Η νέα στρατηγική τεχνητής νοημοσύνης μιμείται τον τρόπο με τον οποίο οι εγκέφαλοι μαθαίνουν να μυρίζουν
Τα σημερινά συστήματα τεχνητής νοημοσύνης, συμπεριλαμβανομένων των τεχνητών νευρωνικών δικτύων που εμπνέονται ευρέως από τους νευρώνες και τις συνδέσεις του νευρικού συστήματος, αποδίδουν θαυμάσια σε εργασίες με γνωστούς περιορισμούς. Τείνουν επίσης να απαιτούν πολλή υπολογιστική ισχύ και τεράστιες ποσότητες δεδομένων εκπαίδευσης. Όλα αυτά χρησιμεύουν για να τους κάνουν σπουδαίους στο να παίζουν σκάκι ή στο Go, στην ανίχνευση αν υπάρχει αυτοκίνητο σε μια εικόνα, στη διαφοροποίηση μεταξύ απεικονίσεων γατών και σκύλων. «Αλλά είναι μάλλον αξιολύπητοι στο να συνθέτουν μουσική ή να γράφουν διηγήματα», είπε ο Konrad Kording, ένας υπολογιστικός νευροεπιστήμονας στο Πανεπιστήμιο της Πενσυλβάνια. "Δυσκολεύονται να συλλογιστούν με νόημα στον κόσμο."
Για να ξεπεράσουν αυτούς τους περιορισμούς, ορισμένες ερευνητικές ομάδες επιστρέφουν στον εγκέφαλο για νέες ιδέες. Αλλά λίγοι από αυτούς επιλέγουν αυτό που στην αρχή μπορεί να φαίνεται απίθανο σημείο εκκίνησης:την αίσθηση της όσφρησης ή την όσφρηση. Οι επιστήμονες που προσπαθούν να κατανοήσουν καλύτερα τον τρόπο με τον οποίο οι οργανισμοί επεξεργάζονται χημικές πληροφορίες έχουν αποκαλύψει στρατηγικές κωδικοποίησης που φαίνονται ιδιαίτερα σχετικές με προβλήματα στην τεχνητή νοημοσύνη. Επιπλέον, τα κυκλώματα της όσφρησης έχουν εντυπωσιακές ομοιότητες με πιο σύνθετες περιοχές του εγκεφάλου που έχουν ενδιαφέρον στην αναζήτηση για την κατασκευή καλύτερων μηχανών.
Οι επιστήμονες υπολογιστών αρχίζουν τώρα να διερευνούν αυτά τα ευρήματα σε περιβάλλοντα μηχανικής μάθησης.
Flukes and Revolutions
Οι σύγχρονες τεχνικές μηχανικής μάθησης που χρησιμοποιούνται σήμερα κατασκευάστηκαν τουλάχιστον εν μέρει για να μιμηθούν τη δομή του οπτικού συστήματος, το οποίο βασίζεται στην ιεραρχική εξαγωγή πληροφοριών. Όταν ο οπτικός φλοιός λαμβάνει αισθητηριακά δεδομένα, αρχικά διαλέγει μικρά, καλά καθορισμένα χαρακτηριστικά:άκρες, υφές, χρώματα, που περιλαμβάνει χωρική χαρτογράφηση. Οι νευροεπιστήμονες David Hubel και Torsten Wiesel ανακάλυψαν στις δεκαετίες του 1950 και του 1960 ότι συγκεκριμένοι νευρώνες στο οπτικό σύστημα αντιστοιχούν στο ισοδύναμο συγκεκριμένων θέσεων pixel στον αμφιβληστροειδή, εύρημα για το οποίο κέρδισαν βραβείο Νόμπελ.
Καθώς οι οπτικές πληροφορίες περνούν μέσα από στρώματα νευρώνων του φλοιού, λεπτομέρειες σχετικά με τις άκρες και τις υφές και τα χρώματα ενώνονται για να σχηματίσουν όλο και πιο αφηρημένες αναπαραστάσεις της εισόδου:ότι το αντικείμενο είναι ένα ανθρώπινο πρόσωπο και ότι η ταυτότητα του προσώπου είναι η Τζέιν, για παράδειγμα . Κάθε στρώμα στο δίκτυο βοηθά τον οργανισμό να πετύχει αυτόν τον στόχο.
