Модели и платформы ИИ
Исследователи разработали компьютерный алгоритм, вдохновленный обонятельной системой млекопитающих
Ключевые моментыАлгоритм способен распознавать запахи даже при разрушении 80% изученного шаблона.
Показать больше
- Алгоритм способен распознавать запахи даже при разрушении 80% изученного шаблона.
- Нейроморфный чип Intel Loihi выполняет этот алгоритм в тысячу раз быстрее традиционных процессоров.
- В отличие от систем глубокого обучения, данная модель предотвращает перезапись ранее полученных знаний новыми данными.
Исследователи из Корнелльского университета создали компьютерный алгоритм, вдохновленный обонятельной системой млекопитающих. Ученые давно искали объяснения того, как млекопитающие учатся и идентифицируют запахи. Новый алгоритм дает представление о работе мозга, и его применение к компьютерной микросхеме позволяет ей быстро и надежно учиться распознавать закономерности лучше, чем текущие модели машинного обучения.
Томас Клеланд – профессор психологии и старший автор исследования под названием “Быстрое обучение и надежное воспоминание в нейроморфной обонятельной цепи”, опубликованного в Nature Machine Intelligence 16 марта.
“Это результат более чем десяти лет изучения цепей обонятельной луковицы у грызунов и попыток понять, как это работает, с учетом того, что мы знаем, что животные могут делать то, что наши машины не могут”, – сказал Клеланд.
“Мы теперь знаем достаточно, чтобы сделать это работающим. Мы построили эту вычислительную модель на основе этой цепи, руководствуясь тем, что мы знаем о связности и динамике биологических систем”, – продолжил он. “Затем мы говорим, если это так, это должно работать. И интересно то, что это действительно работает.”
Микросхема Intel (INTC )
Клеланд был сопровождаем соавтором Набилом Имамом, исследователем в Intel, и вместе они применили алгоритм к микросхеме Intel. Микросхема называется Loihi, и она нейроморфна, то есть вдохновлена функциями мозга. Микросхема имеет цифровые цепи, которые имитируют то, как нейроны учатся и общаются.
Микросхема Loihi полагается на параллельные ядра, которые общаются через дискретные всплески, и каждый из этих всплесков имеет эффект, который может измениться в зависимости от местной активности. Это требует разных стратегий для проектирования алгоритмов, чем те, которые используются в существующих компьютерных микросхемах.
Благодаря использованию нейроморфных компьютерных микросхем машины могут работать в тысячу раз быстрее, чем центральный или графический процессор компьютера, при распознавании закономерностей и выполнении определенных задач.
Исследовательская микросхема Loihi также может выполнять определенные алгоритмы, используя примерно в тысячу раз меньше энергии, чем традиционные методы. Это хорошо подходит для алгоритма, который может принимать входные закономерности от различных датчиков, быстро и последовательно учиться распознавать закономерности и идентифицировать каждую из значимых закономерностей, даже при сильном сенсорном вмешательстве. Алгоритм способен успешно идентифицировать запахи и может делать это, когда закономерность отличается на 80% от закономерности, первоначально изученной компьютером.
“Закономерность сигнала была существенно разрушена”, – сказал Клеланд, – “и тем не менее система может восстановить ее”.
Мозг млекопитающих
Мозг млекопитающих способен идентифицировать и запоминать запахи очень хорошо, и может быть тысячи обонятельных рецепторов и сложных нейронных сетей, работающих над анализом закономерностей, связанных с запахами. Одним из того, что млекопитающие могут делать лучше, чем системы искусственного интеллекта, является сохранение того, что они узнали, даже после появления новой информации. В подходах глубокого обучения сеть должна быть представлена всем сразу, поскольку новая информация может повлиять или даже уничтожить то, что система ранее узнала.
“Когда вы учитесь чему-то, это навсегда различает нейроны”, – сказал Клеланд. “Когда вы учитесь одному запаху, интернейроны обучаются реагировать на определенные конфигурации, поэтому вы получаете это разделение на уровне интернейронов. Итак, на стороне машины мы просто усиливаем это и проводим четкую границу”.
Клеланд рассказал о том, как команда разработала новые экспериментальные подходы.
“Когда вы начинаете изучать биологический процесс, который становится более сложным и сложным, чем вы можете просто интуитивно понять, вам нужно дисциплинировать свой разум с помощью компьютерной модели”, – сказал он. “Вы не можете просто пройти через это. И это привело нас к ряду новых экспериментальных подходов и идей, которые мы не придумали бы, просто глядя на это”.












