Spi-Fly classe les odeurs avec peu d’échantillons

Un cerveau plus petit qu’une graine de pavot contient le plan d’un algorithme capable d’apprendre les odeurs à partir de très peu de données. À l’Institut des sciences et technologies d’Okinawa, des chercheurs ont développé Spi-Fly, un système inspiré de la mouche des fruits qui a obtenu les meilleurs résultats parmi les méthodes testées pour classer des odeurs avec peu d’exemples — en reconnaissant des parfums après n’en avoir vu que quelques échantillons.

Le modèle reprend la manière dont la mouche sépare les signaux. Les signaux olfactifs entrants passent par des connexions aléatoires et clairsemées vers une couche intermédiaire cachée de 1 000 neurones. Seuls quelques neurones s’activent pour chaque odeur, produisant un motif distinctif qui fonctionne comme un code-barres. Des neurones de sortie associent ensuite ce motif à une étiquette d’odeur. Lorsqu’un nouveau parfum apparaît, la règle d’apprentissage peut l’ajouter sans effacer les associations précédentes.

L’équipe a testé Spi-Fly sur deux bases de données d’odeurs et l’a comparé à un éventail d’autres algorithmes de classification. Les chercheurs font également état de bonnes performances en apprentissage continu : le système a appris de nouvelles odeurs tout en conservant ses classifications précédentes. Cela répond au problème de l’oubli catastrophique, qui survient lorsque les méthodes d’entraînement classiques perdent leurs connaissances plus anciennes en apprenant de nouvelles informations.

Concrètement, cette approche pourrait rendre les systèmes de classification des odeurs plus utiles lorsque les données et l’énergie sont limitées, notamment pour détecter des explosifs, évaluer des allergènes, contrôler la sécurité alimentaire et identifier des drogues. L’algorithme a été conçu pour être compatible avec du matériel neuromorphique — des puces reposant sur un traitement inspiré du cerveau — et des chercheurs de TU Eindhoven et de l’université de Kiel développent du matériel de détection des odeurs qu’ils prévoient d’intégrer à Spi-Fly.

Le résultat reste toutefois un algorithme au stade du laboratoire, et non un nez artificiel déployé. Les performances globales de Spi-Fly pourraient être améliorées par rapport aux meilleures méthodes traditionnelles de machine learning, et l’équipe n’a pas encore établi dans quelle mesure il gère les signaux mélangés provenant d’odeurs de fond. Les chercheurs estiment que la même architecture pourrait en théorie s’étendre au-delà des odeurs, mais cette utilisation plus large n’a pas encore été testée.