I ricercatori Kevin Max e Yang Shen dell’Okinawa Institute of Science and Technology hanno sviluppato un algoritmo chiamato Spi-Fly, ispirato al sistema olfattivo dei moscerini della frutta. Secondo lo studio pubblicato sulla rivista Neuromorphic Computing and Engineering, l’algoritmo mira a ridurre due problemi fondamentali degli attuali “nasi elettronici”: la necessità di numerosi esempi etichettati per apprendere nuovi odori e la possibilità che dimentichino quelli precedenti mentre ne apprendono uno nuovo. Questa situazione viene definita “catastrophic forgetting”.
Sebbene i nasi elettronici siano utilizzati nel controllo della qualità degli alimenti, nel monitoraggio ambientale e nei controlli di sicurezza, generalmente vengono addestrati per odori specifici. Riorganizzare un sistema per un compito diverso richiede spesso di addestrare nuovamente il software quasi da zero. I ricercatori spiegano la capacità dei moscerini della frutta di distinguere e ricordare gli odori con il loro piccolo cervello attraverso un metodo chiamato “sparse coding”. Le circa 2.000 cellule di Kenyon dei moscerini elaborano i segnali provenienti dai recettori olfattivi in modo casuale e sparso. Il modello formato dalle cellule che rimangono attive dopo i forti segnali inibitori dei neuroni APL funge da “codice a barre” associato a un determinato odore.
Spi-Fly non elabora i sensori che rilevano l’odore, bensì i dati ottenuti dai sensori. Nella simulazione, le letture dei sensori vengono trasferite a uno strato nascosto che rappresenta le cellule di Kenyon; i neuroni che si inibiscono a vicenda creano un modello sparso per ogni odore. Questo modello viene poi associato allo strato di output contenente gli odori etichettati. Il sistema utilizza una semplice regola di apprendimento che rafforza le connessioni attivate insieme alla risposta corretta; non ha bisogno del metodo della retropropagazione, comune nelle moderne reti neurali.
Nei test condotti con dati sugli odori ottenuti da comuni sensori di gas, Spi-Fly ha raggiunto le sue prestazioni massime dopo sole tre esposizioni per ciascun odore; il sistema che utilizza la retropropagazione ha avuto bisogno di circa 70 esposizioni per raggiungere lo stesso livello. Quando sono stati aggiunti nuovi odori a gruppi, Spi-Fly ha mantenuto quelli precedenti con una perdita di accuratezza pressoché nulla, mentre le prestazioni dell’altro sistema si sono avvicinate al livello delle previsioni casuali. L’algoritmo ha mostrato inoltre una minore perdita di prestazioni sui chip neuromorfici che imitano un cervello dotato di memoria limitata.
Tuttavia, tutti gli esperimenti sono stati condotti in simulazione e con odori singoli e isolati. L’esito in presenza di odori misti negli ambienti reali è incerto. Max ha dichiarato che, a seconda delle condizioni, il modello potrebbe rappresentare alcune centinaia di odori. In una fase successiva è previsto il trasferimento di Spi-Fly all’hardware reale per il rilevamento degli odori e ai chip neuromorfici sviluppati dai ricercatori di TU Eindhoven e Kiel University.
Perché è importante
Questo approccio potrebbe modificare il modo in cui funzionano i sistemi utilizzati per il controllo degli alimenti, il monitoraggio ambientale e i controlli di sicurezza, riducendo i problemi legati alla necessità di riaddestrare da zero i nasi elettronici per nuovi compiti e alla perdita delle conoscenze precedenti. In particolare, l’apprendimento da pochi esempi e la capacità di mantenere le prestazioni con una memoria limitata potrebbero influire sui requisiti hardware e sui dati necessari per le applicazioni che operano con odori diversi. Il fatto che non si basi sulla retropropagazione rende il metodo significativo anche per i sistemi a risorse limitate, come i chip neuromorfici. Tuttavia, i risultati sono ancora limitati alla simulazione e agli odori singoli; non è noto in che modo le miscele presenti negli ambienti reali influenzeranno le prestazioni dell’algoritmo nel distinguere gli odori e nel prevenire l’oblio. Per questo motivo, la fase successiva consisterà nel testare il metodo sull’hardware reale per il rilevamento degli odori e sui chip neuromorfici.