Gdy oglądasz film na YouTube lub kupujesz produkt na Amazon i od razu dostajesz podobne wideo do obejrzenia lub produkt do kupienia, widzisz w akcji tak zwane „wyszukiwanie podobieństwa”. Są to algorytmy zaprojektowane do wyszukiwania dużych zestawów danych i dopasowywania elementów, które są w pewien sposób podobne. Nasz mózg cały czas wyszukuje podobieństwa - ta osoba wygląda jak mój przyjaciel, ta piosenka brzmi jak ta, którą znam.
Muchy owocowe robią to samo. Ich mózgi przeprowadzają wyszukiwania podobieństw, aby dowiedzieć się, co powinny smakować, a czego unikać. Mucha nigdy wcześniej nie wąchała gnijącego mango, ale jego mózg uważa, że jest wystarczająco podobny do znanej uczty gnijącego banana, by zasygnalizować „jeść”.
Naukowcy uważają, że zrozumienie wyszukiwań podobieństwa much może pomóc w ulepszeniu algorytmów komputerowych.
„Przyszło nam do głowy, że oba systemy, biologiczny i zaprojektowany, rozwiązują bardzo podobny problem”, mówi Saket Navlakha, profesor w Salk Institute w Kalifornii.
Wiele wyszukiwań podobieństw komputerowych działa, podając elementy skrótów cyfrowych nazywanych „skrótami”. Te skróty zwiększają prawdopodobieństwo, że podobne elementy zostaną zgrupowane razem. Program może następnie wyszukiwać według skrótów, a nie elementów, co jest szybsze.
Muchy owocowe, jak nauczył się Navlakha i jego zespół, postępują inaczej. Kiedy mucha wyczuwa zapach, 50 neuronów strzela w kombinacji, która jest inna dla każdego zapachu. Program komputerowy zmniejszyłby liczbę skrótów związanych z zapachem. Ale muchy w rzeczywistości rozszerzają swoje poszukiwania. 50 początkowych neuronów wystrzeliwujących staje się 2000 neuronów wystrzeliwujących, dzięki czemu każdy zapach ma bardziej unikalną kombinację. Mózg muchy przechowuje tylko 5 procent z tych 2000 neuronów o największej aktywności na hasz tego zapachu. Oznacza to, że mózg muchy jest w stanie wyraźniej grupować podobne i odmienne zapachy, co powstrzymuje ich przed pomyleniem między elementami „jedz” i „nie jedz”.
Zespół nie badał samych mózgów much, ale raczej przeczytał istniejącą literaturę dotyczącą węchu i obwodów mózgowych. Następnie zastosowali wyszukiwanie podobieństwa much do trzech zestawów danych używanych do testowania algorytmów wyszukiwania.
„Rozwiązanie muchowe, jeśli nie lepsze, jest co najmniej tak dobre, jak rozwiązanie informatyczne”, mówi Navlakha.
Badanie zostało opublikowane w tym miesiącu w czasopiśmie Science .
„Ta praca jest interesująca” - mówi Jeff Clune, profesor informatyki na University of Wyoming, który studiuje sieci neuronowe. „Za każdym razem, gdy dowiadujemy się, jak natura rozwiązała problem, zwłaszcza jeśli rozwiązanie nie jest tym, które znaliśmy lub nie faworyzujemy, rozszerza ono nasz zestaw narzędzi w zakresie prób odtworzenia naturalnej inteligencji w maszynach”.
Navlakha i jego zespół planują wypróbować wyszukiwanie w dużych zbiorach danych i przekonać się, jak można to poprawić. Widzi dwie możliwości rozwoju. Pierwszym z nich byłoby usprawnienie wyszukiwania, co oznacza, że wymagałoby ono mniejszej mocy obliczeniowej, co przełożyłoby się na przykład na krótsze zużycie baterii w telefonie komórkowym. Drugim byłoby uczynienie go dokładniejszym. W dalszej kolejności można go potencjalnie wykorzystać do ulepszenia algorytmów, z których większość z nas korzysta na co dzień na naszych komputerach i smartfonach.
„To jest nasze marzenie”, mówi Navlakha. „Dzięki badaniu tego niesamowitego systemu, którego żaden komputer nie może dziś powielić, możemy w jakiś sposób nauczyć się lepszego uczenia maszynowego i sztucznej inteligencji”.
