Yeni bir algoritma, meyve sineği gibi geçmiş kokuları asla unutmuyor

Meyve sineği gibi, yeni bir algoritma eski kokuları asla unutmaz

Meyve sinekleri, beyin gücü konusunda ünlü değildir; muhtemelen bahçenizdeki masanın üzerine koyduğunuz şarabın içinde daha çok sayıda sinek boğulmuştur. Ancak yaklaşık 140.000 nöronla—bir poppy çiçeğinden bile küçük bir beyne sahipken—

Drosophila

, çok çeşitli kokuları saniyeler içinde ayırt edebilir ve bu kokuların anısını uzun süre koruyabilir.

Bu konuda, mevcut “elektronik burunlar”dan çok daha iyi performans gösterirler. Piyasada bulunan en gelişmiş cihazlar bile genellikle pahalıdır, sınırlı bir algılama yeteneğine sahiptir ve yeni bir koku öğrendiğinde onu hızla unutur.

Peki neden sadece sineğin yöntemini taklit etmeyelim? İşte bu soruyu, Kevin Max ve Yang Shen de dahil olmak üzere giderek daha fazla araştırmacının sorduğu soru. Onlar tarafından geliştirilen Spi-Fly algoritması, Neuromorphic Computing and Engineering dergisinde yakın zamanda yayınlanan bir makalede tanıtıldı.

Pek bilinmeyen bir duygu

Koku, mekanik olarak tuhaf bir duygu türüdür. Görsel ve işitsel algılar, dalga boyu gibi tek bir fiziksel boyutla ifade edilebilir, bu da onları incelemek için nispeten düzenli hale getirir. Koku molekülleri ise herhangi bir tek fiziksel boyuta indirgenemez. Biyoloji, daha karmaşık bir çözüm bulmak zorunda kalmıştır: yüzlerce farklı reseptör proteini, her biri belirli moleküler özelliklere bağlanacak şekilde tasarlanmış ve beyin tarafından çözülen kombinasyonlar halinde ateşlenen proteinlerdir. Bu sistem o kadar karmaşıktır ki, Linda Buck ve Richard Axel’in 1991 yılında bu yapıyı oluşturan gen ailesini belirlemesi gerekmiştir; bu çalışma, 2004 yılında Nobel Ödülü’ne layık görülmüştür.

Koku algısı konusundaki sınırlı bilgimize rağmen, “elektronik burunlar” piyasada bulunmaktadır. Alpha MOS, Aryballe ve Odotech gibi şirketler, bunları gıda kalitesi kontrolü, çevresel izleme ve güvenlik taraması için kullanmaktadır.

Bu cihazların en büyük eksikliği, genelleme yapamamalarıdır. Örneğin, bozulmuş zeytinyağını tespit etmek için tasarlanmış bir cihaz, aynı zamanda bir havaalanında belirli patlayıcıları tespit etmek için kullanılamaz. Bir cihazın farklı bir görev için kullanılabilmesi genellikle yazılımının neredeyse sıfırdan yeniden eğitilmesini gerektirir.

Bu sınırlamanın arkasında iki temel teknik engel bulunmaktadır. İlk olarak, bu sistemler genellikle güvenilir bir şekilde bir kokuyu diğerinden ayıtabilecekleri zaman, çok sayıda elle etiketlenmiş örneğe ihtiyaç duyarlar. İkinci olarak, onlara yeni bir koku öğretmek, zaten bildiklerini bozabilir; araştırmacılar bunun “katastrofik unutma” problemi olarak adlandırır.

Meyve sinekleri—ve diğer birçok böcek—bu sorunu yaşamamaktadır, bu da beyinlerinin sınırlı kaynaklarına rağmen nasıl başardıklarını merak etmemize neden olur. Makalenin yazarlarına göre, sır “seyrek kodlama”dır.

Bunun, meyvenin beyninin her kokuya bir barkod atadığı düşünün. Olfactory sistemi, yaklaşık 2000 özel hücreye—Kenyon hücreleri olarak adlandırılan hücrelere—güvenir; bu hücreler, meyvenin koku reseptörlerinden gelen seyrek ve rastgele sinyalleri alır. Bu Kenyon hücrelerinin hepsi, anterior paired lateral nöron (APL) adı verilen tek bir noktaya rapor verir; APL’ler, neredeyse tüm Kenyon hücrelerini aynı anda inhibe ederek susturur. Kalan aktif hücreler, meyvenin o koku için barkodu oluşturur.

Spi-Fly algoritması, sensör kokuyu algıladıktan sonra devreye girer; burada her şey simülasyonda gerçekleşir ve önceden kaydedilmiş sensör verileri kullanılır. Algoritma, kokunun yakalanmasından sorumlu değildir.

