على الرغم من صغر حجم أدمغتها التي لا تتجاوز بذرة الخشخاش، تتمتع ذباب الفاكهة بقدرة مذهلة على تمييز مئات الروائح في أجزاء من الثانية والاحتفاظ بذاكرتها لفترة طويلة. يتفوق أداؤها هذا بكثير على ‘الأنوف الإلكترونية’ الحالية، والتي عادةً ما تكون باهظة الثمن، محدودة في نطاق اكتشافها، وسريعة في نسيان الروائح القديمة بمجرد تعلم روائح جديدة. هذا ما يُعرف بـ ‘النسيان الكارثي’.
هذا السؤال دفع باحثين مثل كيفن ماكس ويانج شين من معهد أوكيناوا للعلوم والتكنولوجيا إلى تطوير خوارزمية جديدة أطلقوا عليها اسم ‘Spi-Fly’. تم وصف هذه الخوارزمية المستوحاة من الحشرات في ورقة بحثية نُشرت مؤخرًا في مجلة Neuromorphic Computing and Engineering، وتهدف إلى محاكاة الكفاءة الشمية لذبابة الفاكهة.
الأنف الإلكتروني: تحديات الحاسة الغامضة
تعتبر حاسة الشم فريدة من نوعها وميكانيكياً معقدة. فبينما يمكن اختزال الرؤية والسمع إلى بعد مادي واحد مثل الطول الموجي، لا يمكن تبسيط جزيئات الرائحة بهذه الطريقة. لقد طورت البيولوجيا حلاً أكثر تعقيداً: مئات من بروتينات المستقبلات المختلفة، كل منها مصمم لالتقاط خصائص جزيئية محددة. يؤدي هذا إلى إطلاق مجموعات من الإشارات التي يجب على الدماغ فك شفرتها. لقد كان هذا النظام معقدًا للغاية لدرجة أن الفهم الكامل للعائلة الجينية المستقبلة التي تقف وراءه لم يتحقق إلا في عام 1991، وهو عمل أكسب ليندا باك وريتشارد أكسل جائزة نوبل عام 2004.
على الرغم من التحديات في فهمنا لحاسة الشم، إلا أن ‘الأنوف الإلكترونية’ متوفرة في الأسواق وتُستخدم في مراقبة جودة الأغذية، والرصد البيئي، والفحص الأمني من قبل شركات مثل ألفا موس وأريبال وأوديتك.
تكمن المشكلة الرئيسية في هذه الأنوف في قدرتها على التعميم. فالجهاز المصمم لشم زيت الزيتون الفاسد ليس هو نفسه الذي يشير إلى مادة متفجرة معينة في نقطة تفتيش المطار. عادةً ما تعني إعادة تهيئة جهاز لمهمة جديدة إعادة تدريب برمجياته من الصفر تقريبًا. يقف وراء هذا القيد حاجزان تقنيان: أولاً، تتطلب هذه الأنظمة عادةً كميات هائلة من الأمثلة المدخلة يدويًا قبل أن تتمكن من التمييز الموثوق به بين الروائح. ثانيًا، يؤدي تعليمها رائحة جديدة إلى تشويه ما تعرفه بالفعل، وهي مشكلة يسميها الباحثون ‘النسيان الكارثي’، وهو ما يعادل نسيان كيفية ركوب الدراجة مباشرة بعد تعلم السباحة.
سر ذبابة الفاكهة: الترميز المتناثر
لا تعاني ذباب الفاكهة، والكثير من الحشرات الأخرى، من هذه المشكلة، على الرغم من صغر حجم أدمغتها. كيف يمكنها التمييز بين الروائح وتذكرها بقدرة عقلية قليلة جدًا؟ السر، وفقًا لمؤلفي الورقة البحثية، هو ما يسمى ‘الترميز المتناثر’.
