Als je een sinaasappel ruikt, de geur is hoogstwaarschijnlijk gecombineerd met verschillende andere:auto-uitlaatgassen, afval, bloemen, zeep. Die geuren binden zich tegelijkertijd aan de honderden receptoren in de bulbus olfactorius van je hersenen, elkaar verduisteren, toch herken je de geur van een sinaasappel, zelfs wanneer het wordt gemengd met een totaal ander patroon van andere geuren.

De precieze mechanica van hoe zoogdieren geuren leren en identificeren, is wetenschappers lang ontgaan. Nieuw onderzoek van Cornell verklaart enkele van deze functies door middel van een computeralgoritme dat is geïnspireerd op het reuksysteem van zoogdieren. Het algoritme werpt licht op hoe de hersenen werken en, toegepast op een computerchip, leert snel en betrouwbaar patronen beter dan bestaande machine learning-modellen.

"Dit is het resultaat van meer dan een decennium van het bestuderen van de olfactorische bolcircuits bij knaagdieren en proberen erachter te komen hoe het werkt, met het oog op dingen waarvan we weten dat dieren die kunnen die onze machines niet kunnen, " zei Thomas Cleland, hoogleraar psychologie en senior auteur van "Rapid Learning and Robust Recall in a Neuromorphic Olfactory Circuit, " die gepubliceerd in Intelligentie van de natuurmachine 16 maart.

"We weten nu genoeg om dit te laten werken. We hebben dit rekenmodel gebouwd op basis van dit circuit, zwaar geleid door dingen die we weten over de connectiviteit en dynamiek van de biologische systemen, "zei Cleland. "Dan zeggen we, als dit zo was, dit zou werken. En het interessante is dat het werkt."

Cleland en co-auteur Nabil Imam, doctoraat '14, een onderzoeker bij Intel, paste het algoritme toe op een Intel-computerchip. De onderzoekschip, bekend als Loihi, is neuromorf, wat betekent dat het is geïnspireerd door de manier waarop de hersenen functioneren, met digitale circuits die de manier waarop neuronen communiceren en leren nabootsen. Bijvoorbeeld, de Loihi-onderzoekschip is gebaseerd op veel parallelle kernen die communiceren via discrete spikes, en de effecten die door elk van deze pieken worden geleverd, kunnen alleen veranderen op basis van lokale activiteit. Deze architectuur vereist fundamenteel andere strategieën voor het ontwerpen van algoritmen in vergelijking met bestaande computerchips.

Met behulp van neuromorfe computerchips, machines zouden kunnen leren patronen te herkennen of bepaalde taken duizend keer sneller uit te voeren dan met behulp van de centrale of grafische verwerkingseenheden van de computer, zoals de meeste programma's doen. Het uitvoeren van bepaalde algoritmen op de Loihi-onderzoekschip verbruikt ook ongeveer duizend keer minder stroom dan traditionele methoden, volgens Intel.

De chip is het optimale platform voor het algoritme van Cleland, die invoerpatronen van een reeks sensoren kan accepteren, snel en opeenvolgend meerdere patronen leren, en identificeer vervolgens elk van deze betekenisvolle patronen ondanks sterke sensorische interferentie. Het algoritme kan met succes geuren identificeren, zelfs wanneer hun patroon 80% afwijkt van het patroon dat de computer oorspronkelijk heeft geleerd.

"Het patroon van het signaal is substantieel vernietigd, "Kleland zei, "en toch is het systeem in staat om het te herstellen."

De hersenen van zoogdieren zijn verbluffend bedreven in het identificeren en onthouden van geuren, met honderden of zelfs duizenden reukreceptoren en complexe neurale netwerken die snel de patronen analyseren die verband houden met geuren. Onze hersenen onthouden ook wat we hebben geleerd, zelfs nadat we nieuwe kennis hebben opgedaan - iets dat gemakkelijk is voor zoogdieren, maar moeilijk voor kunstmatige-intelligentiesystemen. Vooral bij deep learning-benaderingen, alles moet tegelijkertijd aan het netwerk worden aangeboden, omdat nieuwe informatie kan vervormen of vernietigen wat het systeem eerder heeft geleerd.

Het door de hersenen geïnspireerde algoritme lost dit probleem op, aldus Cleland.

"Als je iets leert, het differentieert permanent neuronen, "zei hij. "Als je één geur leert, de interneuronen zijn getraind om te reageren op bepaalde configuraties, dus je krijgt die segregatie op het niveau van interneuronen. Dus aan de kant van de machine, we versterken dat gewoon en trekken een duidelijke lijn."

Het verklaart ook een eerder verkeerd begrepen fenomeen:waarom de bulbus olfactorius van de hersenen een van de weinige plaatsen is waar zoogdieren nieuwe neuronen kunnen creëren nadat ze volwassen zijn geworden.

"Het rekenmodel verandert in een biologische hypothese waarom neurogenese bij volwassenen belangrijk is, "zei Cleland. "Omdat het dit ding doet waardoor het systeem anders niet zou werken. Dus in die zin, het model voedt zich met de biologie. En in die andere zin, het is de basis voor een reeks apparaten voor kunstmatige olfactorische systemen die commercieel kunnen worden gebouwd."

De complexiteit van de hersenen motiveerde Cleland om zijn neurowetenschappelijk onderzoek te concentreren op een theoretische benadering die werd geleid door expliciete computermodellen.

"Als je een biologisch proces begint te bestuderen dat ingewikkelder en complexer wordt dan je intuïtief kunt vermoeden, je moet je geest disciplineren met een computermodel, "zei hij. "Je kunt je er niet een weg doorheen banen. En dat leidde ons tot een aantal nieuwe experimentele benaderingen en ideeën die we niet zouden hebben bedacht door er alleen maar naar te kijken."