Исследователи разработали компьютерный алгоритм, вдохновленный обонятельной системой млекопитающих

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”.