تخيل أن دماغ الذبابة يخصص ‘رمزًا شريطيًا’ فريدًا لكل رائحة. يعتمد نظامها الشمي على ما يقرب من 2000 خلية متخصصة تُعرف باسم خلايا كينيون (Kenyon cells)، والتي تتلقى إشارات متناثرة وعشوائية من مستقبلات الرائحة. ترتبط جميع خلايا كينيون هذه بنقطة تتابع واحدة: الخلايا العصبية الجانبية المزدوجة الأمامية، أو APL. تستجيب خلايا APL بإطلاق تثبيط عالمي قوي على كل خلية كينيون مرة واحدة، مما يؤدي إلى إسكاتها جميعًا تقريبًا. الخلايا التي تظل نشطة بعد هذا التثبيط هي ما يسميه ماكس وشين ‘الرمز الشريطي’ لتلك الرائحة المحددة.
تلتقط خوارزمية Spi-Fly البيانات بعد أن يقوم المستشعر بعمله بالفعل – كل شيء هنا يحدث في المحاكاة باستخدام بيانات المستشعر المسجلة مسبقًا، ولا علاقة للخوارزمية نفسها بالتقاط الرائحة في المقام الأول.
في عمل ماكس وشين، تُترجم قراءات المستشعر إلى تيار من النبضات العصبية، تُسقط بشكل متناثر وعشوائي على طبقة مخفية تمثل خلايا كينيون. في هذا النموذج، تمنع الخلايا العصبية بعضها البعض بدلاً من الاعتماد على حكم واحد يشبه خلايا APL. من هناك، تتصل الطبقة المخفية بطبقة الإخراج، وهي خلية عصبية واحدة لكل رائحة، تنتظر معرفة الرمز الشريطي الذي ينتمي إلى أي رائحة.
كيف تعمل Spi-Fly: نهج بسيط وفعال
يتم تعلم العلاقة بين الرمز الشريطي والرائحة المرتبطة به باتباع قاعدة بسيطة وعمرها عقود للشبكات العصبية: في كل مرة تنشط فيها خلية عصبية مخفية بجانب الإجابة الصحيحة، يصبح هذا الارتباط أقوى قليلاً.
لا يتطلب الأمر أكثر من ذلك. ليست هناك حاجة لخوارزمية الانتشار العكسي (backpropagation)، وهي التقنية التي شارك في اختراعها الحائز على جائزة تورينج جيفري هينتون، والتي تُستخدم لتدريب معظم الشبكات العصبية الحديثة عن طريق العمل عكسيًا عبر كل طبقة لحساب المسؤولية الدقيقة عن الخطأ.
في اختباراتهم، أظهر النظام المبسط فعاليته. في مجموعة من الروائح التي تلتقطها مستشعرات الغاز الشائعة، وصلت Spi-Fly إلى ذروة الأداء بعد ثلاث تعريضات فقط لكل رائحة، بينما احتاج الانتشار العكسي إلى ما يقرب من 70 تعريضًا للوصول إلى نفس المستوى.
عند تغذية الشبكة بروائح جديدة عدة مرات – وهو اختبار إجهاد للنسيان الكارثي – بالكاد تتأثر Spi-Fly، محتفظة بالروائح القديمة دون فقدان في الدقة تقريبًا، بينما يتعطل أداء الانتشار العكسي في منطقة التخمين العشوائي.
هناك عقبة عملية أخرى: الذاكرة. الهدف الأساسي من تصميم شبكة بهذه البساطة هو تشغيلها في نهاية المطاف على رقائق الحوسبة العصبية (neuromorphic chips)، وهي تقنية سريعة التطور تقوم ببناء أجهزة تحاكي الدماغ مباشرة عن طريق معالجة النبضات بدلاً من تشغيل البرامج التقليدية. عادةً ما لا تحتوي هذه الرقائق على ذاكرة كبيرة للعمل بها. يجب أن تتعامل أي خوارزمية تعمل على إحدى هذه الرقائق مع جزء صغير مما يعتبره الكمبيوتر العادي أمرًا مفروغًا منه. تتحلل Spi-Fly بشكل أقل بكثير مما يفعله الانتشار العكسي في ظل هذه القيود.
