Max ve Shen'in çalışmasında sensörlerden alınan veriler bir sinyal akışına dönüşüyor. Bu sinyaller, meyve sineklerindeki Kenyon hücrelerini temsil eden gizli bir katmana seyrek ve rastgele biçimde aktarılıyor. Nöronlar, tek bir APL benzeri hakeme başvurmak yerine birbirini baskılıyor. Buradan çıkan gizli katman, her biri etiketlenmiş bir kokuya karşılık gelen bir nöronun bulunduğu çıktı katmanına bağlanıyor. Sistem böylece hangi barkodun hangi kokuya ait olduğunu öğrenmeye başlıyor.
Basit bir kural
Sistemin öğrendiği şey, barkod ile etiketi arasındaki bağlantı. Bu işlem, on yıllardır bilinen basit bir sinir ağı kuralına dayanıyor. Gizli bir nöron doğru cevapla birlikte etkinleştiğinde, aralarındaki bağ biraz daha güçleniyor.
İşlem bundan ibaret. Günümüzde çoğu sinir ağını eğitmek için kullanılan ve 2024 Fizik Nobel Ödülü sahibi Geoffrey Hinton'ın da ortaklaşa icat ettiği geri yayılım tekniğine hiç gerek yok. Bu teknik, her katmanda geriye doğru çalışarak hatanın tam olarak kimden kaynaklandığını hesaplıyor, ancak yeni sistemde buna ihtiyaç duyulmuyor.
Yapılan testlerde bu basitleştirilmiş sistemin başarılı olduğu görülüyor. Yaygın gaz sensörleriyle algılanan koku setlerinde Spi-Fly algoritması, her bir kokuya sadece üç kez maruz kaldıktan sonra en yüksek performansa ulaşıyor. Geri yayılım yönteminin aynı sonuca ulaşması için ise yaklaşık 70 kez maruz kalma gerekiyor.
Sisteme yeni kokular ikişerli gruplar halinde verildiğinde, yani felaket unutma durumunu test eden bir stres uygulandığında, Spi-Fly neredeyse hiç etkilenmiyor. Algoritma, eski kokuları neredeyse hiç doğruluk kaybı yaşamadan hafızasında tutuyor. Geri yayılım yöntemi ise bu durumda çökerek rastgele tahmin seviyelerine kadar geriliyor.
Karşılaşılan bir diğer pratik engel ise hafıza kapasitesi. Bu kadar basit bir ağ tasarlamanın temel amacı, sistemi nihayetinde nöromorfik çiplerde çalıştırabilmek. Nöromorfik çipler, beyni doğrudan taklit eden ve geleneksel yazılımlar yerine doğrudan sinyalleri işleyen hızla gelişen bir teknoloji. Bu çiplerin genellikle kullanıma ayrılmış çok fazla hafızası bulunmuyor. Üzerinde çalışan herhangi bir algoritmanın, sıradan bir bilgisayarın doğal kabul ettiği hafızanın çok küçük bir kısmıyla yetinmesi gerekiyor. Spi-Fly, bu kısıtlamalar altında geri yayılım yöntemine kıyasla çok daha az performans kaybı yaşıyor.
Ancak Max'in de kabul ettiği gibi sistemin bir üst sınırı bulunuyor. Max, e-posta yoluyla yaptığı açıklamada, "Eğer seyrek kod katmanı 100 nöron içeriyorsa ve her koku 5 nöron ile temsil ediliyorsa, koku kapasitesinin teorik üst sınırı '100'ün 5'li kombinasyonu' oluyor" dedi. Bu da yaklaşık 75 milyon olası barkod anlamına geliyor. Ancak gerçek dünyadaki gürültü, bu teorik kapasitenin neredeyse tamamını ortadan kaldırıyor. Max, "Aynı koku, gürültü, hava akışı koşulları gibi etkenler nedeniyle iki farklı maruz kalışta neredeyse hiç aynı seyrek kod ile temsil edilmiyor" ifadelerini kullandı. "Modelimizin parametreleri göz önüne alındığında, sistem birkaç yüz kokuyu temsil edebilir. Ancak bu durum, kokuların türüne ve aralarındaki benzerliklere de bağlı."
