Når du ser på en video på YouTube eller kjøper et produkt på Amazon og umiddelbart blir tilbudt en lignende video å se eller et produkt å kjøpe, ser du det som er kjent som et "likhetssøk" i aksjon. Dette er algoritmer designet for å søke i store datasett og matche elementer som ligner på noen måte. Hjernen vår utfører likhetssøk hele tiden - denne personen ser ut som min venn, denne sangen høres ut som en jeg kjenner.
Fruktfluer gjør det samme. Hjernen deres utfører likhetssøk for å finne ut hva de skal smake og hva de bør unngå. En flue kan aldri ha luktet en råtnende mango før, men hjernen synes den er lik nok den velkjente behandlingen av råtnende banan til å signalisere "spise."
Forskere tror å forstå fluenes likhetssøk kan bidra til å forbedre datamaskinalgoritmer.
"Det gikk opp for oss at begge disse systemene, biologiske og konstruerte, løste et veldig likt problem, " sier Saket Navlakha, professor ved Salk Institute i California.
Mange datamaskinlikhetssøk fungerer ved å gi elementer digitale korthandelapper kjent som "hashes". Disse hasjene gjør det mer sannsynlig at lignende elementer blir gruppert sammen. Programmet kan deretter søke etter hasj, snarere enn elementer, som er raskere.
Fruktfluer, lært Navlakha og teamet hans, gjør ting annerledes. Når en flue føler en lukt, skyter 50 nevroner i en kombinasjon som er forskjellig for hver lukt. Et dataprogram vil redusere antall hasj forbundet med lukten. Men fluer utvider faktisk søket. De 50 første avfyrende nevronene blir 2000 avfyrende nevroner, noe som gir hver lukt en mer unik kombinasjon. Fluens hjerne lagrer bare 5 prosent av disse 2000 nevronene med mest aktivitet for hasj av den lukten. Dette betyr at fluehjernen er i stand til å gruppere lignende og ulik lukt mer tydelig, noe som hindrer dem i å bli forvirret mellom "spis" og "ikke spiser" elementer.
Teamet studerte ikke fluehjerne selv, men leste snarere gjennom den eksisterende litteraturen om fluefylling og hjernekretsløp. De anvendte deretter fluens likhetssøk på tre datasett som ble brukt til å teste søkealgoritmer.
"Flueløsningen er, om ikke bedre, enn minst like god som informatikkløsningen, " sier Navlakha.
Forskningen ble publisert denne måneden i tidsskriftet Science .
"Dette arbeidet er interessant, " sier Jeff Clune, professor i informatikk ved University of Wyoming som studerer nevrale nettverk. "Hver gang vi lærer om hvordan naturen løste et problem, spesielt hvis løsningen ikke er den vi allerede kjente eller favoriserer, utvider den verktøyet vårt når det gjelder å prøve å gjenskape naturlig intelligens i maskiner."
Navlakha og teamet hans planlegger å prøve fluesøket på større datasett og se hvordan det kan forbedres. Han ser to veier for utvikling. Det første vil være å gjøre søket mer effektivt, noe som betyr at det vil trenge mindre datakraft, noe som kan føre til mindre batteritid på en mobiltelefon. Det andre ville være å gjøre det mer nøyaktig. Lenger nede på linjen kan det potensielt brukes til å forbedre den typen algoritmer de fleste av oss bruker hver dag på våre datamaskiner og smarttelefoner.
"Dette er vår drøm, " sier Navlakha. "At vi ved å studere dette fantastiske systemet som ingen datamaskiner kan gjenskape i dag, på en eller annen måte kan lære å gjøre bedre maskinlæring og kunstig intelligens."
