Carlos Domínguez
Un equipo internacional de investigadores del Instituto de Ciencia y Tecnología de Okinawa ha desarrollado Spi-Fly, un algoritmo de clasificación computacional modelado a partir del sistema olfativo de la mosca de la fruta que logra identificar olores con alta precisión utilizando conjuntos de datos reducidos y un consumo energético drásticamente inferior al de las redes neuronales convencionales.
Arquitectura inspirada en la neurociencia biológica
El sistema traslada la eficiencia energética característica del cerebro animal al ámbito de la computación mediante la emulación exacta de las aproximadamente 140 000 neuronas que componen el sistema nervioso de la mosca de la fruta. Mediante el uso de una arquitectura de red de tres capas, el algoritmo proyecta las señales de entrada de forma aleatoria y dispersa sobre una capa intermedia oculta compuesta por 1 000 neuronas. En esta fase, solo un porcentaje mínimo de unidades se activa para cada estímulo olfativo específico.
Es uno de los cerebros mejor cartografiados; es lo bastante sencillo como para que podamos estudiarlo en su conjunto, pero aun así consigue realizar un procesamiento complejo. 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. (Yang Shen, Unidad de Ciencia de Datos de Dinámica Biológica No Lineal del OIST)
Este mecanismo de codificación dispersa actúa de forma idéntica a un código de barras digital. Las señales receptoras procesadas y ampliadas en el modelo biológico original encuentran en Spi-Fly una réplica simplificada donde un sistema de inhibición reduce las neuronas activas. Esto dota a la tecnología de una capacidad superior para aislar patrones únicos y distinguirlos con claridad matemática.
Especificaciones técnicas y claves de rendimiento
Durante las pruebas experimentales contrastadas con dos bases de datos normalizadas de olores, el sistema demostró superar las limitaciones actuales de los modelos de aprendizaje automático tradicionales en escenarios de restricción de datos y memoria.
- Aprendizaje con pocos ejemplos (few-shot learning): El algoritmo demostró una alta competencia para clasificar olores de manera correcta tras procesar únicamente un número muy reducido de muestras de entrenamiento iniciales.
- Mitigación del olvido catastrófico: Spi-Fly resolvió con éxito el aprendizaje continuo, permitiendo la incorporación y clasificación de nuevos olores sin alterar o borrar los patrones previamente almacenados en el sistema.
- Eficiencia computacional: Su estructura de tres capas requiere una menor cantidad de recursos de memoria y potencia de cálculo, optimizando el rendimiento en entornos donde la energía disponible es limitada.
Retos de integración en hardware y aplicaciones futuras
El principal desafío tecnológico actual radica en la integración del software con sensores físicos capaces de captar compuestos volátiles en entornos reales. Para superar esta barrera de desarrollo, los autores del estudio colaboran de forma directa con la Universidad Técnica de Eindhoven y la Universidad de Kiel.
Spi-Fly fue el método que obtuvo mejores resultados en aprendizaje con pocos ejemplos: podía clasificar fácilmente los olores después de haber visto solo unas pocas muestras. También funcionó bien en el aprendizaje continuo, ya que aprendía correctamente a clasificar nuevos olores sin olvidar los que había aprendido anteriormente, un problema enorme de los métodos de entrenamiento convencionales conocido como olvido catastrófico. (Kevin Max, Unidad de Computación Neuronal del OIST)
La culminación de esta investigación persigue el diseño definitivo de una nariz artificial basada en hardware especializado que incorpore nativamente el algoritmo Spi-Fly, abriendo la puerta a aplicaciones prácticas industriales y científicas avanzadas que demanden portabilidad, autonomía energética y respuestas en tiempo real.
¿Cuál es tu valoración sobre este acontecimiento?
Habrá que ver si en la práctica esto funciona de verdad o es solo teoría.
La reducción del consumo energético es el punto clave para implementar sensores olfativos en dispositivos móviles o entornos domésticos. Este enfoque basado en la neurociencia permite procesar datos complejos sin la carga computacional de las redes neuronales tradicionales, lo cual supone un avance significativo para la inteligencia artificial aplicada al hardware ligero.