Τα βαθιά νευρωνικά δίκτυα κατασκευάστηκαν για να λειτουργούν με παρόμοιο ιεραρχικό τρόπο, οδηγώντας σε μια επανάσταση στη μηχανική μάθηση και την έρευνα της τεχνητής νοημοσύνης. Για να μάθουν αυτά τα δίχτυα να αναγνωρίζουν αντικείμενα όπως πρόσωπα, τροφοδοτούνται με χιλιάδες δείγματα εικόνων. Το σύστημα ενισχύει ή αποδυναμώνει τις συνδέσεις μεταξύ των τεχνητών νευρώνων του για να προσδιορίσει με μεγαλύτερη ακρίβεια ότι μια δεδομένη συλλογή pixel σχηματίζει το πιο αφηρημένο μοτίβο ενός προσώπου. Με αρκετά δείγματα, μπορεί να αναγνωρίσει πρόσωπα σε νέες εικόνες και σε περιβάλλοντα που δεν έχει ξαναδεί.
Οι ερευνητές είχαν μεγάλη επιτυχία με αυτά τα δίκτυα, όχι μόνο στην ταξινόμηση εικόνων αλλά και στην αναγνώριση ομιλίας, τη μετάφραση γλώσσας και άλλες εφαρμογές μηχανικής εκμάθησης. Ωστόσο, «μου αρέσει να σκέφτομαι τα βαθιά δίχτυα ως εμπορευματικά τρένα», είπε ο Charles Delahunt, ερευνητής στο Κέντρο Υπολογιστικών Νευροεπιστημών στο Πανεπιστήμιο της Ουάσιγκτον. «Είναι πολύ ισχυρά, αρκεί να έχετε εύλογα επίπεδο έδαφος, όπου μπορείτε να απλώσετε πίστες και να έχετε μια τεράστια υποδομή. Αλλά γνωρίζουμε ότι τα βιολογικά συστήματα δεν χρειάζονται όλα αυτά — ότι μπορούν να χειριστούν δύσκολα προβλήματα που τα βαθιά δίχτυα δεν μπορούν αυτή τη στιγμή."
Πάρτε ένα καυτό θέμα στην τεχνητή νοημοσύνη:αυτοοδηγούμενα αυτοκίνητα. Καθώς ένα αυτοκίνητο πλοηγείται σε ένα νέο περιβάλλον σε πραγματικό χρόνο - ένα περιβάλλον που αλλάζει συνεχώς, που είναι γεμάτο θόρυβο και ασάφεια - οι τεχνικές βαθιάς εκμάθησης που εμπνέονται από το οπτικό σύστημα ενδέχεται να αποτύχουν. Ίσως λοιπόν οι μέθοδοι που βασίζονται χαλαρά στην όραση να μην είναι ο σωστός τρόπος. Αυτό το όραμα ήταν μια τόσο κυρίαρχη πηγή ενόρασης, καθόλου ήταν εν μέρει τυχαίο, «ένα ιστορικό ατυχές», είπε ο Adam Marblestone, βιοφυσικός στο Ινστιτούτο Τεχνολογίας της Μασαχουσέτης. Ήταν το σύστημα που οι επιστήμονες κατανοούσαν καλύτερα, με σαφείς εφαρμογές σε εργασίες μηχανικής εκμάθησης που βασίζονται σε εικόνες.
Αλλά «κάθε είδος ερεθίσματος δεν επεξεργάζεται με τον ίδιο τρόπο», δήλωσε ο Saket Navlakha, επιστήμονας υπολογιστών στο Salk Institute for Biological Studies στην Καλιφόρνια. «Η όραση και η όσφρηση είναι πολύ διαφορετικοί τύποι σημάτων, για παράδειγμα. … Έτσι μπορεί να υπάρχουν διαφορετικές στρατηγικές για την αντιμετώπιση διαφορετικών τύπων δεδομένων. Νομίζω ότι θα μπορούσαν να υπάρξουν πολλά περισσότερα μαθήματα πέρα από τη μελέτη του τρόπου λειτουργίας του οπτικού συστήματος."
