Исследователи Okinawa Institute of Science and Technology Kevin Max и Yang Shen разработали алгоритм под названием Spi-Fly, вдохновлённый обонятельной системой плодовых мушек. Согласно исследованию, опубликованному в журнале Neuromorphic Computing and Engineering, алгоритм призван уменьшить две основные проблемы существующих «электронных носов»: необходимость большого количества размеченных образцов для обучения распознаванию новых запахов и возможность забывать прежние запахи при обучении распознаванию нового. Это явление называется «catastrophic forgetting».
Хотя электронные носы используются для контроля качества продуктов питания, мониторинга окружающей среды и проверок безопасности, обычно их обучают распознавать определённые запахи. Перенастройка системы для другой задачи зачастую требует почти полного переобучения программного обеспечения. Исследователи объясняют способность плодовых мушек различать и запоминать запахи с помощью небольшого мозга методом, который называется «sparse coding». Около 2,000 клеток Кеньона у мушек обрабатывают сигналы от обонятельных рецепторов случайным и разреженным образом. Образ, формируемый клетками, сохраняющими активность после сильных тормозящих сигналов нейронов APL, служит «штрихкодом» определённого запаха.
Spi-Fly обрабатывает не сенсоры, воспринимающие запахи, а данные, полученные от сенсоров. В симуляции показания сенсоров передаются в скрытый слой, представляющий клетки Кеньона; взаимно подавляющие друг друга нейроны формируют для каждого запаха разреженный образ. Затем этот образ сопоставляется с выходным слоем, содержащим размеченные запахи. Система использует простое правило обучения, усиливающее связи, которые активируются вместе с правильным ответом; ей не требуется метод обратного распространения, широко применяемый в современных нейронных сетях.
В испытаниях с данными о запахах, полученными от распространённых газовых сенсоров, Spi-Fly достигла максимальной точности для каждого запаха всего после трёх воздействий; системе с обратным распространением потребовалось около 70 воздействий, чтобы достичь того же уровня. Когда новые запахи добавляли группами, Spi-Fly сохраняла старые запахи практически без потери точности, тогда как результат другой системы приблизился к уровню случайного угадывания. Алгоритм также демонстрировал меньшую потерю производительности на нейроморфных чипах, имитирующих мозг с ограниченной памятью.
Однако все эксперименты проводились в симуляции и только с изолированными запахами. Результат для смешанных запахов в реальных условиях остаётся неопределённым. Max отметил, что в зависимости от условий модель может представлять несколько сотен запахов. На следующем этапе планируется перенести Spi-Fly на аппаратные средства для реального распознавания запахов и нейроморфные чипы, разработанные исследователями TU Eindhoven и Kiel University.
Почему это важно
Этот подход может изменить принцип работы систем, используемых для контроля продуктов питания, мониторинга окружающей среды и досмотра в целях безопасности, снизив проблемы, связанные с необходимостью заново обучать электронные носы для новых задач и с потерей ими ранее полученных знаний. В частности, способность обучаться на небольшом числе примеров и сохранять производительность при ограниченной памяти может повлиять на требования к аппаратным средствам и данным в приложениях, работающих с разными запахами. Отсутствие зависимости от обратного распространения также делает метод значимым для систем с ограниченными ресурсами, таких как нейроморфные чипы. Однако результаты пока ограничены симуляцией и отдельными запахами; неизвестно, как смеси в реальных условиях повлияют на способность алгоритма различать запахи и предотвращать забывание. Поэтому следующим этапом станет испытание метода на аппаратных средствах для реального распознавания запахов и нейроморфных чипах.