Når du ser en video på YouTube eller køber et produkt på Amazon og straks bliver tilbudt en lignende video at se eller et produkt at købe, ser du, hvad der er kendt som en "lighedssøgning" i aktion. Dette er algoritmer designet til at søge i store datasæt og matche elementer, der ligner på en eller anden måde. Vores hjerner udfører lighedssøgninger hele tiden - denne person ligner min ven, denne sang lyder som en jeg kender.
Frugtfluer gør det samme. Deres hjerner udfører lighedssøgninger for at finde ud af, hvad de skal smage, og hvad de skal undgå. En flue har måske aldrig lugtet en råtnende mango før, men dens hjerne finder den ligner nok den velkendte behandling af råtnende banan til at signalere "spise."
Forskere mener, at forståelse af fluenes lighedssøgninger kan hjælpe med at forbedre computeralgoritmer.
”Det blev os, at begge disse systemer, biologiske og konstruerede, løste et meget lignende problem, ” siger Saket Navlakha, professor ved Salk Institute i Californien.
Mange computerlighedssøgninger fungerer ved at give varer digitale korthandskoder, der er kendt som "hascher". Disse hasjer gør det mere sandsynligt, at lignende varer grupperes sammen. Programmet kan derefter søge med hash snarere end genstande, hvilket er hurtigere.
Navlakha og hans team lærte, at frugtfluer gør tingene anderledes. Når en flue fornemmer en lugt, fyrer 50 neuroner i en kombination, der er anderledes for enhver lugt. Et computerprogram vil reducere antallet af hash, der er forbundet med lugten. Men fluer udvider faktisk deres søgning. De 50 indledende affyringsneuroner bliver 2.000 fyringsneuroner, hvilket giver hver lugt en mere unik kombination. Fluens hjerne lagrer kun 5 procent af disse 2.000 neuroner med mest aktivitet for hash fra den lugt. Dette betyder, at flyvehjernen er i stand til at gruppere lignende og forskellige lugte mere tydeligt, hvilket forhindrer dem i at blive forvirrede mellem "spise" og "ikke spiser" genstande.
Holdet studerede ikke selv flyvehjerne, men læste snarere gennem den eksisterende litteratur om flueflufaction og hjernekredsløb. De anvendte derefter flygelighedssøgningen på tre datasæt, der blev brugt til test af søgealgoritmer.
”Flueløsningen er, hvis ikke bedre, end mindst lige så god som computervidenskabsløsningen, ” siger Navlakha.
Forskningen blev offentliggjort denne måned i tidsskriftet Science .
”Dette arbejde er interessant, ” siger Jeff Clune, en professor i datalogi ved University of Wyoming, der studerer neurale netværk. "Hver gang vi lærer om, hvordan naturen løste et problem, især hvis løsningen ikke er en, vi allerede kendte eller foretrækker, udvider den vores værktøjskasse med hensyn til at prøve at genskabe naturlig intelligens i maskiner."
Navlakha og hans team planlægger at prøve fluesøgningen på større datasæt og se, hvordan det kan forbedres. Han ser to veje til udvikling. Den første ville være at gøre søgningen mere effektiv, hvilket betyder, at den ville have brug for mindre computerkraft, hvilket ville resultere i at bruge mindre batterilevetid på en mobiltelefon, for eksempel. Det andet ville være at gøre det mere nøjagtigt. Længere nede på linjen kunne det potentielt bruges til at forbedre den type algoritmer, som de fleste af os bruger hver dag på vores computere og smartphones.
”Dette er vores drøm, ” siger Navlakha. ”At vi ved at studere dette fantastiske system, som ingen computer kan replikere i dag, på en eller anden måde kan lære at gøre bedre maskinlæring og kunstig intelligens.”
