Un réseau de neurones reproduit un processus comme les enfants
Les logiciels de formation qui émulent les réseaux cérébraux pour identifier les races de chiens ou les équipements sportifs constituent désormais une vieille histoire. Cependant, il est vraiment novateur de faire en sorte qu’un réseau d’IA apprenne par lui-même un processus inhérent au développement de jeunes enfants.
Une IA apprend par elle-même
Dans un article publié mercredi dans Science Advances, un réseau de neurones distinguait différentes quantités de choses, même s’il n’avait jamais appris ce qu’était un nombre. Ce réseau de neurones reprenait une compétence cognitive innée chez les jeunes humains, les singes et les corbeaux, entre autres. Sans aucune formation, il pouvait soudainement faire la différence entre des quantités plus importantes et plus petites, une compétence appelée numérosité ou sens du nombre.
Plusieurs croient que le sens des nombres est un précurseur essentiel de notre capacité à compter et à faire des mathématiques plus complexes. Mais des questions persistent quant à la manière dont cette capacité se produit spontanément dans un jeune cerveau.
Des chercheurs de l’Université de Tübingen, en Allemagne, ont utilisé un système d’apprentissage en profondeur conçu pour imiter le cerveau humain afin de voir si une numérosité émergerait sans avoir à former le logiciel. «Nous essayions de simuler le fonctionnement du système visuel de notre cerveau en construisant un réseau d’apprentissage en profondeur, un réseau de neurones artificiels», explique Andreas Nieder, professeur à l’institut de neurobiologie de Tübingen et auteur principal du nouvel article.
« La grande question était: comment est-il possible que notre cerveau et le cerveau des animaux puissent représenter spontanément le nombre d’éléments dans une scène visuelle? »
Ils ont formé ce réseau sur un ensemble de 1,2 million images
Les chercheurs ont d’abord formé ce réseau sur un ensemble de données standard de 1,2 million d’images réparties dans 1 000 catégories différentes. Finalement, le système était capable d’identifier des images d’animaux et d’insectes, non seulement en tant que chien ou araignée, mais aussi en tant que race spécifique de schnauzer miniature ou d’araignée-loup.
Ensuite, les chercheurs ont montré que les images de réseaux neuronaux contenant uniquement des points blancs sur un fond noir représentaient les nombres de 1 à 30. Sans rien apprendre sur les nombres ni obtenir la recherche de différences de quantité; le système a pu classer chaque image par le nombre de points qu’elle contient.
« Lorsque vous formez des réseaux de neurones qui ressemblent au système visuel pour effectuer des tâches telles que la reconnaissance d’objet, ils apprennent spontanément d’autres choses », déclare James DiCarlo, professeur au département des sciences cognitives et cognitives du MIT, qui n’a pas participé à cette recherche. « Ce qui est bien dans cette étude, c’est qu’ils mesurent des choses qui sont sondées par la vision mais qui ne sont généralement pas considérées comme des choses visuelles, comme la numérosité. »
L’équipe de Nieder utilise un système d’apprentissage en profondeur qui imite le cerveau humain, avec des «neurones» qui reçoivent à la fois des entrées de neurones situés dans le système et les envoient par la suite. Certains neurones «se déclenchent» en réponse à des stimuli spécifiques en fonction de leurs caractéristiques ou modèles.
Le réseau de neurones se comportait comme celui d’un animal
À l’aide de ce modèle, Nieder a comparé l’activation des neurones du réseau avec celle des neurones du cerveau de singes présentant les mêmes motifs de points. Les neurones artificiels se comportaient exactement comme les neurones de la zone de traitement visuel du cerveau des animaux, avec des préférences pour un nombre spécifique et en fonction de ceux-ci.
Par exemple, un neurone préférant le nombre six avait le niveau d’activation le plus élevé chaque fois que six points étaient affichés. Il était un peu moins actif en réponse à cinq et sept points, encore moins à quatre et huit, et ainsi de suite. L’activité du neurone a diminué continuellement à mesure que le stimulus s’éloignait de son nombre cible.
«C’était très excitant pour nous de voir cela parce que ce sont exactement les types de réponses que nous voyons dans les vrais neurones du cerveau», déclare Nieder. « Cela pourrait être une explication du fait que le câblage de notre cerveau, à tout le moins notre système visuel, peut donner lieu à une représentation spontanée du nombre d’objets dans une scène. »
Le réseau de neurones a même commis des erreurs similaires à celles d’un cerveau humain. Il avait plus de difficulté à distinguer les nombres plus proches, comme quatre et cinq, que ceux qui étaient plus éloignés, comme quatre et neuf. Il a également eu du mal à distinguer les grands nombres (20 et 25), par rapport aux plus petits qui se trouvaient à la même distance (un et six), comme le font les humains.
Ce type de réseau de neurones fournit un meilleur modèle du cerveau humain
Tous les scientifiques n’étaient pas également impressionnés. Peter Gordon, professeur agrégé de neurosciences et d’éducation à l’Université de Columbia, explique que les réseaux de neurones effectuent des évaluations «basées sur des informations visuelles de bas niveau, telles que des lignes et des angles, des ombres, etc. Donc, si vous appliquez cela à ces quantités, ce qui se passe, c’est de montrer que plusieurs images de 10 points ressemblent davantage à plusieurs images de huit points. Ce n’est pas vraiment comprendre la numérosité. »
Pour sa part, Nieder insiste sur le fait que ce type de réseau de neurones fournit un meilleur modèle du cerveau humain. «Nous pouvons maintenant avoir des hypothèses sur la façon dont les choses se passent dans le cerveau et peuvent aller et venir de réseaux artificiels à de vrais réseaux», dit-il. « Je pense que c’est l’un des gros avantages de ces réseaux pour la science fondamentale. »
Source : Scientific American
Crédit photo : Pixbay