Мозг плодовой мушки вдохновил энергоэффективный алгоритм распознавания запахов

В животном мире экономия энергии критически важна для выживания, и с этой потребностью связан эволюционный рост эффективности мозга в хранении и обработке информации. С 1980‑х годов учёные пытаются имитировать мозговые структуры, чтобы добиться аналогичной энерго- и ресурсосберегающей обработки сложных данных, но создание практичных алгоритмов с маленьким объёмом памяти, работающих в условиях ограниченной энергии и поступающих с течением времени данных, оставалось сложной задачей.

Опубликованный в Нейроморфные вычисления и инженерия новый алгоритм, вдохновлённый обонятельной системой насекомых и разработанный в Окинавском институте науки и технологий (OIST), показал многообещающие результаты при работе в реалистичных ограничениях. Алгоритм, названный Spi‑Fly, обучали и тестировали на экспериментальных наборах данных запахов; он продемонстрировал точную классификацию, в частности в условиях с небольшим числом обучающих образцов.

Плодовая мушка и её мозг

Для создания алгоритма исследователи обратились к очень маленькому, но функционально насыщенному мозгу плодовой мухи: размер его меньше макового семени, а в нём примерно 140 000 нейронов, поэтому он часто используется в нейробиологии как модель целого органа с достаточно полной картой связей.

«Это один из лучше всего картированных мозгов; он достаточно прост, чтобы изучать его целиком, и в то же время обеспечивает сложную обработку. Особенно интересна его обонятельная система, которая реализует разреженное кодирование — вычислительную схему, уменьшающую перекрытие между сигналами без дополнительного обучения. Благодаря этому запахи можно эффективно представлять с меньшими энергетическими затратами», — говорит доктор Ян Шен, соавтор исследования из отдела биологической нелинейной динамики и обработки данных OIST.

В модели Spi‑Fly обонятельная система мух воспроизведена как трёхслойная сеть: входные сигналы случайным образом и разреженно проецируются на скрытый средний слой из примерно 1000 нейронов, при этом для каждого запаха активируется лишь небольшая часть нейронов. Эти активные клетки образуют что-то вроде «штрих‑кода», который распознают выходные нейроны с помощью правила ассоциативного обучения.

Чтобы оценить работу системы, авторы использовали два разных набора данных запахов и сравнили Spi‑Fly с рядом стандартных алгоритмов классификации.

«Spi‑Fly оказался наиболее эффективным при обучении по нескольким примерам: он корректно классифицировал ароматы после просмотра всего нескольких образцов», — отмечает соавтор доктор Кевин Макс из отдела нейронных вычислений OIST. «Он также демонстрировал устойчивость к так называемому катастрофическому забыванию: правильно обучался новым классам, не теряя информации о ранее изученных запахах».

Как и у любого метода, у Spi‑Fly есть ограничения. В целом его точность по сравнению с лучшими традиционными алгоритмами машинного обучения ещё можно улучшить, и требуются дополнительные испытания для проверки работы со смешанными сигналами и фоновыми запахами, типичными для реального мира. Тем не менее разработка показывает перспективы практического применения нейроморфных подходов к классификации при жёстких ограничениях по памяти и энергии.

Применения и следующий шаги

Кандидатур для использования технологий распознавания запахов много: обнаружение взрывчатых веществ, оценка уровня аллергенов, контроль безопасности пищевых продуктов, идентификация наркотиков и другие задачи классификации, отмечают авторы.

Хотя Spi‑Fly разработан для классификации запахов, сходная архитектура теоретически применима и к другим задачам. Важным практическим шагом остаётся сочетание алгоритма с аппаратными сенсорами запаха.

Исследователи из OIST совместно с коллегами из Технического университета Эйндховена и Кильского университета работают над созданием датчиков запахов и планируют интегрировать в них Spi‑Fly, чтобы в перспективе создать «искусственный нос» с широким спектром практических применений.