Thuật toán mô phỏng ruồi giấm giúp AI "nhớ dai" và học nhanh hơn

Ruồi giấm thường bị xem là loài côn trùng gây phiền toái, nhưng bộ não khiêm tốn của chúng lại là nguồn cảm hứng tuyệt vời cho các nhà nghiên cứu trí tuệ nhân tạo (AI) trong việc giải quyết bài toán "thảm họa quên lãng" — tình trạng mà các mô hình AI hiện đại quên kiến thức cũ ngay khi học điều mới. Một thuật toán mới mang tên Spi-Fly được phát triển tại Viện Khoa học và Công nghệ Okinawa (OIST) đã mô phỏng thành công cơ chế "mã hóa thưa thớt" của não ruồi để tạo ra hệ thống học máy vừa nhanh, vừa bền vững.

Theo nghiên cứu được công bố trên tạp chí Neuromorphic Computing and Engineering, Spi-Fly không chỉ vượt trội so với các "mũi điện tử" (electronic noses) thương mại hiện nay mà còn mở ra hướng đi mới cho các hệ thống nhận dạng mùi và cảm biến thông minh trong tương lai.

"Mũi điện tử" đang thua ruồi giấm

Dù có bộ não chỉ với khoảng 140.000 tế bào thần kinh — nhỏ hơn hạt anh túc — ruồi giấm lại sở hữu khả năng phân biệt và ghi nhớ hàng trăm loại mùi khác nhau chỉ trong tích tắc. Trong khi đó, các "mũi điện tử" tiên tiến nhất trên thị trường thường có chi phí cao, phạm vi nhận diện hẹp và mắc lỗi nghiêm trọng: "học mùi mới thì quên ngay mùi cũ" — hiện tượng khoa học gọi là catastrophic forgetting (thảm họa quên lãng).

"Vì sao không sao chép trực tiếp bộ não của ruồi?" — Đó là câu hỏi mà ngày càng nhiều nhà nghiên cứu đặt ra, trong đó có Kevin Max và Yang Shen tại OIST.

Cốt lõi giải pháp: Mã hóa thưa thớt (Sparse Coding)

Thay vì xây dựng các mạng nơ-ron sâu với hàng tỷ tham số như các mô hình AI thông thường, nhóm nghiên cứu đã phân tích cách tế bào thần kinh khứu giác của ruồi xử lý tín hiệu. Kết quả cho thấy, mỗi mùi chỉ kích hoạt một nhóm nhỏ các tế bào thần kinh — gọi là mã hóa thưa thớt — giúp não ruồi tạo ra một "chữ ký" riêng biệt và gần như không trùng lặp cho từng loại mùi.

Thuật toán Spi-Fly mô phỏng chính nguyên lý này:

• Sử dụng số lượng tế bào nơ-ron ít hơn nhiều so với các mô hình khác nhưng vẫn đảm bảo độ chính xác cao.
• Cơ chế học một lần (one-shot learning) giúp hệ thống ghi nhận mùi mới chỉ sau một lần tiếp xúc.
• Không ghi đè hoặc làm nhiễu các mẫu đã lưu trữ trước đó, nhờ đó loại bỏ hoàn toàn hiện tượng "quên lãng đột ngột".

Ý nghĩa và tiềm năng ứng dụng

Thành công của Spi-Fly mở ra hướng phát triển các hệ thống cảm biến khứu giác nhân tạo với chi phí thấp hơn, hoạt động liên tục trong môi trường thực tế mà không cần "tái huấn luyện" toàn bộ mỗi khi có mùi mới xuất hiện. Điều này đặc biệt hữu ích trong các lĩnh vực như:

• Kiểm soát chất lượng thực phẩm: phát hiện nhanh sản phẩm hư hỏng trong dây chuyền sản xuất.
• An ninh và giám sát môi trường: nhận diện các hóa chất nguy hiểm mà không cần thiết bị phòng thí nghiệm lớn.
• Chẩn đoán y tế: hỗ trợ phát hiện bệnh qua hơi thở với độ tin cậy cao.

Đối với cộng đồng AI tại Việt Nam, nghiên cứu này là minh chứng thuyết phục rằng việc lấy cảm hứng từ các hệ thống sinh học nhỏ gọn có thể tạo ra các mô hình AI tối ưu hơn nhiều so với cách tiếp cận "càng lớn càng tốt". Việc theo đuổi lĩnh vực điện toán thần kinh hình thái (neuromorphic computing) — vốn còn khá mới mẻ ở các trường đại học và công ty công nghệ Việt — hứa hẹn mang lại lợi thế cạnh tranh đáng kể trong tương lai gần.