Dans une étude récente publiée dans le journal Neurosciences naturelles, les chercheurs de l’Unité de Dynamique du Réseau Cérébral MRC et du département d’informatique de l’Université d’Oxford ont apporté un nouvel éclairage sur la façon dont le cerveau ajuste les connexions entre les neurones lors de l’apprentissage. Cette découverte pourrait non seulement influencer la recherche sur l’apprentissage dans les réseaux cérébraux, mais également inspirer des algorithmes d’apprentissage plus rapides et robustes pour l’intelligence artificielle.
L’apprentissage consiste essentiellement à identifier les composants responsables d’une erreur dans le traitement de l’information. Dans le domaine de l’intelligence artificielle, cela se fait par rétropropagation, où les paramètres d’un modèle sont ajustés pour réduire les erreurs de sortie. Beaucoup de chercheurs pensent que le cerveau utilise un principe similaire.
Cependant, le cerveau biologique surpasse les systèmes actuels d’apprentissage automatique. Par exemple, nous pouvons apprendre de nouvelles informations en les voyant une seule fois, tandis que les systèmes artificiels nécessitent des centaines de répétitions pour intégrer ces mêmes informations. De plus, nous pouvons assimiler de nouvelles données tout en conservant les connaissances déjà acquises, alors que dans les réseaux de neurones artificiels, l’apprentissage de nouvelles informations interfère souvent avec les connaissances existantes et les dégrade rapidement.
Ces observations ont poussé les chercheurs à identifier le principe fondamental utilisé par le cerveau durant l’apprentissage. Ils ont examiné des ensembles d’équations mathématiques décrivant les changements de comportement des neurones et des connexions synaptiques. Leur analyse et simulation de ces modèles de traitement de l’information ont révélé qu’ils utilisent un principe d’apprentissage fondamentalement différent de celui des réseaux de neurones artificiels.
Dans les réseaux de neurones artificiels, un algorithme externe tente de modifier les connexions synaptiques pour réduire les erreurs. En revanche, les chercheurs proposent que le cerveau humain stabilise d’abord l’activité des neurones dans une configuration équilibrée optimale avant d’ajuster les connexions synaptiques. Cette méthode serait en fait une caractéristique efficace de la manière dont les cerveaux humains apprennent, car elle réduit l’interférence en préservant les connaissances existantes, ce qui accélère l’apprentissage.
Dans leur étude, les auteurs donnent l’exemple d’un ours pêchant le saumon. Dans un modèle de réseau de neurones artificiels, l’absence d’un sens (comme l’ouïe) entraînerait aussi la perte d’un autre (comme l’odorat), ce qui n’est pas le cas dans le cerveau animal. Leur théorie mathématique montre que laisser les neurones se stabiliser dans une configuration prospective réduit l’interférence entre les informations durant l’apprentissage.
Le chercheur principal, le professeur Rafal Bogacz, et le premier auteur de l’étude, le Dr. Yuhang Song, soulignent l’écart actuel entre les modèles abstraits et notre connaissance détaillée de l’anatomie des réseaux cérébraux. Ils envisagent des recherches futures pour combler cet écart et comprendre comment l’algorithme de configuration prospective est implémenté dans les réseaux corticaux identifiés anatomiquement.
dans un article qui peut se classer haut dans google
#Cette #découverte #permettra #aux #intelligences #artificielles #dapprendre #comme #notre #cerveau
publish_date] pt]
