Hedelmien lentävät aivot ilmoittavat hakukoneille tulevaisuudesta

Pentti Olahin haastattelu Tre 25 7 2017 (Saattaa 2019).

Anonim

Joka päivä käytät verkkosivustoja ja käyttämiäsi älypuhelinsovelluksia ovat valtava joukko tietoja, jotka löytävät toisiaan vastaavia asioita: tuotteita, jotka ovat samanlaisia ​​kuin aiemmin hankitut tuotteet; kappaleita, jotka ovat samanlaisia ​​kuin pidät; kasvot, jotka muistuttavat henkilöitä, jotka olet tunnistanut valokuvissa. Kaikki nämä tehtävät tunnetaan samankaltaisuuden hauiksi, ja kyky suorittaa nämä massiiviset vastaavia pelejä hyvin ja nopeasti on ollut jatkuvan haasteen tietokonetieteilijöille.

Nyt Salk ja Kalifornian yliopiston San Diegon tiedemiehet ovat havainneet, että hedelmähyvän aivoilla on tyylikäs ja tehokas tapa suorittaa samankaltaisuuksia. Kärpäille, se auttaa heitä tunnistamaan hajuja, jotka ovat samankaltaisimpia kuin ne, jotka he ovat kohdanneet ennen, jotta he osaavat käyttäytyä vastauksena hajua, kuten lähestyä tai välttää sitä. Uudet yksityiskohdat lentokoneen laskennallisesta lähestymistavasta haiseviin samankaltaisuushakuihin, jotka on kuvattu Science- lehdessä 9. marraskuuta 2017, voisivat informoida tulevaisuuden tietokonealgoritmeja.

"Tämä ongelma on, että melkein jokaisen teknologiayrityksen, jolla on minkäänlaista tiedonhaun järjestelmää, on ratkaistava, joten tietojenkäsittelytieteilijät ovat olleet jo vuosia opiskelleet", sanoo Salkin Integrative Biology Laboratory: n apulaisprofessori Saket Navlakha ja uuden paperin. "Nyt meillä on tämä uusi lähestymistapa samankaltaisuuksiin haun kautta."

Tavalla, jolla useimmat tietokoneistetut tietojärjestelmät luokittelevat kohteet - kappaleista kuviin - optimoimaan samankaltaisuudet haut ovat vähentämällä kunkin elementin tietoja. Nämä järjestelmät antavat jokaiselle kohteelle lyhyt "hash", joten samankaltaisille kohteille on todennäköisimmin sama tai samanlainen hajautus verrattuna kahteen hyvin erilaiseen kohtaan. (Hashes ovat eräänlainen digitaalinen pikakirjoitus, kuten hieman URL-osoitteen lyhyempi versio.) Tämäntyyppisten hajautusten nimeämistä kutsutaan tietokonetieteilijöiksi "paikallinen herkkä hajautus". Kun etsit samanlaisia ​​kohteita, ohjelma etsii hashoja alkuperäisten kohteiden sijasta löytääksesi samankaltaisuudet nopeasti.

Navlakha puhui Salkin Molekulaarisen neurobiologian laboratorion professorin Charles Stevensin ja uuden työn tutkijan kanssa, joka oli tutkinut lentotuntumista, kun entinen tajusi, että kärpäkset - ja kaikki eläimet - joutuvat jatkuvasti samankaltaisuuden haun kanssa. Joten hän alkoi karkaista kirjallisuutta aivojen piireissä fly olfingin taustalla selvittääkseen, kuinka kärpäset tunnistavat samankaltaiset tuoksut.

"Luonnollisessa maailmassa et tule kohtaamaan täsmälleen samaa tuoksua joka kerta, siellä on melua ja vaihtelua", Navlakha selittää. "Mutta jos haju jotain, jota olet aiemmin liittynyt käyttäytymiseen, sinun on kyettävä tunnistamaan tämä samankaltaisuus ja muistaa käyttäytyminen." Joten jos hedelmäkärki tietää, että mädäntyneen banaanin haju merkitsee ateriatilaa, sen on reagoitava samalla tavoin, kun se kohtaa hyvin samanlaisen tuoksun, vaikka se ei koskaan kokenut tuota hajua aikaisemmin.

