0
0
Les techniques d’apprentissage automatique sont conçues pour émuler mathématiquement les fonctions et la structure des neurones et des réseaux neuronaux dans le cerveau. Cependant, les neurones biologiques sont très complexes, ce qui rend leur réplication artificielle particulièrement difficile.
Des chercheurs de l’Université de Corée ont récemment tenté de reproduire plus efficacement la complexité des neurones biologiques en se rapprochant de la fonction des neurones et des synapses individuels. Leur article, publié dans Intelligence artificielle de la nature, introduit un réseau d’unités neuronales évolutives (ENU) qui peuvent s’adapter pour imiter des neurones spécifiques et des mécanismes de plasticité synaptique.
« L’inspiration de notre article vient de l’observation de la complexité des neurones biologiques, et du fait qu’il semble presque impossible de modéliser mathématiquement toute cette complexité produite par la nature », Paul Bertens, l’un des chercheurs qui a réalisé l’étude, dit TechXplore. «Les réseaux de neurones artificiels actuels utilisés dans l’apprentissage en profondeur sont très puissants à bien des égards, mais ils ne correspondent pas vraiment au comportement des réseaux de neurones biologiques. Notre idée était d’utiliser ces réseaux de neurones artificiels existants non pas pour modéliser le cerveau entier, mais pour modéliser chaque neurone individuel. et synapse. «
Les ENU développés par Bertens et son collègue Seong-Whan Lee sont basés sur des réseaux de neurones artificiels (RNA). Cependant, au lieu de reproduire la structure globale des réseaux de neurones biologiques, ces RNA ont été utilisés pour modéliser des neurones et des synapses individuels.
Le comportement des ENU a été programmé pour changer au fil du temps, à l’aide d’algorithmes évolutifs. Ce sont des algorithmes qui peuvent simuler un type spécifique de processus évolutif basé sur les notions de survie du plus apte, de mutation aléatoire et de reproduction.
« En utilisant de telles méthodes évolutives, il est possible de faire évoluer ces unités pour effectuer un traitement d’information très complexe, similaire aux neurones biologiques », a expliqué Bertens. « La plupart des modèles de neurones actuels n’autorisent que des valeurs de sortie uniques (pics ou potentiels gradués) et, dans le cas des synapses, une seule valeur de poids synaptique. Les principales caractéristiques uniques des ENU sont qu’elles peuvent générer plusieurs valeurs (vecteurs), ce qui pourrait être vu comme analogue aux neurotransmetteurs dans le cerveau. «
Les neurotransmetteurs, tels que la dopamine et la sérotonine, sont essentiellement des signaux chimiques qui peuvent transmettre des messages entre différentes cellules, voyageant à travers les synapses. Ces «messagers» chimiques sont connus pour jouer un rôle clé dans de nombreuses fonctions cérébrales, y compris l’apprentissage et la mémoire. Cependant, la manière dont ils interagissent les uns avec les autres est encore mal comprise.
Les ENU développées par Bertens et Lee peuvent produire des valeurs qui agissent dans les ANN comme le font les neurotransmetteurs dans le cerveau. Cette caractéristique leur permet d’apprendre des comportements bien plus complexes que les modèles mathématiques prédéfinis existants.
« Je pense que la découverte et le résultat les plus significatifs de cette étude ont montré que les ENU proposées peuvent non seulement effectuer des opérations mathématiques similaires aux modèles neuroscientifiques actuels, mais qu’elles peuvent également être évoluées pour effectuer essentiellement tout type de comportement bénéfique pour la survie, « Dit Bertens. « Cela signifie qu’il est possible d’obtenir des fonctions beaucoup plus complexes pour chaque neurone que les fonctions mathématiques actuellement conçues à la main. »
À l’avenir, les ENU créées par ces chercheurs de l’Université de Corée pourraient aider à créer des techniques d’apprentissage automatique bio-inspirées plus efficaces qui reflètent mieux la structure et les fonctions du cerveau. Jusqu’à présent, ces unités ont été utilisées pour faire évoluer un agent d’apprentissage automatique capable d’effectuer des tâches dans un environnement T-labyrinthe. Bien que la recherche de Bertens et Lee en soit encore à ses débuts, les chercheurs espèrent utiliser bientôt leurs ENU pour créer des réseaux plus vastes capables de s’attaquer à des tâches plus complexes.
«Le cerveau possède des milliards de neurones et des milliards de synapses, mais actuellement, seule une poignée d’ENU peut être simulée efficacement», déclare Bertens. « Par conséquent, notre objectif de recherche futur sera d’étendre notre approche. »
© Réseau Science X 2021
Citation: Unités neuronales évolutives qui peuvent imiter la plasticité synaptique du cerveau (2021, 14 janvier) récupéré le 14 janvier 2021 sur https://techxplore.com/news/2021-01-evolvable-neural-mimic-brain-synaptic.html
Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.