Αυτός και άλλοι αρχίζουν να δείχνουν ότι τα οσφρητικά κυκλώματα των εντόμων μπορεί να κρατούν μερικά από αυτά τα μαθήματα. Η έρευνα για την όσφρηση δεν ξεκίνησε μέχρι τη δεκαετία του 1990, όταν οι βιολόγοι Linda Buck και Richard Axel, και οι δύο στο Πανεπιστήμιο Columbia εκείνη την εποχή, ανακάλυψαν τα γονίδια για τους υποδοχείς οσμής. Από τότε, ωστόσο, το οσφρητικό σύστημα έχει χαρακτηριστεί ιδιαίτερα καλά και είναι κάτι που μπορεί να μελετηθεί εύκολα σε μύγες και άλλα έντομα. Είναι ελκόμενο με τρόπο που τα οπτικά συστήματα δεν είναι για τη μελέτη γενικών υπολογιστικών προκλήσεων, υποστηρίζουν ορισμένοι επιστήμονες.
«Δουλεύουμε πάνω στην όσφρηση γιατί είναι ένα πεπερασμένο σύστημα που μπορείτε να χαρακτηρίσετε σχετικά πλήρως», είπε ο Delahunt. "Έχετε μια ευκαιρία να πολεμήσετε."
«Οι άνθρωποι μπορούν ήδη να κάνουν τέτοια φανταστικά πράγματα με την όραση», πρόσθεσε ο Michael Schmuker, ένας υπολογιστικός νευροεπιστήμονας στο Πανεπιστήμιο του Hertfordshire στην Αγγλία. "Ίσως μπορούμε να κάνουμε φανταστικά πράγματα και με την όσφρηση."
Τυχαία και αραιά δίκτυα
Η όσφρηση διαφέρει από την όραση σε πολλά μέτωπα. Οι μυρωδιές είναι αδόμητες. Δεν έχουν άκρες. δεν είναι αντικείμενα που μπορούν να ομαδοποιηθούν στο διάστημα. Είναι μείγματα διαφορετικών συνθέσεων και συγκεντρώσεων και είναι δύσκολο να κατηγοριοποιηθούν ως παρόμοια ή διαφορετικά μεταξύ τους. Επομένως, δεν είναι πάντα σαφές ποιες λειτουργίες πρέπει να τραβούν την προσοχή.
Αυτές οι οσμές αναλύονται από ένα ρηχό δίκτυο τριών στρωμάτων που είναι πολύ λιγότερο πολύπλοκο από τον οπτικό φλοιό. Οι νευρώνες στις οσφρητικές περιοχές δειγματίζουν τυχαία ολόκληρο τον χώρο των υποδοχέων, όχι συγκεκριμένες περιοχές σε μια ιεραρχία. Χρησιμοποιούν αυτό που ο Τσαρλς Στίβενς, νευροβιολόγος στο Ινστιτούτο Σαλκ, αποκαλεί «αντιχάρτη». Σε ένα χαρτογραφημένο σύστημα όπως ο οπτικός φλοιός, η θέση ενός νευρώνα αποκαλύπτει κάτι για το είδος των πληροφοριών που μεταφέρει. Αλλά στον αντιχάρτη του οσφρητικού φλοιού, αυτό δεν συμβαίνει. Αντίθετα, οι πληροφορίες διανέμονται σε όλο το σύστημα και η ανάγνωση αυτών των δεδομένων περιλαμβάνει δειγματοληψία από κάποιο ελάχιστο αριθμό νευρώνων. Ένας αντιχάρτης επιτυγχάνεται μέσω αυτού που είναι γνωστό ως αραιή αναπαράσταση πληροφοριών σε χώρο υψηλότερων διαστάσεων.
Πάρτε το οσφρητικό κύκλωμα της μύγας:50 νευρώνες προβολής λαμβάνουν είσοδο από υποδοχείς που είναι ο καθένας ευαίσθητος σε διαφορετικά μόρια. Μια μοναδική οσμή θα διεγείρει πολλούς διαφορετικούς νευρώνες και κάθε νευρώνας αντιπροσωπεύει μια ποικιλία οσμών. Είναι ένα χάος πληροφοριών, επικαλυπτόμενων αναπαραστάσεων, που σε αυτό το σημείο αναπαρίσταται σε έναν χώρο 50 διαστάσεων. Στη συνέχεια, οι πληροφορίες προβάλλονται τυχαία σε 2.000 λεγόμενα κύτταρα Kenyon, τα οποία κωδικοποιούν συγκεκριμένες μυρωδιές. (Στα θηλαστικά, τα κύτταρα σε αυτό που είναι γνωστό ως απειροειδές φλοιό το χειρίζονται αυτό.) Αυτό συνιστά μια 40πλάσια επέκταση στη διάσταση, η οποία διευκολύνει τη διάκριση των οσμών από τα μοτίβα των νευρικών αποκρίσεων.