Navlakha ja hänen yhteistyökumppaninsa kirjallisuuskertomus paljastivat, että kun hedelmäkärpäsi ensin tuntee hajun, 50 hermosoluja sytytetään yhdistelmällä, joka on ainutlaatuinen tuoksuun. Mutta sen sijaan, että hajaantuisi informaatio vähentämällä hajuun liittyvien haasteiden määrää, kuten tietokoneohjelmat, lentää päinvastoin - ne laajentavat ulottuvuutta. 50 ensimmäistä neuronia johtaa 2 000 neuronia, levittämällä sisääntuloa niin, että jokaisella tuoksulla on entistä selkeämpi sormenjälki näiden 2000 neuronien joukossa. Aivot sitten tallentavat vain 5 prosenttia näistä 2000 neuroneista, joilla on huippuaktiivisuus, sillä haju on "hash". Koko paradigma auttaa aivoja havaitsemaan parempia yhtäläisyyksiä kuin mitä se voisi vähentää ulottuvuutta, Navlakha sanoo.

"Sano, että sinulla on joukko ihmisiä, jotka ovat ryhmittyneet heidän suhteistaan, ja heidät on ryöstetty tungostaan", hän selittää. "Ota sitten samat ihmiset ja suhteet, mutta levitä heidät jalkapallokentälle. On helpompi nähdä suhteiden rakenne ja piirtää rajojen välisiä ryhmiä laajennetussa tilassa suhteessa tunkitilaan."

Vaikka Navlakha ja hänen yhteistyökumppaneitaan eivät paljastaneet varsinaista mekanismia, jolla kärpäset säilyttävät hajuinformaatiota - joka oli jo kirjallisuudessa saatavilla - he ensin analysoivat, miten tämä prosessi maksimoi nopeuden ja tehokkuuden samankaltaisuuden hauissa. Kun he käyttivät prosessin kolmeen standarditietokantaan, joita tietojenkäsittelytieteilijät käyttävät testausalgoritmien testaamiseen, he havaitsivat, että lentävä lähestymistapa parantaa suorituskykyä. Heidän mielestään tämä lähestymistapa saattaa kertoa tietokoneohjelmille jonain päivänä.

"Tietojenkäsittelytieteilijät olivat aiemmin käyttäneet tätä lähestymistapaa, mutta evoluutio laittoi ne yhteen ainutlaatuisella tavalla", Navlakha sanoo.

Navlakhan yhteistyökumppanit sanovat, että tutkimus on ensimmäisten joukossa tekemässä tällaisia ​​konkreettisia rinnakkaisuuksia aivojen hermosähköpiirien ja tietojenkäsittelytieteen tietojenkäsittelyalgoritmien välillä.

"Viimeisten 20 vuoden aikana olen kiinnostunut satunnaisista ennusteista (paikallisyhteisön herkkä hajauttaminen samankaltaisuuden etsintään), koska ne koskevat tietokoneissa toimivia algoritmeja", sanoo tietojenkäsittelytieteen ja -tekniikan professori Sanjoy Dasgupta. UCSD Jacobs School of Engineering ja uuden kirjoittajan ensimmäinen tekijä. "Minua ei koskaan tullut ilmi, että samankaltaiset operaatiot voivat olla luonteeltaan töissä."

"Neurobiologien ja atk-tutkijoiden yhteinen unelma on ymmärtää, kuinka aivot laskevat tarpeeksi hyvin, että voimme sopeuttaa menetelmiään parantamaan koneen laskentaa", lisää Stevens. "Meidän paperimme antaa todisteet periaatteesta, että tämä unelma voi tulla todellisuudeksi."

menu
menu