Les chercheurs Kevin Max et Yang Shen de l’Okinawa Institute of Science and Technology ont développé un algorithme baptisé Spi-Fly, inspiré du système olfactif des mouches des fruits. Selon l’étude publiée dans la revue Neuromorphic Computing and Engineering, l’algorithme vise à réduire deux problèmes fondamentaux des « nez électroniques » actuels : leur besoin d’un grand nombre d’échantillons étiquetés pour apprendre de nouvelles odeurs et le fait qu’ils peuvent oublier les anciennes lorsqu’ils en apprennent une nouvelle. Ce phénomène est appelé « catastrophic forgetting ».
Bien que les nez électroniques soient utilisés pour le contrôle de la qualité des aliments, la surveillance environnementale et les contrôles de sécurité, ils sont généralement entraînés à reconnaître des odeurs précises. Reconfigurer un système pour une autre tâche nécessite souvent de réentraîner le logiciel presque depuis le début. Les chercheurs expliquent, par une méthode appelée « sparse coding », comment les mouches des fruits peuvent distinguer et mémoriser les odeurs avec leur petit cerveau. Leurs environ 2,000 cellules de Kenyon traitent les signaux provenant des récepteurs olfactifs de manière aléatoire et parcimonieuse. Le motif formé par les cellules qui restent actives après les puissants signaux inhibiteurs des neurones APL sert de « code-barres » propre à une odeur donnée.
Spi-Fly ne traite pas les capteurs qui détectent les odeurs, mais les données obtenues à partir de ces capteurs. Dans la simulation, les relevés des capteurs sont transmis à une couche cachée représentant les cellules de Kenyon ; des neurones qui s’inhibent mutuellement forment un motif parcimonieux pour chaque odeur. Ce motif est ensuite mis en correspondance avec la couche de sortie contenant les odeurs étiquetées. Le système utilise une règle d’apprentissage simple qui renforce les connexions activées en même temps que la bonne réponse ; il n’a pas besoin de la méthode de rétropropagation courante dans les réseaux neuronaux modernes.
Lors de tests menés à partir de données olfactives recueillies par des capteurs de gaz courants, Spi-Fly a atteint ses meilleures performances pour chaque odeur après seulement trois expositions ; le système utilisant la rétropropagation a eu besoin d’environ 70 expositions pour atteindre le même niveau. Lorsque de nouvelles odeurs ont été ajoutées par groupes, Spi-Fly a conservé les anciennes avec une perte de précision presque nulle, tandis que les performances de l’autre système se sont rapprochées du niveau de prédictions aléatoires. L’algorithme a également montré une perte de performances moindre sur des puces neuromorphiques imitant un cerveau doté d’une mémoire limitée.
Toutefois, toutes les expériences ont été réalisées en simulation et avec des odeurs uniques et isolées. Le résultat avec des odeurs mélangées dans des environnements réels reste incertain. Max a indiqué que, selon les conditions, le modèle pourrait représenter quelques centaines d’odeurs. À l’étape suivante, Spi-Fly devrait être transféré vers du matériel réel de détection des odeurs et des puces neuromorphiques développés par des chercheurs de TU Eindhoven et de Kiel University.
Pourquoi est-ce important
Cette approche pourrait modifier le fonctionnement des systèmes utilisés dans le contrôle alimentaire, la surveillance environnementale et les contrôles de sécurité en réduisant les problèmes liés au réentraînement complet des nez électroniques pour de nouvelles tâches et à la perte de leurs connaissances antérieures. La capacité à apprendre à partir d’un nombre limité d’exemples et à préserver ses performances avec une mémoire limitée pourrait notamment avoir une incidence sur les besoins en matériel et en données des applications travaillant avec différentes odeurs. Le fait de ne pas reposer sur la rétropropagation rend également cette méthode pertinente pour les systèmes disposant de peu de ressources, comme les puces neuromorphiques. Cependant, les résultats restent pour l’instant limités à la simulation et aux odeurs uniques ; on ignore comment les mélanges présents dans des environnements réels affecteront les performances de l’algorithme en matière de distinction et de prévention de l’oubli. L’étape suivante consistera donc à tester la méthode sur du matériel réel de détection des odeurs et des puces neuromorphiques.