Le système d’IA s’auto-organise pour développer les caractéristiques du cerveau d’organismes complexes


Des scientifiques de Cambridge ont montré que le fait d’imposer des contraintes physiques à un système artificiellement intelligent – de la même manière que le cerveau humain doit se développer et fonctionner dans le cadre de contraintes physiques et biologiques – lui permet de développer les caractéristiques du cerveau d’organismes complexes afin de pour résoudre des tâches.

À mesure que les systèmes neuronaux tels que le cerveau s’organisent et établissent des connexions, ils doivent équilibrer des demandes concurrentes. Par exemple, de l’énergie et des ressources sont nécessaires pour développer et maintenir le réseau dans l’espace physique, tout en optimisant le réseau pour le traitement de l’information. Ce compromis façonne tous les cerveaux au sein des espèces et entre elles, ce qui peut expliquer pourquoi de nombreux cerveaux convergent vers des solutions organisationnelles similaires.

Jascha Achterberg, chercheur Gates de l’unité de cognition et des sciences du cerveau du Conseil de recherches médicales (MRC CBSU) de l’Université de Cambridge, a déclaré : « Non seulement le cerveau est excellent pour résoudre des problèmes complexes, mais il le fait en utilisant très peu d’énergie. Grâce à nos nouveaux travaux, nous montrons que considérer les capacités du cerveau à résoudre des problèmes parallèlement à son objectif de dépenser le moins de ressources possible peut nous aider à comprendre pourquoi les cerveaux ressemblent à eux. »

Le co-auteur principal, le Dr Danyal Akarca, également du MRC CBSU, a ajouté : « Cela découle d’un principe général, à savoir que les systèmes biologiques évoluent généralement pour tirer le meilleur parti des ressources énergétiques dont ils disposent. sont souvent très élégants et reflètent les compromis entre les différentes forces qui leur sont imposées. »

Dans une étude publiée aujourd’hui dans Intelligence des machines naturelles, Achterberg, Akarca et leurs collègues ont créé un système artificiel destiné à modéliser une version très simplifiée du cerveau et à appliquer des contraintes physiques. Ils ont découvert que leur système développait certaines caractéristiques et tactiques clés similaires à celles trouvées dans le cerveau humain.

Au lieu de vrais neurones, le système a utilisé des nœuds de calcul. Les neurones et les nœuds ont une fonction similaire, dans la mesure où chacun prend une entrée, la transforme et produit une sortie, et un seul nœud ou neurone peut se connecter à plusieurs autres, toutes les informations entrantes étant calculées.

Cependant, dans leur système, les chercheurs ont appliqué une contrainte « physique ». Chaque nœud se voyait attribuer un emplacement spécifique dans un espace virtuel, et plus deux nœuds étaient éloignés, plus il leur était difficile de communiquer. Ceci est similaire à la façon dont les neurones du cerveau humain sont organisés.

Les chercheurs ont confié au système une tâche simple à accomplir : dans ce cas, une version simplifiée d’une tâche de navigation dans un labyrinthe généralement confiée à des animaux tels que des rats et des macaques lors de l’étude du cerveau, où il doit combiner plusieurs éléments d’information pour décider du itinéraire le plus court pour arriver au point final.

L’une des raisons pour lesquelles l’équipe a choisi cette tâche particulière est que pour la réaliser, le système doit conserver un certain nombre d’éléments — emplacement de départ, emplacement d’arrivée et étapes intermédiaires — et une fois qu’il a appris à accomplir la tâche de manière fiable, il est Il est possible d’observer, à différents moments d’un essai, quels nœuds sont importants. Par exemple, un groupe particulier de nœuds peut coder les emplacements d’arrivée, tandis que d’autres codent les itinéraires disponibles, et il est possible de suivre quels nœuds sont actifs à différentes étapes de la tâche.

Au départ, le système ne sait pas comment accomplir la tâche et commet des erreurs. Mais lorsqu’on lui donne du feedback, il apprend progressivement à s’améliorer dans sa tâche. Il apprend en modifiant la force des connexions entre ses nœuds, de la même manière que la force des connexions entre les cellules cérébrales change à mesure que nous apprenons. Le système répète ensuite la tâche encore et encore, jusqu’à ce qu’il apprenne à l’exécuter correctement.

Cependant, avec leur système, la contrainte physique signifiait que plus deux nœuds étaient éloignés, plus il était difficile d’établir une connexion entre les deux nœuds en réponse au feedback. Dans le cerveau humain, les connexions qui couvrent une grande distance physique sont coûteuses à établir et à entretenir.

