Os pesquisadores do Okinawa Institute of Science and Technology, Kevin Max e Yang Shen, desenvolveram um algoritmo chamado Spi-Fly, inspirado no sistema olfativo das moscas-das-frutas. Segundo o estudo publicado na revista Neuromorphic Computing and Engineering, o algoritmo pretende reduzir dois problemas fundamentais dos atuais “narizes eletrônicos”: a necessidade de um grande número de amostras rotuladas para aprender novos odores e a possibilidade de esquecer odores antigos ao aprender um novo. Esse fenômeno é chamado de “catastrophic forgetting”.
Embora os narizes eletrônicos sejam usados no controle de qualidade de alimentos, no monitoramento ambiental e em inspeções de segurança, eles geralmente são treinados para odores específicos. Reconfigurar um sistema para uma tarefa diferente muitas vezes exige que o software seja praticamente treinado do zero. Os pesquisadores explicam a capacidade das moscas-das-frutas de distinguir e lembrar odores com seus pequenos cérebros por meio de um método chamado “sparse coding”. Cerca de 2.000 células de Kenyon das moscas processam os sinais provenientes dos receptores olfativos de maneira aleatória e esparsa. O padrão formado pelas células que permanecem ativas após os fortes sinais inibitórios dos neurônios APL funciona como um “código de barras” correspondente a determinado odor.
O Spi-Fly processa os dados obtidos pelos sensores, e não os sensores que detectam o odor. Na simulação, as leituras dos sensores são transferidas para uma camada oculta que representa as células de Kenyon; neurônios que se inibem mutuamente criam um padrão esparso para cada odor. Esse padrão é então associado à camada de saída, que contém os odores rotulados. O sistema utiliza uma regra simples de aprendizagem que fortalece as conexões ativadas junto com a resposta correta; não precisa do método de retropropagação, comum nas redes neurais modernas.
Em testes realizados com dados de odores obtidos de sensores de gás comuns, o Spi-Fly atingiu seu desempenho máximo para cada odor após apenas três exposições; o sistema que utiliza retropropagação precisou de aproximadamente 70 exposições para alcançar o mesmo nível. Quando novos odores foram adicionados em grupos, o Spi-Fly preservou os odores antigos quase sem perda de precisão, enquanto o desempenho do outro sistema se aproximou do nível de previsões aleatórias. O algoritmo também apresentou uma perda de desempenho menor em chips neuromórficos que imitam um cérebro com memória limitada.
No entanto, todos os experimentos foram realizados em simulação e com odores únicos e isolados. O resultado em ambientes reais, com odores misturados, é incerto. Max afirmou que o modelo poderia representar algumas centenas de odores, dependendo das condições. Na próxima etapa, está prevista a transferência do Spi-Fly para o hardware real de detecção de odores e para chips neuromórficos desenvolvidos por pesquisadores da TU Eindhoven e da Kiel University.
Por que isso é importante
Essa abordagem pode mudar a forma de funcionamento dos sistemas usados na inspeção de alimentos, no monitoramento ambiental e em triagens de segurança, ao reduzir os problemas de re-treinamento dos narizes eletrônicos para novas tarefas e de perda de conhecimentos anteriores. Em particular, a aprendizagem com poucas amostras e a preservação do desempenho em uma memória limitada podem afetar as necessidades de hardware e de dados das aplicações que trabalham com diferentes odores. O fato de não depender da retropropagação também torna o método relevante para sistemas com recursos limitados, como chips neuromórficos. No entanto, os resultados ainda estão limitados a simulações e a odores individuais; não se sabe como as misturas em ambientes reais afetarão o desempenho do algoritmo para distinguir odores e evitar o esquecimento. Por isso, a próxima etapa será testar o método em hardware real de detecção de odores e em chips neuromórficos.