新的AI学会了比其他算法更有效更可靠地识别气味

研究人员于在《自然机器智能》上在线报道说，与其他AI不同，该系统可以继续学习新的香气而不会忘记其他香气。该程序成功的关键是其神经形态结构，它比其他AI设计更像哺乳动物大脑中的神经回路。

这种算法擅长检测背景噪声中的微弱信号，并在工作中不断学习，有朝一日可以用于空气质量监测，有毒废物检测或医疗诊断。

新的AI是一个人工神经网络，由许多模仿神经细胞以处理气味信息的计算元素组成(SN：5/2/19)。AI通过吸取风洞中化学传感器的电压读数来“嗅探”，这些传感器暴露于不同气味的烟气中，例如甲烷或氨。当AI发出新的气味时，它会触发其神经细胞或神经元之间的电活动级联，系统会记住该电活动，并在将来可以识别。

像哺乳动物大脑中的嗅觉系统一样，某些AI的神经元被设计为通过发出不同时间的脉冲来对化学传感器输入做出反应。其他神经元学会识别构成臭味电信号的斑点中的模式。

这种大脑灵感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，而传统的人工神经网络始于相同的空白板岩神经元的统一网络。如果神经形态神经网络就像一个运动队，其运动员已经分配了位置并且知道比赛规则，那么普通的神经网络最初就像一群随机的新手。

结果，神经形态系统是一项更快，更灵活的研究。正如运动队可能只需要观看一场比赛来了解其策略并在新情况下实施该游戏一样，神经形态AI可以嗅探一种新气味的样本以在将来甚至在其他未知气味中识别气味。

相比之下，一堆初学者可能需要多次观看比赛才能重新编排编排-但仍难以使其适应未来的游戏场景。同样，标准AI必须多次研究单个气味样本，并且当气味与其他气味混合时仍可能无法识别它。

康奈尔大学的Thomas Cleland和旧金山的Intel的Nabil Imam在10种气味的气味测试中将他们的神经形态AI与传统的神经网络进行了对比。为了训练，神经形态系统嗅到每种气味的单个样本。传统的AI接受了数百次训练试验，以学习每种气味。在测试过程中，每个AI都会嗅探样本，这些样本中所学到的气味仅占整体气味的20%至80%，这与现实世界中的目标气味通常与其他香气混杂在一起的情况相似。神经形态的AI可以在92%的时间内识别出正确的气味。标准AI达到52%的准确性。

耶鲁大学的神经形态工程师Priyadarshini Panda对糊状样品中的神经形态AI敏锐的嗅觉印象深刻。她说，新的AI的一劳永逸的学习策略也比传统的AI系统更加节能，传统的AI系统“往往非常耗电”(SN：9/26/18)。

神经形态设置的另一个好处是，如果将新的神经元添加到网络中，则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。

随着新的神经元被添加到AI中，它们可以适应新的气味而不会破坏其他神经元。对于传统的AI则是另一回事，在该过程中，识别某种气味或一组气味所涉及的神经连接在网络中分布更广泛。在混合物中添加新的气味可能会干扰现有的联系，因此典型的AI会努力学习新的气味而又不会忘记其他气味-除非使用原始和新的气味样本从零开始对其进行重新培训。