Max ve Shen’in çalışmasında, sensör okumaları seyrek olarak dağıtılmış sinyaller haline getirilir ve Kenyon hücrelerini temsil eden gizli bir katmana aktarılır; burada nöronlar birbirini inhibe eder. Buradan, gizli katman, her biri etiketlenmiş bir koku için bekleyen bir çıktı katmanına bağlanır.

Öğrenilen şey, barkod ile etiketi arasındaki bağlantıdır ve bu, basit, onlarca yıllık bir sinir ağı kuralı kullanılarak yapılır: Gizli bir nöron doğru cevapla birlikte ateşlediğinde, bu bağlantı güçlenir.

Daha fazlası yoktur. Geoffrey Hinton tarafından ortaklaşa geliştirilen, çoğu modern sinir ağını eğitmek için kullanılan geri yayılım tekniği gerekli değildir.

Testlerde, basitleştirilmiş sistem iyi sonuçlar verir. Aynı gaz sensörü verisi üzerinde, Spi-Fly sadece üç kez kokuya maruz kaldığında optimum performansa ulaşırken, geri yayılım yaklaşık 70 denemeye ihtiyaç duyar.

Ağ, yeni kokulara ikişerli olarak maruz bırakıldığında—bu, sistem için bir stres testidir—Spi-Fly neredeyse hiç performans kaybı yaşamamakta ve eski kokuları korumakta, ancak geri yayılım performansı neredeyse rastgele tahmin seviyelerine düşmektedir.

Bir başka pratik zorluk da hafızadır. Bu kadar basit bir ağ tasarlamanın temel amacı, onu sınırlı belleğe sahip neuromorphic çipler üzerinde çalıştırmaktır; bu çipler, geleneksel yazılımlara kıyasla daha hızlı gelişen bir teknolojidir. Bu tür çiplerde çalışan herhangi bir algoritma, normal bir bilgisayarın sunduğu kaynakların yalnızca bir kısmıyla çalışmak zorundadır. Spi-Fly, geri yayılım kadar kötü performans göstermez.

Ancak Max’in belirttiği gibi, teorik olarak 100 nöron içeren seyrek kodlama katmanı ve her koku için 5 nöron kullanıldığında, olası “barkod” sayısı yaklaşık 75 milyon olabilir. Ancak gerçek dünyadaki gürültü bu potansiyelin çoğunu ortadan kaldırır. Max’in belirttiği gibi, “Aynı koku, iki farklı maruz kalmada neredeyse hiç zaman aynı seyrek kodla temsil edilmez; bu, hava koşulları ve diğer faktörlerden kaynaklanır.” Modelin parametreleri göz önüne alındığında, yaklaşık 200 koku temsil edilebilir, ancak bu, kokuların türüne ve benzerliklerine de bağlıdır.

Testler de tamamen simülasyonda yapılmıştır; gerçek bir mutfak, orman veya havaalanı terminalindeki karmaşık koku karışımının aksine, tek tek izole edilmiş kokular kullanılmıştır. Bu nedenle, Spi-Fly’ın gerçek dünyadaki koşullarda nasıl performans göstereceği garanti edilmez.

Bir karşılaştırma tartışması

Makalede, en yakın rakip olarak belirtilen EPL ağı bulunmaktadır. EPL ağı, gaz sensörü verisi üzerinde orta düzeyde sonuçlar verirken, sentetik Drosophila verisi üzerinde kötü performans gösterir. Max, bu farkı çeşitli faktörlere bağlamaktadır. EPL ağı, ani ve öngörülemeyen arka plan kokularını filtrelemek için tasarlanmıştır; örneğin, bir odadaki sigara dumanına benzer. Bu, tek seferlik öğrenme kuralları kullanılarak yapılır ve Spi-Fly’ın eğitildiği kademeli ve tekrarlayan varyasyonları işlemek üzere tasarlanmamıştır.

EPL ağının tasarımcısı Thomas Cleland, bu karşılaştırmanın kendisi hakkında şüphelerini dile getirmektedir. Ona göre, EPL ağı ve Spi-Fly farklı sorunları çözmek için tasarlanmıştır. EPL ağı, hayvanların kullandığı gibi ayrık örnekler kullanarak kokuları işlerken, Spi-Fly sürekli bir veri akışı kullanır. Ona göre, bu karşılaştırma çok fazla şey ifade etmemektedir.

Spi-Fly algoritması tamamen kod halindedir ve gerçek donanım üzerinde test edilmemiştir. Sonraki adım, Max ve ekibinin TU Eindhoven ve Kiel Üniversitesi’nde geliştirdiği neuromorphic çipler üzerine yerleştirmektir. Bu, daha sonra geliştirilecektir.