Quando senti l'odore di un'arancia, il profumo è molto probabilmente combinato con molti altri:scarico di auto, spazzatura, fiori, sapone. Quegli odori si legano simultaneamente alle centinaia di recettori nel bulbo olfattivo del tuo cervello, oscurandosi l'un l'altro, eppure puoi ancora riconoscere l'odore di un'arancia, anche quando è miscelato con uno schema totalmente diverso di altri profumi.

I meccanismi precisi di come i mammiferi apprendono e identificano gli odori sono sfuggiti a lungo agli scienziati. Una nuova ricerca di Cornell spiega alcune di queste funzioni attraverso un algoritmo informatico ispirato al sistema olfattivo dei mammiferi. L'algoritmo fa luce su come funziona il cervello e, applicato a un chip di computer, apprende in modo rapido e affidabile i modelli meglio dei modelli di apprendimento automatico esistenti.

"Questo è il risultato di oltre un decennio di studio dei circuiti del bulbo olfattivo nei roditori e del tentativo di capire essenzialmente come funziona, con un occhio alle cose che sappiamo che gli animali possono fare e che le nostre macchine non possono, " disse Thomas Cleland, professore di psicologia e autore senior di "Rapid Learning and Robust Recall in a Neuromorphic Olfactory Circuit, "che ha pubblicato in Intelligenza della macchina della natura 16 marzo.

"Ora sappiamo abbastanza per farlo funzionare. Abbiamo costruito questo modello computazionale basato su questo circuito, guidato pesantemente dalle cose che sappiamo sulla connettività e la dinamica dei sistemi biologici, " Cleland ha detto. "Allora diciamo, se fosse così, questo funzionerebbe. E la parte interessante è che funziona".

Cleland e il coautore Nabil Imam, dottorato di ricerca '14, un ricercatore presso Intel, applicato l'algoritmo a un chip di computer Intel. Il chip di ricerca, noto come Loihi, è neuromorfo, nel senso che è ispirato dal modo in cui funziona il cervello, incorporando circuiti digitali che imitano il modo in cui i neuroni comunicano e apprendono. Per esempio, il chip di ricerca Loihi si basa su molti core paralleli che comunicano tramite picchi discreti, e gli effetti forniti da ciascuno di questi picchi possono cambiare in base esclusivamente all'attività locale. Questa architettura richiede strategie fondamentalmente diverse per la progettazione di algoritmi rispetto ai chip dei computer esistenti.

Utilizzando chip neuromorfici, le macchine potrebbero imparare a identificare modelli o eseguire determinate attività mille volte più velocemente rispetto all'utilizzo delle unità di elaborazione centrale o grafica del computer, come fanno la maggior parte dei programmi. L'esecuzione di determinati algoritmi sul chip di ricerca Loihi utilizza anche circa mille volte meno energia rispetto ai metodi tradizionali, secondo Intel.

Il chip è la piattaforma ottimale per l'algoritmo di Cleland, che può accettare modelli di input da una serie di sensori, apprendere più modelli in modo rapido e sequenziale, e quindi identificare ciascuno di questi modelli significativi nonostante una forte interferenza sensoriale. L'algoritmo può identificare con successo gli odori anche quando il loro pattern è dell'80% diverso da quello originariamente appreso dal computer.

"Lo schema del segnale è stato sostanzialmente distrutto, "Cleland ha detto, "eppure il sistema è in grado di recuperarlo."

Il cervello dei mammiferi è straordinariamente abile nell'identificare e ricordare gli odori, con centinaia o addirittura migliaia di recettori olfattivi e complesse reti neurali che analizzano rapidamente i modelli associati agli odori. I nostri cervelli conservano anche ciò che abbiamo imparato anche dopo aver acquisito nuove conoscenze, qualcosa che è facile per i mammiferi ma difficile per i sistemi di intelligenza artificiale. In particolare negli approcci di apprendimento profondo, tutto deve essere presentato alla rete contemporaneamente, perché le nuove informazioni possono distorcere o distruggere ciò che il sistema ha appreso in precedenza.

L'algoritmo ispirato dal cervello risolve questo problema, ha detto Cleland.

"Quando impari qualcosa, differenzia permanentemente i neuroni, " disse. "Quando impari un odore, gli interneuroni sono addestrati a rispondere a particolari configurazioni, quindi ottieni quella segregazione a livello di interneuroni. Quindi dal lato della macchina, dobbiamo solo migliorarlo e tracciare una linea decisa".

Spiega anche un fenomeno precedentemente frainteso:perché il bulbo olfattivo del cervello è uno dei pochi luoghi in cui i mammiferi possono creare nuovi neuroni dopo aver raggiunto l'età adulta.

"Il modello computazionale si trasforma in un'ipotesi biologica sul perché la neurogenesi adulta è importante, " Cleland ha detto. "Perché fa questa cosa che altrimenti renderebbe il sistema non funzionante. Quindi in questo senso, il modello sta restituendo alla biologia. E in quest'altro senso, è la base per una serie di dispositivi per sistemi olfattivi artificiali che possono essere costruiti commercialmente".

La complessità del cervello ha motivato Cleland a concentrare la sua ricerca sulle neuroscienze su un approccio teorico guidato da modelli computazionali espliciti.

"Quando inizi a studiare un processo biologico che diventa più intricato e complesso di quanto tu possa semplicemente intuire, devi disciplinare la tua mente con un modello al computer, " ha detto. "Non puoi confonderti. E questo ci ha portato a una serie di nuovi approcci e idee sperimentali che non saremmo venuti in mente solo guardandolo a occhi aperti".