• Home
  • Química
  • Astronomia
  • Energia
  • Natureza
  • Biologia
  • Física
  • Eletrônicos
  • Pesquisadores farejam descobertas de IA em cérebros de mamíferos

    Crédito CC0:domínio público

    Quando você cheira uma laranja, o cheiro é provavelmente combinado com vários outros:escapamento de carro, lixo, flores, sabão. Esses cheiros se ligam simultaneamente às centenas de receptores no bulbo olfatório do seu cérebro, obscurecendo um ao outro, mas você ainda pode reconhecer o cheiro de uma laranja, mesmo quando é misturado com um padrão totalmente diferente de outros aromas.

    A mecânica precisa de como os mamíferos aprendem e identificam cheiros há muito tempo iludem os cientistas. Uma nova pesquisa de Cornell explica algumas dessas funções por meio de um algoritmo de computador inspirado no sistema olfativo dos mamíferos. O algoritmo esclarece como o cérebro funciona e, aplicado a um chip de computador, aprende padrões de forma rápida e confiável melhor do que os modelos de aprendizado de máquina existentes.

    "Este é o resultado de mais de uma década estudando o circuito do bulbo olfatório em roedores e tentando descobrir como ele funciona, com um olho nas coisas que sabemos que os animais podem fazer e que nossas máquinas não podem, "disse Thomas Cleland, professor de psicologia e autor sênior de "Rapid Learning and Robust Recall in a Neuromorphic Olfactory Circuit, "que foi publicado em Nature Machine Intelligence 16 de março.

    "Agora sabemos o suficiente para fazer este trabalho. Construímos este modelo computacional com base neste circuito, guiados fortemente por coisas que sabemos sobre a conectividade e dinâmica dos sistemas biológicos, "Cleland disse." Então nós dizemos, se assim fosse, isso funcionaria. E a parte interessante é que funciona. "

    Cleland e co-autor Nabil Imam, Ph.D. '14, um pesquisador da Intel, aplicou o algoritmo a um chip de computador Intel. O chip de pesquisa, conhecido como Loihi, é neuromórfico, o que significa que é inspirado na forma como o cérebro funciona, incorporando circuitos digitais que imitam a maneira como os neurônios se comunicam e aprendem. Por exemplo, o chip de pesquisa Loihi é baseado em muitos núcleos paralelos que se comunicam por meio de picos discretos, e os efeitos produzidos por cada um desses picos podem mudar com base apenas na atividade local. Essa arquitetura requer estratégias fundamentalmente diferentes para o projeto de algoritmos em comparação com os chips de computador existentes.

    Usando chips de computador neuromórficos, as máquinas podem aprender a identificar padrões ou realizar certas tarefas mil vezes mais rápido do que usando as unidades centrais ou de processamento gráfico do computador, como a maioria dos programas. A execução de certos algoritmos no chip de pesquisa Loihi também usa cerca de mil vezes menos energia do que os métodos tradicionais, de acordo com a Intel.

    O chip é a plataforma ideal para o algoritmo de Cleland, que pode aceitar padrões de entrada de uma série de sensores, aprender vários padrões rápida e sequencialmente, e, em seguida, identifique cada um desses padrões significativos, apesar da forte interferência sensorial. O algoritmo pode identificar odores com sucesso, mesmo quando seu padrão é 80% diferente do padrão que o computador aprendeu originalmente.

    "O padrão do sinal foi substancialmente destruído, "Cleland disse, "e ainda assim o sistema é capaz de recuperá-lo."

    O cérebro dos mamíferos é incrivelmente hábil em identificar e lembrar cheiros, com centenas ou mesmo milhares de receptores olfativos e redes neurais complexas analisando rapidamente os padrões associados aos odores. Nossos cérebros também retêm o que aprendemos mesmo depois de adquirirmos novos conhecimentos - algo que é fácil para os mamíferos, mas difícil para os sistemas de inteligência artificial. Particularmente em abordagens de aprendizagem profunda, tudo deve ser apresentado à rede ao mesmo tempo, porque novas informações podem distorcer ou destruir o que o sistema aprendeu antes.

    O algoritmo inspirado no cérebro resolve este problema, Cleland disse.

    "Quando você aprende algo, diferencia os neurônios de forma permanente, "disse ele." Quando você aprende um odor, os interneurônios são treinados para responder a configurações particulares, então você tem essa segregação no nível dos interneurônios. Então, do lado da máquina, apenas melhoramos isso e traçamos uma linha firme. "

    Também explica um fenômeno anteriormente mal compreendido:por que o bulbo olfatório do cérebro é um dos poucos lugares onde os mamíferos podem criar novos neurônios depois de atingir a idade adulta.

    "O modelo computacional se transforma em uma hipótese biológica de por que a neurogênese adulta é importante, "Cleland disse." Porque ele faz uma coisa que de outra forma faria o sistema não funcionar. Então, nesse sentido, o modelo está retornando à biologia. E neste outro sentido, é a base para um conjunto de dispositivos para sistemas olfativos artificiais que podem ser construídos comercialmente. "

    A complexidade do cérebro motivou Cleland a concentrar sua pesquisa neurocientífica em torno de uma abordagem teórica guiada por modelos computacionais explícitos.

    "Quando você começa a estudar um processo biológico que se torna mais intrincado e complexo do que você pode simplesmente intuir, você tem que disciplinar sua mente com um modelo de computador, "ele disse." Você não pode vagar através dele. E isso nos levou a uma série de novas abordagens experimentais e ideias que não teríamos desenvolvido apenas por olhar para elas. "


    © Ciência https://pt.scienceaq.com