Cuando hueles una naranja Es muy probable que el aroma se combine con varios otros:escape de automóvil, basura, flores jabón. Esos olores se unen simultáneamente a los cientos de receptores en el bulbo olfativo de su cerebro, oscureciéndose unos a otros, Sin embargo, todavía puedes reconocer el olor de una naranja incluso cuando se mezcla con un patrón totalmente diferente de otras fragancias.

La mecánica precisa de cómo los mamíferos aprenden e identifican los olores ha eludido a los científicos durante mucho tiempo. La 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 a un chip de computadora, aprende patrones de forma rápida y fiable mejor que los modelos de aprendizaje automático existentes.

"Este es el resultado de más de una década de estudiar los circuitos del bulbo olfatorio en roedores y tratar de averiguar esencialmente cómo funciona, con la mirada puesta en las cosas que sabemos que los animales pueden hacer y que nuestras máquinas no pueden, "dijo Thomas Cleland, profesor de psicología y autor principal de "Aprendizaje rápido y recuerdo robusto en un circuito olfativo neuromórfico, "que se publicó en Inteligencia de la máquina de la naturaleza 16 de marzo.

"Ahora sabemos lo suficiente para hacer que esto funcione. Hemos construido este modelo computacional basado en este circuito, guiados en gran medida por lo que sabemos sobre la conectividad y la dinámica de los sistemas biológicos, "Cleland dijo." Entonces decimos, si esto fuera así, esto funcionaría. Y lo interesante es que funciona ".

Cleland y el coautor Nabil Imam, Doctor. '14, investigador de Intel, aplicó 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 que funciona el cerebro, incorporando 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 generados por cada uno de estos picos pueden cambiar basándose únicamente en 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 hacen la mayoría de los programas. La ejecución de ciertos algoritmos en el chip de investigación de Loihi también consume aproximadamente mil veces menos energía 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 serie de sensores, aprender múltiples patrones de forma rápida y secuencial, y luego identificar cada uno de estos patrones significativos a pesar de la fuerte interferencia sensorial. El algoritmo puede identificar con éxito los olores incluso cuando su patrón es 80% diferente del patrón que la computadora aprendió originalmente.

"El patrón de la señal se ha destruido sustancialmente, "Cleland dijo, "y, sin embargo, el sistema es capaz de recuperarlo".

El cerebro de los mamíferos es increíblemente hábil para 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 nuevos conocimientos, 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 nueva información puede distorsionar o destruir lo que el sistema aprendió antes.

El algoritmo inspirado en el cerebro resuelve este problema, Dijo Cleland.

"Cuando aprendes algo, diferencia permanentemente las neuronas, ", dijo." Cuando aprendes un olor, las interneuronas están capacitadas para responder a configuraciones particulares, entonces obtienes esa segregación a nivel de interneuronas. Entonces, en el lado de la máquina, simplemente mejoramos eso y trazamos 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 otra manera haría que el sistema no funcione. Entonces, en ese sentido, el modelo retroalimenta 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 intrincado y complejo de lo que simplemente puedes intuir, tienes que disciplinar tu mente con un modelo de computadora, "Dijo." No puedes abrirte camino a través de él. Y eso nos llevó a una serie de nuevos enfoques e ideas experimentales que no se nos hubieran ocurrido con solo mirarlo ".