Modelos e plataformas de IA

Pesquisadores Desenvolvem Algoritmo de Computador Inspirado no Sistema Olfativo dos Mamíferos

Alex McFarland
Adicione Unite.AI às suas fontes preferidas no Google
Pontos-chaveO algoritmo consegue identificar odores mesmo quando 80% do padrão aprendido é…
Ver mais
  • O algoritmo consegue identificar odores mesmo quando 80% do padrão aprendido é destruído.
  • O chip neuromórfico Loihi, da Intel, executa o algoritmo mil vezes mais rápido que os processadores tradicionais.
  • Diferentemente dos sistemas de aprendizado profundo, o modelo impede que novos aprendizados sobrescrevam o conhecimento anterior.

Pesquisadores da Universidade Cornell criaram um algoritmo de computador inspirado no sistema olfativo dos mamíferos. Cientistas há muito tempo procuram explicações de como os mamíferos aprendem e identificam cheiros. O novo algoritmo fornece insights sobre o funcionamento do cérebro e, aplicado a um chip de computador, permite que ele aprenda padrões rapidamente e de forma confiável, melhor do que os atuais modelos de aprendizado de máquina.

Thomas Cleland é professor de psicologia e autor principal do estudo intitulado “Rapid Learning and Robust Recall in a Neuromorphic Olfactory Circuit”, publicado na revista Nature Machine Intelligence em 16 de março.

“Este é o resultado de mais de uma década de estudo da circuitaria do bulbo olfativo em roedores e tentando descobrir basicamente como funciona, com um olhar para as coisas que sabemos que os animais podem fazer e que nossas máquinas não podem”, disse Cleland.

“Agora sabemos o suficiente para fazer isso funcionar. Construímos este modelo computacional com base nessa circuitaria, guiado fortemente pelas coisas que sabemos sobre a conectividade e a dinâmica dos sistemas biológicos”, continuou. “Então, dizemos: se isso for assim, isso funcionará. E a parte interessante é que funciona.”

Chip de Computador Intel (INTC )

Cleland foi acompanhado pelo coautor Nabil Imam, pesquisador da Intel, e juntos aplicaram o algoritmo a um chip de computador da Intel. O chip é chamado Loihi e é neuromórfico, o que significa que é inspirado nas funções do cérebro. O chip tem circuitos digitais que imitam a forma como os neurônios aprendem e se comunicam.

O chip Loihi depende de núcleos paralelos que se comunicam por meio de picos discretos, e cada um desses picos tem um efeito que pode mudar dependendo da atividade local. Isso requer estratégias diferentes para o design de algoritmos do que as usadas em chips de computador existentes.

Com o uso de chips de computador neuromórficos, as máquinas podem funcionar mil vezes mais rápido do que as unidades centrais ou de processamento gráfico de um computador para identificar padrões e realizar certas tarefas.

O chip de pesquisa Loihi também pode executar certos algoritmos usando cerca de mil vezes menos energia do que os métodos tradicionais. Isso é adequado para o algoritmo, que pode aceitar padrões de entrada de vários sensores diferentes, aprender padrões rapidamente e seqüencialmente, e identificar cada um dos padrões significativos, mesmo com forte interferência sensorial. O algoritmo é capaz de identificar com sucesso odores e pode fazer isso quando o padrão é 80% diferente do padrão original aprendido pelo computador.

“O padrão do sinal foi substancialmente destruído”, disse Cleland, “e, no entanto, o sistema é capaz de recuperá-lo.”

O Cérebro dos Mamíferos

O cérebro de um mamífero é capaz de identificar e lembrar cheiros extremamente bem, e pode haver milhares de receptores olfativos e redes neurais complexas trabalhando para analisar os padrões associados a odores. Uma das coisas que os mamíferos podem fazer melhor do que os sistemas de inteligência artificial é reter o que aprenderam, mesmo após novos conhecimentos. Nas abordagens de aprendizado profundo, a rede deve ser apresentada com tudo de uma vez, pois novas informações podem afetar ou até destruir o que o sistema aprendeu anteriormente.

“Quando você aprende algo, isso diferencia permanentemente os neurônios”, disse Cleland. “Quando você aprende um odor, os interneurônios são treinados para responder a configurações específicas, então você obtém essa segregação no nível dos interneurônios. Então, no lado da máquina, apenas aprimoramos isso e traçamos uma linha firme.”

Cleland falou sobre como a equipe desenvolveu novas abordagens experimentais.

“Quando você começa a estudar um processo biológico que se torna mais intricado e complexo do que você pode simplesmente intuir, você precisa disciplinar sua mente com um modelo de computador”, disse ele. “Você não pode passar por isso de forma confusa. E isso nos levou a uma série de novas abordagens experimentais e ideias que não teríamos desenvolvido apenas olhando para isso.”

Alex lidera as operações de notícias impulsionadas por IA da Unite.AI, combinando jornalismo, pesquisa e automação para apoiar uma cobertura oportuna e escalável da inteligência artificial. Seu trabalho ajuda a garantir que os desenvolvimentos emergentes em IA sejam divulgados de forma eficiente, mantendo os padrões editoriais da publicação.