神经形态嗅觉电路中气味识别与泛化的局限性

神经形态计算是当今少数几种有潜力显著减少机器学习与人工智能功耗的方法之一。Imam 与 Cleland 提出了一种运行于神经形态架构上、受哺乳动物嗅球中描述的电路启发的气味学习算法。他们使用一组不同气味呈现的气体传感器记录，并通过脉冲噪声对其进行破坏，评估了该算法在气态 odorants 与无气味气体（简称“气体”）的“快速在线学习与识别”中的性能。我们复现了该研究的部分内容，并发现了影响某些结论的局限性。首先，所使用的数据集存在传感器漂移和非随机化测量协议的问题，使其用于气味识别基准的用途有限。其次，我们发现该模型在对同一气体的重复呈现进行泛化方面的能力受限。我们证明，该研究所指的任务可以通过简单的哈希表方法解决，其在准确率和运行时间上匹配或超越所报告的结果。因此，超越恢复已学习数据样本的模型验证仍有待展示，特别是其对气味识别任务的适用性。