Когда вы смотрите видео на YouTube или покупаете продукт на Amazon, и вам сразу же предлагается подобное видео для просмотра или продукт, который вы покупаете, вы видите в действии так называемый «поиск сходства». Это алгоритмы, предназначенные для поиска больших наборов данных и сопоставления элементов, которые в некотором роде похожи. Наш мозг постоянно выполняет поиск сходства - этот человек похож на моего друга, эта песня звучит так, как я знаю.
Фруктовые мушки делают то же самое. Их мозг выполняет поиск сходства, чтобы выяснить, что они должны попробовать и чего им следует избегать. Муха, возможно, никогда не пахла гниющим манго раньше, но ее мозг находит его достаточно похожим на знакомое лакомство гниющим бананом, чтобы подать сигнал «есть».
Исследователи считают, что понимание поиска сходства мух может помочь улучшить компьютерные алгоритмы.
«Нам пришло в голову, что обе эти системы, биологическая и техническая, решают очень похожую проблему», - говорит Сакет Навлаха, профессор Института Солка в Калифорнии.
Многие компьютерные поиски сходства работают, давая элементам цифровые сокращенные метки, известные как «хеши». Эти хеши повышают вероятность того, что похожие элементы будут сгруппированы вместе. Затем программа может искать по хэшам, а не по элементам, что быстрее.
Фруктовые мухи, Навлаха и его команда научились делать вещи по-другому. Когда муха чувствует запах, 50 нейронов срабатывают в комбинации, которая различна для каждого запаха. Компьютерная программа уменьшит количество хэшей, связанных с запахом. Но мухи на самом деле расширяют свой поиск. 50 начальных нейронов запускаются в 2 000 нейронов, давая каждому запаху более уникальную комбинацию. Мозг мухи хранит только 5 процентов из этих 2000 нейронов с наибольшей активностью для устранения этого запаха. Это означает, что мозг мухи способен более отчетливо группировать сходные и разнородные запахи, что мешает им запутаться между элементами «есть» и «не есть».
Команда не изучала мозг мухи, а скорее прочитала существующую литературу по обонянию мухи и схемам мозга. Затем они применили поиск по подобию мух к трем наборам данных, которые использовались для тестирования алгоритмов поиска.
«Решение« на лету »делает, если не лучше, чем, по крайней мере, так же хорошо, как решение для информатики», - говорит Навлаха.
Исследование было опубликовано в этом месяце в журнале Science .
«Эта работа интересна», - говорит Джефф Клюн, профессор компьютерных наук в Университете Вайоминга, изучающий нейронные сети. «Каждый раз, когда мы узнаем о том, как природа решила проблему, особенно если решение не является тем, которое мы уже знали или предпочитаем, оно расширяет наш инструментарий с точки зрения воссоздания естественного интеллекта в машинах».
Навлаха и его команда планируют попробовать выполнить поиск в больших наборах данных и посмотреть, как его можно улучшить. Он видит два пути развития. Первый - сделать поиск более эффективным, а это означает, что ему потребуется меньше вычислительной мощности, что, к примеру, приведет к сокращению срока службы аккумулятора на мобильном телефоне. Вторым было бы сделать его более точным. В дальнейшем его можно было бы использовать для улучшения алгоритмов, которые большинство из нас использует каждый день на своих компьютерах и смартфонах.
«Это наша мечта», - говорит Навлаха. «Что, изучая эту удивительную систему, которую сегодня не может воспроизвести ни один компьютер, мы можем каким-то образом научиться совершенствовать машинное обучение и искусственный интеллект».
