Wanneer u een video op YouTube bekijkt of een product op Amazon koopt en onmiddellijk een vergelijkbare video wordt aangeboden om te bekijken of een product om te kopen, ziet u wat bekend staat als een "gelijkenisonderzoek" in actie. Dit zijn algoritmen die zijn ontworpen om in grote hoeveelheden gegevens te zoeken en items te matchen die op een of andere manier vergelijkbaar zijn. Onze hersenen zoeken voortdurend naar overeenkomsten - deze persoon lijkt op mijn vriend, dit nummer klinkt als iemand die ik ken.
Fruitvliegjes doen hetzelfde. Hun hersenen zoeken naar overeenkomsten om erachter te komen wat ze moeten proeven en wat ze moeten vermijden. Een vlieg heeft misschien nooit eerder een rottende mango geroken, maar zijn brein vindt het vergelijkbaar genoeg met de bekende traktatie van rottende banaan om aan te geven dat hij 'eet'.
Onderzoekers denken dat het begrijpen van de gelijkenissen van de vliegen kan helpen bij het verbeteren van computeralgoritmen.
"Het kwam bij ons op dat beide systemen, biologisch en technisch, een zeer vergelijkbaar probleem aan het oplossen waren", zegt Saket Navlakha, professor aan het Salk Institute in Californië.
Veel computerzoekopdrachten werken door items digitale stenotags te geven die 'hashes' worden genoemd. Deze hashes maken het waarschijnlijker dat vergelijkbare items worden gegroepeerd. Het programma kan dan sneller zoeken op hashes dan op items.
Fruitvliegen, hebben Navlakha en zijn team geleerd, dingen anders doen. Wanneer een vlieg een geur waarneemt, vuren 50 neuronen in een combinatie die voor elke geur anders is. Een computerprogramma zou het aantal hashes verminderen dat verband houdt met de geur. Maar vliegen breiden hun zoektocht uit. De 50 aanvankelijke vurende neuronen worden 2000 vurende neuronen, waardoor elke geur een meer unieke combinatie krijgt. De hersenen van de vlieg slaan slechts 5 procent van deze 2000 neuronen op met de meeste activiteit voor de hasj van die geur. Dit betekent dat de vliegende hersenen in staat zijn om vergelijkbare en ongelijksoortige geuren duidelijker te groeperen, waardoor ze niet meer in de war raken tussen items "eten" en "niet eten".
Het team heeft vlieghersenen niet zelf bestudeerd, maar eerder de bestaande literatuur over vlieggeur en hersencircuits gelezen. Vervolgens pasten ze de fly similarity search toe op drie datasets die werden gebruikt voor het testen van zoekalgoritmen.
"De fly-oplossing doet, zo niet beter, dan minstens zo goed als de computer science-oplossing, " zegt Navlakha.
Het onderzoek werd deze maand gepubliceerd in het tijdschrift Science .
"Dit werk is interessant", zegt Jeff Clune, een professor in de informatica aan de Universiteit van Wyoming, die neurale netwerken bestudeert. "Telkens wanneer we leren hoe de natuur een probleem heeft opgelost, vooral als de oplossing er niet een is die we al kenden of waar we voorstander van zijn, breidt het onze toolkit uit in termen van het proberen opnieuw creëren van natuurlijke intelligentie in machines."
Navlakha en zijn team zijn van plan om de fly-search op grotere datasets te proberen en te zien hoe deze kan worden verbeterd. Hij ziet twee wegen voor ontwikkeling. De eerste zou zijn om het zoeken efficiënter te maken, wat betekent dat er minder rekenkracht nodig zou zijn, wat zich zou vertalen in bijvoorbeeld een kortere levensduur van de batterij op een mobiele telefoon. De tweede zou zijn om het nauwkeuriger te maken. Verderop in de rij kan het mogelijk worden gebruikt om het soort algoritmen te verbeteren dat de meesten van ons dagelijks op onze computers en smartphones gebruiken.
"Dit is onze droom", zegt Navlakha. “Dat we door dit verbazingwekkende systeem dat vandaag de dag geen computer kan repliceren, kunnen leren hoe we machine learning en kunstmatige intelligentie beter kunnen doen.”
