Дослідники розробили комп’ютерний алгоритм, натхненний системою запаху ссавців

Дослідники з Корнелльського університету створили комп’ютерний алгоритм, натхненний системою запаху ссавців. Учені давно шукали пояснення того, як ссавці вчаться і розпізнають запахи. Новий алгоритм дає уявлення про роботу мозку, а його застосування до комп’ютерної мікросхеми дозволяє їй швидко і надійно вивчати закономірності краще, ніж сучасні моделі машинного навчання.

Томас Клеланд – професор психології і старший автор дослідження під назвою “Швидке навчання і надійне запам’ятовування в нейроморфній системі запаху”, опублікованого в Nature Machine Intelligence 16 березня.

“Це результат більш ніж десятирічних досліджень схеми бульбуса в гризунів і спроб зрозуміти, як це працює, з оглядом на те, що тварини можуть робити те, чого не можуть наші машини”, – сказав Клеланд.

“Ми тепер знаємо достатньо, щоб зробити це працювати. Ми створили цю обчислювальну модель на основі цієї схеми, керуючись тим, що ми знаємо про біологічні системи, їхню зв’язність і динаміку”, – продовжив він. “Потім ми кажемо, якщо це так, це працюватиме. І цікаво те, що це працює.”

Мікросхема Intel (INTC )

Клеланду допомагав співавтор Набіль Імам, дослідник компанії Intel, і разом вони застосували алгоритм до мікросхеми Intel. Ця мікросхема називається Loihi, і вона є нейроморфною, тобто натхненною функціями мозку. Мікросхема має цифрові схеми, які імітують те, як нейрони вчаться і спілкуються.

Мікросхема Loihi використовує паралельні ядра, які спілкуються через дискретні спайки, і кожна з цих спайок має ефект, який може змінюватися залежно від місцевої діяльності. Це вимагає різних стратегій для проектування алгоритмів, ніж ті, які використовуються в існуючих комп’ютерних мікросхемах.

За допомогою нейроморфних комп’ютерних мікросхем машини можуть працювати в тисячу разів швидше, ніж центральний процесор комп’ютера або графічний процесор, при розпізнаванні закономірностей і виконанні певних завдань.

Дослідницька мікросхема Loihi також може виконувати певні алгоритми, використовуючи приблизно в тисячу разів менше енергії, ніж традиційні методи. Це добре підходить для алгоритму, який може приймати вхідні закономірності з різних сенсорів, швидко вивчати закономірності послідовно і розпізнавати кожну з значимих закономірностей, навіть при сильному сенсорному втручанні. Алгоритм здатний успішно розпізнавати запахи, і він може робити це, коли закономірність на 80% відрізняється від закономірності, яку комп’ютер спочатку вивчив.

“Закономерність сигналу була суттєво зруйнована”, – сказав Клеланд, – “і все ж таки система може її відновити”.

Мозок ссавців

Мозок ссавця здатний розпізнавати і запам’ятовувати запахи дуже добре, і може бути тисячі рецепторів запаху і складних нейронних мереж, які працюють над аналізом закономірностей, пов’язаних з запахами. Одним з тих, чого ссавці можуть робити краще, ніж системи штучного інтелекту, є зберігання того, чого вони навчилися, навіть після того, як з’являється нова інформація. У підходах глибокого навчання мережа повинна бути представлена всьому одночасно, оскільки нова інформація може вплинути або навіть знищити те, що система раніше вивчила.

“Коли ви вчитеся щось, це постійно відрізняє нейрони”, – сказав Клеланд. “Коли ви вчитеся один запах, інтернейрони тренуються реагувати на певні конфігурації, тому ви отримуєте це розмежування на рівні інтернейронів. Отже, на машині ми просто посилюємо це і проводимо чітку лінію”.

Клеланд говорив про те, як команда розробила нові експериментальні підходи.

“Коли ви починаєте вивчати біологічний процес, який стає більш складним і складним, ніж ви можете просто інтуїтивно зрозуміти, вам потрібно дисциплінувати свій розум комп’ютерною моделлю”, – сказав він. “Ви не можете просто пройти через це. І це привело нас до ряду нових експериментальних підходів і ідей, яких ми не могли б розробити, просто глядячи на це”.