Okinawa Institute of Science and Technology的研究人员Kevin Max和Yang Shen开发了一种名为Spi-Fly的算法，该算法受到果蝇嗅觉系统的启发。根据发表于Neuromorphic Computing and Engineering的研究，这一算法旨在缓解现有“电子鼻”的两个主要问题：它们需要大量带标签的样本来学习新气味，以及在学习新气味时可能忘记原有气味。这种情况被称为“灾难性遗忘”。
尽管电子鼻被用于食品质量控制、环境监测和安全检查，但它们通常是针对特定气味进行训练的。要让系统适应不同的任务，往往需要几乎从头开始训练软件。研究人员用一种名为“稀疏编码”的方法解释了果蝇如何凭借小小的脑部结构区分并记住气味。果蝇大约有2,000个Kenyon细胞，这些细胞以随机且稀疏的方式处理来自气味受体的信号。在APL神经元发出强抑制信号后仍保持活跃的细胞所形成的模式，发挥着特定气味“条形码”的作用。
Spi-Fly处理的不是感知气味的传感器，而是从传感器获得的数据。在模拟中，传感器读数被传输到代表Kenyon细胞的隐藏层；相互抑制的神经元为每种气味形成一种稀疏模式。随后，这种模式会与包含带标签气味的输出层进行匹配。该系统采用一种简单的学习规则，强化与正确响应同时激活的连接；它不需要现代神经网络中普遍使用的反向传播方法。
在使用常见气体传感器获取的气味数据进行的测试中，Spi-Fly在每种气味仅经过3次暴露后就达到了最高性能；而使用反向传播的系统则需要约70次暴露才能达到同等水平。当新气味以组为单位加入时，Spi-Fly几乎没有损失准确率地保留了旧气味，而另一系统的性能则接近随机预测水平。该算法在模拟有限记忆大脑的神经形态芯片上也表现出更小的性能损失。
不过，所有实验都是在模拟环境中使用单一、孤立的气味进行的。真实环境中混合气味所产生的结果尚不确定。Max表示，根据具体条件，该模型可以代表几百种气味。下一阶段计划将Spi-Fly应用于TU Eindhoven和Kiel University研究人员开发的真实气味检测硬件和神经形态芯片上。
为何重要
这种方法可以减少电子鼻为新任务重新训练以及丢失既有信息的问题，从而改变用于食品检测、环境监测和安全筛查的系统的工作方式。尤其是利用少量样本进行学习并在有限记忆下保持性能，可能会影响使用不同气味的应用对硬件和数据的需求。由于不依赖反向传播，这种方法对于神经形态芯片等资源受限系统也具有重要意义。不过，目前的结果仍局限于模拟环境和单一气味；真实环境中的混合物将如何影响该算法的区分能力和防止遗忘的性能，目前尚不清楚。因此，下一阶段将是在真实气味硬件和神经形态芯片上测试该方法。