Forskare Utvecklar Datoralgoritm Inspirerad av Mammaldjurss Olfaktorsystem

Forskare från Cornell University har skapat en datoralgoritm inspirerad av det mammaldjurss olfaktorsystem. Vetenskapsmän har länge sökt efter förklaringar till hur däggdjur lär sig och identifierar lukter. Den nya algoritmen ger insikt i hjärnans funktioner, och genom att tillämpa den på en datorchip kan den snabbt och tillförlitligt lära sig mönster bättre än nuvarande maskinlärningsmodeller.

Thomas Cleland är professor i psykologi och senior författare till studien med titeln “Rapid Learning and Robust Recall in a Neuromorphic Olfactory Circuit“, publicerad i Nature Machine Intelligence den 16 mars.

“Detta är ett resultat av över ett decennium av studier av olfaktorbulb-cirkuitry i gnagare och försök att förstå hur det fungerar, med fokus på saker som vi vet att djur kan göra som våra maskiner inte kan”, sa Cleland.

“Vi vet nu tillräckligt för att göra detta arbete. Vi har byggt denna beräkningsmodell baserad på denna cirkuitry, starkt influerad av saker vi vet om de biologiska systemens koppling och dynamik”, fortsatte han. “Sedan säger vi, om detta vore så, skulle detta fungera. Och det intressanta är att det faktiskt fungerar.”

Intel (INTC ) Datorchip

Cleland var tillsammans med medförfattaren Nabil Imam, en forskare på Intel, och tillsammans tillämpade de algoritmen på en Intel-datorchip. Chipen heter Loihi och är neuromorfisk, vilket innebär att den är inspirerad av hjärnans funktioner. Chipen har digitala kretsar som imiterar hur neuroner lär sig och kommunicerar.

Loihi-chipen använder parallella kärnor som kommunicerar via diskreta spikar, och var och en av dessa spikar har en effekt som kan förändras beroende på lokal aktivitet. Detta kräver olika strategier för algoritm-design än vad som används i befintliga datorchips.

Genom användning av neuromorfiska datorchips kan maskiner arbeta tusen gånger snabbare än en dators central- eller grafikprocessorenhet för att identifiera mönster och utföra vissa uppgifter.

Loihi-forskningschipen kan också köra vissa algoritmer medan den använder cirka tusen gånger mindre ström än traditionella metoder. Detta är väl lämpat för algoritmen, som kan acceptera inmatningsmönster från olika sensorer, lära sig mönster snabbt och sekventiellt, och identifiera varje meningsfullt mönster även med stark sensorstörning. Algoritmen kan med framgång identifiera lukter, och den kan göra det även när mönstret är förvånansvärt 80% annorlunda än det mönster som datorn ursprungligen lärde sig.

“Mönstret på signalen har i stor utsträckning förstörts”, sa Cleland, “och ändå kan systemet återställa det.”

Mammaldjurens Hjärna

En däggdjurens hjärna kan identifiera och komma ihåg lukter extremt väl, och det kan finnas tusentals olfaktor-receptorer och komplexa neurala nätverk som arbetar för att analysera mönster associerade med lukter. En av de saker som däggdjur kan göra bättre än artificiella intelligenssystem är att behålla det de har lärt sig, även efter att ny kunskap har tillkommit. I djupinlärningsmetoder måste nätverket presenteras med allt på en gång, eftersom ny information kan påverka eller till och med förstöra vad systemet tidigare har lärt sig.

“När du lär dig något, differentierar det permanent neuroner”, sa Cleland. “När du lär dig en lukt, tränas interneuronerna för att svara på specifika konfigurationer, så du får den segregationen på interneuron-nivå. Så på maskin-sidan förstärker vi bara det och drar en tydlig linje.”

Cleland talade om hur teamet kom fram till nya experimentella tillvägagångssätt.

“När du börjar studera en biologisk process som blir mer invecklad och komplex än vad du bara kan intuitivt, måste du disciplinera din hjärna med en datormodell”, sa han. “Du kan inte göra det på ett otydligt sätt. Och det ledde oss till ett antal nya experimentella tillvägagångssätt och idéer som vi inte skulle ha kommit på bara genom att titta på det.”