Max Home IndustryКогда вы чувствуете запах апельсина, скорее всего, этот запах сочетается с запахом нескольких других: выхлопных газов автомобилей, мусора, цветов, мыла. Эти запахи одновременно связываются с сотнями рецепторов обонятельной луковицы вашего мозга, заслоняя друг друга, но вы все равно можете распознать запах апельсина, даже если он смешан с совершенно другим набором других запахов.
Точная механика того, как млекопитающие узнают и распознают запахи, долгое время ускользала от ученых. Новое исследование Корнелла объясняет некоторые из этих функций с помощью компьютерного алгоритма, вдохновленного обонятельной системой млекопитающих. Алгоритм одновременно проливает свет на то, как работает мозг, и, примененный к компьютерному чипу, быстро и надежно изучает закономерности лучше, чем существующие модели машинного обучения.
«Это результат более чем десятилетнего изучения схемы обонятельной луковицы у грызунов и попыток выяснить, как она работает, с прицелом на то, что, как мы знаем, животные могут делать, а наши машины не могут», — сказал Томас Клеланд. , профессор психологии и старший автор книги «Быстрое обучение и надежное вспоминание в нейроморфной обонятельной цепи», опубликованной в Nature Machine Intelligence 16 марта.
«Теперь мы знаем достаточно, чтобы это работало. Мы построили эту вычислительную модель на основе этой схемы, в значительной степени руководствуясь тем, что мы знаем о связности и динамике биологических систем», — сказал Клеланд. «Тогда мы говорим, что если бы это было так, то это сработало бы. И что интересно, это действительно работает».
Клеланд и соавтор Набиль Имам, доктор философии. ’14, исследователь из Intel, применил алгоритм к компьютерному чипу Intel. Исследовательский чип, известный как Loihi, является нейроморфным — это означает, что он основан на том, как функционирует мозг, и включает в себя цифровые схемы, имитирующие то, как нейроны общаются и обучаются. Например, исследовательский чип Loihi основан на множестве параллельных ядер, которые обмениваются данными посредством дискретных всплесков, и эффекты, оказываемые каждым из этих всплесков, могут изменяться исключительно в зависимости от локальной активности. Эта архитектура требует принципиально иных стратегий разработки алгоритмов по сравнению с существующими компьютерными микросхемами.
Используя нейроморфные компьютерные микросхемы, машины могут научиться определять закономерности или выполнять определенные задачи в тысячу раз быстрее, чем при использовании центрального или графического процессора компьютера, как это делает большинство программ. По данным Intel, выполнение определенных алгоритмов на исследовательском чипе Loihi также потребляет примерно в тысячу раз меньше энергии, чем традиционные методы.
Чип является оптимальной платформой для алгоритма Клеланда, который может принимать входные шаблоны от массива датчиков, быстро и последовательно изучать несколько шаблонов, а затем идентифицировать каждый из этих значимых шаблонов, несмотря на сильные сенсорные помехи. Алгоритм может успешно идентифицировать запахи, даже если их характер на 80% отличается от образца, изначально усвоенного компьютером.
«Образец сигнала был существенно разрушен, — сказал Клеланд, — но система в состоянии его восстановить».
Мозг млекопитающих невероятно искусен в распознавании и запоминании запахов, с сотнями или даже тысячами обонятельных рецепторов и сложных нейронных сетей, быстро анализирующих паттерны, связанные с запахами. Наш мозг также сохраняет то, что мы узнали, даже после того, как мы приобрели новые знания — это легко для млекопитающих, но сложно для систем искусственного интеллекта. В частности, в подходах к глубокому обучению все должно быть представлено сети одновременно, потому что новая информация может исказить или разрушить то, что система узнала раньше.
Алгоритм, вдохновленный мозгом, решает эту проблему, — сказал Клеланд.
«Когда что-то узнаешь, нейроны навсегда дифференцируются», — сказал он. «Когда вы изучаете один запах, интернейроны обучаются реагировать на определенные конфигурации, поэтому вы получаете эту сегрегацию на уровне интернейронов. Так что со стороны машины мы просто усиливаем это и проводим четкую линию».
Это также объясняет ранее неправильно понятый феномен: почему обонятельная луковица мозга является одним из немногих мест, где млекопитающие могут создавать новые нейроны после того, как достигают зрелого возраста.
«Вычислительная модель превращается в биологическую гипотезу, объясняющую важность нейрогенеза у взрослых», — сказал Клеланд. «Потому что он делает то, что в противном случае привело бы к тому, что система не работала бы. Таким образом, в этом смысле модель возвращается в биологию. И в этом другом смысле это основа для набора устройств для искусственных обонятельных систем, которые могут быть построены. коммерчески. «
Сложность мозга побудила Клиленда сосредоточить свои нейробиологические исследования на теоретическом подходе, основанном на явных вычислительных моделях.
«Когда вы начинаете изучать биологический процесс, который становится более запутанным и сложным, чем вы можете просто интуитивно представить, вы должны дисциплинировать свой разум с помощью компьютерной модели», — сказал он. «Вы не можете пройти через это. И это привело нас к ряду новых экспериментальных подходов и идей, которые мы бы не придумали, просто взглянув на это».
Исследование частично финансировалось Национальным институтом глухоты и других коммуникативных расстройств, входящим в состав Национальных институтов здравоохранения.