Forskere opsnuser AI-gennembrud i pattedyrs hjerner

Når du lugter en appelsin, duften er højst sandsynligt kombineret med flere andre:biludstødning, affald, blomster, sæbe. Disse lugte binder sig samtidig til de hundredvis af receptorer i din hjernes lugtepære, skjuler hinanden, men du kan stadig genkende duften af ​​en appelsin, selv når det er blandet med et helt andet mønster af andre dufte.

Den præcise mekanik af, hvordan pattedyr lærer og identificerer lugte, har længe undgået videnskabsmænd. Ny Cornell-forskning forklarer nogle af disse funktioner gennem en computeralgoritme inspireret af pattedyrets lugtesystem. Algoritmen kaster både lys over, hvordan hjernen fungerer, og anvendt på en computerchip, lærer hurtigt og pålideligt mønstre bedre end eksisterende maskinlæringsmodeller.

"Dette er et resultat af over et årti, hvor man studerede olfaktoriske pærekredsløb hos gnavere og forsøgte at finde ud af, hvordan det i det væsentlige virker, med øje for ting, vi ved, at dyr kan gøre, som vores maskiner ikke kan, " sagde Thomas Cleland, professor i psykologi og seniorforfatter til "Rapid Learning and Robust Recall in a Neuromorphic Olfactory Circuit, ", der er offentliggjort i Nature Machine Intelligence 16. marts.

"Vi ved nu nok til at få dette til at fungere. Vi har bygget denne beregningsmodel baseret på dette kredsløb, styret stærkt af ting, vi ved om de biologiske systemers forbindelse og dynamik, " sagde Cleland. "Så siger vi, hvis det var sådan, dette ville virke. Og det interessante er, at det virker."

Cleland og medforfatter Nabil Imam, Ph.D. '14, en forsker hos Intel, anvendte algoritmen på en Intel-computerchip. Forskningschippen, kendt som Loihi, er neuromorfisk – hvilket betyder, at den er inspireret af den måde, hjernen fungerer på, inkorporerer digitale kredsløb, der efterligner den måde, neuroner kommunikerer og lærer på. For eksempel, Loihi forskningschippen er baseret på mange parallelle kerner, som kommunikerer via diskrete spidser, og virkningerne leveret af hver af disse spidser kan ændre sig udelukkende baseret på lokal aktivitet. Denne arkitektur kræver fundamentalt forskellige strategier for algoritmedesign sammenlignet med eksisterende computerchips.

Brug af neuromorfe computerchips, maskiner kunne lære at identificere mønstre eller udføre bestemte opgaver tusind gange hurtigere end ved at bruge computerens centrale eller grafiske behandlingsenheder, som de fleste programmer gør. At køre visse algoritmer på Loihi-forskningschippen bruger også omkring tusind gange mindre strøm end traditionelle metoder, ifølge Intel.

Chippen er den optimale platform for Clelands algoritme, som kan acceptere inputmønstre fra en række sensorer, lære flere mønstre hurtigt og sekventielt, og derefter identificere hvert af disse meningsfulde mønstre på trods af stærk sensorisk interferens. Algoritmen kan med succes identificere lugte, selv når deres mønster er 80 % forskelligt fra det mønster, som computeren oprindeligt lærte.

"Mønstret af signalet er blevet væsentligt ødelagt, " sagde Cleland, "og alligevel er systemet i stand til at gendanne det."

Pattedyrs hjerne er fantastisk dygtig til at identificere og huske lugte, med hundreder eller endda tusindvis af lugtereceptorer og komplekse neurale netværk, der hurtigt analyserer mønstrene forbundet med lugte. Vores hjerner beholder også det, vi har lært, selv efter vi har tilegnet os ny viden – noget, der er nemt for pattedyr, men svært for kunstige intelligenssystemer. Især i deep learning tilgange, alt skal præsenteres for netværket på samme tid, fordi ny information kan forvrænge eller ødelægge det, systemet har lært før.

Den hjerneinspirerede algoritme løser dette problem, sagde Cleland.

"Når du lærer noget, det adskiller neuroner permanent, " sagde han. "Når du lærer en lugt, interneuronerne er trænet til at reagere på bestemte konfigurationer, så du får den adskillelse på niveau med interneuroner. Så på maskinsiden, vi forbedrer det bare og trækker en fast linje."

Det forklarer også et tidligere misforstået fænomen:hvorfor hjernens olfaktoriske pære er et af de få steder, hvor pattedyr kan skabe nye neuroner, efter at de har nået voksenalderen.

"Beregningsmodellen bliver til en biologisk hypotese for, hvorfor neurogenese hos voksne er vigtig, " sagde Cleland. "Fordi den gør denne ting, der ellers ville få systemet til ikke at fungere. Så i den forstand, modellen går tilbage til biologien. Og i denne anden forstand, det er grundlaget for et sæt enheder til kunstige lugtesystemer, der kan konstrueres kommercielt."

Hjernens kompleksitet motiverede Cleland til at fokusere sin neurovidenskabelige forskning omkring en teoretisk tilgang styret af eksplicitte beregningsmodeller.

"Når du begynder at studere en biologisk proces, der bliver mere indviklet og kompleks, end du bare kan intuere, du skal disciplinere dit sind med en computermodel, " sagde han. "Du kan ikke rode dig igennem det. Og det førte os til en række nye eksperimentelle tilgange og ideer, som vi ikke ville have fundet på blot ved at se det."