模生物嗅觉的神经算法，能让电脑芯片识别气味

当我们闻到橘子味时，你有没有想过它的气味很可能与其他几种气味结合在一起，比如汽车尾气、垃圾、鲜花、肥皂等。这些气味同时与大脑嗅球中的数百个感受器结合，彼此掩盖，使橘子味与其他完全不同的气味混合在一起，但我们仍然能辨别出橘子的气味。

那为何我们能精确辨别其中的味道呢？这是因为当我们闻橘子时，橘子的分子会刺激我们鼻子中的嗅觉细胞，该细胞会立即向大脑的嗅觉系统发送信号，在此过程中，相互连接的一组神经元内的电脉冲会产生特定于该物体的嗅觉。

同样，我们的视觉、听觉、情绪等都具有独立的神经网络，这些网络以特定的方式进行计算。但是一直以来哺乳动物如何学习和识别气味的精确机制仍然困扰着科学家。

受哺乳动物嗅觉系统的启发，美国英特尔神经形态计算实验室的 Nabil Imam 和美国康奈尔大学心理系计算生理实验室的 Thomas Cleland 在最新一期《自然-机器智能》发表了一篇论文，该论文报告了一种设计用来模拟生物嗅觉的神经算法，这项成果或有助于未来在应用程序中，训练人工鼻子在存在未知背景气味的情景下，识别特定气味。

论文图片（来源：Nature官网）

论文描述了一种基于哺乳动物嗅觉系统的神经算法，可以学习并鉴别气味样本。之后，研究人员在一个神经形态系统中实现该神经算法，并利用甲苯、氨、丙酮、一氧化碳和甲烷等，对其进行气味训练，即使在强烈背景干扰物的情况下也能识别它们。

该算法不仅揭示了大脑是如何工作的，并且将其应用到计算机芯片上，可以比现有的机器学习模型更快、更可靠地学习气味的模式。研究结果也揭示了有助于理解哺乳动物嗅觉以及改进人工化学感知系统的计算特征。这些发现同时也意味着，改造此类生物神经系统或代表了一种可以开发出超越当前人工智能的新算法的强大方法。

“这是十多年来的研究结果，通过啮齿动物研究试图弄清楚其工作原理，让我们知道动物可以做但机器不能做的事情。我们现在已经足够了解这项工作了，已经在这种电路的基础上建立了计算模型，这主要是以我们所知道的生物系统的连接性和动力学为指导。”Thomas Cleland 说道。

芯片检测复杂混合物中不同气味

Cleland 和合作者 Nabil Imam 博士将该算法应用到英特尔的电脑芯片上。这种被称为 Loihi 的研究芯片是一种神经形态芯片，它的设计灵感受大脑的功能方式所启发，集成了模拟神经元交流和学习方式的数字电路。与现有的计算机芯片相比，这种体系结构在算法设计上需要采用完全不同的策略。

就像哺乳动物大脑中的嗅觉系统一样，人工智能的一些神经元被设计成通过发出不同时间的脉冲来对化学传感器的输入做出反应。其他神经元学习识别那些构成气味电信号的光点的模式。

这一受大脑启发的设置比传统的人工神经网络更能激发神经形态的 AI 来学习新的气味。传统的人工神经网络一开始是一个由相同的、空白的石板神经元组成的统一网络。如果将神经形态的神经网络比作一个运动队，它的队员能够分配位置，并且知道比赛的规则，那么普通的神经网络，就像是一群乱跑的新手。

英特尔实验室的Nabil Imam和他的神经形态芯片

就像一个运动队可能只需要看一场比赛，就可以理解策略并在新的情况下实施，神经形态的人工智能可以嗅出一种新气味的一个样本，在未来即使是在其他未知的气味中也能识别气味。

使用神经形态计算机芯片，机器学习识别模式或执行某些任务的速度比使用计算机的中央或图形处理单元快一千倍。英特尔表示，在 Loihi 研究芯片上运行某些算法所消耗的能量，也比传统方法少了大约一千倍。

