La codificación dispersa inspirada en insectos logra un aprendizaje rápido y evita el olvido catastrófico. Las moscas de la fruta no son exactamente famosas por su potencia cerebral; probablemente hayan ahogado más de una en un vaso de vino que dejaron demasiado tiempo en la mesa del patio. A pesar de ello, trabajando con aproximadamente 140,000 neuronas—un cerebro más pequeño que un semilla de amapola—Drosophila puede ordenar una gran gama de olores en una fracción de segundo y luego retener la memoria de ese aroma durante mucho tiempo.

En esto, hacen mucho mejor que las actuales "narinas electrónicas". Incluso las más avanzadas del mercado tienden a ser caras, extremadamente limitadas en lo que pueden detectar y rápidamente olvidan un olor en el momento en que aprenden uno nuevo. Entonces, ¿por qué no simplemente copiar la mosca? Esa es la pregunta que han estado haciendo un creciente número de investigadores—incluidos Kevin Max y Yang Shen en el Okinawa Institute of Science and Technology, cuyo nuevo algoritmo, Spi-Fly, se describe en un artículo recientemente publicado en la revista Neuromorphic Computing and Engineering.

Un sentido bastante oscuro La percepción del olor es un sentido extraño, desde el punto de vista mecánico. La visión y el audición ambos se reducen a una sola dimensión física que puedes graficar en un eje—longitud de onda—lo que las hace relativamente ordenadas para estudiar. Las moléculas olfativas, por el contrario, no pueden reducirse a ninguna dimensión física única.

La biología tuvo que encontrar una solución más desordenada en su lugar: cientos de diferentes proteínas receptoras, cada una moldeada para agarrar características moleculares específicas, activándose en combinaciones que el cerebro luego tiene que decodificar. Es un sistema tan complejo combinatoriamente que tardó hasta 1991 en que Linda Buck y Richard Axel incluso identificaran la familia de genes receptores detrás de él, trabajo que les valió el Premio Nobel en 2004. A pesar de las dificultades en nuestra comprensión del olor, existen "narinas electrónicas" en el mercado.

Empresas como Alpha MOS, Aryballe y Odotech las venden para control de calidad alimentaria, monitoreo ambiental y tamizaje de seguridad. Lo que estas narinas no hacen bien es generalizar. Un dispositivo con software calibrado para detectar aceite de oliva en mal estado no es lo mismo que un dispositivo que detecta una explosivo específico en un punto de control aéreo.

Reconfigurar uno para una nueva tarea normalmente implica reentrenar su software casi desde cero. Dos cuellos de botella técnicas se encuentran detrás de esa limitación. Primero, estos sistemas típicamente necesitan una montaña de ejemplos etiquetados manualmente antes de que puedan diferenciar confiablemente un olor de otro.

Segundo, enseñarles un nuevo aroma tiende a desordenar lo que ya sabían, un problema que los investigadores llaman "olvido catastrófico”—el equivalente electrónico de olvidar cómo montar en una bicicleta justo después de aprender a nadar. Códigos de barras olfativos Las moscas de la fruta—y muchas otras insectos—no tienen este problema, a pesar de sus diminutos cerebros. ¿Cómo distinguen los olores y los recuerdan con tan poco poder cerebral? El secreto, según los autores del artículo, es algo llamado codificación dispersa. Piénsalo como el cerebro de la mosca asignando un código de barras a cada olor.

Su sistema olfativo confía en aproximadamente 2,000 células especializadas, llamadas células de Kenyon, que reciben señales dispersas e aleatoriamente conectadas pasadas por los receptores olfativos de la mosca. Todas esas células de Kenyon informan a un único punto de relevo: el neurona lateral anterior pareado (APL, en realidad un par simétrico de ellos, uno por hemisferio cerebral). Las células APL responden disparando una fuerte inhibición global de vuelta a cada célula de Kenyon a la vez, silenciando casi todas ellas.

Las células que permanecen activas después de esa represión son lo que Max y Shen llaman el código de barras para ese olor específico. Spi-Fly toma la historia solo después de que un sensor haya completado su trabajo—todo aquí ocurre en simulación, usando datos de sensor pregrabados, y el algoritmo en sí no tiene nada que ver con capturar el olor en primer lugar. En el trabajo de Max y Shen, las lecturas del sensor se convierten en una corriente de disparos, proyectadas de manera dispersa e aleatoria sobre una capa oculta que representa las células de Kenyon, con neuronas inhibiéndose entre sí en lugar de depender de un árbitro único similar a APL.

Desde allí, la capa oculta conn...