Okinawa Institute of Science and Technologyの研究者Kevin MaxとYang Shenは、ショウジョウバエの嗅覚システムに着想を得たSpi-Flyというアルゴリズムを開発した。Neuromorphic Computing and Engineering誌に掲載された研究によると、このアルゴリズムは、既存の「電子鼻」が抱える2つの主要な問題の軽減を目指している。すなわち、新しい匂いを学習するために多数のラベル付きサンプルを必要とすること、そして新しい匂いを学習する際に以前の匂いを忘れてしまう可能性があることだ。この現象は「catastrophic forgetting」と呼ばれている。
電子鼻は食品の品質管理、環境モニタリング、安全検査に利用されているが、通常は特定の匂いに合わせて訓練されている。システムを別の作業向けに再構成するには、多くの場合、ソフトウェアをほぼ最初から訓練し直す必要がある。研究者らは、ショウジョウバエが小さな脳で匂いを識別し、記憶できる仕組みを、「sparse coding」と呼ばれる手法によって説明している。ショウジョウバエが持つ約2,000個のKenyon細胞は、嗅覚受容体からの信号をランダムかつ疎に処理する。APLニューロンから強い抑制信号を受けた後も活動を続ける細胞によって形成されるパターンが、特定の匂いの「バーコード」として機能する。
Spi-Flyは、匂いを検知するセンサーそのものではなく、センサーから得られたデータを処理する。シミュレーションでは、センサーの読み取り値がKenyon細胞を表す隠れ層に送られ、互いに抑制し合うニューロンが匂いごとに疎なパターンを形成する。その後、このパターンはラベル付きの匂いが含まれる出力層と照合される。システムは、正しい応答とともに活性化した接続を強化する単純な学習規則を用いており、現代のニューラルネットワークで一般的なバックプロパゲーションを必要としない。
一般的なガスセンサーから得られた匂いのデータを使った試験では、Spi-Flyはそれぞれの匂いにつきわずか3回の曝露で最高の性能に達した。一方、バックプロパゲーションを用いるシステムが同じ水準に到達するには、約70回の曝露が必要だった。新しい匂いをグループ単位で追加した場合、Spi-Flyはほとんど正確さを失うことなく以前の匂いを保持したのに対し、もう一方のシステムの性能はランダム推測の水準に近づいた。このアルゴリズムは、記憶容量が限られた脳を模倣するニューロモーフィックチップでも、性能の低下がより小さかった。
ただし、すべての実験はシミュレーション上で、単一かつ分離された匂いを用いて行われた。実際の環境における混合臭でどのような結果になるかは不明だ。Maxは、モデルが条件によっては数百種類の匂いを表現できる可能性があると述べた。次の段階では、Spi-FlyをTU EindhovenとKiel Universityの研究者らが開発した実際の匂い検知ハードウェアおよびニューロモーフィックチップに移植する計画だ。
なぜ重要なのか
このアプローチは、電子鼻を新しい作業向けに最初から訓練し直し、それまでの知識を失ってしまう問題を軽減し、食品検査、環境モニタリング、安全検査で使われるシステムの動作方法を変える可能性がある。特に、少数のサンプルで学習する能力と、限られた記憶容量で性能を維持する能力は、異なる匂いを扱う用途におけるハードウェアとデータの必要量に影響を与える可能性がある。バックプロパゲーションに依存しないことから、この手法はニューロモーフィックチップのようなリソースの限られたシステムにとっても意義がある。ただし、結果はまだシミュレーションと単一の匂いに限られており、実際の環境における混合臭が、アルゴリズムの識別性能や忘却防止性能にどのような影響を及ぼすかは分かっていない。そのため次の段階は、この手法を実際の匂い検知ハードウェアとニューロモーフィックチップで検証することになる。