L’importance de la diversité neuronale : un bond en avant pour l’efficacité et les performances de l’IA

Le rôle de la diversité a été un sujet de discussion dans divers domaines, de la biologie à la sociologie. Cependant, une récente étude de l’Université d’État de Caroline du Nord, du Laboratoire d’intelligence artificielle non linéaire (NAIL), ouvre une dimension intrigante à ce discours : la diversité au sein des réseaux de neurones artificiels (IA).

Le pouvoir de l’auto-réflexion : régler les réseaux de neurones de manière interne

William Ditto, professeur de physique à l’Université d’État de Caroline du Nord et directeur de NAIL, et son équipe ont construit un système d’IA capable de “regarder en dedans” et d’ajuster son réseau de neurones. Le processus permet à l’IA de déterminer le nombre, la forme et la force de connexion entre ses neurones, offrant le potentiel de sous-réseaux avec différents types de neurones et de forces.

“Nous avons créé un système de test avec une intelligence non humaine, une intelligence artificielle, pour voir si l’IA choisirait la diversité plutôt que l’absence de diversité et si son choix améliorerait les performances de l’IA”, déclare Ditto. “La clé était de donner à l’IA la capacité de regarder en dedans et d’apprendre comment elle apprend.”

Contrairement aux IA conventionnelles qui utilisent des neurones statiques et identiques, l’IA de Ditto a le “contrôle de son propre cerveau”, lui permettant d’engager un processus d’apprentissage meta, qui améliore sa capacité d’apprentissage et de résolution de problèmes. “Notre IA pouvait également choisir entre des neurones divers ou homogènes”, déclare Ditto, “Et nous avons constaté que dans chaque cas, l’IA a choisi la diversité comme moyen de renforcer ses performances.”

Évolution d’un réseau de neurones artificiel conventionnel à un réseau de neurones diversifié, puis à un réseau de neurones diversifié appris. Les épaisseurs des lignes représentent les poids

Métriques de performance : la diversité l’emporte sur l’uniformité

L’équipe de recherche a mesuré les performances de l’IA avec un exercice de classification numérique standard et a constaté des résultats remarquables. Les IA conventionnelles, avec leurs réseaux de neurones statiques et homogènes, ont obtenu un taux d’exactitude de 57 %. En revanche, l’IA meta-apprentissage, diversifiée, a atteint un taux d’exactitude de 70 %.

Selon Ditto, l’IA basée sur la diversité montre jusqu’à 10 fois plus d’exactitude dans la résolution de tâches plus complexes, telles que la prédiction du mouvement d’un pendule ou du mouvement des galaxies. “En effet, nous avons également constaté que plus les problèmes deviennent complexes et chaotiques, les performances s’améliorent encore plus dramatiquement par rapport à une IA qui n’embrasse pas la diversité”, explique-t-il.

Les implications : un changement de paradigme dans le développement de l’IA

Les résultats de cette étude ont des implications considérables pour le développement des technologies d’IA. Ils suggèrent un changement de paradigme des modèles de réseaux de neurones actuellement prédominants, qui sont statiques et uniformes, vers des modèles dynamiques et auto-régulateurs.

“Nous avons montré que si vous donnez à une IA la capacité de regarder en dedans et d’apprendre comment elle apprend, elle changera sa structure interne – la structure de ses neurones artificiels – pour embrasser la diversité et améliorer sa capacité à apprendre et à résoudre des problèmes de manière efficace et plus précise”, conclut Ditto. Cela pourrait être particulièrement pertinent dans des applications qui nécessitent des niveaux élevés d’adaptabilité et d’apprentissage, des véhicules autonomes à la diagnostic médical.

Cette recherche ne met pas seulement en lumière la valeur intrinsèque de la diversité, mais ouvre également de nouvelles voies pour la recherche et le développement de l’IA, soulignant la nécessité d’architectures de neurones dynamiques et adaptables. Avec le soutien continu de l’Office of Naval Research et d’autres collaborateurs, la prochaine phase de recherche est attendue avec impatience.

En embrassant les principes de diversité de manière interne, les systèmes d’IA peuvent gagner considérablement en termes de performances et de capacités de résolution de problèmes, potentiellement révolutionnant notre approche de l’apprentissage automatique et du développement de l’IA.