Une nouvelle ère dans les algorithmes d'apprentissage inspirés du cerveau

Des chercheurs de l'unité MRC Brain Network Dynamics et du département de science informatique de l'Université d'Oxford ont dévoilé un principe révolutionnaire qui éclaire la manière dont le cerveau humain s'adapte et ajuste les connexions entre les neurones pendant l'apprentissage. 

Cette découverte améliore non seulement notre compréhension de l'apprentissage au sein des réseaux cérébraux, mais elle a également le potentiel d'inspirer le développement d'algorithmes d'apprentissage plus rapides et plus robustes en intelligence artificielle (IA).

Principe d'apprentissage cérébral : Configuration prospective

L'essence de l'apprentissage réside dans l'identification des composants du pipeline de traitement de l'information responsables des erreurs de sortie. En IA, cela est accompli par la rétropropagation, où les paramètres d'un modèle sont ajustés pour minimiser les erreurs de sortie.

Il a été largement admis que le cerveau humain utilise un principe d'apprentissage similaire. Cependant, le cerveau biologique surpasse les systèmes actuels d'apprentissage automatique à plusieurs égards.

Par exemple, les humains peuvent apprendre de nouvelles informations après les avoir rencontrées une seule fois, tandis que les systèmes artificiels nécessitent souvent des centaines de répétitions avec les mêmes données pour les assimiler. De plus, les humains peuvent acquérir de nouvelles connaissances tout en conservant les informations existantes, alors que l'introduction de nouvelles données dans les réseaux neuronaux artificiels peut interférer avec et dégrader les connaissances existantes.

Ces observations ont incité les chercheurs à chercher le principe fondamental qui régit le processus d'apprentissage du cerveau. Ils ont examiné des ensembles existants d'équations mathématiques décrivant les changements dans le comportement neuronal et les connexions synaptiques, et ont mené des analyses et des simulations approfondies. Ce qu'ils ont découvert a remis en question la sagesse dominante.

Dans les réseaux neuronaux artificiels, des algorithmes externes visent à modifier les connexions synaptiques pour minimiser les erreurs, mais les chercheurs proposent que le cerveau humain règle d'abord l'activité des neurones dans une configuration équilibrée optimale avant d'ajuster les connexions synaptiques. 

Cette approche unique, appelée « configuration prospective », est considérée comme une caractéristique efficace de l'apprentissage humain, réduisant les interférences et préservant les connaissances existantes, accélérant ainsi le processus d'apprentissage.

Simulation et validation

Les chercheurs ont étayé leurs découvertes par des simulations informatiques, démontrant que les modèles utilisant la configuration prospective surpassaient les réseaux neuronaux artificiels dans des tâches couramment rencontrées par les animaux et les humains dans des environnements naturels.

Pour illustrer le concept, les chercheurs ont utilisé l'exemple d'un ours pêchant du saumon. Dans un réseau neuronal artificiel, si l'ours perd sa capacité à entendre la rivière (en raison d'une oreille endommagée), il perdrait également la capacité de sentir le saumon, conduisant à la conclusion incorrecte qu'il n'y a pas de saumon dans la rivière. 

Cependant, dans le cerveau animal, l'absence de son n'interfère pas avec la connaissance que l'odeur du saumon est toujours présente, permettant à l'ours de poursuivre sa quête avec succès.

Combler l'écart

Le chercheur principal, le professeur Rafal Bogacz, de l'unité MRC Brain Network Dynamics et du département de neurosciences cliniques Nuffield d'Oxford, a souligné la nécessité de combler l'écart entre les modèles abstraits et notre compréhension de l'anatomie du cerveau. Les recherches futures visent à dévoiler comment l'algorithme de configuration prospective est mis en œuvre dans les réseaux corticaux identifiés anatomiquement.

Le Dr Yuhang Song, premier auteur de l'étude, a mis en évidence les défis de la mise en œuvre de la configuration prospective sur les ordinateurs existants en raison des différences fondamentales entre les systèmes informatiques et le cerveau biologique. Il a appelé au développement d'un nouvel ordinateur ou d'un matériel dédié inspiré du cerveau capable de mettre en œuvre rapidement et efficacement la configuration prospective.