ABONNEZ VOUS A NOTRE NEWSLETTERLe cerveau humain est la machine la plus complexe au monde – son fonctionnement est si compliqué que les neuroscientifiques et informaticiens travaillent ensemble depuis des années pour découvrir ses mystères et les appliquer à l’intelligence artificielle.
Nous sommes au milieu d’une révolution scientifique et technologique dans laquelle les ordinateurs utilisent l’intelligence artificielle pour apprendre de l’exemple et exécuter des fonctions sophistiquées qui, jusqu’à récemment, étaient considérées comme impossibles.
Ces algorithmes intelligents peuvent reconnaître les visages et même conduire des véhicules autonomes. Les réseaux d’apprentissage en profondeur, qui sont à l’origine de bon nombre de ces avancées technologiques, sont basés sur les mêmes principes qui forment la structure de notre cerveau – composés de cellules nerveuses artificielles connectées les unes aux autres par des synapses artificielles, et ces cellules communiquent entre elles via ces synapses.
Notre compréhension de base de la fonction neuronale remonte aux années 1950. Sur la base de cette compréhension élémentaire, les neurones artificiels actuels qui sont utilisés dans l’apprentissage en profondeur fonctionnent en additionnant linéairement leurs entrées synaptiques et en générant en réponse l’un des deux états de sortie – « 0 » (désactivé) et « 1 » (activé).
Au cours des dernières décennies, cependant, le domaine des neurosciences a découvert que les neurones individuels sont construits à partir d’un système de ramification complexe qui contient de nombreuses sous-régions fonctionnelles. En fait, la structure ramifiée des neurones et les nombreuses synapses qui le contactent sur sa surface distribuée implique que les neurones individuels pourraient se comporter comme un réseau étendu dans lequel chaque sous-région a sa propre fonction d’entrée-sortie locale, c’est-à-dire non linéaire.
Une nouvelle recherche à l’Université hébraïque de Jérusalem (HUJI) cherche à comprendre la puissance de calcul d’un neurone de manière systématique. Si l’on mappe l’entrée-sortie d’un neurone pour de nombreuses entrées synaptiques, on peut être en mesure d’examiner la « profondeur » d’un réseau analogue afin de reproduire les caractéristiques d’E/S du neurone. Le doctorant David Beniaguev, avec le professeur Michael London et le professeur Idan Segev du Centre Edmond et Lily Safra pour les sciences du cerveau (ELSC) de l’université, ont relevé ce défi et viennent de publier leurs découvertes dans la prestigieuse revue Neuron sous le titre » Des neurones corticaux uniques en tant que réseaux de neurones artificiels profonds.
Leur objectif était de comprendre comment les cellules nerveuses individuelles – les éléments constitutifs du cerveau – traduisent les entrées synaptiques en leur sortie électrique. Ce faisant, les chercheurs ont cherché à créer un nouveau type d’infrastructure artificielle d’apprentissage en profondeur qui agira davantage comme le cerveau humain et produira des capacités tout aussi impressionnantes que le cerveau.
« Le nouveau réseau d’apprentissage en profondeur que nous proposons est construit à partir de neurones artificiels dont chacun a déjà cinq à sept couches de profondeur. Ces unités sont connectées via des synapses artificielles aux couches situées au-dessus et au-dessous », a expliqué Segev.
Dans l’état actuel des réseaux neuronaux profonds, chaque neurone artificiel répond aux données d’entrée (synapses) par un « 0 » ou un « 1 » en fonction de la force synaptique qu’il reçoit de la couche précédente. Sur la base de cette force, la synapse envoie (excite) ou retient (inhibe) un signal aux neurones de la couche suivante.
Les neurones de la deuxième couche traitent ensuite les données qu’ils ont reçues et transfèrent la sortie aux cellules du niveau suivant. Par exemple, dans un réseau censé répondre aux chats (mais pas aux autres animaux), ce réseau devrait répondre pour un chat avec un « 1 » au dernier neurone de sortie (le plus profond) et avec un « 0 » sinon. Les réseaux de neurones profonds à l’état actuel ont démontré qu’ils peuvent apprendre cette tâche et l’exécuter extrêmement bien.
Cette approche permet aux ordinateurs des voitures sans conducteur, par exemple, d’apprendre quand ils sont arrivés à un feu de circulation ou à un passage pour piétons, même si l’ordinateur n’a jamais vu ce passage pour piétons auparavant. « Malgré les succès remarquables qui sont définis comme un » changeur de jeu « pour notre monde, nous ne comprenons toujours pas complètement à quel point l’apprentissage en profondeur est capable de faire ce qu’il fait et de nombreuses personnes à travers le monde essaient de le comprendre », Segev concédé.