该芯片是 Cleland 算法的最佳平台，它可以接受来自一组传感器的输入模式，快速、有序地学习多个模式，然后在强烈的感官干扰下识别每个有意义的模式。即使气味模式与计算机最初学习的模式有 80% 的不同，该算法也能成功识别气味。

哺乳动物的大脑非常善于识别和记忆气味，拥有数百甚至数千个嗅觉感受器和复杂的神经网络，可以快速分析与气味相关的模式。

即使我们已经获得了新的知识，我们的大脑也会保留我们所学的知识，这对哺乳动物来说很容易，但对人工智能系统来说却很难。特别是在深度学习方法中，必须将所有内容同时呈现给网络，而新的信息往往会扭曲或破坏系统之前学到的东西。

学习新气味，且不会忘记其他气味

但是，受大脑启发的这个算法解决了这个问题。神经形态 AI 可以在原始训练后继续学习新的气味，这类似于新细胞在大脑中不断形成的方式，他们会努力学习新的气味而不会忘记其他气味。

为了证明这一点，Cleland 和 Imam 训练了他们的神经形态人工智能和一个标准人工智能来专门识别甲苯（油漆和指甲油中常被闻到的刺鼻味道）；然后，研究人员试图再教会神经网络识别丙酮，一种指甲油去除剂的成分。

神经形态的人工智能只是简单地将丙酮添加到它的气味识别系统中即可完成识别人物，但是标准的人工智能无法在不忘记甲苯气味的情况下学习丙酮。

Cleland 说，“当你学习一种气味时，中间神经元会被训练对特定的气味做出反应，会在中间神经元的水平上实现隔离。所以在机器方面，我们只是增强了这种气味，并画了一条牢固的线。”

这也解释了一个以前被误解的现象：为什么大脑的嗅球是成年后的哺乳动物可以产生新神经元的少数几个地方之一。

Cleland 说，“这个计算模型变成了生物学假说，解释了为什么成人神经发生是重要的。从某种意义上说，这个模型正在反馈给生物学。而从另一个角度来说，它是一套人工嗅觉系统设备的基础，可以用于商业用途。”

大脑的复杂性促使 Cleland 将他的神经科学研究重点放在由显式计算模型指导的理论方法上。Cleland 说，“当你开始研究一个生物过程，它变得比你凭直觉所能知道的更复杂时，你必须用电脑模型来训练你的大脑，你无法通过它摸索自己的方式。这让我们想到了很多新的实验方法和想法，这些都是我们无法想象的。”

配有神经形态芯片的机器人

Imam 说，“多年来化学感应界一直在寻找智能、可靠和快速反应的化学感觉处理系统，也被称为电子鼻系统。”

他认为配备神经形态芯片的机器人具有用于环境检测和有害物质检测，或者用于工厂的质量控制工作的潜力，也可用于某些疾病发出特殊气味的医学诊断，拥有神经形态的机器人还可以更好地识别机场安检线上的有害物质。

未来，该项目的下一个计划是把这种方法推广到更广泛的问题上，从感官场景分析到抽象的问题，比如规划和决策。了解大脑的神经回路如何解决这些复杂的计算问题，将为设计高效、健壮的机器智能提供重要线索。

除此之外，Imam 还说道，“嗅觉传感存在挑战，当你走进一家杂货店时，你可能会闻到一种草莓的味道，但它的味道可能与蓝莓或香蕉的味道相似，这可能会导致大脑中产生非常相似的神经活动模式。有时候，人们甚至很难区分一种水果和不同的气味。”

他希望在未来几年内解决这些挑战，使其成为一种产品，能够解决现实世界的问题，而不仅仅是在实验室中演示的那些实验性问题。他认为，他的工作是“当代神经科学和人工智能交叉领域研究的一个典型例子”。