Cercetători dezvoltă un algoritm de computer inspirat de sistemul olfactiv al mamiferelor

Cercetătorii de la Universitatea Cornell au creat un algoritm de computer inspirat de sistemul olfactiv al mamiferelor. Oamenii de știință au căutat de mult timp explicații pentru modul în care mamiferele învață și identifică mirosurile. Noul algoritm oferă informații despre funcționarea creierului, iar aplicarea lui la un cip de computer îi permite să învețe rapid și fiabil modele mai bune decât modelele actuale de învățare automată.

Thomas Cleland este profesor de psihologie și autorul principal al studiului intitulat „Învățare rapidă și rechemare robustă într-un circuit olfactiv neuromorfic”, publicat în Nature Machine Intelligence pe 16 martie.

„Acesta este rezultatul a peste un deceniu de studiu al circuitei bulbului olfactiv la rozătoare și încercarea de a înțelege esențial cum funcționează, cu o atenție specială asupra lucrurilor pe care știm că animalele le pot face, dar mașinile noastre nu”, a spus Cleland.

„Acum știm suficient de mult pentru a face ca acest lucru să funcționeze. Am construit acest model computațional pe baza acestei circuite, ghidat puternic de lucrurile pe care le știm despre conectivitatea și dinamica sistemelor biologice”, a continuat el. „Apoi spunem, dacă acesta ar fi adevărat, atunci ar funcționa. Și partea interesantă este că funcționează cu adevărat”.

Cipul de computer Intel (INTC )

Cleland a fost alăturat de coautorul Nabil Imam, un cercetător la Intel, și împreună au aplicat algoritmul la un cip de computer Intel. Cipul se numește Loihi și este neuromorfic, ceea ce înseamnă că este inspirat de funcțiile creierului. Cipul are circuite digitale care imită modul în care neuronii învață și comunică.

Cipul Loihi se bazează pe nuclee paralele care comunică prin impulsuri discrete, iar fiecare dintre aceste impulsuri are un efect care poate fi modificat în funcție de activitatea locală. Acest lucru necesită strategii diferite pentru proiectarea algoritmilor decât cele utilizate în cipurile de computer existente.

Prin utilizarea cipurilor de computer neuromorfice, mașinile pot funcționa de o mie de ori mai rapid decât unitățile centrale sau unitățile de procesare grafică ale unui computer la identificarea modelelor și efectuarea anumitor sarcini.

Cipul de cercetare Loihi poate, de asemenea, să ruleze anumite algoritmi utilizând aproximativ o mie de ori mai puțină putere decât metodele tradiționale. Acest lucru este foarte potrivit pentru algoritm, care poate accepta modele de intrare de la diverse senzori, învăța modele rapid și secvențial și identifica fiecare dintre modelele semnificative, chiar și cu interferențe senzoriale puternice. Algoritmul este capabil să identifice cu succes mirosuri și poate face acest lucru atunci când modelul este diferit cu până la 80% de modelul pe care computerul l-a învățat inițial.

„Modelul semnalului a fost distrus în mod semnificativ”, a spus Cleland, „și totuși sistemul este capabil să îl recupereze”.

Creierul mamiferelor

Creierul unui mamifer este capabil să identifice și să memoreze mirosuri extrem de bine, iar pot exista mii de receptori olfactivi și rețele neuronale complexe care lucrează pentru a analiza modelele asociate cu mirosurile. Una dintre lucrurile pe care mamiferele le pot face mai bine decât sistemele de inteligență artificială este să rețină ceea ce au învățat, chiar și atunci când există informații noi. În abordările de învățare profundă, rețeaua trebuie să fie prezentată cu totul deodată, deoarece informațiile noi pot afecta sau chiar distruge ceea ce sistemul a învățat anterior.

„Atunci când înveți ceva, neuronii se diferențiază permanent”, a spus Cleland. „Atunci când înveți un miros, interneuronii sunt antrenați să răspundă la configurații specifice, astfel încât obții acea segregare la nivelul interneuronilor. Așadar, pe partea mașinii, pur și simplu consolidăm acest lucru și trasăm o linie fermă”.

Cleland a vorbit despre modul în care echipa a găsit abordări experimentale noi.

„Atunci când începi să studiezi un proces biologic care devine mai complex și mai intricat decât poți pur și simplu intui, trebuie să îți disciplinezi mintea cu un model de computer”, a spus el. „Nu poți să treci peste acest lucru. Și asta ne-a condus la o serie de abordări și idei experimentale noi pe care nu le-am fi putut găsi doar prin observare”.