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 та розпізнають запахи. Новий алгоритм надає уявлення про роботу мозку, а його застосування до комп’ютерної мікросхеми дозволяє їй швидко та надійно вивчати закономірності краще, ніж сучасні моделі машинного навчання.

Томас Клеланд є професором психології та старшим автором дослідження під назвою “Швидке навчання та надійне запам’ятовування в нейроморфній ольфакторній схемі“, опублікованого в Nature Machine Intelligence 16 березня.

“Це результат понад десяти років вивчення ольфакторної цибулі у гризунів та спроби зрозуміти, як це працює, з оглядом на те, що тварини можуть робити те, чого не можуть наші машини”, – сказав Клеланд.

“Ми тепер знаємо досить, щоб зробити це працювати. Ми побудували цю обчислювальну модель на основі цієї схеми, керуючись сильно тим, що ми знаємо про біологічні системи зв’язності та динаміки”, – продовжив він. “Потім ми кажемо, якщо це так, то це працюватиме. І цікаво, що це працює.”

Мікросхема Intel

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

Мікросхема Loihi використовує паралельні ядра, які спілкуються через дискретні спайки, і кожна зі 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 використання нейроморфних комп’ютерних мікросхем машини можуть працювати в тисячу разів швидше, ніж центральний процесор комп’ютера або графічний процесор, розпізнавати закономірності та виконувати певні завдання.

Дослідницька мікросхема Loihi також може виконувати певні алгоритми, використовуючи близько тисячі разів менше енергії, ніж традиційні методи. Це добре підходить для алгоритму, який може приймати вхідні закономірності з різних сенсорів, швидко та послідовно вивчати закономірності та розпізнавати кожну з значимих закономірностей, навіть з сильним сенсорним втручанням. 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 знищена”, – сказав Клеланд, – “і все ж таки система може відновити її.”

Мозок ссавців

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

“Коли ви вивчите щось, це постійно відрізняє нейрони”, – сказав Клеланд. “Коли ви вивчите один запах, інтернейрони тренуються реагувати на певні конфігурації, тому ви отримуєте цю сегрегацію на рівні інтернейронів. Тому на стороні машини ми просто посилюємо це та проводимо тверду лінію.”

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

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