«Ας υποθέσουμε ότι έχετε 1.000 άτομα και τα βάζετε σε ένα δωμάτιο και προσπαθείτε να τα οργανώσετε από χόμπι», είπε ο Navlakha. «Σίγουρα, σε αυτόν τον πολυσύχναστο χώρο, ίσως μπορέσετε να βρείτε κάποιον τρόπο να δομήσετε αυτούς τους ανθρώπους στις ομάδες τους. Αλλά τώρα, ας πούμε ότι τα απλώνεις σε ένα γήπεδο ποδοσφαίρου. Έχετε όλο αυτό τον επιπλέον χώρο για να παίξετε και να δομήσετε τα δεδομένα σας.”
Μόλις το οσφρητικό κύκλωμα της μύγας το κάνει αυτό, πρέπει να βρει έναν τρόπο να εντοπίσει διακριτές οσμές με μη επικαλυπτόμενους νευρώνες. Αυτό το κάνει «αραιοποιώντας» τα δεδομένα. Μόνο περίπου 100 από τα 2.000 κύτταρα Kenyon - το 5 τοις εκατό - είναι ιδιαίτερα ενεργά ως απόκριση σε δεδομένες μυρωδιές (τα λιγότερο ενεργά κύτταρα αποσιωπούνται), παρέχοντας στο καθένα μια μοναδική ετικέτα.
Εν ολίγοις, ενώ τα παραδοσιακά βαθιά δίκτυα (παίρνοντας και πάλι τα σημάδια τους από το οπτικό σύστημα) αλλάζουν συνεχώς τη δύναμη των συνδέσεών τους καθώς «μαθαίνουν», το οσφρητικό σύστημα γενικά δεν φαίνεται να εκπαιδεύεται προσαρμόζοντας τις συνδέσεις μεταξύ των νευρώνων προβολής του και του Kenyon κελιά.
Καθώς οι ερευνητές μελέτησαν την όσφρηση στις αρχές της δεκαετίας του 2000, ανέπτυξαν αλγόριθμους για να προσδιορίσουν πώς η τυχαία ενσωμάτωση και η αραιότητα σε υψηλότερες διαστάσεις βοήθησαν στην υπολογιστική απόδοση. Ένα ζευγάρι επιστημόνων, ο Thomas Nowotny από το Πανεπιστήμιο του Sussex στην Αγγλία και ο Ramón Huerta του Πανεπιστημίου της Καλιφόρνια στο Σαν Ντιέγκο, σχεδίασαν ακόμη και συνδέσεις με έναν άλλο τύπο μοντέλου μηχανικής μάθησης, που ονομάζεται μηχανή διανυσμάτων υποστήριξης. Υποστήριξαν ότι οι τρόποι που τόσο τα φυσικά όσο και τα τεχνητά συστήματα επεξεργάζονταν τις πληροφορίες, χρησιμοποιώντας τυχαία οργάνωση και επέκταση διαστάσεων για την αποτελεσματική αναπαράσταση σύνθετων δεδομένων, ήταν τυπικά ισοδύναμοι. Το AI και η εξέλιξη είχαν συγκλίνει, ανεξάρτητα, στην ίδια λύση.
Ενδιαφερόμενοι από αυτή τη σύνδεση, ο Nowotny και οι συνεργάτες του συνεχίζουν να εξερευνούν τη διεπαφή μεταξύ της όσφρησης και της μηχανικής μάθησης, αναζητώντας μια βαθύτερη σύνδεση μεταξύ των δύο. Το 2009, έδειξαν ότι ένα οσφρητικό μοντέλο βασισμένο σε έντομα, που αρχικά δημιουργήθηκε για να αναγνωρίζει οσμές, μπορούσε επίσης να αναγνωρίσει χειρόγραφα ψηφία. Επιπλέον, η αφαίρεση της πλειοψηφίας των νευρώνων του - για να μιμηθεί πώς πεθαίνουν και δεν αντικαθίστανται τα εγκεφαλικά κύτταρα - δεν επηρέασε πάρα πολύ την απόδοσή του. «Μέρη του συστήματος μπορεί να πέσει, αλλά το σύστημα στο σύνολό του θα συνέχιζε να λειτουργεί», είπε ο Nowotny. Προβλέπει την εφαρμογή αυτού του τύπου υλικού σε κάτι σαν ρόβερ του Άρη, το οποίο πρέπει να λειτουργεί υπό σκληρές συνθήκες.
