När du luktar en apelsin, doften är sannolikt kombinerad med flera andra:bilavgaser, sopor, blommor, tvål. De luktarna binder samtidigt till hundratals receptorer i hjärnans luktlampa, dölja varandra, men du kan fortfarande känna igen doften av en apelsin, även när det blandas med ett helt annat mönster av andra dofter.

Den exakta mekaniken för hur däggdjur lär sig och identifierar lukt har länge undvikit forskare. Ny Cornell -forskning förklarar några av dessa funktioner genom en datoralgoritm inspirerad av däggdjurens luktsystem. Algoritmen belyser både hur hjärnan fungerar och appliceras på ett datorchip, snabbt och pålitligt lär sig mönster bättre än befintliga maskininlärningsmodeller.

"Detta är ett resultat av över ett decennium av att ha studerat luktlampor hos gnagare och försökt ta reda på hur det fungerar, med ett öga mot saker vi vet att djur kan göra som våra maskiner inte kan, "sa Thomas Cleland, professor i psykologi och seniorförfattare till "Rapid Learning and Robust Recall in a Neuromorphic Olfactory Circuit, "som publicerades i Nature Machine Intelligence 16 mars.

"Vi vet nu tillräckligt för att få det här att fungera. Vi har byggt denna beräkningsmodell baserad på denna krets, styrs starkt av saker vi vet om de biologiska systemens anslutning och dynamik, "Sa Cleland." Då säger vi, om detta vore så, detta skulle fungera. Och det intressanta är att det fungerar. "

Cleland och medförfattare Nabil Imam, Ph.D. '14, en forskare på Intel, använde algoritmen på ett Intel -datorchip. Forskningschipet, känd som Loihi, är neuromorf - vilket betyder att den är inspirerad av hur hjärnan fungerar, med digitala kretsar som efterliknar hur neuroner kommunicerar och lär sig. Till exempel, Loihis forskningschip är baserat på många parallella kärnor som kommunicerar via diskreta spikar, och effekterna av var och en av dessa spikar kan ändras enbart baserat på lokal aktivitet. Denna arkitektur kräver fundamentalt olika strategier för algoritmdesign jämfört med befintliga datorchips.

Med hjälp av neuromorfa datorchips, maskiner kan lära sig att identifiera mönster eller utföra vissa uppgifter tusen gånger snabbare än genom att använda datorns centrala eller grafiska processorenheter, som de flesta program gör. Att köra vissa algoritmer på Loihi -undersökningschipet använder också cirka tusen gånger mindre ström än traditionella metoder, enligt Intel.

Chippet är den optimala plattformen för Clelands algoritm, som kan acceptera inmatningsmönster från en rad sensorer, lära sig flera mönster snabbt och sekventiellt, och identifiera sedan vart och ett av dessa meningsfulla mönster trots stark sensorisk störning. Algoritmen kan framgångsrikt identifiera lukt även om deras mönster skiljer sig 80% från mönstret som datorn ursprungligen lärde sig.

"Signalmönstret har förstörts väsentligt, "Sa Cleland, "och ändå kan systemet återställa det."

Däggdjurshjärnan är fantastiskt skicklig på att identifiera och komma ihåg lukt, med hundratals eller till och med tusentals luktreceptorer och komplexa neurala nätverk som snabbt analyserar mönstren i samband med lukt. Våra hjärnor behåller också det vi har lärt oss även efter att vi fått ny kunskap - något som är lätt för däggdjur men svårt för system för artificiell intelligens. Särskilt i metoder för djupinlärning, allt måste presenteras för nätverket samtidigt, eftersom ny information kan snedvrida eller förstöra vad systemet lärt sig tidigare.

Den hjärninspirerade algoritmen löser detta problem, Sa Cleland.

"När du lär dig något, det skiljer permanent neuroner, "sa han." När du lär dig en lukt, internuronerna tränas att svara på specifika konfigurationer, så du får den segregeringen på nivån av interneuroner. Så på maskinsidan, vi förstärker det och drar en fast gräns. "

Det förklarar också ett tidigare missförstått fenomen:varför luktlampan i hjärnan är en av få platser där däggdjur kan skapa nya nervceller efter att de har nått vuxen ålder.

"Beräkningsmodellen förvandlas till en biologisk hypotes om varför vuxenneurogenes är viktigt, "Sa Cleland." Eftersom det gör det här som annars skulle få systemet att inte fungera. Så i den meningen, modellen matar tillbaka till biologin. Och i denna andra mening, det är grunden för en uppsättning enheter för artificiella luktsystem som kan konstrueras kommersiellt. "

Hjärnans komplexitet motiverade Cleland att fokusera sin neurovetenskapliga forskning kring ett teoretiskt tillvägagångssätt som styrs av tydliga beräkningsmodeller.

"När du börjar studera en biologisk process som blir mer invecklad och komplex än du bara kan intuitivt, du måste disciplinera ditt sinne med en datormodell, "sa han." Du kan inte tjata dig igenom det. Och det ledde oss till ett antal nya experimentella tillvägagångssätt och idéer som vi inte skulle ha kommit fram till bara genom att ögonkula det. "