Un equipo de investigación ha desarrollado un sistema basado en el procesamiento neuronal de la mosca de la fruta que permite clasificar aromas con pocos ejemplos y seguir incorporando nuevos patrones sin perder los aprendidos. La tecnología podría aplicarse en el futuro a la detección de contaminación, explosivos, alérgenos o sustancias en alimentos.
En el reino animal, la eficiencia energética resulta clave para la supervivencia. De ahí que el cerebro haya evolucionado para almacenar y procesar información utilizando la menor cantidad posible de energía y recursos.
Desde los años 80, los científicos especializados en computación han tratado de reproducir esta eficiencia mediante sistemas que imitan la estructura y el funcionamiento del cerebro, con el objetivo de procesar datos complejos de forma rápida y con un consumo reducido.
Sin embargo, desarrollar soluciones funcionales que necesiten poca memoria y puedan desenvolverse en escenarios reales, donde la energía es limitada y los datos de entrenamiento llegan de manera progresiva, sigue siendo un reto.
Un nuevo algoritmo desarrollado por investigadores del Instituto de Ciencia y Tecnología de Okinawa (OIST) y publicado en Neuromorphic Computing & Engineering avanza en esta dirección.
El sistema, inspirado en el funcionamiento del olfato, fue entrenado y probado con diferentes conjuntos de datos experimentales y logró identificar olores con precisión, especialmente cuando disponía de un número reducido de muestras para el aprendizaje.
Para crear su nuevo algoritmo, los investigadores buscaron inspiración en una fuente diminuta, pero repleta de alrededor de 140 000 neuronas, el cerebro de la mosca de la fruta, que es un objeto de estudio habitual en la investigación moderna en neurociencia.
"Es uno de los cerebros mejor cartografiados; es lo bastante sencillo como para que podamos estudiarlo en su conjunto, pero aun así consigue realizar un procesamiento complejo", destaca el coautor, Yang Shen, de la Unidad de Ciencia de Datos de Dinámica Biológica No Lineal del OIST.
"Tiene un sistema olfativo especialmente interesante que emplea una codificación dispersa, un método computacional que ayuda a reducir el solapamiento entre diferentes señales sin necesidad de entrenamiento, lo que permite representar los olores de manera eficiente y con un menor coste energético", añade.
En Spi-Fly, el sistema olfativo de la mosca se adapta y se modela como una red de tres capas, en la que las señales de entrada se proyectan de forma aleatoria y dispersa sobre una capa intermedia oculta de 1 000 neuronas, activando solo unas pocas para cada olor.
Estas neuronas activas funcionan como un código de barras específico, que es reconocido por las neuronas de salida mediante una regla de aprendizaje asociativo.
En las moscas de la fruta, las neuronas receptoras detectan los olores y envían las señales a otras neuronas que las procesan y amplían mediante numerosas conexiones. Después, un mecanismo de inhibición reduce el número de neuronas activas, de modo que cada aroma queda representado por un patrón específico, similar a un código de barras. Este sistema permite distinguir diferentes olores y aprender rápidamente otros nuevos sin perder los conocimientos anteriores.
Spi-Fly reproduce este mecanismo de forma simplificada, con menos capas y un menor número de neuronas. Las señales activan un patrón único en la capa intermedia, que las neuronas de salida pueden identificar mediante aprendizaje asociativo.
Para comprobar su eficacia, los investigadores lo probaron con dos bases de datos de olores y compararon sus resultados con los de otros algoritmos de clasificación. "Spi-Fly fue el método que obtuvo mejores resultados en aprendizaje con pocos ejemplos (few-shot learning): podía clasificar fácilmente los olores después de haber visto solo unas pocas muestras", explica el coautor, Kevin Max, de la Unidad de Computación Neuronal del OIST.
"También funcionó bien en el aprendizaje continuo, ya que aprendía correctamente a clasificar nuevos olores sin olvidar los que había aprendido anteriormente, un problema enorme de los métodos de entrenamiento convencionales conocido como olvido catastrófico”, continúa.
Aunque el algoritmo fue diseñado para clasificar olores, primero es necesario disponer de un sensor capaz de detectarlos. Max y sus colaboradores de la Universidad Técnica de Eindhoven y la Universidad de Kiel trabajan en este campo, desarrollando hardware para la detección de olores en el que tienen previsto integrar Spi-Fly. Su objetivo general es crear una nariz artificial con una amplia variedad de aplicaciones prácticas.
El CSIC lo ha desarrollado como parte de las labores de asesoramiento científico-técnico que está prestando a las autoridades a través del Grupo de Asesoramiento en Desastres y Emergencias.
Al pedir a dos modelos de lenguaje a gran escala de razonamiento que describan pacientes ficticios con afecciones médicas comunes, estos modelos reproducen con frecuencia estereotipos raciales y de género.