Ωστόσο, για λίγο, δεν έγινε πολλή δουλειά για να δοθεί συνέχεια σε αυτά τα ευρήματα — αυτό συμβαίνει μέχρι πολύ πρόσφατα, όταν ορισμένοι επιστήμονες άρχισαν να επανεξετάζουν τη βιολογική δομή της όσφρησης για πληροφορίες σχετικά με το πώς να βελτιώσουν πιο συγκεκριμένα προβλήματα μηχανικής μάθησης.
Γνώση και γρήγορη εκμάθηση με σκληρό καλώδιο
Ο Delahunt και οι συνάδελφοί του έχουν επαναλάβει το ίδιο είδος πειράματος που πραγματοποίησε ο Nowotny, χρησιμοποιώντας το σύστημα όσφρησης του σκόρου ως βάση και συγκρίνοντάς το με παραδοσιακά μοντέλα μηχανικής μάθησης. Δεδομένων λιγότερων από 20 δειγμάτων, το μοντέλο με βάση το σκόρο αναγνώριζε καλύτερα τα χειρόγραφα ψηφία, αλλά όταν δόθηκε με περισσότερα δεδομένα εκπαίδευσης, τα άλλα μοντέλα αποδείχθηκαν πολύ ισχυρότερα και πιο ακριβή. "Οι μέθοδοι μηχανικής μάθησης είναι καλές στο να δίνουν πολύ ακριβείς ταξινομητές, με δεδομένους τόνους δεδομένων, ενώ το μοντέλο εντόμων είναι πολύ καλό στο να κάνει μια πρόχειρη ταξινόμηση πολύ γρήγορα", είπε ο Delahunt.
Η όσφρηση φαίνεται να λειτουργεί καλύτερα όταν πρόκειται για την ταχύτητα μάθησης, επειδή, σε αυτήν την περίπτωση, η «μάθηση» δεν αφορά πλέον την αναζήτηση χαρακτηριστικών και αναπαραστάσεων που είναι βέλτιστες για τη συγκεκριμένη εργασία. Αντίθετα, περιορίζεται στην αναγνώριση ποιες από μια σειρά τυχαίων χαρακτηριστικών είναι χρήσιμες και ποιες όχι. «Αν μπορείς να προπονηθείς με ένα μόνο κλικ, θα ήταν πολύ πιο όμορφο, σωστά;» είπε η Fei Peng, βιολόγος στο Southern Medical University στην Κίνα.
Στην πραγματικότητα, η στρατηγική της όσφρησης είναι σχεδόν σαν να ψήνουμε κάποιες βασικές, πρωτόγονες έννοιες στο μοντέλο, όπως μια γενική κατανόηση του κόσμου είναι φαινομενικά ενσωματωμένη στον εγκέφαλό μας. Η ίδια η δομή είναι τότε ικανή για μερικές απλές, εγγενείς εργασίες χωρίς οδηγίες.
Ένα από τα πιο εντυπωσιακά παραδείγματα αυτού προέκυψε από το εργαστήριο του Navlakha πέρυσι. Αυτός, μαζί με τον Stevens και τον Sanjoy Dasgupta, έναν επιστήμονα υπολογιστών στο Πανεπιστήμιο της Καλιφόρνια, στο Σαν Ντιέγκο, ήθελαν να βρουν έναν τρόπο εμπνευσμένο από την όσφρηση για να πραγματοποιούν αναζητήσεις με βάση την ομοιότητα. Ακριβώς όπως το YouTube μπορεί να δημιουργήσει μια πλαϊνή λίστα βίντεο για τους χρήστες με βάση αυτό που παρακολουθούν αυτήν τη στιγμή, οι οργανισμοί πρέπει να μπορούν να κάνουν γρήγορες, ακριβείς συγκρίσεις κατά τον εντοπισμό οσμών. Μια μύγα μπορεί να μάθει από νωρίς ότι πρέπει να πλησιάσει τη μυρωδιά μιας ώριμης μπανάνας και να αποφύγει τη μυρωδιά του ξιδιού, αλλά το περιβάλλον της είναι πολύπλοκο και γεμάτο θόρυβο - δεν πρόκειται να ξανανιώσει την ίδια ακριβώς μυρωδιά. Όταν ανιχνεύσει μια νέα μυρωδιά, τότε, η μύγα πρέπει να καταλάβει ποιες μυρωδιές που είχαν βιώσει στο παρελθόν μοιάζει περισσότερο με το άρωμα, έτσι ώστε να μπορεί να ανακαλέσει την κατάλληλη συμπεριφορά συμπεριφοράς που πρέπει να εφαρμόσει.
