Pesquisadores Desenvolvem Algoritmo de Computador Inspirado no Sistema Olfativo dos Mamíferos

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.”