La capacité de chaque réseau d’apprentissage en profondeur est également limitée à la tâche spécifique qu’on lui demande d’effectuer. Un système qui a été enseigné pour identifier les chats n’est pas capable d’identifier les chiens. De plus, un système dédié doit être en place pour détecter la connexion entre le miaou et les chats. Alors que le succès de l’apprentissage en profondeur est incroyable pour des tâches spécifiques, ces systèmes sont loin derrière le cerveau humain dans leur capacité à effectuer plusieurs tâches. « Nous n’avons pas besoin de plus d’un accident de voiture sans conducteur pour réaliser les dangers inhérents à ces limitations », a ajouté Segev.
Actuellement, d’importantes recherches se concentrent sur la fourniture d’un apprentissage artificiel en profondeur avec des capacités plus intelligentes et globales, telles que la capacité de traiter et de corréler différents stimuli et de se rapporter à différents aspects du chat (vue, ouïe, toucher, par exemple). et d’apprendre à traduire ces différents aspects en sens. Ce sont des capacités dans lesquelles le cerveau humain excelle et celles que le deep learning n’a pas encore pu atteindre.
« Notre approche consiste à utiliser des capacités d’apprentissage en profondeur pour créer un modèle informatisé qui reproduit au mieux les propriétés d’E/S des neurones individuels dans le cerveau », a expliqué Beniaguev. Pour ce faire, les chercheurs se sont appuyés sur la modélisation mathématique de neurones uniques, un ensemble d’équations différentielles développé par Segev et Londres. Cela leur permet de simuler avec précision les processus électriques détaillés se déroulant dans différentes régions du neurone simulé et de cartographier au mieux la transformation complexe pour le barrage d’entrées synaptiques et le courant électrique qu’ils produisent à travers la structure arborescente (arbre dendritique) de la cellule nerveuse. Les chercheurs ont utilisé ce modèle pour rechercher un réseau de neurones profonds (DNN) qui reproduisait les E/S du neurone simulé. Ils ont découvert que cette tâche est accomplie par un DNN de cinq à sept couches de profondeur.
Les membres de l’équipe espèrent que la construction de réseaux d’apprentissage en profondeur basés étroitement sur de vrais neurones qui, comme ils l’ont montré, sont déjà assez profonds en eux-mêmes, leur permettra d’effectuer des processus d’apprentissage plus complexes et plus efficaces, plus proches de ceux de l’homme. cerveau.
« Une illustration de cela serait que le réseau artificiel reconnaisse un chat avec moins d’exemples et remplisse des fonctions telles que l’intériorisation du sens du langage. Cependant, ce sont des processus que nous devons encore prouver par nos DNN suggérés avec des recherches continues », a souligné Segev. Un tel système ne signifierait pas seulement changer la représentation de neurones individuels dans le réseau neuronal artificiel respectif, mais également combiner dans le réseau artificiel les caractéristiques de différents types de neurones, comme c’est le cas dans le cerveau humain. « L’objectif final serait de créer une réplique informatisée qui imite la fonctionnalité, la capacité et la diversité du cerveau – pour créer, à tous égards, une véritable intelligence artificielle », a ajouté Segev.
Cette étude a également offert la première chance de cartographier et de comparer la puissance de traitement des différents types de neurones. « Par exemple, pour simuler le neurone A, nous devons cartographier sept niveaux différents d’apprentissage en profondeur à partir de neurones spécifiques, tandis que le neurone B peut avoir besoin de neuf couches de ce type », a expliqué Segev. « De cette façon, nous pouvons comparer quantitativement la puissance de traitement de la cellule nerveuse d’une souris avec une cellule comparable dans un cerveau humain ou entre deux types différents de neurones dans le cerveau humain. »
À un niveau encore plus élémentaire, le développement d’un modèle informatique basé sur une approche d’apprentissage automatique qui simule si précisément la fonction cérébrale est susceptible de fournir une nouvelle compréhension du cerveau lui-même. « Notre cerveau a développé des méthodes pour construire des réseaux artificiels qui reproduisent ses propres capacités d’apprentissage et cela nous permet en retour de mieux comprendre le cerveau et nous-mêmes », a conclu Beniaguev.
[signoff]
