هنگامی که بوی پرتقال می دهید ، بو به احتمال زیاد با چند مورد دیگر ترکیب می شود: اگزوز ماشین ، زباله ، گل ، صابون. این بوها همزمان با صدها گیرنده موجود در لامپ بویایی مغز شما متصل می شوند ، یکدیگر را مبهم می کنند ، اما هنوز هم می توانید بوی یک پرتقال را تشخیص دهید ، حتی اگر آن را با یک الگوی کاملا متفاوت از رایحه های دیگر مخلوط کنید.
مکانیک دقیق نحوه یادگیری و شناسایی بوی پستانداران از دیرباز دانشمندان را نادیده گرفته است. تحقیقات جدید کرنل برخی از این عملکردها را از طریق الگوریتم رایانه ای با الهام از سیستم بویایی پستانداران توضیح می دهد . این الگوریتم در مورد نحوه کار مغز و به کار رفته در تراشه رایانه ، سریع و با اطمینان می آموزد الگوهای بهتر از مدل های یادگیری دستگاه موجود ، نور را روشن می کند.
توماس کللند ، استاد دانشگاه روانشناسی و نویسنده ارشد "یادگیری سریع و یادآوری نیرومند در یک مدار تخم مرغ عصبی" ، که در 16 مارس در Nature Machine Intelligence منتشر شده است .
کللان گفت: "ما اکنون به اندازه کافی می دانیم که بتوانیم این کار را انجام دهیم. ما این مدل محاسباتی را براساس این مدار ساخته شده ایم ، که به شدت از طریق چیزهایی که در مورد اتصال و پویایی سیستمهای بیولوژیکی می شناسیم ، هدایت شده ایم." "سپس می گوییم ، اگر چنین بود ، این کار می کرد. و نکته جالب اینجاست که کار می کند."
Cleland و نویسنده نبیل امام ، دکتری. '14 ، محقق اینتل ، این الگوریتم را به یک تراشه رایانه ای اینتل اعمال کرد. تراشه تحقیقاتی ، معروف به Loihi ، عصبی و عصبی است ، به این معنی که از نحوه عملکرد مغز الهام گرفته شده است و مدارهای دیجیتالی را شامل می شود که از طریق ارتباط و یادگیری نورون ها تقلید می کند. به عنوان مثال ، تراشه تحقیقاتی Loihi مبتنی بر هسته های موازی زیادی است که از طریق سنبله های گسسته ارتباط برقرار می کنند ، و اثرات تحویل شده توسط هر یک از این سنبله ها فقط بر اساس فعالیت های محلی تغییر می کند. این معماری برای طراحی الگوریتم در مقایسه با تراشه های رایانه موجود ، به استراتژی های بنیادی متفاوتی احتیاج دارد .
با استفاده از تراشه های رایانه ای عصبی ، ماشین آلات می توانند یاد بگیرند که الگوهای را شناسایی کنند یا کارهای خاصی را هزار بار سریعتر از استفاده از واحد پردازش مرکزی یا گرافیکی رایانه انجام دهند ، همانطور که اکثر برنامه ها انجام می دهند. طبق گفته اینتل ، الگوریتم های خاصی در تراشه تحقیقاتی Loihi حدود هزار برابر انرژی کمتری از روش های سنتی استفاده می کند.
این تراشه بستر بهینه برای الگوریتم Cleland است ، که می تواند الگوهای ورودی را از مجموعه حسگرها بپذیرد ، الگوهای مختلف را به سرعت و پی در پی فرا بگیرد و سپس با وجود تداخل حسی قوی هر یک از این الگوهای معنی دار را شناسایی کند. این الگوریتم می تواند بطور موفقیت آمیز بوها را حتی وقتی الگوی آنها 80٪ با الگوی رایانه ای که در ابتدا آموخته شده متفاوت باشد شناسایی کند.
کللند گفت: "الگوی سیگنال به طور قابل ملاحظه ای نابود شده است ، اما سیستم هنوز قادر به بازیابی آن است."
مغز پستانداران به طرز حیرت انگیزی در شناسایی و به یاد آوردن بویایی مهارت دارند ، با صدها یا حتی هزاران گیرنده بویایی و شبکه های عصبی پیچیده به سرعت الگوهای آن در ارتباط با بو را تحلیل می کنند. مغز ما حتی پس از به دست آوردن دانش جدید ، آنچه را که آموخته ایم نیز حفظ می کند - چیزی که برای پستانداران آسان است اما برای سیستم های هوش مصنوعی دشوار است. به ویژه در رویکردهای یادگیری عمیق ، همه چیز باید همزمان در شبکه ارائه شود ، زیرا اطلاعات جدید می تواند آنچه سیستم قبلاً آموخته را تحریف یا از بین ببرد.