Les deux versions sont alignées bloc par bloc, dans l’ordre du texte : titre, l’essentiel, puis paragraphe par paragraphe. Quand la traduction a fusionné ou scindé un paragraphe, la case correspondante reste vide — on ne rapproche jamais deux passages au jugé.
A brain smaller than a poppy seed contains the blueprint for an algorithm that learns smells from very little data. At the Okinawa Institute of Science and Technology, researchers developed Spi-Fly, a fruit fly-inspired system that performed best among the tested methods for few-shot odor classification—recognizing scents after seeing only a few samples.
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.
The model borrows the fly’s way of separating signals. Input odor signals are sent through sparse, random connections to a hidden middle layer of 1,000 neurons. Only a few activate for each scent, producing a distinctive pattern that works like a barcode. Output neurons then associate that pattern with an odor label. When a new scent arrives, the learning rule can add it without wiping out earlier associations.
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.
The team tested Spi-Fly on two scent databases and compared it with a range of other classification algorithms. The researchers also report good continual-learning performance: the system learned new odors while retaining its previous classifications. That addresses catastrophic forgetting, a problem in which standard training methods lose older knowledge as they learn new material.
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.
In practical terms, the approach could make scent-classification systems more useful where data and energy are limited, including explosive detection, allergen assessment, food safety and drug identification. The algorithm was designed for compatibility with neuromorphic hardware—chips built around brain-inspired processing—and researchers at TU Eindhoven and Kiel University are developing odor-sensing hardware that they plan to integrate with Spi-Fly.
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.
The result is still a laboratory-stage algorithm, not a deployed artificial nose. Spi-Fly’s overall performance could be improved compared with the best traditional machine-learning methods, and the team has not yet established how well it handles mixed signals from background smells. The researchers say the same architecture could theoretically extend beyond odors, but that broader use remains untested.
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.