In un articolo pubblicato su Nature Machine Intelligence Intel ha presentato, insieme all'università di Cornell, un algoritmo neurale per l'apprendimento in tempo reale e l'identificazione di gas nocivi ispirato ai sistemi olfattivi degli animali, anche in presenza di disturbi e interferenze. Questo è possibile grazie al sistema neuromorfico basato sui chip di ricerca Loihi, il quale si ispira al cervello umano e applica i principi riscontrati nei cervelli biologici alle architetture informatiche. Vi rimandiamo al nostro precedente articolo per approfondirne il funzionamento di questi circuiti integrati che simulano computazioni neurali molto più rapidamente dei sistemi tradizionali, consumando nel contempo molta meno energia.
Il sistema proposto è stato in grado di riconoscere i 10 odori utilizzati per i test: acetone, acetaldeide, ammoniaca, ammoniaca, butanolo, etilene, metano, metanolo, monossido di carbonio, benzene e toluene. Questo è stato possibile grazie all'addestramento su un dataset composto dalle risposte di 72 sensori chimici ai gas fatti scorrere lungo una galleria del vento. L'algoritmo si è dimostrato in grado non solo di riconoscere gli odori corretti anche in presenza di forti disturbi ambientali, ma anche di imparare facilmente nuovi odori senza ridurne la capacità di riconoscere i vecchi. Quando addestrato con un solo campione, il sistema neuromorfico ha ottenuto performance estremamente migliori rispetto a tutti gli altri metodi tradizionali (una precisione del 92% contro il 52%), che hanno avuto bisogno di un addestramento su 3000 campioni per ottenere le stesse prestazioni e di 6000 per superarle.
I rilevatori di sostanze nocive usati attualmente non sono in grado di distinguerle e si limitano a segnalare quando ne identificano una, ma la capacità di discernerle consentirebbe la creazione di molteplici rilevatori smart da usare in casa, nelle fabbriche, negli ospedali e altri edifici pubblici. Il basso consumo energetico, l'alta velocità di apprendimento, la robustezza ai disturbi e la capacità di riconoscere facilmente nuovi odori rendono i chip neuromorfici i candidati ideali per essere usati nei sistemi embedded.
Tuttavia questi sistemi olfattivi non sono ancora abbastanza sensibili da distinguere odori troppo simili: tipi di frutta diversi, per esempio, inducono nel cervello una risposta similare, che talvolta neppure gli esseri umani riescono a riconoscere correttamente.
Se siete interessati al machine learning, Appunti sparsi di Machine Learning è una semplice introduzione poco tecnica a questo mondo!