Le modèle d’IA imite le système olfactif du cerveau pour traiter efficacement les données sensorielles bruyantes

Les cerveaux humains sont excellents pour trier un barrage d’informations sensorielles – comme discerner l’odeur de la sauce tomate en entrant dans un restaurant très fréquenté, mais les systèmes d’intelligence artificielle sont remis en question par de grandes rafales de contribution non réglementée.

En utilisant le cerveau comme modèle, les chercheurs de Cornell du laboratoire de physiologie computationnel du Département de psychologie et du Cornell University AI for Science Institute ont développé une stratégie pour les systèmes d’IA pour traiter les données olfactives et d’autres données sensorielles.

Les cerveaux humains (et autres mammifères) organisent efficacement les contributions indisciplinées du monde extérieur en représentations fiables que nous pouvons comprendre, nous souvenir et utiliser pour établir des connexions durables. Avec ces mécanismes cérébraux comme guide, les chercheurs conçoivent des systèmes robotiques à faible énergie et efficaces inspirés de la biologie et utiles pour un large éventail d’applications potentielles.

« Le cerveau effectue des exploits incroyables de cognition en temps réel et avec une consommation d’énergie étonnamment faible.

« En principe, les systèmes physiques artificiels devraient être en mesure de faire de même, une fois que nous avons compris comment cela fonctionne. »

Dans cette étude, qui a été publié dans Rapports scientifiques Avec Cleland en tant qu’auteur de co-correspondant, les chercheurs illuminent les aspects clés de la façon dont les cerveaux traitent les informations sensorielles, à la fois pour comprendre le calcul neuronal et aider à construire des dispositifs artificiels avec de nouvelles capacités.

Un objectif de cette «conception neuromorphe» est de fabriquer des dispositifs d’IA qui sont aussi efficaces et de faible puissance que le cerveau. Ce serait une énorme avancée dans la conception, a déclaré le chercheur postdoctoral Roy Moyal, premier auteur et auteur de co-correspondant de l’étude, mais il y a beaucoup de travail à faire avant de pouvoir être réalisé.

«L’état actuel de l’art dans l’apprentissage automatique est basé sur de très grands modèles de fondation qui nécessitent une quantité importante de puissance de traitement pour s’entraîner et travailler.

« Au lieu de cela, imaginez être en mesure de déployer des agents d’IA autonomes légers sur de petits appareils fabriqués à court terme qui pourraient, par exemple, détecter rapidement les matières dangereuses. et facteur de forme.

Pour réaliser cette vision, les chercheurs ont besoin d’une compréhension plus détaillée de la façon dont le système olfactif traite l’apport.

Le système olfactif précoce, a déclaré Cleland, comprend l’épithélium olfactif, qui est la couche de neurones qui ressentent des produits chimiques dans la cavité nasale; L’ampoule olfactive, une zone cérébrale dans laquelle ces neurones chimiosensoriels se projettent directement; et plusieurs zones en aval du cerveau qui reçoivent des informations sensorielles de l’ampoule olfactive et communiquent également avec l’ampoule pour façonner ses opérations.

Dans cette étude, les chercheurs de Cornell ont découvert exactement comment les couches externes du système biologique – l’épithélium olfactif et la couche externe de l’ampoule olfactive – performent des calculs qui « créent un pare-feu entre le monde et le cerveau », a déclaré Cleland.

Le barrage de l’apport sensoriel – comme les odeurs d’un restaurant – n’a pas besoin d’être organisé, contraint et massé sous une forme que l’ampoule profonde et les zones en aval peuvent traiter sans se casser, a déclaré Cleland, et sans perdre (ou beaucoup) des informations fournies par l’apport sensoriel.

L’étude se concentre sur ces calculs initiaux de l’ampoule olfactive, qui a lui-même deux couches de calcul. « Nous considérons l’ampoule comme l’interface entre le cerveau et le monde pour cette modalité sensorielle », a déclaré Cleland. « La couche profonde de l’ampoule est sophistiquée dynamiquement et fortement consacrée à l’apprentissage des odeurs. Mais pour fonctionner de cette manière, il a besoin de toutes ses entrées pour être bien comportée. »

Les systèmes artificiels ont également besoin que l’apport sensoriel complexe du monde soit emballé et organisé de manière à conserver toutes les informations critiques. Cela est vrai dans les configurations où les systèmes artificiels utilisent des capteurs chimiques pour «sentir» ainsi que dans les systèmes qui détectent d’autres entrées sensorielles.

Les travaux des chercheurs sur le système olfactif ont également donné des informations théoriques concernant le codage en phase de pointe dans le cerveau – une méthode par laquelle les neurones transmettent des informations en régulant étroitement le moment de leurs impulsions de communication. Cette stratégie commune de conservation de l’énergie, il est désormais clair, peut également être exploitée pour l’apprentissage et la régularisation stables dans des scénarios pratiques où les données peuvent être bruyantes et rares.

« Cela suggère des parallèles intéressants avec les travaux récents sur la formation consciente de la quantification à l’apprentissage automatique et à l’intelligence artificielle que nous explorons actuellement. Nous avons travaillé dur pour mettre en œuvre et optimiser un algorithme généralisé basé sur ces principes », a déclaré Moyal.

« Vous n’avez rien à savoir sur le monde pour que cet algorithme fonctionne – il régularisera tout ce que ses capteurs peuvent coder », a déclaré Cleland. « Mais si vous savez quelque chose sur le monde, vous pouvez améliorer davantage les performances. »

Bien que cette étude porte sur les circuits de bulbe olfactifs, ses résultats ne se limitent pas à l’olfaction, a déclaré Cleland. Il s’agit d’un mécanisme de régularisation générique pour toute sorte de données qui ont une structure globale similaire, ce qui rend les applications potentielles en robotique ou autres traitements d’IA assez larges.

Les contributeurs incluent Kyrus Mama ’21 et Matthew Einhorn, Computational Physiology Lab (A&S); et Ayon Borthakur, Indian Institute of Technology, Guwahati.