Các nhà nghiên cứu phát triển thuật toán máy tính lấy cảm hứng từ hệ thống嗅觉 của động vật có vú

Các nhà nghiên cứu từ Đại học Cornell đã tạo ra một thuật toán máy tính lấy cảm hứng từ hệ thống嗅觉 của động vật có vú. Các nhà khoa học đã lâu tìm kiếm lời giải thích về cách động vật có vú học và nhận dạng mùi. Thuật toán mới này cung cấp cái nhìn sâu sắc về hoạt động của não bộ, và áp dụng nó vào một con chip máy tính cho phép nó học nhanh và đáng tin cậy các mẫu tốt hơn so với các mô hình học máy hiện tại.

Thomas Cleland là giáo sư tâm lý học và là tác giả chính của nghiên cứu có tiêu đề “Rapid Learning and Robust Recall in a Neuromorphic Olfactory Circuit,” được xuất bản trên Nature Machine Intelligence vào ngày 16 tháng 3.

“Đây là kết quả của hơn một thập kỷ nghiên cứu về mạch嗅觉 ở động vật gặm nhấm và cố gắng tìm hiểu cách nó hoạt động, với mục tiêu là những điều chúng ta biết động vật có thể làm mà máy móc của chúng ta không thể,” Cleland nói.

“Chúng ta hiện biết đủ để làm cho nó hoạt động. Chúng ta đã xây dựng mô hình tính toán này dựa trên mạch嗅觉, được hướng dẫn mạnh mẽ bởi những điều chúng ta biết về hệ thống sinh học và động lực học,” ông tiếp tục. “Sau đó chúng ta nói, nếu điều này là như vậy, thì nó sẽ hoạt động. Và điều thú vị là nó thực sự hoạt động.”

Chip máy tính Intel

Cleland đã được tham gia bởi đồng tác giả Nabil Imam, một nhà nghiên cứu tại Intel, và cùng nhau họ áp dụng thuật toán vào một con chip máy tính Intel. Con chip này được gọi là Loihi, và nó là neuromorphic, có nghĩa là nó được lấy cảm hứng từ chức năng của não bộ. Con chip có mạch số mà bắt chước cách các neuron học và giao tiếp.

Con chip Loihi dựa trên các lõi song song giao tiếp thông qua các xung rời rạc, và mỗi một trong những xung này có một hiệu ứng có thể thay đổi tùy thuộc vào hoạt động cục bộ. Điều này yêu cầu các chiến lược thiết kế thuật toán khác nhau so với những gì được sử dụng trong các con chip máy tính hiện có.

Thông qua việc sử dụng con chip máy tính neuromorphic, máy móc có thể hoạt động nhanh hơn gấp một nghìn lần so với đơn vị xử lý trung tâm hoặc đơn vị xử lý đồ họa của máy tính khi nhận dạng mẫu và thực hiện một số nhiệm vụ nhất định.

Con chip nghiên cứu Loihi cũng có thể chạy một số thuật toán trong khi sử dụng khoảng một nghìn lần ít hơn năng lượng so với các phương pháp truyền thống. Điều này rất phù hợp với thuật toán, có thể chấp nhận mẫu đầu vào từ các cảm biến khác nhau, học mẫu nhanh và tuần tự, và nhận dạng mỗi một trong những mẫu có ý nghĩa ngay cả khi có sự can thiệp cảm giác mạnh. Thuật toán có thể nhận dạng thành công các mùi, và nó có thể làm như vậy khi mẫu chỉ khác 80% so với mẫu ban đầu được máy tính học.

“Mẫu của tín hiệu đã bị phá hủy đáng kể,” Cleland nói, “và yet hệ thống vẫn có thể phục hồi nó.”

Não động vật có vú

Não của động vật có vú có thể nhận dạng và nhớ mùi cực kỳ tốt, và có thể có hàng nghìn thụ thể嗅觉 và mạng nơ-ron phức tạp làm việc để phân tích các mẫu liên quan đến mùi. Một trong những điều mà động vật có vú có thể làm tốt hơn so với các hệ thống trí tuệ nhân tạo là giữ lại những gì chúng đã học, ngay cả khi có kiến thức mới. Trong các phương pháp học sâu, mạng phải được trình bày với mọi thứ cùng một lúc, vì thông tin mới có thể ảnh hưởng hoặc thậm chí phá hủy những gì hệ thống đã học trước đó.

“Khi bạn học một điều gì đó, nó vĩnh viễn phân biệt các neuron,” Cleland nói. “Khi bạn học một mùi, các interneuron được đào tạo để phản ứng với các cấu hình cụ thể, vì vậy bạn nhận được sự phân chia tại mức interneuron. Vì vậy, trên máy, chúng ta chỉ tăng cường điều đó và vẽ một đường rõ ràng.”

Cleland nói về cách nhóm của ông đã nghĩ ra các phương pháp thực nghiệm mới.

“Khi bạn bắt đầu nghiên cứu một quá trình sinh học trở nên phức tạp và tinh vi hơn so với những gì bạn có thể đơn giản trực giác, bạn phải kỷ luật tâm trí của mình với một mô hình máy tính,” ông nói. “Bạn không thể mập mờ cách qua nó. Và điều đó đã dẫn chúng tôi đến một số phương pháp và ý tưởng thực nghiệm mới mà chúng tôi không thể nghĩ ra chỉ bằng cách quan sát nó.”