Az idegtudomány legalaposabban tanulmányozott hálózatainak egyike az ecetmuslicák agya, annak is gombatest nevű része. Ez az agyterület az érzékszervi jelek, a szagok, a hőmérséklet, a páratartalom és a vizuális jelek feldolgozásáért felel, vagyis kulcsszerepet játszik abban, hogy a rovarok meg tudják különböztetni a „baráti” stimulusokat a veszélyes helyzetekre utaló jelektől.

Az idegkutatók régóta vizsgálják a gombatestet, így mostanra nagyjából tisztában vannak annak működésével. A régió projekciós neuronokat tartalmaz, amelyek 2000 darab úgynevezett Kenyon-sejtnek továbbítják az érzékszervi információkat. Utóbbiak egy olyan neurális hálózatot alkotnak, amely képes a tanulásra, így kulcsszerepet játszik a veszélyes szituációk felismerésében és elkerülésében.

A viszonylag apró, éppen ezért jól tanulmányozható és modellezhető hálózat kapcsán régóta nagy kérdés, hogy vajon ilyen méretekben milyen más feladatokra lehetne alkalmas. A Rensselaer Polytechnic Institute és az MIT-IBM Watson AI Lab kutatói most utánajártak ennek: meghekkelték a muslicák agyát, és más feladatok végrehajtására, konkrétan természetes nyelvfeldolgozásra használták ezt a hálózatot.

A biológiai hálózat pedig meglepően jól teljesített: a kutatók eredményei szerint a teljesítményben simán felvette a versenyt a mesterséges tanulásra képes hálózatokkal, ráadásul működés közben kevesebb számítási erőforrást emésztett fel ezeknél. A munka során számítógépen modellezték a biológiai hálózatot, vagyis a projekciós neuronokat és az ezekhez kapcsolódó 2000 Kenyon-sejtet, majd elkezdték tanítani a hálózatot arra, hogy felismerje egy szöveg szavait.

Az alkalmazott koncepció azon az elképzelésen alapul, hogy a szavak a kontextus által meghatározottak, így az elemzés azzal kezdődik, hogy minden szó esetében megnézi a rendszer, hogy milyen szavak vannak előtte és utána. Ilyen módon a gépi tanulásra képes rendszerek idővel megtanulják megjósolni egy megkezdett mondat következő szavait. Már számos olyan rendszer létezik, amely ilyen módon természetesnek hangzó mondatokat képes alkotni.

Az ecetmuslica agyát vizsgáló kutatók ezt a módszert a gombatest modelljén alkalmazták. Mint kiderült, a biológiai hálózat meglepően gyorsan képes megtanulni az új feladatot, akkor is, ha egészen más céllal fejlődött ki. Sőt: a jelek szerint a modellezett agyi régió gyorsabban és kevesebb munkamemóriát használva képes ugyanolyan szintre eljutni, mint az emberi tervezésű rendszerek.

A szakértők szerint ez megerősíti, hogy a biológiai rendszerek alapján készült mesterséges hálózatok sok esetben hatékonyabbak lehetnek a klasszikus, mérnökök által tervezett hálózatoknál.  Hogy ebben az esetben pontosan miért hatékonyabb a biológiai ihletésű hálózat, az egyelőre kérdés, de ezt is vizsgálják a szakértők. Elképzelhető ráadásul az is, hogy a magasabb rendű élőlények agyában még hatékonyabb hálózatok működnek. Ezekkel kapcsolatban azonban problematikus, hogy a komplexebb hálózatokat sokkal nehezebb modellezni, így ezek tulajdonságainak felderítése még sok évtizedes munka lesz.