ومع ذلك، يقر ماكس بوجود سقف لهذه القدرة. أوضح في رسالة بالبريد الإلكتروني: ‘إذا كانت طبقة الترميز المتناثر تحتوي على 100 خلية عصبية، ويتم تمثيل كل رائحة بخمس خلايا عصبية، فإن الحد الأعلى النظري لسعة الرائحة هو ‘100، اختر 5’، أو ما يقرب من 75 مليون ‘رمز شريطي’ محتمل’. لكن ضجيج العالم الحقيقي يمحو كل هذا الارتفاع تقريبًا. كتب ماكس: ‘لا يتم تمثيل نفس الرائحة أبدًا بنفس الكود المتناثر في تعريضين، وذلك بسبب الضوضاء، وظروف تدفق الهواء، وما إلى ذلك’. وأضاف: ‘نظرًا لمعايير نموذجنا، يجب أن يكون قادرًا على تمثيل بضع مئات من الروائح، لكن ذلك يعتمد أيضًا على نوع الروائح وأوجه التشابه بينها’.
نفس القصة تنطبق على الاختبارات نفسها: تم إجراء كل منها، مثل بقية الدراسة، بالكامل في المحاكاة، باستخدام روائح فردية معزولة – لا شيء يشبه تشابك الروائح المتنافسة التي قد يواجهها الجهاز في مطبخ حقيقي، أو غابة، أو محطة مطار. ليس هناك ما يضمن أن Spi-Fly سيصمد بمجرد أن تبدأ الجزيئات الحقيقية بالتداخل مع بعضها البعض خارج بيئة الكمبيوتر.
مقارنات وخلافات: نظرة نقدية
ثم هناك شبكة EPL، التي صنفتها الورقة البحثية كأقرب منافس لها. تقدم هذه الشبكة نتائج متوسطة على مجموعة بيانات مستشعر الغاز، لكن أداءها ضعيف على بيانات ذبابة الفاكهة الاصطناعية. يعزو ماكس هذه الفجوة إلى التوقيت، من بين أسباب أخرى: تقوم شبكة EPL بأخذ عينات من الروائح في لقطات منفصلة، محاكاةً للطريقة التي تشم بها الحيوانات فعليًا، بينما تقرأ Spi-Fly تدفقًا مستمرًا، ولا تتجاهل أي شيء.
يشكك توماس كليلاند، أستاذ علم النفس بجامعة كورنيل الذي شارك في تصميم شبكة EPL، في المقارنة نفسها. فمن وجهة نظره، لم يتم إنشاء شبكة EPL وSpi-Fly لحل نفس المشكلة أبدًا. تهدف شبكة EPL إلى تصفية الروائح الخلفية المفاجئة وغير المتوقعة، مثل رائحة دخان سيجارة غريب تنجرف إلى الغرفة، على سبيل المثال. وتفعل ذلك باستخدام قواعد التعلم لمرة واحدة ولم يتم تصميمها لتعلم التنوع التدريجي والمتكرر الذي تم تدريب Spi-Fly عليه. وكتب في رسالة بالبريد الإلكتروني: ‘تعتمد EPL وSpi-Fly على طبقات مختلفة من النظام الشمي، وقد تم تصميمهما لنماذج مختلفة من الضوضاء’. وهو صريح فيما يتعلق بالنتيجة: فمن وجهة نظره، لا تخبرك المقارنة بالكثير عن أي شيء.
توجد Spi-Fly حاليًا كرمز برمجي بحت، ويتم اختبارها مقابل مجموعات بيانات مسجلة مسبقًا بدلاً من مجرد نفحة فعلية من أي شيء. الخطوة التالية هي دمجها في أجهزة استشعار الرائحة التي يبنيها ماكس ومعاونوه في جامعة TU Eindhoven وجامعة Kiel، وهي رقائق عصبية فيزيائية حقيقية، يتم تصنيعها بكل التناقضات الصغيرة التي تأتي من البناء الفعلي بدلاً من المحاكاة.
لم يحدد ماكس موعدًا لذلك، لكنه وعد بالمزيد في المستقبل القريب. ومع ذلك، في الوقت الحالي، لا تزال الذبابة التي شاهدتها وهي تغرق في كأس النبيذ الخاص بك هي الفائزة في سباق حاسة الشم.
مرجع: الحوسبة والهندسة العصبية، 2026. DOI: 10.1088/2634-4386/ae9177
بقلم: فيدريكا سجوربيسا، صحفية علمية متخصصة في علم الأعصاب والعلوم المعرفية.