Rat 3D contrôlé par IA pourrait conduire à de nouvelles découvertes en neurosciences

Des chercheurs de l’Université de Harvard et de DeepMind ont récemment créé un modèle virtuel, biologiquement précis, d’un rat 3D qui peut être contrôlé par des réseaux de neurones artificiels. Les chercheurs espèrent que l’étude de la façon dont un réseau de neurones artificiels contrôle un rat simulé dans un environnement 3D pourrait donner des indices aux neuroscientifiques sur la façon dont les cerveaux réels contrôlent les organismes.

Comme l’a récemment rapporté IEEE Spectrum, un nouvel article qui sera présenté cette semaine à la Conférence internationale sur les représentations d’apprentissage détaille la création d’un environnement simulé 3D. Un modèle 3D d’un rat existe dans cet environnement, et le rat de laboratoire généré par ordinateur sera contrôlé par des modèles d’IA. L’objectif de la nouvelle étude est de voir si les réseaux de neurones qui contrôlent le rat pourraient avoir des fonctions analogues à celles trouvées dans les cerveaux biologiques.

Les briques de base des réseaux de neurones profonds sont les neurones, ou les nœuds qui transforment les données avec des fonctions mathématiques. Ces neurones sont joints ensemble en couches d’une manière qui ressemble aux connexions synaptiques du cerveau. Bien qu’il y ait de nombreuses différences notables entre les réseaux de neurones artificiels et les cerveaux réels, un certain nombre de neuroscientifiques et de chercheurs pensent que les parallèles qui existent entre les deux pourraient fournir des insights utiles sur la façon dont les cerveaux fonctionnent, améliorant ainsi à la fois l’IA et les neurosciences.

L’environnement 3D généré par ordinateur créé par les chercheurs doit agir comme une plate-forme expérimentale contrôlée pour les chercheurs en IA. Les chercheurs pourront utiliser l’environnement pour expérimenter la façon dont les différents réseaux de neurones traitent les défis et la façon dont ils abordent (ou n’abordent pas) les réseaux biologiques. Comme l’a expliqué Jesse Marshall, chercheur postdoctoral et co-auteur de l’étude, cité par IEEE Spectrum, alors que la plupart des expériences de neurosciences analysent les cerveaux des animaux lorsqu’ils effectuent une tâche (ou juste quelques tâches), et que la plupart des robots sont conçus pour juste quelques tâches, une explication plus robuste de la façon dont les cerveaux flexibles fonctionnent et apparaissent est nécessaire. Selon Marshall, l’article « est le début de notre effort pour comprendre comment la flexibilité se développe et est mise en œuvre dans le cerveau, et utiliser les insights que nous obtenons pour concevoir des agents artificiels avec des capacités similaires ».

Le rat conçu par ordinateur est biologiquement précis, avec toutes les articulations et les muscles que l’on trouverait dans un rat réel. Le rat a également des sens simulés comme la proprioception (le sens de ses parties du corps dans l’espace) et la vision. Le réseau de neurones qui contrôle les mouvements du rat a été formé sur quatre tâches différentes : taper sur une balle avec un timing précis, naviguer dans un labyrinthe, sauter par-dessus des intervalles et naviguer dans une région escarpée et accidentée.

Lorsque le rat virtuel a terminé les tâches, l’équipe de recherche a analysé les enregistrements de l’activité du réseau en utilisant des techniques basées sur celles utilisées dans le domaine des neurosciences. Les chercheurs ont analysé l’activité du réseau pour déterminer comment le réseau avait manifesté le schéma de contrôle moteur nécessaire pour effectuer les tâches assignées.

Les chercheurs ont constaté que le réseau de neurones réutilisait certaines représentations pour les différentes tâches, en appliquant des modèles communs à différents scénarios. L’activité neuronale était souvent représentée sous forme de séquences discrètes, ce qui est quelque chose qui a été observé chez les rongeurs réels et les oiseaux. Une découverte inattendue a été que l’activité naturelle dans un modèle d’IA semblait être présente sur une période de temps plus longue que ce qui était attendu si le modèle d’IA ne contrôlait que les mouvements des membres et des muscles. Cela pourrait suggérer que le réseau d’IA manifeste des comportements et des mouvements à un niveau abstrait pour des choses comme le saut et la course. Cela reflète les modèles cognitifs qui ont été proposés pour les animaux réels.

Bien que les réseaux de neurones artificiels puissent manquer d’incarnation physiologique et de réalisme des réseaux de neurones réels, des neuroscientifiques comme Blake Richards de l’Université McGill au Canada soutiennent, comme l’a rapporté IEEE Spectrum, que les modèles partagent de nombreuses fonctionnalités importantes du traitement neuronal avec les réseaux de neurones réels, et qu’ils sont utiles pour faire des prédictions sur la façon dont l’activité neuronale pourrait influencer le comportement. Par conséquent, la réalisation récente de l’article a été de concevoir une méthode d’expérimentation avec des réseaux de neurones et de les former dans un environnement plus réaliste, permettant une meilleure comparaison avec les expériences impliquant des données biologiques.

Stephen Scott, neuroscientifique de l’Université Queen’s au Canada, croit également que le cadre conçu dans le nouvel article pourrait être une méthode utile pour examiner les fondements neuronaux du comportement. Le rat virtuel est capable de réaliser une variété de comportements multétapes et complexes qui peuvent être précisément corrélés avec l’activité neuronale. C’est un avantage par rapport à la façon dont la plupart des expériences avec des modèles animaux sont réalisées sur des tâches simples, en raison de la complexité de l’enregistrement de l’activité neuronale.

Cependant, Scott reconnaît également que le processus de collecte de données neuronales à partir d’animaux réalisant des tâches compliquées peut être extrêmement difficile. Par conséquent, Scott espère voir les auteurs de l’article comparer l’activité neuronale du rat virtuel, alors qu’il effectue des tâches faciles, à l’activité trouvée dans les expériences de laboratoire réelles, afin de mieux comprendre comment les modèles virtuels et les modèles de cerveau réels diffèrent.