Ο Navlakha δημιούργησε έναν αλγόριθμο αναζήτησης ομοιότητας με βάση την όσφρηση και τον εφάρμοσε σε σύνολα δεδομένων εικόνων. Αυτός και η ομάδα του ανακάλυψαν ότι ο αλγόριθμός τους είχε καλύτερη απόδοση, και μερικές φορές δύο έως τρεις φορές, όσο και από τις παραδοσιακές μη βιολογικές μεθόδους που περιλαμβάνουν μόνο τη μείωση διαστάσεων. (Σε αυτές τις πιο τυπικές τεχνικές, τα αντικείμενα συγκρίθηκαν εστιάζοντας σε μερικά βασικά χαρακτηριστικά ή διαστάσεις.) Η προσέγγιση που βασίζεται σε μύγες «χρησιμοποίησε επίσης περίπου μια τάξη μεγέθους λιγότερο υπολογισμό για να πάρει παρόμοια επίπεδα ακρίβειας», είπε ο Navlakha. "Έτσι κέρδισε είτε σε κόστος είτε σε απόδοση."
Οι Nowotny, Navlakha και Delahunt έδειξαν ότι ένα ουσιαστικά μη εκπαιδευμένο δίκτυο θα μπορούσε ήδη να είναι χρήσιμο για υπολογισμούς ταξινόμησης και παρόμοιες εργασίες. Η οικοδόμηση σε ένα τέτοιο σχήμα κωδικοποίησης αφήνει το σύστημα έτοιμο να διευκολύνει τη μετέπειτα εκμάθηση. Θα μπορούσε να χρησιμοποιηθεί σε εργασίες που περιλαμβάνουν πλοήγηση ή μνήμη, για παράδειγμα — καταστάσεις στις οποίες οι μεταβαλλόμενες συνθήκες (π.χ. εμπόδια μονοπάτια) ενδέχεται να μην αφήνουν το σύστημα με πολύ χρόνο για να μάθει ή πολλά παραδείγματα από αυτά.
Ο Peng και οι συνεργάτες του ξεκίνησαν έρευνα για αυτό ακριβώς, δημιουργώντας ένα μοντέλο όσφρησης μυρμηγκιών για να λάβουν αποφάσεις σχετικά με τον τρόπο πλοήγησης σε μια γνώριμη διαδρομή από μια σειρά επικαλυπτόμενων εικόνων.
Στην εργασία που βρίσκεται υπό ανασκόπηση, η Navlakha έχει εφαρμόσει μια παρόμοια μέθοδο που βασίζεται στην όσφρηση για την ανίχνευση καινοτομίας, την αναγνώριση κάτι ως καινούργιο ακόμη και μετά την έκθεση σε χιλιάδες παρόμοια αντικείμενα στο παρελθόν.
Και ο Nowotny εξετάζει πώς το οσφρητικό σύστημα επεξεργάζεται τα μείγματα. Βλέπει ήδη δυνατότητες για εφαρμογές σε άλλες προκλήσεις μηχανικής μάθησης. Για παράδειγμα, οι οργανισμοί αντιλαμβάνονται ορισμένες μυρωδιές ως ένα μόνο άρωμα και άλλες ως μείγμα:ένα άτομο μπορεί να πάρει δεκάδες χημικές ουσίες και να ξέρει ότι μύρισε ένα τριαντάφυλλο ή μπορεί να αισθανθεί τον ίδιο αριθμό χημικών ουσιών από ένα κοντινό αρτοποιείο και να κάνει διάκριση μεταξύ καφέ και κρουασάν. Ο Nowotny και η ομάδα του ανακάλυψαν ότι οι μυρωδιές που μπορούν να διαχωριστούν δεν γίνονται αντιληπτές ταυτόχρονα. Αντίθετα, οι μυρωδιές του καφέ και του κρουασάν επεξεργάζονται πολύ γρήγορα εναλλάξ.
