Cuando hueles una naranja, el aroma se combina con varios otros: escape de automóviles, basura, flores, jabón. Esos olores se unen simultáneamente a los cientos de receptores en el bulbo olfativo de tu cerebro, obscureciéndose entre sí, pero aún puedesreconocer el olor de una naranja, incluso cuando se mezcla con un patrón totalmente diferente de otros aromas.
La mecánica precisa de cómo los mamíferos aprenden e identifican los olores han eludido a los científicos durante mucho tiempo. Una nueva investigación de Cornell explica algunas de estas funciones a través de un algoritmo informático inspirado en el sistema olfativo de los mamíferos. El algoritmo arroja luz sobre cómo funciona el cerebro y, aplicado aun chip de computadora, aprende patrones de manera rápida y confiable mejor que los modelos de aprendizaje automático existentes.
"Esto es el resultado de más de una década de estudiar los circuitos de bulbo olfativo en roedores y tratar de averiguar esencialmente cómo funciona, con un ojo puesto en lo que sabemos que los animales pueden hacer que nuestras máquinas no pueden", dijo Thomas Cleland,profesor de psicología y autor principal de "Rapid Learning and Robust Recall in a Neuromorphic Olfactory Circuit", que publicó en Inteligencia de la máquina de la naturaleza 16 de marzo
"Ahora sabemos lo suficiente para que esto funcione. Hemos construido este modelo computacional basado en este circuito, guiado en gran medida por cosas que sabemos sobre la conectividad y dinámica de los sistemas biológicos", dijo Cleland. "Entonces decimos, si estode ser así, esto funcionaría. Y la parte interesante es que sí funciona "
Cleland y el coautor Nabil Imam, Ph.D. '14, investigador de Intel, aplicaron el algoritmo a un chip de computadora Intel. El chip de investigación, conocido como Loihi, es neuromórfico, lo que significa que está inspirado en la forma en quefunciones cerebrales, que incorporan circuitos digitales que imitan la forma en que las neuronas se comunican y aprenden.Por ejemplo, el chip de investigación Loihi se basa en muchos núcleos paralelos que se comunican a través de picos discretos, y los efectos entregados por cada uno de estos picos pueden cambiar según la actividad local.Esta arquitectura requiere estrategias fundamentalmente diferentes para el diseño de algoritmos en comparación con los chips de computadora existentes.
Usando chips de computadora neuromórficos, las máquinas podrían aprender a identificar patrones o realizar ciertas tareas mil veces más rápido que usando las unidades centrales o de procesamiento de gráficos de la computadora, como lo hacen la mayoría de los programas. La ejecución de ciertos algoritmos en el chip de investigación Loihi también usa alrededor de milveces menos potencia que los métodos tradicionales, según Intel.
El chip es la plataforma óptima para el algoritmo de Cleland, que puede aceptar patrones de entrada de una matriz de sensores, aprender múltiples patrones rápida y secuencialmente, y luego identificar cada uno de estos patrones significativos a pesar de la fuerte interferencia sensorial. El algoritmo puede identificar con éxito incluso los olorescuando su patrón es 80% diferente del patrón que la computadora aprendió originalmente.
"El patrón de la señal se ha destruido sustancialmente", dijo Cleland, "y aún así el sistema puede recuperarlo".
El cerebro de los mamíferos es increíblemente experto en identificar y recordar olores, con cientos o incluso miles de receptores olfativos y redes neuronales complejas que analizan rápidamente los patrones asociados con los olores. Nuestros cerebros también retienen lo que hemos aprendido incluso después de haber adquirido nuevosconocimiento, algo que es fácil para los mamíferos pero difícil para los sistemas de inteligencia artificial. Particularmente en los enfoques de aprendizaje profundo, todo debe presentarse a la red al mismo tiempo, porque la información nueva puede distorsionar o destruir lo que el sistema aprendió antes.
El algoritmo inspirado en el cerebro resuelve este problema, dijo Cleland.
"Cuando aprendes algo, las neuronas se diferencian permanentemente", dijo. "Cuando aprendes un olor, las interneuronas están capacitadas para responder a configuraciones particulares, por lo que obtienes esa segregación al nivel de las interneuronas. Así que del lado de la máquina, solo mejoramos eso y dibujamos una línea firme "
También explica un fenómeno previamente incomprendido: por qué el bulbo olfatorio del cerebro es uno de los pocos lugares donde los mamíferos pueden crear nuevas neuronas después de haber alcanzado la edad adulta.
"El modelo computacional se convierte en una hipótesis biológica de por qué la neurogénesis adulta es importante", dijo Cleland. "Porque hace esto que de otro modo haría que el sistema no funcionara. Entonces, en ese sentido, el modelo está retroalimentando la biología".Y en este otro sentido, es la base de un conjunto de dispositivos para sistemas olfativos artificiales que pueden construirse comercialmente ".
La complejidad del cerebro motivó a Cleland a enfocar su investigación en neurociencia en torno a un enfoque teórico guiado por modelos computacionales explícitos.
"Cuando comienzas a estudiar un proceso biológico que se vuelve más complejo y complejo de lo que simplemente puedes intuir, tienes que disciplinar tu mente con un modelo de computadora", dijo. "No puedes atravesarlo. Yeso nos llevó a una serie de nuevos enfoques e ideas experimentales que no hubiéramos ideado con solo mirarlo ".
El estudio fue financiado en parte por el Instituto Nacional de Sordera y Otros Trastornos de la Comunicación, parte de los Institutos Nacionales de Salud.
Fuente de la historia :
Materiales proporcionado por Universidad de Cornell . Original escrito por Melanie Lefkowitz. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :