Мозг мухи и поисковые системы будущего, что общего

 Каждый день, вы посещаете сайты, для поиска чего либо. Все службы поиска предоставляют огромный набор данных, чтобы найти вещи, которые похожи друг на друга: продукты, похожие на ваши прошлые покупки; песни, похожие на мелодии, которые вам понравились; лица, похожие на людей, которых вы видели на фотографиях. Все эти задачи известны как поиски сходства, а способность выполнять эти массивные совпадающие качественно и быстро - стала проблемой для компьютерных ученых.

 Ученые из Калифорнийского университета в Сан-Диего обнаружили, что мозг плодовой мухи имеет элегантный и эффективный метод выполнения поисков сходства. Мухам помогает это идентифицировать запахи, которые наиболее похожи на те, с которыми они встречались раньше, поэтому они знают, как вести себя в ответ на запах, например, чтобы приблизиться или избежать этого. Новые подробности вычислительного подхода «на лету» к поискам сходства, описанные в журнале Science от 9 ноября 2017 года, могли бы помочь компьютерным алгоритмам будущего.

 «Это проблема, с которой приходится сталкиваться практически во всех технологических компаниях с любой системой поиска информации, поэтому это то, что ученые изучали годами», - говорит Сакет Навлаха, доцент в Лаборатории интегративной биологии. «Теперь у нас есть новый подход к поиску сходства благодаря мухе».

 Способ, которым большинство компьютеризированных систем данных классифицирует элементы - от песен до изображений - для оптимизации поиска подобия - это сокращение объема информации, связанной с каждым элементом. Эти системы назначают короткие «хэши» для каждого элемента, так что подобным элементам, скорее всего, будет присвоен одинаковый или похожий хэш по сравнению с двумя очень разными элементами. (Хэши - это своего рода цифровая сокращенная версия, то есть немного более короткая версия URL). Назначение хэшей таким образом называется «чувствительным к местоположению хэшированием». При поиске похожих предметов программа просматривает хеши, а не оригинальные элементы, чтобы быстро найти сходство.

 Навхаха беседовал с коллегой Чарльзом Стивенсом, профессором в Лаборатории молекулярной нейробиологии им. Салка и соавтором новой работы, изучавшей обоняние мух, когда тот первый понял, что мухи и все животные постоянно сталкиваются с поисками сходства. Поэтому он начал читать литературу по схеме мозга мухи, чтобы выяснить, как мухи идентифицируют подобные запахи.

 «В естественном мире вы не будете сталкиваться с тем же запахом каждый раз, будут некоторые колебания», - объясняет Навлаха. «Но если вы чувствуете запах чего-то, что вы ранее ассоциировали с поведением, вы должны уметь идентифицировать это сходство и вспомнить это поведение». Поэтому, если плодовая муха знает, что запах гниющего банана означает прием пищи, мозг должен реагировать таким же образом когда сталкивается с очень похожим запахом.

Ученые показали, что, когда плодовые мухи ощущают запах, 50 нейронов запоминают в сочетании, уникальность этого запаха. Но вместо того, чтобы хэшировать эту информацию, уменьшив количество хэшей, связанных с запахом, делают наоборот: они расширяют измерение. 50 начальных нейронов приводят к 2000 нейронам, распространяя входной сигнал, так что каждый запах имеет еще более четкий отпечаток среди этих 2000 нейронов. Затем мозг хранит только 5 процентов этих 2000 нейронов с верхней активностью как «хэш» для этого запаха. По словам Навлахи, вся парадигма помогает мозгу лучше подобрать сходство, чем это могло бы сравниться с уменьшением размеров.

Команда ученых первыми стали анализировать, как этот процесс максимизирует скорость и эффективность поисков сходства. Когда они применили процесс к трем стандартным наборам данных, которые компьютерные ученые используют для тестирования алгоритмов поиска, они обнаружили, что подход «летать» повышает производительность. Такой подход, по их мнению, может когда-нибудь улучшить компьютерные программы.

 Сотрудники Навлахи говорят, что они является одними из первых, кто сделал такие конкретные параллели между нейронными цепями в мозге и алгоритмами обработки информации, используемыми в информатике.

 «За последние 20 лет меня интересовали случайные проекции, поскольку они применимы к алгоритмам, работающим на компьютерах», - говорит Санджой Дасгупта, профессор информатики и техники на UCSD Jacobs School of Engineering. «Мне никогда не приходило в голову, что подобные операции могут работать в природе».

 «Мечта, которую разделяют нейробиологи и компьютерщики, заключается в том, чтобы понять, как мозг вычисляет достаточно быстро, чтобы мы могли адаптировать свои методы для улучшения машинного вычисления», - добавляет Стивенс. «Наша статья дает доказательство принципа, что эта мечта может стать реальностью».