Quand tu sens une orange, l'odeur est très probablement combinée à plusieurs autres :échappement de voiture, des ordures, fleurs, du savon. Ces odeurs se lient simultanément aux centaines de récepteurs du bulbe olfactif de votre cerveau, s'obscurcissant les uns les autres, pourtant vous pouvez toujours reconnaître l'odeur d'une orange, même lorsqu'il est mélangé avec un motif totalement différent d'autres parfums.

Les mécanismes précis de la façon dont les mammifères apprennent et identifient les odeurs ont longtemps échappé aux scientifiques. Les nouvelles recherches de Cornell expliquent certaines de ces fonctions grâce à un algorithme informatique inspiré du système olfactif des mammifères. L'algorithme éclaire à la fois le fonctionnement du cerveau et, appliqué à une puce informatique, apprend rapidement et de manière fiable les modèles mieux que les modèles d'apprentissage automatique existants.

"C'est le résultat de plus d'une décennie d'étude des circuits du bulbe olfactif chez les rongeurs et d'essais de comprendre essentiellement comment cela fonctionne, avec un œil sur les choses que nous savons que les animaux peuvent faire et que nos machines ne peuvent pas, " dit Thomas Cleland, professeur de psychologie et auteur principal de "Rapid Learning and Robust Recall in a Neuromorphic Olfactory Circuit, " qui a publié dans Nature Machine Intelligence 16 mars.

"Nous en savons maintenant assez pour que cela fonctionne. Nous avons construit ce modèle informatique basé sur ce circuit, fortement guidé par ce que nous savons de la connectivité et de la dynamique des systèmes biologiques, " dit Cleland. " Alors nous disons, s'il en était ainsi, cela fonctionnerait. Et ce qui est intéressant, c'est que ça marche."

Cleland et co-auteur Nabil Imam, doctorat '14, un chercheur chez Intel, appliqué l'algorithme à une puce informatique Intel. La puce de recherche, connu sous le nom de Loihi, est neuromorphe, c'est-à-dire inspiré par le fonctionnement du cerveau, intégrant des circuits numériques qui imitent la façon dont les neurones communiquent et apprennent. Par exemple, la puce de recherche Loihi est basée sur de nombreux cœurs parallèles qui communiquent via des pointes discrètes, et les effets délivrés par chacun de ces pics peuvent changer en fonction uniquement de l'activité locale. Cette architecture nécessite des stratégies de conception d'algorithmes fondamentalement différentes par rapport aux puces informatiques existantes.

En utilisant des puces informatiques neuromorphiques, les machines pourraient apprendre à identifier des modèles ou à effectuer certaines tâches mille fois plus rapidement qu'en utilisant les unités centrales ou graphiques de l'ordinateur, comme le font la plupart des programmes. L'exécution de certains algorithmes sur la puce de recherche Loihi consomme également environ mille fois moins d'énergie que les méthodes traditionnelles, selon Intel.

La puce est la plate-forme optimale pour l'algorithme de Cleland, qui peut accepter des modèles d'entrée d'un réseau de capteurs, apprendre plusieurs modèles rapidement et séquentiellement, puis identifier chacun de ces modèles significatifs malgré une forte interférence sensorielle. L'algorithme peut identifier avec succès les odeurs même lorsque leur modèle est différent de 80 % du modèle que l'ordinateur a appris à l'origine.

"Le motif du signal a été considérablement détruit, " Cleland a dit, "et pourtant le système est capable de le récupérer."

Le cerveau des mammifères est étonnamment habile à identifier et à se souvenir des odeurs, avec des centaines voire des milliers de récepteurs olfactifs et de réseaux neuronaux complexes analysant rapidement les schémas associés aux odeurs. Notre cerveau conserve également ce que nous avons appris même après avoir acquis de nouvelles connaissances, ce qui est facile pour les mammifères mais difficile pour les systèmes d'intelligence artificielle. En particulier dans les approches d'apprentissage en profondeur, tout doit être présenté au réseau en même temps, car de nouvelles informations peuvent déformer ou détruire ce que le système a appris auparavant.

L'algorithme inspiré du cerveau résout ce problème, dit Cleland.

"Quand tu apprends quelque chose, il différencie en permanence les neurones, " dit-il. " Quand vous apprenez une odeur, les interneurones sont entraînés à répondre à des configurations particulières, donc vous obtenez cette ségrégation au niveau des interneurones. Donc côté machine, nous l'améliorons simplement et traçons une ligne ferme."

Cela explique également un phénomène jusque-là mal compris :pourquoi le bulbe olfactif du cerveau est l'un des rares endroits où les mammifères peuvent créer de nouveaux neurones après avoir atteint l'âge adulte.

"Le modèle informatique se transforme en une hypothèse biologique expliquant pourquoi la neurogenèse adulte est importante, " Dit Cleland. " Parce qu'il fait cette chose qui autrement empêcherait le système de fonctionner. Donc dans ce sens, le modèle réalimente la biologie. Et dans cet autre sens, c'est la base d'un ensemble de dispositifs pour les systèmes olfactifs artificiels qui peuvent être construits commercialement."

La complexité du cerveau a motivé Cleland à concentrer ses recherches en neurosciences sur une approche théorique guidée par des modèles informatiques explicites.

« Lorsque vous commencez à étudier un processus biologique qui devient plus complexe et complexe que vous ne pouvez simplement le deviner, vous devez discipliner votre esprit avec un modèle informatique, " dit-il. " Vous ne pouvez pas vous frayer un chemin à travers ça. Et cela nous a conduit à un certain nombre de nouvelles approches expérimentales et d'idées que nous n'aurions pas imaginées simplement en les regardant."