Αυτή η εικόνα θα μπορούσε να είναι χρήσιμη και για την τεχνητή νοημοσύνη. Το πρόβλημα του κοκτέιλ πάρτι, για παράδειγμα, αναφέρεται στο πόσο δύσκολο είναι να διαχωριστούν πολλές συνομιλίες σε ένα θορυβώδες περιβάλλον. Δεδομένων πολλών ηχείων σε ένα δωμάτιο, μια τεχνητή νοημοσύνη μπορεί να λύσει αυτό το πρόβλημα κόβοντας τα ηχητικά σήματα σε πολύ μικρά χρονικά παράθυρα. Εάν το σύστημα αναγνώριζε τον ήχο που προέρχεται από ένα ηχείο, θα μπορούσε να προσπαθήσει να καταστείλει τις εισόδους από τα άλλα. Εναλλάσσοντας έτσι, το δίκτυο θα μπορούσε να ξεμπερδέψει τις συνομιλίες.
Εισαγάγετε τα έντομα Cyborgs
Σε μια εργασία που δημοσιεύτηκε τον περασμένο μήνα στον επιστημονικό ιστότοπο προεκτύπωσης arxiv.org, ο Delahunt και ο συνάδελφός του από το Πανεπιστήμιο της Ουάσιγκτον J. Nathan Kutz προχώρησαν αυτού του είδους την έρευνα ένα βήμα παραπέρα δημιουργώντας αυτό που αποκαλούν «κύβοργους εντόμων». Χρησιμοποίησαν τις εξόδους του μοντέλου τους που βασίζεται σε σκώρους ως εισόδους ενός αλγόριθμου μηχανικής μάθησης και είδαν βελτιώσεις στην ικανότητα του συστήματος να ταξινομεί εικόνες. «Δίνει στον αλγόριθμο μηχανικής μάθησης πολύ ισχυρότερο υλικό για να δουλέψει», είπε ο Delahunt. "Κάποιο διαφορετικό είδος δομής ανασύρεται από τον εγκέφαλο του σκόρου και η ύπαρξη αυτού του διαφορετικού είδους δομής βοηθά τον αλγόριθμο μηχανικής μάθησης."
Ορισμένοι ερευνητές ελπίζουν τώρα να χρησιμοποιήσουν επίσης μελέτες στην όσφρηση για να καταλάβουν πώς πολλαπλές μορφές μάθησης μπορούν να συντονιστούν σε βαθύτερα δίκτυα. "Αλλά αυτή τη στιγμή, έχουμε καλύψει μόνο ένα μικρό κομμάτι από αυτό", είπε ο Peng. "Δεν είμαι σίγουρος πώς να βελτιώσω τα συστήματα βαθιάς μάθησης αυτή τη στιγμή."
Ένα μέρος για να ξεκινήσετε θα μπορούσε να βρίσκεται όχι μόνο στην εφαρμογή της αρχιτεκτονικής που βασίζεται στην όσφρηση αλλά και στην εξεύρεση του τρόπου ορισμού των εισροών του συστήματος. Σε μια εργασία που μόλις δημοσιεύτηκε στο Science Advances , μια ομάδα με επικεφαλής την Tatyana Sharpee του Ινστιτούτου Salk αναζήτησε έναν τρόπο να περιγράψει τις μυρωδιές. Οι εικόνες είναι λίγο πολύ παρόμοιες ανάλογα με τις αποστάσεις μεταξύ των pixel τους σε ένα είδος «οπτικού χώρου». Αλλά αυτό το είδος απόστασης δεν ισχύει για την όσφρηση. Ούτε οι δομικές συσχετίσεις μπορούν να παρέχουν αξιόπιστη απόδοση:οι οσμές με παρόμοιες χημικές δομές μπορούν να γίνουν αντιληπτές ως πολύ διαφορετικές και οι οσμές με πολύ διαφορετικές χημικές δομές μπορούν να γίνουν αντιληπτές ως παρόμοιες.
Η Sharpee και οι συνάδελφοί της όρισαν τα μόρια της μυρωδιάς ως προς το πόσο συχνά βρίσκονται μαζί στη φύση (για τους σκοπούς της μελέτης τους, εξέτασαν πόσο συχνά συνυπάρχουν μόρια σε δείγματα διαφόρων φρούτων και άλλων ουσιών). Έπειτα δημιούργησαν έναν χάρτη τοποθετώντας τα μόρια οσμής πιο κοντά μεταξύ τους, εάν έτειναν να συνενεργοποιηθούν, και πιο μακριά αν το έκαναν πιο σπάνια. Διαπίστωσαν ότι όπως οι πόλεις χαρτογραφούνται σε μια σφαίρα (τη Γη), τα μόρια της οσμής χαρτογραφούνται σε έναν υπερβολικό χώρο, μια σφαίρα με αρνητική καμπυλότητα που μοιάζει με σέλα.
