Резюме:
Когда вы вдыхаете запах апельсина, этот запах, скорее всего, сочетается с несколькими другими: выхлопными газами автомобилей, мусором, цветами, мылом. Эти запахи одновременно связываются с сотнями рецепторов в обонятельной луковице вашего мозга, затемняя друг друга, но вы все равно можете распознать запах апельсина, даже если он смешивается 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. Этот алгоритм одновременно проливает свет на то, как работает мозг, и, будучи применен к компьютерному чипу, быстро и надежно усваивает паттерны лучше, чем существующие модели машинного обучения.
"Это результат более чем десятилетнего изучения схемы обонятельных лампочек у грызунов и попыток выяснить, как она работает, с оглядкой на то, что животные могут делать то, что не могут наши машины", - сказал Томас Клеланд( Thomas Cleland ), профессор психологии и старший автор книги "Быстрое обучение и надежная память в нейроморфном обонятельном контуре", опубликованной в журнале Nature Machine Intelligence 16 марта.
"Теперь мы знаем достаточно, чтобы это сработало. Мы построили эту вычислительную модель, основанную на этой схеме, руководствуясь в значительной степени 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 самое интересное, что это действительно работает."
Клеланд и его соавтор Набиль Имам( Nabil Imam ), доктор философии ' 14, исследователь из Intel, применили этот алгоритм к компьютерному чипу Intel. Исследовательский чип, известный как Loihi, является нейроморфным - это означает, что он вдохновлен тем, как функционирует мозг, включая цифровые схемы, которые имитируют то, как нейроны общаются и учатся. Например, исследовательский чип Loihi основан на множестве параллельных ядер, которые взаимодействуют через дискретные спайки, и эффекты, создаваемые каждым из этих спайков, могут изменяться исключительно в зависимости от локальной активности. Эта архитектура требует принципиально иных стратегий разработки алгоритмов по сравнению с существующими компьютерными чипами.
Используя нейроморфные компьютерные чипы, машины могли бы научиться распознавать паттерны или выполнять определенные задачи в тысячу раз быстрее, чем с помощью центрального компьютера или графических процессоров, как это делает большинство программ. Запуск определенных алгоритмов на исследовательском чипе Loihi также использует примерно в тысячу раз меньше энергии, чем традиционные методы, по данным Intel.
Чип является оптимальной платформой для алгоритма Клеланда, который может принимать входные паттерны от множества датчиков, быстро и последовательно изучать несколько паттернов, а затем идентифицировать каждый из этих значимых паттернов, несмотря на сильную сенсорную интерференцию. Алгоритм может успешно идентифицировать запахи даже тогда, когда их структура на 80% отличается от структуры, которую компьютер первоначально изучил.
- Структура сигнала была существенно разрушена, - сказал Клеланд, - и все же система способна восстановить его.
Мозг млекопитающих поразительно искусен в распознавании и запоминании запахов, с сотнями или даже тысячами обонятельных рецепторов и сложными нейронными сетями, быстро анализирующими паттерны, связанные с запахами. Наш мозг также сохраняет то, что мы узнали, даже после того, как мы приобрели новые знания-то, что легко для млекопитающих, но трудно для систем искусственного интеллекта. В частности, в подходах к глубокому обучению все должно быть представлено сети одновременно, потому что новая информация может исказить или уничтожить то, что система узнала раньше.
"Алгоритм, вдохновленный мозгом, решает эту проблему", - сказал Клеланд.
"Когда вы чему-то учитесь, это постоянно дифференцирует нейроны", - сказал он. "Когда вы изучаете один запах, интернейроны обучаются реагировать на определенные конфигурации, поэтому вы получаете эту сегрегацию на уровне интернейронов. Поэтому на стороне машины мы просто усиливаем это и проводим твердую 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 они достигли зрелого возраста.
"Вычислительная модель превращается в биологическую гипотезу о том, почему взрослый нейрогенез так важен", - сказал Клеланд. - Потому что он делает то, что иначе заставило бы систему не работать. Так что в этом смысле модель возвращается в биологию. И в этом другом смысле он является основой для набора устройств для искусственных обонятельных систем, которые могут быть построены коммерчески."
Сложность мозга побудила Клиленда сосредоточить свои нейробиологические исследования вокруг теоретического подхода, основанного на явных вычислительных моделях.
"Когда вы начинаете изучать биологический процесс, который становится более сложным и сложным, чем вы можете просто интуитивно представить, вы должны дисциплинировать свой ум с помощью компьютерной модели", - сказал он. -"Ты не можешь пробиться сквозь него, как танк. И это привело нас к целому ряду новых экспериментальных подходов и идей, которые мы бы не придумали, просто взглянув на них."