Теперь ученые Солка и Калифорнийского университета в Сан-Диего обнаружили, что мозг плодовой мушки обладает элегантным и эффективным методом поиска сходства. Для мух это помогает им определять запахи, наиболее похожие на те, с которыми они сталкивались раньше, чтобы они знали, как вести себя в ответ на запах, например, приближаться к нему или избегать его. Новые подробности вычислительного подхода к поиску дурного сходства, описанные в журнале Science 9 ноября 2017 года, могут сообщить компьютерным алгоритмам будущего.«Это проблема, которую приходится решать практически каждой технологической компании, имеющей любую систему поиска информации, поэтому компьютерные ученые изучали ее годами», — говорит Сакет Навлаха, доцент Лаборатории интегративной биологии Солка и ведущий автор книги. новая бумага. «Теперь у нас есть новый подход к поиску сходства благодаря мухе».
Большинство компьютеризированных систем обработки данных классифицируют элементы — от песен до изображений — для оптимизации поиска сходства за счет уменьшения количества информации, связанной с каждым элементом. Эти системы присваивают короткие «хэши» каждому элементу, так что схожим элементам с большей вероятностью будет назначен один и тот же или похожий хэш по сравнению с двумя очень разными элементами. (Хеши — это своего рода цифровое сокращение, то есть bitly — это более короткая версия URL-адреса.) Присвоение хешей таким способом для компьютерных ученых называется "хешированием с учетом местоположения". При поиске похожих элементов программа просматривает хэши, а не исходные элементы, чтобы быстро найти сходство.
Навлаха болтала с коллегой Чарльзом Стивенсом, профессором лаборатории молекулярной нейробиологии Солка и соавтором новой работы, изучавшей обоняние мух, когда первый понял, что мухи — и все животные — также постоянно сталкиваются с поисками сходства. . Поэтому он начал изучать литературу о схемах мозга, стоящих за обонянием мух, чтобы выяснить, как мухи распознают похожие запахи.«В естественном мире вы не будете каждый раз сталкиваться с одним и тем же запахом; будет некоторый шум и колебания», — объясняет Навлаха. «Но если вы чувствуете запах чего-то, что вы ранее ассоциировали с поведением, вам нужно уметь идентифицировать это сходство и вспомнить это поведение». Так что, если плодовая муха знает, что запах гниющего банана означает время еды, она должна реагировать таким же образом, когда сталкивается с очень похожим запахом, даже если раньше она никогда не испытывала этого точного запаха.Обзор литературы, проведенный Навлахой и его сотрудниками, показал, что, когда плодовые мушки впервые ощущают запах, 50 нейронов срабатывают в комбинации, уникальной для этого запаха.
Но вместо того, чтобы хэшировать эту информацию, уменьшая количество хешей, связанных с запахом, как это делают компьютерные программы, мухи делают обратное — они расширяют измерение. 50 начальных нейронов приводят к 2000 нейронов, распределяя входные данные, так что каждый запах имеет еще более отчетливый отпечаток пальца среди этих 2000 нейронов. Тогда мозг хранит только 5 процентов из этих 2000 нейронов с максимальной активностью в качестве «хеша» для этого запаха.
По словам Навлахи, вся парадигма помогает мозгу замечать сходства лучше, чем если бы он уменьшал размерность.«Допустим, у вас есть группа людей, сгруппированных своими отношениями, и они сгруппированы в переполненной комнате», — объясняет он. «Затем возьмите тех же людей и отношения, но разместите их на футбольном поле. Будет намного легче увидеть структуру отношений и провести границы между группами в расширенном пространстве по сравнению с переполненным пространством».
Хотя Навлаха и его сотрудники не раскрыли фактический механизм, с помощью которого мухи сохраняют информацию о запахе — который уже был доступен в литературе — они первыми проанализировали, как этот процесс максимизирует скорость и эффективность поиска сходства. Когда они применили этот процесс к трем стандартным наборам данных, которые компьютерные ученые используют для тестирования алгоритмов поиска, они обнаружили, что подход «мухи» повышает производительность.
Они думают, что когда-нибудь такой подход может помочь компьютерным программам.«Части этого подхода использовались в прошлом учеными-компьютерщиками, но эволюция свела его воедино уникальным образом», — говорит Навлаха.Сотрудники Навлахи говорят, что это исследование является одним из первых, в котором проводятся такие конкретные параллели между нейронными цепями мозга и алгоритмами обработки информации, используемыми в информатике.«Последние 20 лет меня интересовали случайные проекции [основной компонент хеширования с учетом местоположения для поиска по сходству] применительно к алгоритмам, работающим на компьютерах», — говорит Санджой Дасгупта, профессор информатики и инженерии в Инженерная школа им.
Джейкобса Калифорнийского университета в Лос-Анджелесе и первый автор новой статьи. «Мне никогда не приходило в голову, что подобные операции могут иметь место в природе».«Нейробиологи и компьютерные ученые разделяют мечту — понять, как мозг достаточно хорошо вычисляет, чтобы мы могли адаптировать его методы для улучшения машинных вычислений», — добавляет Стивенс. «Наша статья представляет собой принципиальное доказательство того, что эта мечта может стать реальностью».