Ο Sharpee υπέθεσε ότι η τροφοδοσία εισόδων με υπερβολική δομή σε αλγόριθμους μηχανικής μάθησης θα μπορούσε να βοηθήσει στην ταξινόμηση των λιγότερο δομημένων αντικειμένων. «Υπάρχει μια αρχική υπόθεση στη βαθιά μάθηση ότι οι εισροές πρέπει να γίνονται σε μια ευκλείδεια μέτρηση», είπε. «Θα υποστήριζα ότι κάποιος θα μπορούσε να προσπαθήσει να αλλάξει αυτή τη μέτρηση σε υπερβολική». Ίσως μια τέτοια δομή θα μπορούσε να βελτιστοποιήσει περαιτέρω τα συστήματα βαθιάς μάθησης.
Κοινός παρονομαστής
Αυτή τη στιγμή, πολλά από αυτά παραμένουν θεωρητικά. Η εργασία των Navlakha και Delahunt πρέπει να κλιμακωθεί σε πολύ πιο δύσκολα προβλήματα μηχανικής μάθησης για να καθοριστεί εάν τα μοντέλα εμπνευσμένα από την όσφρηση μπορούν να κάνουν τη διαφορά. «Όλα αυτά εξακολουθούν να εμφανίζονται, νομίζω», είπε ο Nowotny. "Θα δούμε πόσο μακριά θα φτάσει."
Αυτό που δίνει στους ερευνητές ελπίδα είναι η εντυπωσιακή ομοιότητα της δομής του οσφρητικού συστήματος με άλλες περιοχές του εγκεφάλου σε πολλά είδη, ιδιαίτερα τον ιππόκαμπο, που εμπλέκεται στη μνήμη και την πλοήγηση, και την παρεγκεφαλίδα, η οποία είναι υπεύθυνη για τον έλεγχο της κινητικότητας. Η όσφρηση είναι ένα αρχαίο σύστημα που χρονολογείται από τη χημειοαισθητοποίηση στα βακτήρια και χρησιμοποιείται με κάποια μορφή από όλους τους οργανισμούς για να εξερευνήσουν το περιβάλλον τους.
«Φαίνεται να είναι πιο κοντά στο σημείο της εξελικτικής προέλευσης όλων των πραγμάτων που θα ονομάζαμε φλοιό γενικά», είπε ο Marblestone. Η όσφρηση μπορεί να παρέχει έναν κοινό παρονομαστή για τη μάθηση. «Το σύστημα μας δίνει μια πραγματικά διατηρημένη αρχιτεκτονική, μια αρχιτεκτονική που χρησιμοποιείται για μια ποικιλία πραγμάτων σε διάφορους οργανισμούς», δήλωσε ο Ashok Litwin-Kumar, νευροεπιστήμονας στην Κολούμπια. "Πρέπει να υπάρχει κάτι θεμελιώδες εκεί που είναι καλό για μάθηση."
Το κύκλωμα όσφρησης θα μπορούσε να λειτουργήσει ως πύλη για την κατανόηση των πιο περίπλοκων αλγορίθμων μάθησης και υπολογισμών που χρησιμοποιούνται από τον ιππόκαμπο και την παρεγκεφαλίδα — και για να ανακαλύψουμε πώς να εφαρμόσουμε τέτοιες ιδέες στην τεχνητή νοημοσύνη. Οι ερευνητές έχουν ήδη αρχίσει να στρέφονται σε γνωστικές διαδικασίες όπως η προσοχή και οι διάφορες μορφές μνήμης, με την ελπίδα ότι θα μπορούσαν να προσφέρουν τρόπους βελτίωσης των σημερινών αρχιτεκτονικών και μηχανισμών μηχανικής μάθησης. Αλλά η όσφρηση μπορεί να προσφέρει έναν απλούστερο τρόπο για να ξεκινήσετε τη σφυρηλάτηση αυτών των συνδέσεων. «Είναι ένα ενδιαφέρον σημείο σύνδεσης», είπε ο Marblestone. "Ένα σημείο εισόδου στη σκέψη για τα νευρωνικά δίκτυα επόμενης γενιάς."
