دماغ ذبابة الفاكهة يلهم خوارزمية لا تنسى الروائح القديمة

تتعرف ذبابة الفاكهة إلى الروائح بدماغ أصغر من بذرة الخشخاش. واستلهم باحثان في معهد أوكيناوا للعلوم والتكنولوجيا طريقة عمل دائرتها الشمية لبناء خوارزمية تتعلم رائحة جديدة من أمثلة قليلة، من دون أن تمحو بسهولة ما تعلمته قبلها.

الرقم الأهم
تضم الطبقة الوسطى 1000 عصبون محاكى، ولا ينشط منها لكل رائحة إلا عدد صغير يصنع نمطاً مميزاً.

كيف تختصر الخوارزمية طريق التعلم؟

تدخل إشارة المستشعر إلى شبكة عصبية نبضية (Spiking Neural Network أو SNN) من ثلاث طبقات. توزّع اتصالات عشوائية الإشارة على الطبقة الوسطى، ثم تحصر النشاط في مجموعة صغيرة من العصبونات، فتتحول الرائحة إلى ما يشبه رمزاً خاصاً تتعرف إليه طبقة الإخراج.

يشبه ذلك ما يحدث في دائرة الشم لدى ذبابة الفاكهة، حيث يُثبّط معظم النشاط ولا يبقى إلا نمط قليل الكثافة لكل رائحة. واختبر الباحثان الخوارزمية على مجموعتين من بيانات الاستشعار، ووجدا أنها تفوقت على طرق المقارنة في سيناريو التعلم من أمثلة قليلة.

كيف تتعلم الجديد من دون فقدان القديم؟

قد تعيد نماذج تعلم الآلة ضبط روابطها عندما تتلقى فئة جديدة، فتتراجع قدرتها على تمييز الفئات السابقة. تقلل الأنماط المتناثرة في Spi-Fly التداخل بين تمثيل رائحة وأخرى، لذلك تضيف الخوارزمية فئات جديدة مع ضرر أقل للذاكرة السابقة.

هذه الخاصية مفيدة لجهاز يعمل في الميدان، لأن بيانات الروائح لا تصل عادة في مجموعة ضخمة ومكتملة. وقد يحتاج مستشعر في مخزن غذائي أو موقع صناعي إلى تعلم مركّب جديد بعد تركيبه.

لماذا لا تشبه رائحة المختبر هواء الشارع؟

يضم الهواء الحقيقي مواد مختلطة وتركيزات متبدلة ورطوبة وروائح خلفية. كما أن الاستجابة للرائحة قد تختلف حسب الكائن، فقد أظهرت تغطية نيوتقنية أن ثلاثة أنواع من البعوض انجذبت إلى أنماط مختلفة من روائح البشر.

تعامل اختبار Spi-Fly مع بيانات معدّة مسبقاً، ولم يواجه بعد خليطاً مفتوحاً من الروائح. ويقر الباحثان بأن الدقة الإجمالية تحتاج إلى تحسن كي تنافس أفضل خوارزميات التصنيف التقليدية.

ما الخطوة التالية؟

يعمل الفريق مع باحثين في جامعتي آيندهوفن وكيل على دمج الخوارزمية مع عتاد لاستشعار الروائح. وسيحتاج الاختبار المقنع إلى مقارنة الدقة وسرعة التعلم والطاقة المستهلكة فعلياً عند تحليل خلائط كيميائية في بيئة غير مضبوطة.

الخلاصة

تقدم Spi-Fly طريقة صغيرة لتعلم فئات روائح جديدة من دون إعادة تدريب النموذج كاملاً. ويبقى الاختبار الحاسم هو احتفاظها بهذه الميزة بعد ربطها بمستشعر حقيقي وتعريضها لخلائط روائح مع قياس استهلاك الطاقة.