Lorsqu’il a été demandé au système d’effectuer la tâche sous ces contraintes, il a utilisé certaines des mêmes astuces que celles utilisées par les vrais cerveaux humains pour résoudre la tâche. Par exemple, pour contourner les contraintes, les systèmes artificiels ont commencé à développer des hubs – des nœuds hautement connectés qui servent de conduits pour transmettre les informations à travers le réseau.

Ce qui est plus surprenant, cependant, c’est que les profils de réponse des nœuds individuels eux-mêmes ont commencé à changer : en d’autres termes, plutôt que d’avoir un système dans lequel chaque nœud code pour une propriété particulière de la tâche du labyrinthe, comme l’emplacement de l’objectif ou le choix suivant, les nœuds développé un schéma de codage flexible. Cela signifie qu’à différents moments dans le temps, les nœuds peuvent déclencher un mélange des propriétés du labyrinthe. Par exemple, le même nœud pourrait être capable de coder plusieurs emplacements d’un labyrinthe, plutôt que d’avoir besoin de nœuds spécialisés pour coder des emplacements spécifiques. C’est une autre caractéristique observée dans le cerveau des organismes complexes.

Le professeur Duncan Astle, co-auteur du département de psychiatrie de Cambridge, a déclaré : « Cette simple contrainte – il est plus difficile de câbler des nœuds éloignés les uns des autres – force les systèmes artificiels à produire des caractéristiques assez compliquées. systèmes comme le cerveau humain. Je pense que cela nous dit quelque chose de fondamental sur la raison pour laquelle nos cerveaux sont organisés comme ils le sont.

Comprendre le cerveau humain

L’équipe espère que leur système d’IA pourrait commencer à faire la lumière sur la manière dont ces contraintes façonnent les différences entre les cerveaux des personnes et contribuent aux différences observées chez ceux qui connaissent des difficultés cognitives ou de santé mentale.

Le professeur John Duncan, co-auteur du MRC CBSU, a déclaré : « Ces cerveaux artificiels nous permettent de comprendre les données riches et déconcertantes que nous voyons lorsque l’activité de vrais neurones est enregistrée dans de vrais cerveaux. »

Achterberg a ajouté : « Les « cerveaux » artificiels nous permettent de poser des questions qu’il serait impossible d’examiner dans un système biologique réel. Nous pouvons entraîner le système à effectuer des tâches, puis jouer expérimentalement avec les contraintes que nous imposons, pour voir s’il commence à ressembler davantage au cerveau d’individus particuliers. »

Implications pour la conception des futurs systèmes d’IA

Les résultats sont susceptibles d’intéresser également la communauté de l’IA, car ils pourraient permettre le développement de systèmes plus efficaces, en particulier dans les situations où il est probable qu’il y ait des contraintes physiques.

Le Dr Akarca a déclaré : « Les chercheurs en IA tentent constamment de trouver comment créer des systèmes neuronaux complexes capables de coder et de fonctionner de manière flexible et efficace. Pour y parvenir, nous pensons que la neurobiologie nous donnera beaucoup d’inspiration. Par exemple, le coût global de câblage du système que nous avons créé est bien inférieur à celui que vous trouveriez dans un système d’IA typique.

De nombreuses solutions d’IA modernes impliquent l’utilisation d’architectures qui ne ressemblent que superficiellement à un cerveau. Les chercheurs affirment que leurs travaux montrent que le type de problème que l’IA résout influencera l’architecture la plus puissante à utiliser.

Achterberg a déclaré : « Si vous souhaitez construire un système artificiellement intelligent qui résout des problèmes similaires à ceux des humains, alors en fin de compte, le système finira par ressembler beaucoup plus à un cerveau réel que les systèmes fonctionnant sur un grand cluster de calcul spécialisé dans des tâches très différentes de celles-ci. « 

Cela signifie que les robots qui doivent traiter une grande quantité d’informations en constante évolution avec des ressources énergétiques limitées pourraient bénéficier de structures cérébrales similaires aux nôtres.

Achterberg a ajouté : « Les cerveaux des robots déployés dans le monde physique réel ressembleront probablement davantage à nos cerveaux car ils pourraient être confrontés aux mêmes défis que nous. Ils doivent constamment traiter les nouvelles informations entrant via leurs capteurs tout en contrôlant leur corps. pour se déplacer dans l’espace vers un objectif. De nombreux systèmes devront exécuter tous leurs calculs avec un approvisionnement limité en énergie électrique et ainsi, pour équilibrer ces contraintes énergétiques avec la quantité d’informations qu’ils doivent traiter, ils auront probablement besoin d’une structure cérébrale similaire au nôtre. »

La recherche a été financée par le Medical Research Council, Gates Cambridge, la Fondation James S McDonnell, la Templeton World Charity Foundation et Google DeepMind.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

*