniem rzeczy, które wiemy, że zwierzęta potrafią robić, a nasze maszyny nie, powiedział Cleland.

Teraz wiemy wystarczająco, aby to działało. Zbudowaliśmy ten model komputacyjny na podstawie tego obwodu, pod dużym wpływem rzeczy, które wiemy o biologicznych systemach, ich połączeniach i dynamice, kontynuował. Potem mówimy, jeśli to jest tak, to działa. I ciekawa rzecz jest taka, że to działa.

Chip Komputerowy Intel (INTC )

Cleland był wspierany przez współautora Nabil Imam, badacza w Intel, i razem zastosowali algorytm do chipu komputerowego Intel. Chip nazywa się Loihi i jest neuromorficzny, co oznacza, że jest zainspirowany funkcjami mózgu. Chip ma cyfrowe obwody, które naśladują sposób, w jaki neurony uczą się i komunikują.

Chip Loihi opiera się na rdzeniach równoległych, które komunikują się za pomocą dyskretnych sygnałów, a każdy z nich ma efekt, który może się zmienić w zależności od lokalnej aktywności. To wymaga innych strategii projektowania algorytmów niż te, które są stosowane w istniejących chipach komputerowych.

Dzięki zastosowaniu neuromorficznych chipów komputerowych, maszyny mogą pracować tysiąc razy szybciej niż jednostka centralna lub jednostka przetwarzania graficznego komputera przy identyfikowaniu wzorców i wykonywaniu pewnych zadań.

Chip badawczy Loihi może również uruchamiać pewne algorytmy, używając około tysiąc razy mniej mocy niż tradycyjne metody. To jest dobrze dopasowane do algorytmu, który może akceptować wzorce wejściowe z różnych czujników, uczyć się wzorców szybko i sekwencyjnie oraz identyfikować każdy ze znaczących wzorców, nawet przy silnym zakłóceniu sensorycznym. Algorytm jest w stanie pomyślnie identyfikować zapachy i może to robić, gdy wzorzec jest aż 80% różny od wzorca, który został pierwotnie nauczony przez komputer.

Wzorzec sygnału został znacznie zniszczony, powiedział Cleland, a jednak system jest w stanie go odzyskać.

Mózg Ssaka

Mózg ssaka jest w stanie identyfikować i zapamiętywać zapachy niezwykle dobrze, a może być tysiące receptorów węchowych i złożonych sieci neuronowych, które pracują nad analizą wzorców związanych z zapachami. Jedną z rzeczy, które ssaki mogą robić lepiej niż systemy sztucznej inteligencji, jest zachowanie tego, czego się nauczyły, nawet po uzyskaniu nowej wiedzy. W podejściach głębokiego uczenia, sieć musi być przedstawiona wszystkiemu na raz, ponieważ nowa informacja może wpłynąć lub nawet zniszczyć to, czego system wcześniej się nauczył.

Gdy się czegoś uczymy, to trwale różnicuje neurony, powiedział Cleland. Gdy się uczymy jednego zapachu, interneurony są szkolone, aby reagować na określone konfiguracje, więc otrzymujemy tę separację na poziomie interneuronów. Tak więc po stronie maszyny po prostu to wzmocnijmy i narysujmy wyraźną linię.

Cleland mówił o tym, jak zespół wymyślił nowe podejścia eksperymentalne.

Gdy zaczynamy studiować biologiczny proces, który staje się bardziej skomplikowany i złożony, niż możemy po prostu intuicyjnie zrozumieć, musimy zdyscyplinować swój umysł modelem komputerowym, powiedział. Nie możemy po prostu przechodzić przez to. I to doprowadziło nas do wielu nowych podejść eksperymentalnych i pomysłów, których byśmy nie mieli, gdybyśmy po prostu patrzyli na to.