Когато гледате видео в YouTube или купувате продукт в Amazon и веднага се предлага подобен видеоклип за гледане или продукт за закупуване, виждате това, което е известно като „търсене на сходство“ в действие. Това са алгоритми, предназначени да търсят големи набори от данни и да съвпадат с елементи, които са подобни по някакъв начин. Мозъците ни извършват търсене на сходство през цялото време - този човек прилича на мой приятел, тази песен звучи като един, който познавам.
Плодовите мухи правят същото. Мозъците им извършват търсене на сходство, за да разберат какво трябва да вкусят и какво трябва да избягват. Една муха може никога да не е миришела на гниещо манго преди, но мозъкът му го намира достатъчно подобен на познатия лакомство на гниещ банан, за да сигнализира „яж“.
Изследователите смятат, че разбирането на търсенето на сходство с мухите може да помогне за подобряване на компютърните алгоритми.
„Хрумна ни, че и двете системи, биологични и проектирани, решават много подобен проблем“, казва Сакет Навлаха, професор от Института Salk в Калифорния.
Много търсения на компютърни прилики работят, като предоставят на елементите цифрови стенограми, известни като „хеши“. Тези хешове правят по-голяма вероятността подобни елементи да бъдат групирани. След това програмата може да търси по хеши, а не по елементи, което е по-бързо.
Плодови мухи, Навлаха и неговият екип се научиха, правят нещата по различен начин. Когато муха усети миризма, 50 неврона се запалват в комбинация, различна за всяка миризма. Компютърна програма би намалила броя на хешовете, свързани с миризмата. Но мухите всъщност разширяват търсенето си. 50-те първоначални изстрелящи неврона стават 2 000 изстрелващи неврона, което придава на всяка миризма по-уникална комбинация. Мозъкът на мухата съхранява само 5 процента от тези 2000 неврона с най-голяма активност за хеширането на тази миризма. Това означава, че мозъкът на мухата е в състояние да групира подобни и различни миризми по-отчетливо, което ги спира да се объркват между предметите „яж“ и „не яж“.
Екипът не е проучил мозъците на мухата, а по-скоро е прочел съществуващата литература за мухата и мозъчната верига. След това те приложиха търсенето на сходство с мухата към три набора от данни, използвани за тестване на алгоритмите за търсене.
„Решението за летене прави, ако не и по-добро, то поне толкова добро, колкото решението за компютърни науки“, казва Навлаха.
Изследването беше публикувано този месец в списание Science .
„Тази работа е интересна“, казва Джеф Клун, професор по компютърни науки в Университета в Уайоминг, който изучава невронните мрежи. „Всеки път, когато научаваме как природата е решила даден проблем, особено ако решението не е такова, което вече познавахме или предпочитаме, то разширява нашия инструментариум по отношение на опитите да пресъздадем естествения интелект в машините.“
Navlakha и неговият екип планират да изпробват търсенето с полети на по-големи набори от данни и да видят как може да се подобри. Той вижда две пътища за развитие. Първото би било да се направи търсенето по-ефективно, което означава, че ще се нуждае от по-малко изчислителна мощност, което би се превърнало в използване на по-малко живот на батерията на мобилен телефон. Второто би било да го направим по-точно. По-нататък тя може потенциално да се използва за подобряване на вида алгоритми, които повечето от нас използват всеки ден на нашите компютри и смартфони.
„Това е нашата мечта“, казва Навлаха. „Че изучавайки тази невероятна система, която никой компютър не може да повтори днес, можем по някакъв начин да се научим да правим по-добро машинно обучение и изкуствен интелект.“
