Des dels anys vuitanta, una part de la informàtica intenta imitar l'arquitectura del cervell en comptes d'ampliar la potència de càlcul: és el camp de la computació neuromòrfica. El cervell de la mosca del vinagre és un dels models preferits perquè, amb unes 140.000 neurones, resol amb un consum d'energia ridícul una feina que als sistemes artificials els costa molt: reconèixer una olor que no ha ensumat mai i no oblidar les que ja coneix.
Un equip de l'Institut de Ciència i Tecnologia d'Okinawa (OIST), amb Yang Shen i Kevin Max entre els autors i amb col·laboració de la Universitat Tècnica d'Eindhoven i la Universitat de Kiel per a la part de maquinari, ha publicat el 24 d'agost a la revista Neuromorphic Computing & Engineering un algorisme anomenat Spi-Fly que reprodueix aquest circuit. És una xarxa de tres capes: el senyal d'entrada es projecta de manera aleatòria i dispersa sobre una capa intermèdia de 1.000 neurones, de manera que cada olor n'activa només unes poques; aquest patró d'activació funciona com una empremta que les neurones de sortida aprenen a reconèixer amb una regla d'aprenentatge associatiu. Provat contra altres algorismes de classificació sobre dues bases de dades d'olors, Spi-Fly va ser el millor mètode en aprenentatge amb poques mostres —classificar una olor després de veure'n només uns quants exemples— i també va destacar aprenent olors noves sense oblidar les que ja havia après.
Els dos problemes que resol són precisament dos dels punts febles dels sistemes d'aprenentatge automàtic convencionals: necessiten muntanyes de dades per aprendre una categoria nova i tendeixen a l'anomenat oblit catastròfic, és a dir, a esborrar el que sabien quan se'ls ensenya alguna cosa nova. Que un circuit de mil neurones simulades ho faci millor que mètodes molt més grans reforça una idea que guanya pes al camp: l'eficiència no depèn del nombre de paràmetres, sinó de com estan organitzats.
Els mateixos autors apunten els límits. El rendiment global de Spi-Fly encara es podria millorar respecte dels mètodes tradicionals d'aprenentatge automàtic, i el sistema s'ha provat amb bases de dades d'olors, no amb les condicions reals on qualsevol nas —biològic o artificial— ha de destriar una olor enmig d'una barreja i amb olors de fons. Fer el salt del laboratori a un sensor que funcioni al carrer exigeix encara aquesta prova.