La recherche en neurosciences inspire les algorithmes d’intelligence artificielle : mécanismes neuronaux de l’assemblage des connaissances

Contexte

Lorsque de nouvelles informations entrent dans le cerveau, les connaissances préalables d’une personne peuvent rapidement se transformer par un processus appelé « assemblage des connaissances ». Récemment, une étude menée par Nelli et ses collaborateurs a exploré les corrélats neuronaux de l’assemblage des connaissances chez l’humain. S’inspirant de ce mécanisme neuronal, les chercheurs ont développé un algorithme de réseau neuronal artificiel pour réaliser un assemblage rapide des connaissances et améliorer la flexibilité du système. Cette étude confirme une fois de plus que la compréhension du fonctionnement du cerveau peut promouvoir le développement de meilleurs algorithmes de calcul.

Source de l’étude

Cet article de recherche a été réalisé par Xiang Ji, Wentao Jiang, Xiaoru Zhang, Ming Song, Shan Yu et Tianzi Jiang, auteurs principalement affiliés au Centre d’excellence pour les neurosciences et la technologie intelligente de l’Académie chinoise des sciences, au Centre et laboratoire des réseaux cérébraux de l’Institut d’automatisation, et au Centre de recherche sur l’intelligence augmentée du Zhejiang Laboratory. L’article a été soumis le 6 septembre 2023, accepté le 15 octobre 2023, et publié en ligne le 4 novembre 2023, dans le numéro de février 2024 de Neuroscience Bulletin, Vol. 40, No. 2.

Processus de recherche

Nelli et ses collaborateurs ont conçu une approche expérimentale ingénieuse pour étudier le processus d’assemblage des connaissances dans le cerveau humain. L’expérience comprenait les étapes suivantes :

1. Entraînement des connaissances : Tout d’abord, douze éléments aléatoires étaient divisés en deux groupes, que les participants devaient apprendre à classer. Ainsi, les participants formaient deux séquences distinctes dans leur cerveau, représentant des « connaissances anciennes ».

2. Introduction de nouvelles informations : Ensuite, on informait les participants que la séquence d’un des groupes devait être classée en dessous de celle de l’autre groupe, ce qui déclenchait l’assemblage des connaissances dans leur cerveau.

3. Synchronisation de l’assemblage des connaissances : Finalement, les « connaissances anciennes » étaient assemblées en une nouvelle séquence de classement comprenant les douze éléments. Pendant ce processus, les signaux cérébraux globaux des participants étaient enregistrés via une imagerie par résonance magnétique fonctionnelle (IRMf). Les chercheurs ont utilisé une méthode de searchlight full-brain pour analyser les signaux IRMf et ont identifié un réseau fronto-pariétal, avec le cortex pariétal postérieur (PPC) et le cortex préfrontal dorsomédian (DMPFC) comme principales régions impliquées dans l’assemblage des connaissances.

Dans le PPC et le DMPFC, la certitude des classements de deux éléments était définie par la différentiation des signaux IRMf. En calculant les différentiations pour les douze éléments, un matrice de dissimilarité (RDM) était obtenue, visualisant la structure géométrique des représentations neurales dans le PPC et le DMPFC.

Principaux résultats

En comparant les structures géométriques neuronales formées par les connaissances anciennes et nouvelles, les chercheurs ont découvert que l’ajout de nouvelles informations conduisait rapidement à un réassemblage des représentations neuronales initiales en une nouvelle structure. En révélant les mécanismes neuronaux de l’assemblage des connaissances, les chercheurs ont démontré l’échec des réseaux neuronaux artificiels à traiter cet assemblage de connaissances à partir de peu d’exemples. Les auteurs ont ensuite proposé l’introduction d’une matrice de « certitude » dans le processus de mise à jour des poids des réseaux neuronaux. Cette matrice permettait de maintenir intactes les structures géométriques neuronales internes des deux groupes d’informations, qui se réorganisaient pour former une nouvelle structure géométrique une fois que de nouvelles informations étaient ajoutées, réalisant ainsi l’assemblage des connaissances dans les réseaux neuronaux artificiels.

Conclusion

Cette étude est d’une importance significative non seulement dans le domaine de la neuroscience cognitive, mais également pour le développement de l’intelligence artificielle (IA). Dans le domaine des neurosciences cognitives, les chercheurs ont exploré les régions corticales impliquées dans l’assemblage des connaissances et ont dévoilé les mécanismes neuronaux correspondants dans le cerveau humain. Dans le PPC et le DMPFC, l’ajout de nouvelles informations entraîne un réassemblage rapide des structures géométriques neuronales initiales. De plus, bien que de nombreux algorithmes d’IA — incluant les architectures basées sur les graphes, les réseaux modulaires, les programmes probabilistes et les modèles génératifs profonds — aient été proposés pour construire des structures de connaissances conceptuelles riches, ils tendent à apprendre lentement, nécessitant une forte supervision et ne parviennent pas à assembler rapidement des connaissances à partir de peu de nouvelles informations.

Inspirés par le processus d’assemblage des connaissances du cerveau humain, Nelli et ses collaborateurs ont amélioré l’algorithme de descente de gradient stochastique (SGD), proposant un simple réseau neuronal à deux couches pour un assemblage rapide des connaissances, ne nécessitant que 20 essais d’entraînement pour assimiler les nouvelles informations. S’inspirant des mécanismes cognitifs du cerveau humain, ils ont réussi à les appliquer pour améliorer les réseaux neuronaux artificiels.

Points forts de l’étude

Comparé à l’intelligence artificielle, le cerveau humain possède une plus grande capacité de raisonnement, ainsi qu’une flexibilité et une adaptabilité accrues. Actuellement, pour développer des systèmes d’IA plus avancés, l’informatique inspirée du cerveau puise son inspiration non seulement des fonctions de perception de bas niveau (comme le traitement visuel et auditif), mais aussi des fonctions cognitives de haut niveau (comme le langage et la mémoire). En incorporant les principes du calcul neuronal dans les réseaux neuronaux artificiels, l’IA peut afficher certaines caractéristiques de l’intelligence humaine aux niveaux de la perception et de la cognition, ce qui conduit à de meilleures performances.

Développements futurs

À l’avenir, les algorithmes inspirés par le cerveau devraient progresser dans les domaines suivants :

1. Systèmes d’intelligence artificielle plus flexibles : Alors que la neuroscience continue de découvrir de nouveaux mécanismes neuronaux, les intégrer dans les systèmes d’IA augmentera leur flexibilité et leur permettra d’accomplir des comportements similaires à ceux des humains.

2. Développement de réseaux neuronaux à impulsions (SNNs) : Les réseaux neuronaux à impulsions sont biologiquement plus raisonnables que les réseaux neuronaux artificiels actuels, mais leurs performances nécessitent encore d’être améliorées, ce qui demande plus de recherche et d’optimisation.

3. Fusion de multiples modalités d’entrée : Le cerveau humain peut traiter et intégrer divers stimuli sensoriels (comme la vision et l’audition) pour former une compréhension globale de l’environnement. Améliorer la capacité de fusion des entrées multimodales est donc une direction prometteuse pour le calcul inspiré par le cerveau.

En étudiant les mécanismes de fonctionnement du cerveau humain, les chercheurs enrichissent les théories des neurosciences cognitives et favorisent les progrès dans les algorithmes d’intelligence artificielle. L’avenir du calcul inspiré par le cerveau promet d’atteindre des réalisations encore plus spectaculaires.