En el reino animal, la eficiencia energética es clave para la supervivencia. El cerebro ha evolucionado para almacenar y procesar información con el menor gasto posible de recursos. Desde los años 80, los científicos de la computación intentan reproducir esa eficiencia mediante sistemas que imitan la estructura y el funcionamiento cerebral, con el objetivo de manejar datos complejos de forma rápida y con bajo consumo.
Sin embargo, lograr soluciones prácticas que requieran poca memoria y funcionen en escenarios reales —donde la energía es limitada y los datos de entrenamiento llegan de manera progresiva— sigue siendo un desafío. Un nuevo algoritmo desarrollado por investigadores del Instituto de Ciencia y Tecnología de Okinawa (OIST) y publicado en la revista Neuromorphic Computing & Engineering avanza en esa dirección.
El sistema, llamado Spi-Fly e inspirado en el olfato de la mosca de la fruta (Drosophila melanogaster), fue entrenado y probado con diferentes conjuntos de datos experimentales. Logró identificar olores con alta precisión, especialmente cuando disponía de un número reducido de muestras para el aprendizaje.
Para crear el algoritmo, los investigadores se inspiraron en una fuente diminuta pero extraordinaria: el cerebro de la mosca de la fruta, que contiene alrededor de 140.000 neuronas y es uno de los más cartografiados de la neurociencia moderna.
“Es uno de los cerebros mejor mapeados; es lo bastante sencillo como para estudiarlo en su conjunto, pero aun así realiza un procesamiento complejo”, destaca el coautor Yang Shen, de la Unidad de Ciencia de Datos de Dinámica Biológica No Lineal del OIST. “Tiene un sistema olfativo especialmente interesante que emplea una codificación dispersa, un método computacional que ayuda a reducir el solapamiento entre diferentes señales sin necesidad de entrenamiento, lo que permite representar los olores de manera eficiente y con un menor coste energético”.
En las moscas, las neuronas receptoras detectan los olores y envían las señales a otras células que las procesan y amplían mediante numerosas conexiones. Después, un mecanismo de inhibición (principalmente a través de la neurona APL) reduce drásticamente el número de neuronas activas, de modo que cada aroma queda representado por un patrón específico, similar a un código de barras. Este sistema permite distinguir olores y aprender rápidamente otros nuevos sin perder los conocimientos anteriores.
Spi-Fly adapta y modela este sistema olfativo como una red de tres capas. Las señales de entrada se proyectan de forma aleatoria y dispersa sobre una capa intermedia oculta de 1.000 neuronas, activando solo unas pocas para cada olor. Esas neuronas activas funcionan como un “código de barras” específico, que las neuronas de salida reconocen mediante una regla de aprendizaje asociativo.
El algoritmo reproduce el mecanismo de expansión y contracción dimensional del cerebro de la mosca, pero de forma simplificada, con menos capas y un menor número de neuronas. Todo el procesamiento ocurre en simulación a partir de datos de sensores pregrabados.
Para comprobar su eficacia, los investigadores lo probaron con dos bases de datos de olores (incluyendo registros de sensores de gas comunes) y lo compararon con otros algoritmos de clasificación. “Spi-Fly fue el método que obtuvo mejores resultados en aprendizaje con pocos ejemplos (few-shot learning): podía clasificar fácilmente los olores después de haber visto solo unas pocas muestras”, explica el coautor Kevin Max, de la Unidad de Computación Neuronal del OIST.
En pruebas concretas, Spi-Fly alcanzaba su máximo rendimiento tras solo tres exposiciones a cada olor, mientras que los métodos basados en backpropagation necesitaban alrededor de 70. Además, se desempeñó bien en el aprendizaje continuo: aprendía a clasificar nuevos olores sin olvidar los anteriores, un problema grave de los métodos convencionales conocido como “olvido catastrófico”.
Aunque el algoritmo está diseñado para clasificar olores, primero se necesita un sensor capaz de detectarlos. Max y sus colaboradores de la Universidad Técnica de Eindhoven y la Universidad de Kiel trabajan en hardware neuromórfico para la detección de olores, en el que planean integrar Spi-Fly. El objetivo final es crear una nariz artificial con aplicaciones prácticas amplias: monitoreo de la contaminación del aire, detección de explosivos, control de calidad de alimentos o diagnóstico médico, entre otras.
Spi-Fly está pensado para ser compatible con chips neuromórficos, que imitan el funcionamiento del cerebro mediante el procesamiento de “picos” (spikes) y consumen mucha menos energía que los sistemas convencionales. En un contexto en el que la inteligencia artificial demanda cada vez más potencia de cómputo, enfoques bioinspirados como este ofrecen una vía prometedora hacia dispositivos eficientes, capaces de aprender de forma continua y con pocos ejemplos en entornos reales.
