Il apprend comme un cerveau humain, mais c’est un réseau neuronal physique

AGI – Pour la première fois, il a été démontré qu’un réseau neuronal physique est capable d’apprendre et de se souvenir “à la volée”, d’une manière inspirée et similaire au fonctionnement des neurones du cerveau. Ce résultat ouvre la voie à développement d’une intelligence artificielle efficace et économe en énergie pour des tâches d’apprentissage et de mémoire plus complexes dans le monde réel.

La recherche, publiée dans Nature Communications, est le résultat d’une collaboration entre des scientifiques de l’Université de Sydney et de l’Université de Californie à Los Angeles. L’auteur principal Ruomin Zhu, doctorant à l’Université de Sydney, a déclaré : “Ces résultats démontrent comment les fonctions d’apprentissage et de mémoire inspirées par le cerveau peuvent être exploitées à l’aide de réseaux de nanofils pour traiter des données dynamiques en temps réel.”

Les réseaux de nanofils sont constitués de minuscules fils d’un diamètre de quelques milliardièmes de mètre. Ces fils s’organisent selon des motifs qui ressemblent au jeu de « bâtons » et imitent des réseaux neuronaux, similaires à ceux de notre cerveau. Ces réseaux peuvent être utilisés pour effectuer des tâches spécifiques de traitement de l’information. Les tâches de mémoire et d’apprentissage sont effectuées à l’aide d’algorithmes simples qui répondent aux changements de résistance électronique là où les nanofils se chevauchent.

Cette fonction, appelée “commutation de mémoire résistive“, est activé lorsque les signaux électriques rencontrent des changements de conductivité, similaires à ce qui se produit avec synapses dans notre cerveau. Dans cette étude, les chercheurs ont utilisé le réseau pour reconnaître et mémoriser des séquences d’impulsions électriques correspondant à des images, inspirées de la manière dont le cerveau humain traite l’information.

Le professeur Zdenka Kuncic, chercheur superviseur, a déclaré que la tâche de mémoire était similaire à la mémorisation d’un numéro de téléphone. Le réseau a également été utilisé pour effectuer une tâche de reconnaissance d’images de référenceaccédant aux images de la base de données MNIST de chiffres manuscrits, une collection de 70 000 petites images niveaux de gris utilisés dans l’apprentissage automatique.

“Nos études précédentes ont démontré la capacité des réseaux de nanofils à mémoriser des tâches simples. Ces travaux ont étendu ces résultats en démontrant que des tâches peuvent être effectuées à l’aide de données dynamiques accessibles en ligne”, a déclaré le professeur Kuncic.

“Cela représente un pas en avant significatif, car la capacité d’apprendre en temps réel constitue un défi lorsqu’il s’agit de traiter de grandes quantités de données qui peuvent changer en permanence. Une approche standard serait stocker les données, puis entraîner un modèle d’apprentissage automatique en utilisant ces informations stockées. Toutefois, cela nécessiterait trop d’énergie pour une application généralisée. Notre nouvelle approche permet au réseau neuronal de nanofils d’apprendre et de se souvenir « à la volée », échantillon après échantillon, en extrayant des données en ligne et en évitant ainsi une utilisation excessive de mémoire et d’énergie.

Zhu a également souligné d’autres avantages du traitement des informations en ligne. “Si les données sont transmises en continu, par exemple à partir d’un capteur, l’apprentissage automatique basé sur des réseaux de neurones artificiels doit avoir la capacité de s’adapter en temps réel, ce pour quoi ils ne sont pas optimisés actuellement”, a-t-il déclaré. Dans cette étude, le réseau neuronal de nanofils a démontré une remarquable capacité d’apprentissage automatique, atteignant un score de 93,4 % dans l’iIdentification correcte des images de test. La tâche de mémoire impliquait la mémorisation de séquences comportant jusqu’à huit chiffres. Pour les deux tâches, les données ont été envoyées en temps réel au réseau pour démontrer sa capacité à apprendre en ligne et montrer comment la mémoire améliore cet apprentissage.

Reproduction expressément réservée © Agi 2023