Okinawa Institute of Science and Technology araştırmacıları Kevin Max ve Yang Shen, meyve sineklerinin koku sisteminden esinlenen Spi-Fly adlı bir algoritma geliştirdi. Neuromorphic Computing and Engineering dergisinde yayımlanan çalışmaya göre algoritma, mevcut “elektronik burunların” iki temel sorununu azaltmayı amaçlıyor: Yeni kokuları öğrenmek için çok sayıda etiketli örneğe ihtiyaç duymaları ve yeni bir koku öğrenirken eskilerini unutabilmeleri. Bu durum “catastrophic forgetting” olarak adlandırılıyor.
Elektronik burunlar gıda kalite kontrolü, çevre izleme ve güvenlik taramalarında kullanılsa da genellikle belirli kokulara göre eğitiliyor. Bir sistemi farklı bir görev için yeniden düzenlemek çoğu zaman yazılımın neredeyse baştan eğitilmesini gerektiriyor. Araştırmacılar, meyve sineklerinin küçük beyinleriyle kokuları ayırt edip hatırlayabilmesini “sparse coding” adı verilen yöntemle açıklıyor. Sineklerin yaklaşık 2,000 Kenyon hücresi, koku reseptörlerinden gelen sinyalleri rastgele ve seyrek biçimde işliyor. APL nöronlarının güçlü baskılayıcı sinyalleri sonrasında etkin kalan hücrelerin oluşturduğu desen, belirli bir kokuya ait “barkod” işlevi görüyor.
Spi-Fly, kokuyu algılayan sensörleri değil, sensörlerden elde edilmiş verileri işliyor. Simülasyonda sensör okumaları, Kenyon hücrelerini temsil eden gizli bir katmana aktarılıyor; birbirini baskılayan nöronlar her koku için seyrek bir desen oluşturuyor. Bu desen daha sonra etiketlenmiş kokuların bulunduğu çıktı katmanıyla eşleştiriliyor. Sistem, doğru yanıtla birlikte etkinleşen bağlantıları güçlendiren basit bir öğrenme kuralı kullanıyor; modern sinir ağlarında yaygın olan geri yayılım yöntemine ihtiyaç duymuyor.
Yaygın gaz sensörlerinden alınan koku verileriyle yapılan testlerde Spi-Fly, her koku için yalnızca üç maruziyetten sonra en yüksek başarısına ulaştı; geri yayılım kullanan sistemin aynı düzeye gelmesi yaklaşık 70 maruziyet gerektirdi. Yeni kokular gruplar halinde eklendiğinde Spi-Fly eski kokuları neredeyse hiç doğruluk kaybı olmadan korurken, diğer sistemin başarısı rastgele tahmin düzeyine yaklaştı. Algoritma, sınırlı belleğe sahip beyni taklit eden nöromorfik çiplerde de daha az performans kaybı gösterdi.
Bununla birlikte tüm deneyler simülasyonda ve tek, izole kokularla yapıldı. Gerçek ortamlardaki karışık kokuların sonucu belirsiz. Max, modelin koşullara bağlı olarak birkaç yüz kokuyu temsil edebileceğini belirtti. Spi-Fly’ın sonraki aşamada TU Eindhoven ve Kiel University araştırmacılarının geliştirdiği gerçek koku algılama donanımına ve nöromorfik çiplere aktarılması planlanıyor.
Neden önemli
Bu yaklaşım, elektronik burunların yeni görevler için baştan eğitilmesi ve önceki bilgilerini kaybetmesi sorunlarını azaltarak gıda denetimi, çevre izleme ve güvenlik taramalarında kullanılan sistemlerin çalışma biçimini değiştirebilir. Özellikle az sayıda örnekle öğrenme ve sınırlı bellekte performansı koruma, farklı kokularla çalışan uygulamalar açısından donanım ve veri ihtiyacını etkileyebilir. Geri yayılıma dayanmaması, yöntemi nöromorfik çipler gibi düşük kaynaklı sistemler bakımından da anlamlı kılıyor. Ancak sonuçlar henüz simülasyon ve tekil kokularla sınırlı; gerçek ortamlardaki karışımların algoritmanın ayırt etme ve unutmayı önleme performansını nasıl etkileyeceği bilinmiyor. Bu nedenle sonraki aşama, yöntemin gerçek koku donanımı ve nöromorfik çiplerde sınanması olacak.