Amikor egy videót néz a YouTube-on, vagy vásárol egy terméket az Amazon-on, és azonnal felkínálnak egy hasonló videót a megnézni vagy megvásárolni kívánt termékhez, láthatja, hogy mi a "hasonlósági keresés". Ezek olyan algoritmusok, amelyek célja nagy adatsorok keresése és bizonyos szempontból hasonló elemek összevetése. Agyunk mindig hasonlósági kutatásokat végez - ez a személy úgy néz ki, mint a barátom, ez a dal úgy hangzik, mint amit én ismersz.
A gyümölcslegyek ugyanazt csinálják. Agyuk hasonlósági kutatásokat végez, hogy kitalálják, mit kellene megkóstolni és mit kell kerülni. Lehet, hogy a légy korábban még soha nem szaglott a rothadó mangóval, de az agya elég hasonló ahhoz, mint a korhadó banán ismerős kezelése, hogy jelezzék: „enni”.
A kutatók szerint a legyek hasonlósági kereséseinek megértése javíthatja a számítógépes algoritmusokat.
"Rájöttünk, hogy mind a biológiai, mind a tervezett rendszerek nagyon hasonló problémát oldtak meg" - mondja Saket Navlakha, a kaliforniai Salk Intézet professzora.
Számos számítógépes hasonlósági keresés úgy működik, hogy az elemeket digitális rövidítésekkel, hash néven ismerték el. Ezek a kivonatok valószínűbbé teszik, hogy a hasonló tételek csoportosulnak. Ezután a program gyorsabban hasítással, és nem elemekkel kereshet.
Gyümölcslegyek, Navlakha és csapata megtanulta, másképp teszik a dolgokat. Amikor a légy egy szagot érzékel, 50 neuron tűz fel olyan kombinációban, amely minden szagra különbözik. Egy számítógépes program csökkentené a szaglással kapcsolatos kivonások számát. De a legyek valóban kibővítik keresésüket. Az 50 kezdeti tüzelő neuron 2000 tüzelő neurongá válik, így minden illat egyedibb kombinációt eredményez. A légy agya ennek a 2000 idegnek mindössze 5% -át tárolja, amelyeknek a legnagyobb aktivitása van ennek a szagnak. Ez azt jelenti, hogy a légyagy képes jobban megkülönböztetni a hasonló és eltérő szagokat, ami megakadályozza őket abban, hogy összekeverjék az "enni" és a "nem eszik" tételeket.
A csoport nem a légyagyokat tanulmányozta, hanem a légyszagolással és agyi áramkörökkel kapcsolatos létező irodalmat átnézte. Ezután a légy hasonlósági keresést alkalmazták a keresési algoritmusok tesztelésére használt három adatkészletre.
"A légy megoldás, ha nem is jobb, akkor legalább olyan jó, mint a számítástechnikai megoldás, " mondja Navlakha.
A kutatást ebben a hónapban a Science folyóiratban tették közzé.
"Ez a munka érdekes" - mondja Jeff Clune, a Wyomingi Egyetem számítástechnikai professzora, idegi hálókat tanulmányozva. "Bármikor megtudjuk, hogy a természet hogyan oldotta meg a problémát, különösen, ha a megoldás nem olyan, amelyet már ismertünk vagy mi kedveltünk, ez kibővíti az eszközkészletünket azzal a céllal, hogy megpróbálja újra létrehozni a gépeken a természetes intelligenciát."
Navlakha és csapata azt tervezi, hogy megpróbálja a légykeresést nagyobb adatkészleteken, és megnézheti, hogyan lehetne javítani. Két fejlesztési utat lát. Az első az lenne, hogy hatékonyabbá tegye a keresést, vagyis kevesebb számítástechnikai energiára van szükség, ami például rövidebb akkumulátor-élettartamot eredményez egy mobiltelefonon. A második az lenne, hogy pontosítsák. Ezen túlmenően potenciálisan javíthatjuk azokat a algoritmusokat is, amelyeket legtöbben nap mint nap használnak számítógépünkön és okostelefonjukon.
"Ez az álom - mondja Navlakha. "Hogy ennek a csodálatos rendszernek a tanulmányozásával, amelyet manapság egyetlen számítógép sem tud replikálni, valamilyen módon megtanulhatjuk, hogy jobb gépi tanulást és mesterséges intelligenciát végezzünk."
