Amener les ordinateurs à «penser» comme les humains est le Saint Graal de l’intelligence artificielle, mais le cerveau humain s’avère être des actes difficiles à suivre. Le cerveau humain est un maître de l’application des connaissances acquises précédemment à de nouvelles situations et de l’amélioration constante de ce qui a été appris. Cette capacité d’adaptation a été difficile à reproduire dans les machines.
Maintenant, les chercheurs de Salk ont utilisé un modèle informatique de l’activité cérébrale pour simuler ce processus plus précisément que jamais. Le nouveau modèle imite la façon dont le cortex préfrontal du cerveau utilise un phénomène connu sous le nom de «gating» pour contrôler le flux d’informations entre différentes zones des neurones. Il éclaire non seulement le cerveau humain, mais pourrait également éclairer la conception de nouveaux programmes d’intelligence artificielle.
«Si nous pouvons faire évoluer ce modèle pour qu’il soit utilisé dans des systèmes d’intelligence artificielle plus complexes, cela pourrait permettre à ces systèmes d’apprendre des choses plus rapidement ou de trouver de nouvelles solutions aux problèmes», déclare Terrence Sejnowski, responsable du laboratoire de neurobiologie computationnelle de Salk et auteur principal du nouvel ouvrage, publié le 24 novembre 2020, dans Actes de l’Académie nationale des sciences.
Le cerveau des humains et des autres mammifères est connu pour sa capacité à traiter rapidement les stimuli – images et sons, par exemple – et à intégrer toute nouvelle information dans des choses que le cerveau connaît déjà. Cette flexibilité pour appliquer les connaissances à de nouvelles situations et apprendre continuellement tout au long de la vie est depuis longtemps un objectif des chercheurs qui conçoivent des programmes d’apprentissage automatique ou des cerveaux artificiels. Historiquement, lorsqu’une machine apprend à effectuer une tâche, il lui est difficile d’apprendre à adapter ces connaissances à une tâche similaire; au lieu de cela, chaque processus connexe doit être enseigné individuellement.
Dans l’étude actuelle, le groupe de Sejnowski a conçu un nouveau cadre de modélisation informatique pour reproduire la façon dont les neurones du cortex préfrontal – la zone cérébrale responsable de la prise de décision et de la mémoire de travail – se comportent lors d’un test cognitif connu sous le nom de Wisconsin Card Sorting Test. Dans cette tâche, les participants doivent trier les cartes par couleur, symbole ou numéro – et adapter constamment leurs réponses à mesure que la règle de tri des cartes change. Ce test est utilisé en clinique pour diagnostiquer la démence et les maladies psychiatriques, mais il est également utilisé par les chercheurs en intelligence artificielle pour évaluer dans quelle mesure leurs modèles informatiques du cerveau peuvent reproduire le comportement humain.
Les modèles précédents du cortex préfrontal ont mal exécuté cette tâche. Le cadre de l’équipe de Sejnowski, cependant, a intégré la façon dont les neurones contrôlent le flux d’informations dans tout le cortex préfrontal via le blocage, déléguant différentes informations à différentes sous-régions du réseau. On pensait que le Gating était important à petite échelle – pour contrôler le flux d’informations au sein de petits groupes de cellules similaires – mais l’idée n’avait jamais été intégrée dans les modèles à travers l’ensemble du réseau.
Le nouveau réseau a non seulement fonctionné de manière aussi fiable que les humains sur la tâche de tri des cartes du Wisconsin, mais a également imité les erreurs observées chez certains patients. Lorsque des sections du modèle ont été retirées, le système a montré les mêmes erreurs que celles observées chez les patients présentant des lésions du cortex préfrontal, telles que celles causées par un traumatisme ou une démence.
Je pense que l’un des aspects les plus intéressants de tout cela est que, en utilisant ce type de cadre de modélisation, nous obtenons une meilleure idée de la façon dont le cerveau est organisé. Cela a des implications à la fois pour l’apprentissage automatique et pour mieux comprendre certaines de ces maladies qui affectent le cortex préfrontal. «
Ben Tsuda, étudiant diplômé de Salk et premier auteur
Si les chercheurs comprennent mieux comment les régions du cortex préfrontal fonctionnent ensemble, ajoute-t-il, cela aidera à orienter les interventions pour traiter les lésions cérébrales. Cela pourrait suggérer des zones à cibler avec une stimulation cérébrale profonde, par exemple.
«Lorsque vous pensez à la manière dont le cerveau surpasse encore les réseaux d’apprentissage en profondeur de pointe, l’un de ces moyens est la polyvalence et la généralisabilité à travers des tâches avec des règles différentes», explique Kay Tye, co-auteur de l’étude, professeur à Salk’s Systems. Laboratoire de neurobiologie et chaire Wylie Vale. « Dans ce nouveau travail, nous montrons comment la synchronisation de l’information peut alimenter notre nouveau modèle amélioré du cortex préfrontal. »
L’équipe souhaite ensuite étendre le réseau pour effectuer des tâches plus complexes que le test de tri des cartes et déterminer si le déclenchement à l’échelle du réseau donne au cortex préfrontal artificiel une meilleure mémoire de travail dans toutes les situations. Si la nouvelle approche fonctionne dans le cadre de scénarios d’apprentissage généraux, ils soupçonnent qu’elle conduira à des systèmes d’intelligence artificielle améliorés qui peuvent être plus adaptables à de nouvelles situations.
La source:
Référence du journal:
Tsuda, B., et coll. (2020) Un cadre de modélisation pour l’apprentissage adaptatif tout au long de la vie avec transfert et économies grâce à la synchronisation dans le cortex préfrontal. PNAS. doi.org/10.1073/pnas.2009591117.
