研究人员在《自然机器智能》在线报告称，与其他人工智能不同，该系统可以继续学习新的香味，而不会忘记其他香味。这个程序成功的关键是它的神经形态结构，它比其他AI设计更像哺乳动物大脑中的神经回路。
该算法善于检测背景噪声中的微弱信号，并在工作中不断学习。总有一天，它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，由许多模拟神经细胞处理气味信息的计算元素组成(SN: 5/2/19)。人工智能通过吸收风洞中化学传感器的电压读数来“嗅探”，这些传感器暴露在不同气味的烟雾中，如甲烷或氨。当人工智能发出新的气味时，它会触发其神经细胞或神经元之间的电活动级联，系统将记住电活动并在未来识别它。
像哺乳动物大脑中的嗅觉系统一样，一些人工智能神经元被设计成通过在不同时间发出脉冲来响应化学传感器的输入。其他神经元学习识别组成气味电信号的斑点模式。
这种大脑灵感的设置比传统的人工神经网络更能刺激神经AI学习新的气味，而传统的人工神经网络是从空白石板神经元的同一统一网络开始的。如果说神经形态神经网络就像一个运动队，它的队员被分配了位置，知道游戏规则，那么普通的神经网络最初就像一群随机的新手。
因此，神经形态系统是一个更快、更灵活的研究。就像一个运动队可能只需要看一场比赛就能了解它的策略，并在新的环境下执行比赛一样，神经形态学AI可以嗅出一种新气味的样本来识别这种气味，即使是在未来的其他未知气味中。
相比之下，一群初学者可能需要看几遍比赛才能重新安排安排——但仍然很难适应未来的比赛场景。同样，标准的AI必须对单个气味样本进行多次研究，当它与其他气味混合时，可能仍然无法识别气味。
在10种气味的气味测试中，康奈尔大学的Thomas Cleland和旧金山英特尔的Nabil Imam将他们的神经形态学AI与传统的神经网络进行了比较。为了训练，神经形态系统会闻到每种气味的单一样本。传统的人工智能已经接受了数百次训练实验来学习每种气味。测试时，每个AI都会对样本进行嗅探，这些样本中学习到的气味只占总气味的20%到80%，类似于现实世界中目标气味通常与其他气味混合的情况。神经AI可以在92%的情况下识别出正确的气味。标准人工智能达到52%的准确率。
耶鲁大学的神经形态工程师Priyadarshini Panda对糊状样本中神经形态AI的敏锐嗅觉印象深刻。她说，新AI一劳永逸的学习策略也比传统AI系统“往往要消耗大量的电量”(SN: 9/26/18)更节能。
神经形态学设置的另一个优势是，如果网络中加入新的神经元，AI在原有的训练后可以继续学习新的气味，这类似于大脑中不断形成新细胞的方式。
随着新的神经元被添加到人工智能中，它们可以适应新的气味，而不会破坏其他神经元。对于传统AI来说，则是另一回事。在这个过程中，参与识别某种气味或一组气味的神经连接在网络中分布更广。向混合物中添加新的气味可能会干扰现有的联系，因此典型的人工智能会努力学习新的气味，而不会忘记其他气味——除非原始和新的气味样本从头开始重新训练。
标签：