研究人员发现哺乳动物大脑的AI突破

 
当您闻到橙色时，该气味很可能与其他几种气味混合在一起：汽车尾气，垃圾，鲜花，肥皂。这些气味同时与大脑嗅球中的数百种受体结合，使彼此相互遮蔽，但即使橙色与其他气味完全不同的形式混合在一起，您仍然可以识别出橙色的气味。
长期以来，科学家一直对哺乳动物如何学习和识别气味的精确机制不屑一顾。康奈尔大学的新研究通过受哺乳动物嗅觉系统启发的计算机算法解释了其中一些功能。该算法不仅揭示了大脑的工作原理，而且还比现有的机器学习模型更好地快速可靠地学习了模式。
“这是经过十多年研究啮齿动物嗅球电路并试图从本质上弄清楚其工作原理的结果，着眼于我们知道动物能够做的事情而我们的机器无法做到的事情，” Thomas Cleland教授说。心理学和《神经形态嗅觉回路中的快速学习和鲁棒召回》一书的高级作者，该出版物于3月16日发表在《自然机器智能》上。
克莱兰德说：“我们现在已经足够了解这项工作了。我们已经在这种电路的基础上建立了这个计算模型，并以我们对生物系统的连通性和动力学的了解为指导。” “然后我们说，如果是这样，那就行得通。有趣的是，它确实行得通。”
Cleland和合著者Nabil Imam博士’14，英特尔的一名研究人员将该算法应用于英特尔计算机芯片。研究芯片Loihi是神经形态的-意味着它受大脑功能方式的启发，并结合了模仿神经元交流和学习方式的数字电路。例如，Loihi研究芯片基于许多并行的内核，这些内核通过离散的尖峰进行通信，并且每个尖峰所传递的效果都可以仅基于局部活动而改变。与现有的计算机芯片相比，此体系结构需要根本不同的算法设计策略。
与大多数程序一样，使用神经形态计算机芯片，机器可以学习识别模式或执行某些任务的速度比使用计算机的中央或图形处理单元快一千倍。英特尔称，在Loihi研究芯片上运行某些算法所消耗的功率也比传统方法少大约一千倍。
该芯片是Cleland算法的最佳平台，该算法可以接受来自传感器阵列的输入模式，快速而连续地学习多个模式，然后尽管受到强烈的感觉干扰，却可以识别这些有意义的模式中的每一个。即使气味的模式与计算机最初学习的模式相差80%，该算法也可以成功识别气味。
克莱兰德说：“信号的模式已经被彻底破坏，但是系统仍然能够恢复它。”
哺乳动物的大脑非常擅长识别和记住气味，它具有数百甚至数千个嗅觉受体，并且复杂的神经网络可以快速分析与气味相关的模式。即使我们获得了新的知识，我们的大脑也保留了所学到的知识，这对哺乳动物来说很容易，但对人工智能系统来说却很难。特别是在深度学习方法中，必须将所有内容同时呈现给网络，因为新信息可能会扭曲或破坏系统以前学习的内容。
克莱兰德说，灵感来自大脑的算法解决了这个问题。
他说：“当你学到一些东西时，它将永久分化神经元。” “当您闻到一种气味时，对中间神经元进行了训练以对特定的配置做出反应，因此您可以在中间神经元的水平上实现隔离。因此，在机器方面，我们只是增强了这种气味并画出了一条牢固的线。”
这也解释了一个以前被误解的现象：为什么大脑的嗅球是成年后哺乳动物能够创建新神经元的少数几个地方之一。
克莱兰德说：“计算模型变成了为什么成人神经发生如此重要的生物学假设。” “因为这样做会导致系统无法正常工作。因此，从这个意义上讲，该模型正在反馈回生物学。从另一个意义上讲，它是可以构建一套用于人工嗅觉系统的设备的基础商业上。”
大脑的复杂性促使克莱兰德将神经科学研究的重点放在由显式计算模型指导的理论方法上。
他说：“当您开始研究一个生物学过程，而这个过程变得比仅仅凭直觉就变得更加复杂和复杂时，就必须用计算机模型来训练自己的思维。” “您无法通过它摸索自己的方式。这导致我们提出了许多新的实验方法和想法，而仅仅通过盯着它就不会想到。”