ఇంటెల్ ల్యాబ్స్ మరియు కార్నెల్ విశ్వవిద్యాలయానికి చెందిన పరిశోధకులు ప్రమాదకరమైన రసాయనాలను తెలుసుకోవడానికి మరియు గుర్తించడానికి లోహిహి అనే ఇంటెల్ యొక్క న్యూరోమార్ఫిక్ రీసెర్చ్ చిప్ యొక్క ప్రత్యేక సామర్థ్యాన్ని ప్రదర్శించారు. నేచర్ మెషిన్ ఇంటెలిజెన్స్ జర్నల్‌లో ఈ పరిశోధన ప్రచురించబడింది, ఇది మానవ మెదడు యొక్క ఘ్రాణ సర్క్యూట్ల యొక్క నిర్మాణం మరియు డైనమిక్స్ ఆధారంగా మొదటి నుండి ఒక న్యూరల్ అల్గోరిథం ఎలా నిర్మించబడిందో వివరిస్తుంది.
చిప్ ఒక న్యూరోమార్ఫిక్ కంప్యూటింగ్ ఆర్కిటెక్చర్ మీద ఆధారపడింది, ఇది మానవ మెదడుపై శాస్త్రవేత్తల ప్రస్తుత అవగాహన మరియు సమస్యలను ఎలా పరిష్కరిస్తుంది. ఇది మానవ మెదడు ఎలా ప్రాసెస్ చేస్తుంది మరియు సమస్యలను పరిష్కరిస్తుందో అనుకరించే లక్ష్యంతో కూడిన హార్డ్వేర్. క్రొత్త డేటా గురించి అనుమానాలు చేయడానికి ఇది ఇప్పటికే కలిగి ఉన్న జ్ఞానాన్ని ఇది ప్రభావితం చేస్తుంది, తద్వారా కాలక్రమేణా దాని అభ్యాస ప్రక్రియను విపరీతంగా వేగవంతం చేయడానికి సహాయపడుతుంది.
చిప్ ప్రతి రసాయనాన్ని దాని వాసన ఆధారంగా ఒకే పరీక్షా నమూనా నుండి గుర్తించే సామర్థ్యాన్ని కలిగి ఉంది, అది కూడా గతంలో నేర్చుకున్న సువాసనల జ్ఞాపకశక్తికి అంతరాయం కలిగించకుండా. లోతైన అభ్యాస వ్యవస్థ వంటి సాంప్రదాయిక గుర్తింపు వ్యవస్థతో పోలిస్తే, అదే స్థాయి ఖచ్చితత్వాన్ని చేరుకోవడానికి సుమారు 3,000 రెట్లు ఎక్కువ శిక్షణా నమూనాలు అవసరమవుతాయి, చిప్ ఉన్నతమైన ఖచ్చితత్వంతో పనిచేస్తుంది.
ఇది 10 వేర్వేరు ప్రమాదకర రసాయనాల సువాసనను నేర్చుకోవచ్చు మరియు గుర్తించగలదు. ఇంటెల్ బృందం డేటాసెట్‌ను ఉపయోగించింది, ఇది మెదడులో తెలిసిన 72 రసాయన సెన్సార్ల కార్యాచరణను కలిగి ఉంటుంది మరియు ప్రతి రసాయన వాసనకు అవి ఎలా స్పందిస్తాయి. లోహిపై బృందం “బయోలాజికల్ ఘ్రాణ చర్య యొక్క సర్క్యూట్ రేఖాచిత్రం” అని పిలిచే వాటిని కాన్ఫిగర్ చేయడానికి డేటా మరింత ఉపయోగించబడింది. దీనితో, లోహి ప్రతి వాసన యొక్క నాడీ ప్రాతినిధ్యాన్ని గుర్తించగలడు మరియు ప్రతి ఒక్కటి గుర్తించగలడు, గణనీయమైన మూసివేతతో కూడా.
లోహి యొక్క ఘ్రాణ సామర్థ్యాలను కొత్త ఎలక్ట్రానిక్ ముక్కు వ్యవస్థలలో ఉపయోగించుకోవచ్చు, ఇవి వైద్యులను వ్యాధుల నిర్ధారణకు సహాయపడతాయి. అంతేకాకుండా, విమానాశ్రయాలలో ఆయుధాలు మరియు పేలుడు పదార్థాలను గుర్తించే వ్యవస్థలను అభివృద్ధి చేయడానికి దీనిని ఉపయోగించవచ్చు. సమర్థవంతమైన పొగ మరియు కార్బన్ మోనాక్సైడ్ డిటెక్టర్లను అభివృద్ధి చేయడానికి కూడా దీనిని ఉపయోగించవచ్చు. ఇంద్రియ దృశ్య విశ్లేషణ (మీరు గమనించిన వస్తువుల మధ్య సంబంధాలను అర్థం చేసుకోవడం) నుండి ప్రణాళిక మరియు నిర్ణయం తీసుకోవడం వంటి నైరూప్య సమస్యల వరకు, పరిశోధకులు ఈ విధానాన్ని విస్తృత శ్రేణి సమస్యలకు సాధారణీకరించడానికి ప్రణాళికలు వేస్తున్నారు.