Los investigadores Kevin Max y Yang Shen, del Okinawa Institute of Science and Technology, desarrollaron un algoritmo llamado Spi-Fly, inspirado en el sistema olfativo de las moscas de la fruta. Según el estudio publicado en la revista Neuromorphic Computing and Engineering, el algoritmo pretende reducir dos problemas fundamentales de las actuales “narices electrónicas”: la necesidad de un gran número de ejemplos etiquetados para aprender nuevos olores y la posibilidad de que olviden los anteriores al aprender uno nuevo. Esta situación se denomina “catastrophic forgetting”.
Aunque las narices electrónicas se utilizan en el control de calidad de los alimentos, la vigilancia medioambiental y los controles de seguridad, por lo general se entrenan para olores específicos. Reconfigurar un sistema para una tarea diferente suele requerir volver a entrenar el software casi desde cero. Los investigadores explican, mediante un método denominado “sparse coding”, la capacidad de las moscas de la fruta para distinguir y recordar olores con sus pequeños cerebros. Las aproximadamente 2,000 células de Kenyon de las moscas procesan las señales procedentes de los receptores olfativos de forma aleatoria y dispersa. El patrón formado por las células que permanecen activas después de las intensas señales inhibitorias de las neuronas APL funciona como un “código de barras” correspondiente a un olor específico.
Spi-Fly procesa los datos obtenidos de los sensores, no los sensores que detectan el olor. En la simulación, las lecturas de los sensores se transfieren a una capa oculta que representa las células de Kenyon; las neuronas que se inhiben entre sí crean un patrón disperso para cada olor. Posteriormente, este patrón se empareja con la capa de salida que contiene los olores etiquetados. El sistema utiliza una regla de aprendizaje sencilla que refuerza las conexiones que se activan junto con la respuesta correcta; no necesita el método de retropropagación habitual en las redes neuronales modernas.
En las pruebas realizadas con datos de olores obtenidos de sensores de gas comunes, Spi-Fly alcanzó su máximo rendimiento para cada olor después de solo tres exposiciones; el sistema que utilizaba retropropagación necesitó aproximadamente 70 exposiciones para alcanzar el mismo nivel. Cuando se añadieron nuevos olores en grupos, Spi-Fly conservó los olores anteriores con una pérdida de precisión casi nula, mientras que el rendimiento del otro sistema se acercó al nivel de las predicciones aleatorias. El algoritmo también mostró una menor pérdida de rendimiento en chips neuromórficos que imitan un cerebro con memoria limitada.
Sin embargo, todos los experimentos se realizaron mediante simulación y con olores individuales y aislados. El resultado de las mezclas de olores en entornos reales es incierto. Max señaló que el modelo podría representar cientos de olores, dependiendo de las condiciones. En la siguiente etapa, está previsto transferir Spi-Fly al hardware real de detección de olores y a los chips neuromórficos desarrollados por investigadores de TU Eindhoven y Kiel University.
Por qué es importante
Este enfoque podría cambiar el funcionamiento de los sistemas utilizados en la inspección de alimentos, la vigilancia ambiental y los controles de seguridad, al reducir los problemas que implica volver a entrenar desde cero las narices electrónicas para nuevas tareas y que pierdan sus conocimientos anteriores. En particular, el aprendizaje con un número reducido de muestras y la conservación del rendimiento con una memoria limitada podrían afectar a las necesidades de hardware y datos de las aplicaciones que trabajan con distintos olores. El hecho de que no dependa de la retropropagación también hace que el método sea relevante para sistemas con recursos limitados, como los chips neuromórficos. Sin embargo, los resultados todavía se limitan a simulaciones y olores individuales; se desconoce cómo afectarán las mezclas en entornos reales al rendimiento del algoritmo para distinguir olores y evitar el olvido. Por ello, la siguiente etapa consistirá en probar el método en hardware real de detección de olores y en chips neuromórficos.