Dit soort algoritme kan worden gebruikt bij het testen van de luchtkwaliteit of bij het diagnosticeren van medische aandoeningen
Met behulp van de zoogdierhersenen als blauwdruk ontwierpen wetenschappers een kunstmatig neuraal netwerk dat nieuwe aroma’s kan blijven leren zonder anderen te vergeten.
Als het gaat om het identificeren van geuren, verslaat een “neuromorfe” kunstmatige intelligentie andere AI met meer dan een neus.
De nieuwe AI leert geuren efficiënter en betrouwbaarder te herkennen dan andere algoritmen. En in tegenstelling tot andere AI, kan dit systeem nieuwe aroma’s blijven leren zonder anderen te vergeten, rapporteren onderzoekers online op 16 maart Nature Machine Intelligence. De sleutel tot het succes van het programma is de neuromorfe structuur, die meer lijkt op de neurale circuits in de hersenen van zoogdieren dan andere AI-ontwerpen.
Dit soort algoritme, dat uitblinkt in het detecteren van zwakke signalen te midden van achtergrondgeluiden en voortdurend te leren op het werk, zou ooit kunnen worden gebruikt voor bewaking van de luchtkwaliteit, detectie van giftig afval of medische diagnoses.
De nieuwe AI is een kunstmatig neuraal netwerk, samengesteld uit veel computerelementen die zenuwcellen nabootsen om geurinformatie te verwerken (SN: 5/2/19). De AI ‘snuift’ door elektrische spanningsuitlezingen op te nemen van chemische sensoren in een windtunnel die werden blootgesteld aan pluimen van verschillende geuren, zoals methaan of ammoniak. Wanneer de AI een nieuwe geur ruikt, veroorzaakt dat een cascade van elektrische activiteit tussen de zenuwcellen of neuronen, die het systeem onthoudt en in de toekomst kan herkennen.
Net als het reuksysteem in de hersenen van zoogdieren, zijn sommige neuronen van de AI ontworpen om te reageren op invoer van chemische sensoren door verschillend getimede pulsen uit te zenden. Andere neuronen leren patronen te herkennen in die blips die de elektrische handtekening van de geur vormen.
Deze door de hersenen geïnspireerde opstelling bereidt de neuromorfe AI voor op het leren van nieuwe geuren, meer dan een traditioneel kunstmatig neuraal netwerk, dat begint als een uniform web van identieke, lege leisteenneuronen. Als een neuromorf neuraal netwerk is als een sportteam waarvan de spelers posities hebben toegewezen en de regels van het spel kennen, is een gewoon neuraal netwerk in eerste instantie als een stel willekeurige nieuwkomers.
Als gevolg hiervan is het neuromorfe systeem een ​​snellere, behendiger studie. Net zoals een sportteam een ​​toneelstuk slechts één keer hoeft te bekijken om de strategie te begrijpen en het in nieuwe situaties te implementeren, kan de neuromorfe AI een enkel monster van een nieuwe geur ruiken om de geur in de toekomst te herkennen, zelfs temidden van andere onbekende geuren.
Daarentegen moet een stel beginners vaak naar een toneelstuk kijken om de choreografie na te spelen – en nog steeds moeite hebben om het aan te passen aan toekomstige gameplay-scenario’s. Evenzo moet een standaard AI vele malen een enkel geurmonster bestuderen en herkent het deze mogelijk nog steeds niet wanneer de geur wordt vermengd met andere geuren.
Thomas Cleland van Cornell University en Nabil Imam van Intel in San Francisco staken hun neuromorfe AI tegen een traditioneel neuraal netwerk in een geurtest van 10 geuren. Om te trainen, snoof het neuromorfe systeem een ​​enkel monster van elke geur. De traditionele AI onderging honderden trainingsproeven om elke geur te leren. Tijdens de test snoof elke AI monsters waarin een aangeleerde geur slechts 20 tot 80 procent van de totale geur was – wat de omstandigheden in de echte wereld nabootst waar doelgeuren vaak vermengd zijn met andere aroma’s. De neuromorfe AI identificeerde 92 procent van de tijd de juiste geur. De standaard AI behaalde een nauwkeurigheid van 52 procent.
Priyadarshini Panda, een neuromorfe ingenieur aan de Yale University, is onder de indruk van het scherpe reukvermogen van de neuromorfe AI in verwarde monsters. De een-en-klaar leerstrategie van de nieuwe AI is ook energiezuiniger dan traditionele AI-systemen, die “vaak erg veel energie verbruiken”, zegt ze (SN: 26-09-18).
Een ander voordeel van de neuromorfe opzet is dat de AI na zijn oorspronkelijke training nieuwe geuren kan blijven leren als er nieuwe neuronen aan het netwerk worden toegevoegd, vergelijkbaar met de manier waarop nieuwe cellen zich voortdurend in de hersenen vormen.
Als er nieuwe neuronen aan de AI worden toegevoegd, kunnen ze zich afstemmen op nieuwe geuren zonder de andere neuronen te verstoren. Het is een ander verhaal voor traditionele AI, waarbij de neurale verbindingen die betrokken zijn bij het herkennen van een bepaalde geur of reeks geuren, breder zijn verdeeld over het netwerk. Het toevoegen van een nieuwe geur aan de mix kan die bestaande verbindingen verstoren, dus een typische AI ​​worstelt om nieuwe geuren te leren zonder anderen te vergeten – tenzij het helemaal opnieuw wordt opgeleid, met behulp van zowel de originele als nieuwe geurmonsters.
Om dit te demonstreren, hebben Cleland en Imam hun neuromorfe AI en een standaard AI getraind om zich te specialiseren in het herkennen van tolueen, dat wordt gebruikt om verf en vingernagellak te maken. Vervolgens probeerden de onderzoekers de neurale netwerken te leren aceton te herkennen, een ingrediënt van nagellakremover. De neuromorfe AI voegde gewoon aceton toe aan zijn geurherkenningsrepertoire, maar de standaard AI kon geen aceton leren zonder de geur van tolueen te vergeten. Dit soort geheugenverlies is een belangrijke beperking van de huidige AI (SN: 14-5-19).
Continu leren lijkt goed te werken voor het neuromorfe systeem als er weinig geuren bij betrokken zijn, zegt Panda. ‘Maar wat als je het grootschalig maakt?’ In de toekomst zouden onderzoekers kunnen testen of dit neuromorfe systeem een ​​veel breder scala aan geuren kan leren. Maar ‘dit is een goed begin’, zegt ze.
