Cérebro de mosca artificial pode dizer quem é quem

A) Uma entrada de mosca de fruta ideal. B) visão tradicional. C) visão atualizada.

Pesquisadores construíram uma rede neural que imita o sistema visual da mosca da fruta e pode distinguir e re-identificar as moscas. Isso fornece evidências de que a visão da mosca da fruta é mais clara do que se pensava anteriormente.
Apesar da simplicidade de seu sistema visual, as moscas-das-frutas são capazes de distinguir entre indivíduos com base apenas na visão. Esta é uma tarefa que até os humanos que passam a vida inteira estudando a Drosophila melanogaster lutam contra. Os pesquisadores agora construíram uma rede neural que imita o sistema visual da mosca da fruta e pode distinguir e reidentificar as moscas. Isso pode permitir que milhares de laboratórios em todo o mundo usem moscas de frutas como um organismo modelo para fazer um trabalho mais longitudinal, observando como as moscas individuais mudam com o tempo. Também fornece evidências de que a visão da mosca da fruta é mais clara do que se pensava anteriormente.

Em um projeto interdisciplinar patrocinado por um instituto canadense de pesquisa avançada (CIFAR), pesquisadores da Universidade de Guelph e da Universidade de Toronto, Mississauga, combinaram experiência em biologia de moscas-das-frutas com aprendizado de máquina para construir um algoritmo baseado na biologia que produz vídeos de baixa resolução de moscas-das-frutas, a fim de testar se é fisicamente possível para um sistema com tais restrições realizar uma tarefa tão difícil.

As moscas da fruta têm pequenos olhos compostos que absorvem uma quantidade limitada de informação visual, cerca de 29 unidades ao quadrado. A visão tradicional é a de que, uma vez que a imagem é processada por uma mosca-das-frutas, só é capaz de distinguir características muito amplas. Mas uma recente descoberta de que as moscas da fruta podem aumentar sua resolução efetiva com sutis truques biológicos levou os pesquisadores a acreditar que a visão poderia contribuir significativamente para a vida social das moscas. Isso, combinado com a descoberta de que a estrutura de seu sistema visual se parece muito com uma Deep Convolutional Network (DCN), levou a equipe a perguntar: "podemos modelar um cérebro de mosca que possa identificar indivíduos?"

Seu programa de computador tem o mesmo conhecimento teórico e capacidade de processamento de uma mosca da fruta e foi treinado em vídeo de uma mosca ao longo de dois dias. Depois disso, foi então capaz de identificar com segurança a mesma mosca no terceiro dia com uma pontuação F1 (uma medida que combina precisão e recuperação) de 0,75. Impressionantemente, isso é apenas um pouco pior do que as pontuações de 0,85 e 0,83 para algoritmos sem as limitações da biologia da mosca-cérebro. Para comparação, quando dada a tarefa mais fácil de combinar o "mugshot" de uma mosca a um campo de 20 outros, experientes biólogos de moscas humanas só conseguiram uma pontuação de 0,08. A chance aleatória seria de 0,05.

De acordo com Jon Schneider, o primeiro autor do artigo a ser publicado no PLOS ONE esta semana, este estudo aponta para "a possibilidade tentadora de que, em vez de apenas reconhecer categorias amplas, as moscas da fruta sejam capazes de distinguir os indivíduos.

Graham Taylor, especialista em aprendizado de máquina e CIFAR Azrieli Global Scholar no programa de Aprendizagem em Máquinas e Cérebros, estava animado com a perspectiva de derrotar seres humanos em uma tarefa visual. "Muitos aplicativos Deep Neural Network tentam replicar e automatizar habilidades humanas, como reconhecimento facial, processamento de linguagem natural ou identificação de músicas. Mas raramente eles vão além da capacidade humana. Por isso, é empolgante encontrar um problema em que os algoritmos superem os humanos."

Os experimentos foram realizados no laboratório da Universidade de Toronto em Mississauga, Joel Levine, pesquisador sênior do programa CIFAR Child & Brain Development. Ele tem grandes esperanças para o futuro de pesquisas como essa. "A abordagem de combinar modelos de aprendizagem profunda com sistemas nervosos é incrivelmente rica. Ela pode nos falar sobre os modelos, sobre como os neurônios se comunicam entre si e pode nos falar sobre o animal inteiro. Isso é surpreendente. E é um territorio ainda pouco explorado."

Schneider resumiu como era trabalhar entre as disciplinas: "Projetos como este é uma arena perfeita para neurobiólogos e pesquisadores de aprendizado de máquina trabalharem juntos para descobrir os fundamentos de como qualquer sistema - biológico ou não - aprende e processa informações".

Fonte:

Materiais fornecidos pelo Instituto Canadense de Pesquisa Avançada.

Referência:

Jonathan Schneider, Nihal Murali, Graham W. Taylor, Joel D. Levine. Can Drosophila melanogaster tell who’s who?PLOS ONE, 2018; 13 (10): e0205043 DOI: 10.1371/journal.pone.0205043