En ny databrikke etterligner nevrokretsløpet til nesen vår for å lukte

Nabil Imam med Intels Loihi-brikke. Intel

Av alle tingene hjernen vår kan gjøre, er måten den hjelper oss å lukte på en av de best forståtte. Når en lukt treffer luktecellene i nesen vår, sender de et signal til den tilsvarende klyngen av nevroner i hjernen kjent som luktepæren. Pæren sender deretter signalet ut til andre deler av hjernen, slik at vi kan sette pris på parfymen til en grapefrukt eller unngå stanken av søppel.

Olfaktoriske pærer er spesifikke for pattedyr, men andre dyr, som insekter, viser også lignende nevrale strukturer. Det betyr at det sannsynligvis er noe ganske grunnleggende og effektivt med disse implementeringene hvis utviklingen har kommet på dem i forskjellige tilfeller, sier Mike Davies, direktøren for Intels Neuromorphic Computing Lab.

Både fordi de er så effektive og fordi vi forstår dem så godt, er luktesystemer et godt utgangspunkt for nevromorfe brikker, en ny type datamaskinvare som henter inspirasjon direkte fra strukturen i hjernen.

Mandag publiserte forskere ved Intel en artikkel i Nature som foreslår en ny nevromorf brikkedesign som etterligner strukturen og egenskapene til luktepæren. Forskerne jobbet med luktnevrofysiologer som studerer hjernen til dyr mens de lukter. De designet en elektrisk krets, basert på nevrale kretser som aktiveres når hjernen deres behandler en lukt, som kan skåret ut på en silisiumbrikke. De designet også en algoritme som speiler oppførselen til de elektriske signalene som pulserer gjennom kretsen. Da de trente algoritmen på brikken ved å bruke et eksisterende datasett med 10 lukter – kjennetegnet ved målingene deres fra 72 forskjellige kjemiske sensorer – var den i stand til å skille nøyaktig mellom dem med langt færre treningsprøver enn en konvensjonell brikke.

Brikken er fortsatt en relativt tidlig prototype, men når den er moden kan den tjene en rekke bruksområder, for eksempel bombesniffing eller påvisning av skadelige gasser i kjemiske anlegg. Den demonstrerer også potensialet til nevromorf databehandling for mer dataeffektiv AI.

For tiden følger de mest populære brikkene for å kjøre toppmoderne dyplæringsalgoritmer en von Neumman-arkitektur, en designkonvensjon som har drevet databehandlingsrevolusjonen i flere tiår. Men disse arkitekturene er ineffektive elever: Algoritmene som kjører på dem krever enorme mengder treningsdata, i motsetning til våre langt mer effektive hjerner. Nevromorfe brikker prøver derfor å bevare hjernens struktur så mye som mulig. Tanken er at en slik tett mimikk vil øke brikkens læringseffektivitet. Intel fikk faktisk brikken til å lære av svært få prøver.

Fremover planlegger forskerteamet å forbedre utformingen av sin nevromorfe brikke og bruke den på andre funksjoner i hjernen utenfor lukten. Davies sier at teamet sannsynligvis vil rette oppmerksomheten mot visjon eller berøring neste gang, men har langsiktige ambisjoner om å takle mer komplekse prosesser. Våre sansemekanismer er det naturlige stedet å starte fordi disse er godt forstått, sier han. Men på en måte jobber vi oss inn og inn i hjernen, opp til de høyere ordens tankeprosessene som skjer.'

gjemme seg