En el reino animal, la eficiencia energética es fundamental para la supervivencia, lo que ha llevado a la evolución del cerebro para almacenar y procesar información utilizando la menor cantidad posible de energía y recursos. Desde la década de los 80, los científicos en el ámbito de la computación han intentado replicar esta eficiencia mediante el desarrollo de sistemas que imiten la estructura y el funcionamiento cerebral, buscando procesar datos complejos de manera rápida y con un consumo energético reducido.
Sin embargo, el desafío persiste: crear soluciones prácticas que requieran poca memoria y funcionen en escenarios reales donde la energía es limitada y los datos de entrenamiento llegan de manera gradual. Un nuevo algoritmo desarrollado por investigadores del Instituto de Ciencia y Tecnología de Okinawa (OIST) avanza en esta dirección, como se detalla en su reciente publicación en la revista Neuromorphic Computing & Engineering.
Este innovador sistema, que toma como referencia el funcionamiento del olfato, ha sido entrenado y probado con diversas bases de datos experimentales, logrando una identificación precisa de olores, especialmente cuando contaba con un número limitado de muestras para el aprendizaje. Para su desarrollo, los investigadores se inspiraron en el cerebro de la mosca de la fruta, que cuenta con alrededor de 140,000 neuronas y es ampliamente estudiado en neurociencia.
Yang Shen, coautor del estudio, explica que el cerebro de la mosca es sencillo, lo que facilita su estudio, pero también permite un procesamiento complejo. El sistema olfativo de la mosca se modela como una red de tres capas en el nuevo algoritmo, denominado Spi-Fly. Este mecanismo permite que las señales de entrada se proyecten de forma aleatoria sobre una capa intermedia oculta de 1,000 neuronas, activando solo un número reducido de estas para cada olor. Las neuronas activas forman un «código de barras» que es posteriormente reconocido por las neuronas de salida a través de un aprendizaje asociativo.
El procesamiento en el sistema olfativo de la mosca es intrigante: las neuronas receptoras detectan olores y envían señales a otras neuronas, que a su vez amplían estas señales a través de múltiples conexiones. Un mecanismo de inhibición limita el número de neuronas activas, permitiendo que cada aroma se represente mediante un patrón específico, similar a un código de barras. Esto es crucial para distinguir diferentes olores y para aprender rápidamente otros nuevos sin perder conocimientos previos.
Los investigadores pusieron a prueba su algoritmo con dos bases de datos de olores, comparando sus resultados con otros métodos de clasificación. Spi-Fly demostró ser el más efectivo para el aprendizaje con pocos ejemplos, pudiendo identificar olores después de haber visto solo unos pocos ejemplos. También mostró un rendimiento destacable en el aprendizaje continuo, estableciendo la capacidad de clasificar nuevos olores sin olvidar los previamente aprendidos, lo cual es un desafío significativo para los métodos tradicionales de entrenamiento que enfrentan el problema del olvido catastrófico.
Aunque Spi-Fly ha sido diseñado para clasificar olores, aún se necesita un sensor capaz de detectarlos. Kevin Max, otro de los coautores, junto con sus colegas de la Universidad Técnica de Eindhoven y la Universidad de Kiel, se encuentran en el proceso de desarrollar hardware para la detección de olores con la intención de integrar Spi-Fly en este sistema. Su objetivo final es crear una nariz artificial con múltiples aplicaciones prácticas en diferentes campos.
Fuente: Agencia Sinc
