مثل ذبابة الفاكهة تمامًا، خوارزمية جديدة لا تنسى الروائح القديمة أبدًا

طوّر الباحثان Kevin Max وYang Shen من Okinawa Institute of Science and Technology خوارزمية باسم Spi-Fly، مستوحاة من نظام الشم لدى ذباب الفاكهة. ووفقًا للدراسة المنشورة في مجلة Neuromorphic Computing and Engineering، تهدف الخوارزمية إلى الحد من مشكلتين أساسيتين تواجههما «الأنوف الإلكترونية» الحالية: حاجتها إلى عدد كبير من العينات الموسومة لتعلّم روائح جديدة، وإمكانية نسيانها للروائح القديمة أثناء تعلّم رائحة جديدة. ويُطلق على هذه الحالة اسم «النسيان الكارثي».

ورغم استخدام الأنوف الإلكترونية في مراقبة جودة الأغذية، والرصد البيئي، وعمليات التفتيش الأمني، فإنها تُدرَّب عادةً على روائح محددة. وغالبًا ما تتطلب إعادة تهيئة النظام لمهمة مختلفة إعادة تدريب البرمجيات من شبه البداية. ويفسّر الباحثون قدرة ذباب الفاكهة على تمييز الروائح وتذكّرها بفضل أدمغته الصغيرة باستخدام طريقة تُسمى «الترميز المتناثر». وتعالج نحو 2,000 خلية كينيون لدى الذباب الإشارات الواردة من مستقبلات الشم بصورة عشوائية ومتفرقة. ويؤدي النمط الذي تشكّله الخلايا التي تظل نشطة بعد الإشارات التثبيطية القوية من عصبونات APL وظيفة «رمز شريطي» لرائحة معينة.

لا تعالج Spi-Fly المستشعرات التي تلتقط الرائحة، بل البيانات المستمدة من المستشعرات. وفي المحاكاة، تُنقل قراءات المستشعرات إلى طبقة مخفية تمثل خلايا كينيون؛ إذ تشكّل العصبونات التي تثبط بعضها بعضًا نمطًا متفرقًا لكل رائحة. ثم يُطابق هذا النمط مع طبقة المخرجات التي تحتوي على الروائح الموسومة. ويستخدم النظام قاعدة تعلّم بسيطة تعزّز الروابط التي تنشط بالتزامن مع الاستجابة الصحيحة، ولا يحتاج إلى طريقة الانتشار العكسي الشائعة في الشبكات العصبية الحديثة.

في الاختبارات التي أُجريت باستخدام بيانات الروائح المستمدة من مستشعرات الغاز الشائعة، حققت Spi-Fly أعلى أداء لها بعد ثلاث مرات تعرّض فقط لكل رائحة؛ بينما احتاج النظام الذي يستخدم الانتشار العكسي إلى نحو 70 مرة تعرّض للوصول إلى المستوى نفسه. وعندما أُضيفت الروائح الجديدة في مجموعات، حافظت Spi-Fly على الروائح القديمة مع فقدان ضئيل جدًا في الدقة، في حين اقترب أداء النظام الآخر من مستوى التخمين العشوائي. كما أظهر الخوارزمية فقدانًا أقل في الأداء على الشرائح العصبية الشكلية التي تحاكي دماغًا محدود الذاكرة.

ومع ذلك، أُجريت جميع التجارب في المحاكاة وباستخدام روائح منفردة ومعزولة. ولا تزال نتيجة الروائح المختلطة في البيئات الواقعية غير مؤكدة. وذكر Max أن النموذج قد يمثل بضع مئات من الروائح، بحسب الظروف. ومن المخطط في المرحلة التالية نقل Spi-Fly إلى العتاد الفعلي لاستشعار الروائح والشرائح العصبية الشكلية التي طورها باحثون من TU Eindhoven وKiel University.

لماذا هذا مهم

قد يغير هذا النهج طريقة عمل الأنظمة المستخدمة في فحص الأغذية، والرصد البيئي، والفحوص الأمنية، من خلال الحد من مشكلتي إعادة تدريب الأنوف الإلكترونية من البداية للمهام الجديدة وفقدانها معارفها السابقة. وقد يؤثر التعلم من عدد قليل من العينات والحفاظ على الأداء ضمن ذاكرة محدودة، بوجه خاص، في احتياجات العتاد والبيانات للتطبيقات التي تعمل مع روائح مختلفة. كما أن عدم اعتماده على الانتشار العكسي يجعله ذا أهمية أيضًا بالنسبة إلى الأنظمة محدودة الموارد، مثل الشرائح العصبية الشكلية. لكن النتائج لا تزال مقتصرة على المحاكاة والروائح المنفردة؛ ولا يُعرف كيف ستؤثر الخلطات في البيئات الواقعية في أداء الخوارزمية من حيث التمييز ومنع النسيان. ولذلك، ستكون المرحلة التالية اختبار النهج على عتاد استشعار الروائح الفعلي والشرائح العصبية الشكلية.