Une nouvelle étude a utilisé un type d’apprentissage automatique appelé réseau neuronal pour révéler comment différents types de formation peuvent modifier la façon dont l’apprentissage se produit, à la fois dans les machines et dans les cerveaux vivants.
Nous pouvons utiliser ces modèles complexes pour faire des prédictions spécifiques sur les fonctions des régions cérébrales qui nous intéressent. Si vous arrivez au niveau le plus abstrait, c’est une assez bonne analogie avec la façon dont nous pensons que le cerveau doit fonctionner.
Jack Bowler, PhD, boursier postdoctoral en neurobiologie, University of Utah Health et premier auteur de l’étude
Au fur et à mesure que les réseaux neuronaux apprennent, ils adoptent des schémas d’activité étonnamment similaires aux schémas d’activation des neurones réels dans une partie du cerveau importante pour l’apprentissage, ont découvert les chercheurs.
De plus, le type d’entraînement affecte à la fois le modèle d’activité et la capacité à résoudre une tâche, de la même manière entre les réseaux neuronaux et les cerveaux vivants. Pour les modèles informatiques et vivants, commencer par apprendre une tâche plus simple prépare l’apprenant à exceller dans des tâches complexes. D’un autre côté, des expériences d’apprentissage mal structurées peuvent inciter les apprenants à commettre des erreurs spécifiques et prévisibles lorsque les choses se compliquent.
Les résultats sont publiés dans Neurosciences naturelles.
Les réseaux de neurones apprennent et échouent comme des créatures vivantes
Jim Heys, PhD, professeur agrégé de neurobiologie à l’U of U Health et auteur principal de l’étude, compare le processus de passage de tâches simples à complexes à l’apprentissage des mathématiques.
« Tout le monde sait que lorsque vous essayez d’apprendre le calcul, vous apprenez d’abord l’ordre des opérations, puis l’algèbre, puis la trigonométrie, et vous développez ces concepts systématiquement », explique Heys. « Mais pourquoi est-ce le cas ? »
Les chercheurs ont entraîné les réseaux neuronaux à une tâche relativement complexe, en répondant d’une manière spécifique seulement après avoir été confrontés à deux stimuli de durées différentes (un « essai de départ »), et pas répondre lorsque les deux stimuli ont la même durée (« no go »). C’est l’équivalent virtuel d’une tâche d’apprentissage complexe que l’équipe avait précédemment développée pour étudier l’apprentissage dans un modèle de souris, dans laquelle les souris sont récompensées pour répondre à des schémas d’odeurs chronométrés.
Pour une souris, apprendre à répondre uniquement aux modèles corrects est une tâche complexe qui nécessite plusieurs étapes de formation, allant du simple au complexe. Il en va de même pour un réseau neuronal, ont découvert les chercheurs. L’entraînement d’une tâche plus simple en donnant uniquement au réseau des « essais de démarrage » a permis au réseau de répondre avec plus de précision une fois qu’il a progressé vers la tâche complète et complexe avec des essais « Go » et « No Go ».
En revanche, lorsque les chercheurs entraînaient les réseaux à une tâche complexe sans en proposer une plus simple au préalable, en passant directement au calcul avant d’apprendre l’algèbre, les réseaux avaient tendance à commettre des erreurs répétées et prévisibles.
Ils ont souvent réagi trop tôt pour « démarrer » les essais, sautant le pistolet après le premier long stimulus. Il est important de noter qu’il s’agit exactement de la même erreur que commettent les animaux vivants lorsqu’ils sont mal entraînés, ce qui montre que les réseaux peuvent être utilisés pour prédire comment les vrais cerveaux apprennent.
Les réseaux neuronaux prédisent les modèles d’activité cérébrale réelle
Les chercheurs ont ensuite mesuré l’activité cérébrale des neurones chez des souris alors qu’elles répondaient aux essais, en se concentrant sur une région cérébrale spécifique connue pour être impliquée dans l’apprentissage des tâches. Les modèles d’activité neuronale qu’ils ont observés ressemblaient beaucoup, à grande échelle, aux modèles d’activité adoptés par les réseaux neuronaux au cours des essais.
Les réseaux neuronaux correctement entraînés, comme les souris correctement entraînées, ont suivi un schéma d’activité cyclique au cours d’un seul essai, terminant l’essai à peu près dans le même état qu’il avait commencé. Au cours des essais « go », les réseaux neuronaux et les souris ont adopté un modèle d’activité différent : alors qu’ils se déplaçaient toujours dans un cycle, l’activité s’écartait de sa trajectoire habituelle pendant la période de temps dont la souris – ou le réseau – avait besoin pour répondre à l’essai.
Les similitudes d’activité et de comportement entre les réseaux neuronaux et les cerveaux réels suggèrent que les réseaux peuvent être particulièrement utiles comme première étape dans la compréhension de l’apprentissage humain, explique Bowler. Les découvertes réalisées avec des modèles informatiques contribuent à générer des questions utiles et ciblées sur notre façon de penser, qui peuvent ensuite être testées avec des modèles animaux, aidant ainsi les scientifiques à acquérir des informations vitales tout en utilisant le plus petit nombre d’animaux de recherche.
« En modélisant dès le départ, nous avons pu avancer beaucoup plus rapidement vers des hypothèses utiles et réduire le nombre d’animaux à tester », explique Bowler. « Cela nous aide à travailler avec les animaux de manière plus respectueuse. »
Les résultats pourraient à terme guider le développement de meilleures formations qui aideraient les gens à intensifier leur apprentissage, affirment les chercheurs. En révélant comment le cerveau apprend lorsqu’il est en bonne santé, l’équipe espère que leurs travaux pourraient également être utiles pour comprendre ce qui ne va pas dans les maladies qui affectent la pensée complexe.
« Nous comprenons les principes fondamentaux du fonctionnement du cerveau », explique Heys. « Ainsi, lorsqu’il se brise, comme dans le cas de maladies comme la maladie d’Alzheimer, qui affectent d’abord des fonctions cognitives complexes de très haut niveau, nous pouvons comprendre comment y remédier. »
Cette recherche est publiée dans Neurosciences naturelles comme « L’expérience structurée façonne l’apprentissage stratégique et la dynamique neuronale dans le cortex entorhinal médial. »
Le travail a été soutenu par les National Institutes of Health, notamment le National Institute of Mental Health (DP2 MH129958-01), la National Science Foundation (IOS-2145814), la Life Sciences Research Foundation avec le soutien de la Fondation Simons – Collaboration sur le cerveau global et l’Université de l’Utah.
