Fruchtfliegen-Gehirn inspiriert Algorithmus, der sich Dinge merkt – anders als dein durchschnittliches Tech-Gadget

Fruchtfliegen sind nicht gerade für ihre Gehirnleistung bekannt – du hast wahrscheinlich schon mehr als eine in einem Weinglas ertränkt, das zu lange auf dem Terrassentisch stand. Doch mit rund 140.000 Neuronen – einem Gehirn, das kleiner ist als ein Mohnsamen – kann Drosophila in Sekundenbruchteilen eine riesige Bandbreite an Gerüchen sortieren und sich dann lange an diesen Duft erinnern. Dabei schneiden sie deutlich besser ab als aktuelle "elektronische Nasen", die oft teuer sind, schmerzlich begrenzt in dem, was sie erkennen können, und die einen Geruch schnell vergessen, sobald sie einen neuen lernen.

Warum also nicht einfach die Fliege kopieren? Das fragen sich immer mehr Forscher – darunter Kevin Max und Yang Shen vom Okinawa Institute of Science and Technology, deren neuer Algorithmus Spi-Fly in einem kürzlich in der Zeitschrift Neuromorphic Computing and Engineering veröffentlichten Paper beschrieben wird.

Geruch ist ein seltsamer Sinn, mechanisch gesehen. Sehen und Hören lassen sich auf eine einzige physikalische Dimension reduzieren, die man in einem Diagramm darstellen kann – die Wellenlänge –, was sie relativ übersichtlich macht. Geruchsmoleküle hingegen lassen sich nicht auf eine einzige physikalische Dimension reduzieren. Die Biologie musste eine chaotischere Lösung finden: Hunderte verschiedener Rezeptorproteine, die jeweils darauf ausgelegt sind, bestimmte molekulare Merkmale zu greifen, feuern in Kombinationen, die das Gehirn dann entschlüsseln muss. Es ist ein System, das so kombinatorisch komplex ist, dass es bis 1991 dauerte, bis Linda Buck und Richard Axel überhaupt die Rezeptorgenfamilie dahinter identifizierten – eine Arbeit, die ihnen 2004 den Nobelpreis einbrachte.

Trotz der Schwierigkeiten beim Verständnis des Geruchssinns gibt es "elektronische Nasen" auf dem Markt. Firmen wie Alpha MOS, Aryballe und Odotech verkaufen sie für Lebensmittelqualitätskontrolle, Umweltüberwachung und Sicherheitskontrollen. Was diese Nasen schlecht können, ist Verallgemeinerung. Ein Gerät, das darauf trainiert ist, ranziges Olivenöl zu erkennen, ist nicht dasselbe wie ein Gerät, das einen bestimmten Sprengstoff am Flughafen markiert. Für eine neue Aufgabe umzurüsten bedeutet normalerweise, die Software fast von Grund auf neu zu trainieren.

Hinter dieser Einschränkung stecken zwei technische Engpässe. Erstens benötigen diese Systeme typischerweise einen Berg von handbeschrifteten Beispielen, bevor sie zuverlässig einen Geruch von einem anderen unterscheiden können. Zweitens neigt das Lehren eines neuen Geruchs dazu, das bereits Gelernte zu durcheinanderzubringen – ein Problem, das Forscher "katastrophales Vergessen" nennen, das elektronische Äquivalent zum Vergessen, wie man Fahrrad fährt, direkt nachdem man Schwimmen gelernt hat.

Fruchtfliegen – und viele andere Insekten – haben dieses Problem nicht, trotz ihrer winzigen Gehirne. Wie unterscheiden sie Gerüche und erinnern sich mit so wenig Gehirnleistung? Das Geheimnis, so die Autoren des Papers, ist etwas namens Sparse Coding. Stell es dir so vor, dass das Fliegengehirn jedem Geruch einen Barcode zuweist. Sein olfaktorisches System stützt sich auf etwa 2.000 spezialisierte Zellen, sogenannte Kenyon-Zellen, die spärliche, zufällig verdrahtete Signale empfangen, die von den Geruchsrezeptoren der Fliege weitergeleitet werden. Diese Kenyon-Zellen berichten alle an einen einzigen Relaispunkt: das anteriore paarige laterale Neuron, oder APL (eigentlich ein symmetrisches Paar, eines pro Gehirnhälfte). Die APLs reagieren, indem sie starke, globale Hemmung gleichzeitig an jede Kenyon-Zelle senden und fast alle zum Schweigen bringen. Die Zellen, die nach dieser Aktion aktiv bleiben, sind das, was Max und Shen den Barcode für diesen bestimmten Geruch nennen.

Spi-Fly übernimmt erst, nachdem ein Sensor seine Arbeit getan hat – alles hier passiert in der Simulation, mit vorab aufgezeichneten Sensordaten, und der Algorithmus selbst hat nichts mit dem Erfassen des Geruchs zu tun. In Max und Shens Arbeit werden Sensorwerte zu einem Strom von Spikes, die spärlich und zufällig auf eine versteckte Schicht projiziert werden, die für die Kenyon-Zellen steht, wobei Neuronen sich gegenseitig hemmen, anstatt sich auf einen einzelnen APL-ähnlichen Schiedsrichter zu verlassen. Von dort verbindet sich die versteckte Schicht mit einer Ausgabeschicht, ein Neuron pro beschriftetem Geruch, das darauf wartet, zu lernen, welcher Barcode zu welchem Geruch gehört.

Was tatsächlich gelernt wird, ist die Verbindung zwischen einem Barcode und einem Geruch. Das System verwendet einen einfachen Lernregel, die die Stärke der Verbindungen zwischen der versteckten Schicht und der Ausgabeschicht anpasst. Wenn ein neuer Geruch präsentiert wird, erzeugt er einen neuen Barcode, der sich von früheren unterscheidet, dank der spärlichen und zufälligen Projektion. Da die Barcodes für verschiedene Gerüche weitgehend überlappungsfrei sind, kann das System neue Gerüche lernen, ohne die alten zu überschreiben. In Tests mit Datensätzen von chemischen Sensoren übertraf Spi-Fly bestehende Methoden bei der Erkennung von Gasen und Gerüchen, insbesondere wenn nur wenige Trainingsbeispiele verfügbar waren.

Die Autoren betonen, dass Spi-Fly kein vollständiges Modell des Fliegenhirns ist, sondern eine vereinfachte Nachahmung, die die Prinzipien der spärlichen Kodierung und der globalen Hemmung nutzt. Sie hoffen, dass solche Algorithmen zu robusteren und anpassungsfähigeren elektronischen Nasen führen, die in der realen Welt eingesetzt werden können, wo Gerüche variieren und sich überschneiden. Vorerst bleibt es eine ironische Wendung: Ein Insekt, das wir oft als lästig abtun, könnte uns lehren, wie man Technologie baut, die sich tatsächlich erinnert – etwas, das unsere Smartphones trotz all ihrer Megapixel und Terabytes immer noch nicht zuverlässig können.