Когда вы чувствуете запах апельсина, запах скорее всего в сочетании с несколькими другими: выхлопы автомобилей, мусор, цветы, мыло. Эти запахи привязать одновременно к сотням рецепторы в обонятельной луковице мозга, заслоняя одна другую, но вы все еще можете распознать запах апельсина, даже когда он смешивается с совершенно другим рисунком других ароматов.
Точная механика как млекопитающие узнать и идентифицировать запахи долго ускользал от ученых. Новых исследований Корнельского университета объясняет некоторые из этих функций через компьютерный алгоритм, вдохновленный обонятельной системы млекопитающих. Алгоритм как проливает свет на то, как работает мозг и, применяется для компьютерных чипов, быстро и надежно усваивает образцы лучше, чем существующие модели машинного обучения.
«Это результат более чем десятилетнего изучения обонятельной луковицы схемотехника у грызунов и пытаюсь выяснить, по существу, как это работает, с оглядкой в сторону вещи, мы знаем, что животные могут делать, что наши машины не могут», — говорит Томас Клиланд, профессор психологии и ведущий автор книги «быстрое изучение и надежные Напомним, в нейроморфных обонятельной цепи», которое опубликовано в природе машинного интеллекта 16 марта.
«Теперь мы знаем достаточно, чтобы сделать эту работу. Мы создали эту вычислительная модель на основе этой схемы, в значительной степени руководствуются, что мы знаем о биологических систем взаимодействия и динамики», — говорит Клиланд. «Тогда мы скажем, если бы это было так, это будет работать. И самое интересное заключается в том, что он работает».
Клиланд и соавтор Набиль имам, доктор философии ’14, исследователь корпорации Intel, применяется алгоритм на компьютер с чипом Intel. Исследования чип, известный как Лоихи, это нейроморфных-то вдохновил на функции мозга, включая цифровые схемы, которые имитируют как нейроны общаются и знакомятся. Например, Лоихи чип базируется на многих параллельных ядер, которые общаются через дискретные пики, и последствия каждого из этих пиков может меняться в зависимости исключительно от местной активности. Эта архитектура требует принципиально разных стратегий для разработки алгоритма по сравнению с существующими чипами.
Используя нейроморфных чипов, машины, научиться выявлять закономерности или выполнять определенные задачи в тысячи раз быстрее, чем при использовании центрального или графического компьютера процессоры, как большинство программ. Выполнение определенных алгоритмов на Лоихи чип также использует примерно в тысячу раз меньше энергии, чем традиционные методы, по словам Intel.
Чип является оптимальной платформой для алгоритма Клиленда, которые могут принимать входные паттерны из массива датчиков, выучить несколько шаблонов быстро и последовательно, и затем определить каждую из этих значимых закономерностей, несмотря на сильные сенсорные помехи. Алгоритм может успешно распознавать запахи, даже когда их узор 80% отличается от рисунка на компьютере изначально научили.
«Схема сигнала была существенно разрушена», — сказал Клиланд, «и все же система способна восстановить его.»
Мозг млекопитающих потрясающе эффективны в выявлении и вспоминая запахи, с сотнями или даже тысячами обонятельных рецепторов и сложные нейронные сети быстрого анализа структуры, связанные с запахами. Наш мозг сохраняет то, что мы узнали даже после того, как мы приобрели новые знания, нечто такое, что легкие для млекопитающих, но трудно для систем искусственного интеллекта. В частности, глубинное обучение, все должны быть представлены в сети в то же время, потому что новая информация может исказить или уничтожить то, что система, прежде чем узнал.
Мозг-вдохновил алгоритм решает эту проблему, говорит Клиланд.
«Когда вы узнаете что-то, он постоянно дифференцируются нейроны», — сказал он. «Когда вы узнаете один запах, интернейронов обучены отвечать на определенный конфигураций, так что вы получите, что сегрегация на уровне интернейронов. Так на машину, мы просто повысить, что и рисовать твердой линии».
Это также объясняет ранее непонятое явление: почему обонятельной луковицы головного мозга является одним из немногих мест, где животные могут создавать новые нейроны после того, как они достигли совершеннолетия.
«Вычислительная модель превращается в биологическую гипотезу, почему взрослый нейрогенез-это важно», — говорит Клиланд. «Потому что он делает то, что иначе бы система не работала. Так что в этом смысле, модель кормления обратно в биологии. И в этом другой смысл, это основа для набора устройств для искусственной обонятельной системы, которая может быть построена на коммерческой основе.»
Сложность мозга мотивированы Клиланд, чтобы сосредоточить свои исследования по нейрофизиологии вокруг теоретического подхода, руководствуясь явных расчетных моделей.
«Когда вы начинаете изучать биологический процесс, который становится более замысловатым и сложным, чем вы можете просто интуитивно, у вас есть, чтобы дисциплинировать свой ум с компьютерной моделью», — сказал он. «Вы не можете пушком свой путь через него. И это привело нас к ряду новых экспериментальных подходов и идей, которые мы не придумали, просто посмотри туда».
Исследование было частично финансируется Национальным институтом на глухоте и другие разлады связи, часть национальных институтов здоровья.
сделать разницу: спонсорские возможности
Ответить
Хотите присоединиться к обсуждению?Не стесняйтесь вносить свой вклад!