Die Forscher Kevin Max und Yang Shen vom Okinawa Institute of Science and Technology haben den Algorithmus Spi-Fly entwickelt, der vom Geruchssystem von Fruchtfliegen inspiriert ist. Der in der Fachzeitschrift Neuromorphic Computing and Engineering veröffentlichte Studie zufolge soll der Algorithmus zwei grundlegende Probleme bestehender „elektronischer Nasen“ verringern: ihren Bedarf an zahlreichen gekennzeichneten Beispielen, um neue Gerüche zu lernen, und ihre mögliche Unfähigkeit, alte Gerüche zu behalten, während sie einen neuen Geruch lernen. Dieser Zustand wird als „catastrophic forgetting“ bezeichnet.
Obwohl elektronische Nasen bei der Qualitätskontrolle von Lebensmitteln, der Umweltüberwachung und Sicherheitskontrollen eingesetzt werden, werden sie in der Regel auf bestimmte Gerüche trainiert. Die Anpassung eines Systems an eine andere Aufgabe erfordert häufig, die Software nahezu von Grund auf neu zu trainieren. Die Forscher erklären, wie Fruchtfliegen mit ihren kleinen Gehirnen Gerüche unterscheiden und sich an sie erinnern können, anhand einer Methode namens „sparse coding“. Die etwa 2.000 Kenyon-Zellen der Fliegen verarbeiten die von den Geruchsrezeptoren kommenden Signale auf zufällige und spärliche Weise. Das Muster der Zellen, die nach den starken hemmenden Signalen der APL-Neuronen aktiv bleiben, fungiert als „Barcode“ für einen bestimmten Geruch.
Spi-Fly verarbeitet nicht die Sensoren, die Gerüche wahrnehmen, sondern die von den Sensoren gewonnenen Daten. In der Simulation werden die Sensormesswerte an eine verborgene Schicht weitergeleitet, die die Kenyon-Zellen repräsentiert; sich gegenseitig hemmende Neuronen erzeugen für jeden Geruch ein spärliches Muster. Dieses Muster wird anschließend mit der Ausgabeschicht abgeglichen, die gekennzeichnete Gerüche enthält. Das System verwendet eine einfache Lernregel, die die Verbindungen verstärkt, die zusammen mit der richtigen Antwort aktiviert werden; es benötigt nicht die in modernen neuronalen Netzen verbreitete Methode der Rückpropagation.
Bei Tests mit Geruchsdaten aus gängigen Gassensoren erreichte Spi-Fly für jeden Geruch bereits nach nur drei Expositionen seine höchste Leistung; das System mit Rückpropagation benötigte etwa 70 Expositionen, um dasselbe Niveau zu erreichen. Wenn neue Gerüche gruppenweise hinzugefügt wurden, behielt Spi-Fly die alten Gerüche nahezu ohne Genauigkeitsverlust bei, während sich die Leistung des anderen Systems dem Niveau zufälliger Vorhersagen annäherte. Auch auf neuromorphen Chips, die ein Gehirn mit begrenztem Speicher nachahmen, zeigte der Algorithmus einen geringeren Leistungsverlust.
Allerdings wurden alle Experimente in einer Simulation und mit einzelnen, isolierten Gerüchen durchgeführt. Das Ergebnis bei gemischten Gerüchen in realen Umgebungen ist ungewiss. Max erklärte, dass das Modell je nach Bedingungen einige hundert Gerüche repräsentieren könnte. In der nächsten Phase soll Spi-Fly auf reale Geruchserfassungshardware und neuromorphe Chips übertragen werden, die von Forschenden der TU Eindhoven und der Kiel University entwickelt wurden.
Warum wichtig
Dieser Ansatz könnte die Funktionsweise von Systemen für Lebensmittelkontrollen, Umweltüberwachung und Sicherheitskontrollen verändern, indem er die Probleme verringert, dass elektronische Nasen für neue Aufgaben von Grund auf neu trainiert werden müssen und dabei ihr vorheriges Wissen verlieren. Insbesondere das Lernen mit wenigen Beispielen und die Aufrechterhaltung der Leistung bei begrenztem Speicher könnten den Hardware- und Datenbedarf von Anwendungen beeinflussen, die mit unterschiedlichen Gerüchen arbeiten. Da die Methode nicht auf Rückpropagation angewiesen ist, ist sie auch im Hinblick auf ressourcenarme Systeme wie neuromorphe Chips von Bedeutung. Die Ergebnisse sind jedoch bislang auf Simulationen und einzelne Gerüche beschränkt; es ist nicht bekannt, wie sich Mischungen in realen Umgebungen auf die Fähigkeit des Algorithmus auswirken werden, Gerüche zu unterscheiden und das Vergessen zu verhindern. Daher wird der nächste Schritt darin bestehen, die Methode mit realer Geruchserfassungshardware und auf neuromorphen Chips zu testen.