Les chercheurs proposent une nouvelle approche avec des « algorithmes évolutionnaires »

Alors que nos ordinateurs actuels effectuent généralement des actions préprogrammées, cela contraste avec notre cerveau, qui est très adaptable. Notre adaptabilité dépend fortement de la plasticité synaptique, les synapses étant les points de connexion entre les neurones. Les neuroscientifiques sont profondément intrigués par la plasticité synaptique puisqu’elle est clé des processus d’apprentissage et de mémoire.

Les chercheurs en neurosciences et en intelligence artificielle (IA) développent des modèles pour les mécanismes de ces processus sous-jacents afin de mieux comprendre le cerveau. Ces modèles nous aident à acquérir une compréhension du traitement de l’information biologique, et ils sont essentiels pour aider les machines à apprendre plus rapidement.

« Algorithmes évolutionnaires »

Les chercheurs de l’Institut de physiologie de l’Université de Berne ont maintenant développé une nouvelle approche basée sur des « algorithmes évolutionnaires », et ces programmes informatiques recherchent des solutions en imitant le processus de l’évolution biologique.

L’équipe de recherche a été dirigée par le Dr Mihai Petrovici de l’Institut de physiologie de l’Université de Berne et de l’Institut Kirchhoff de physique de l’Université de Heidelberg.

L’étude a été publiée dans la revue eLife.

Tout cela signifie que l’aptitude biologique, qui est le degré auquel un organisme s’adapte à son environnement, peut être un modèle pour les algorithmes évolutionnaires. Avec ces algorithmes, l’« aptitude » d’une solution candidate dépend de sa capacité à résoudre le problème sous-jacent.

Trois scénarios d’apprentissage

La nouvelle approche est appelée « évoluer pour apprendre » ou « devenir adaptable ». L’équipe s’est concentrée sur trois scénarios d’apprentissage typiques, le premier consistant à ce qu’un ordinateur détecte un motif répétitif dans un flux d’entrée continu sans recevoir de rétroaction sur ses performances.

Le deuxième scénario impliquait que l’ordinateur reçoive des récompenses virtuelles lorsqu’il exécutait un comportement souhaité.

Le troisième scénario impliquait un « apprentissage guidé » où l’ordinateur était informé de la façon dont son comportement s’écartait du comportement souhaité.

Le Dr Jakob Jordan est l’auteur correspondant et co-premier auteur de l’Institut de physiologie de l’Université de Berne.

« Dans tous ces scénarios, les algorithmes évolutionnaires ont pu découvrir des mécanismes de plasticité synaptique, et ainsi résoudre avec succès une nouvelle tâche », a déclaré le Dr Jordan.

Les algorithmes ont démontré une forte créativité.

Le Dr Maximilian Schmidt est co-premier auteur de l’étude.

« Par exemple, l’algorithme a trouvé un nouveau modèle de plasticité dans lequel les signaux que nous avons définis sont combinés pour former un nouveau signal. En fait, nous observons que les réseaux utilisant ce nouveau signal apprennent plus rapidement qu’avec les règles connues précédemment », a déclaré le Dr Schmidt.

« Nous considérons E2L comme une approche prometteuse pour acquérir des connaissances approfondies sur les principes d’apprentissage biologique et accélérer les progrès vers des machines d’apprentissage artificiel puissantes », a déclaré Petrovici.

« Nous espérons qu’il accélérera la recherche sur la plasticité synaptique dans le système nerveux », a commenté le Dr Jordan.

L’équipe affirme que les nouvelles découvertes fourniront une compréhension plus approfondie de la façon dont les cerveaux sains et malades fonctionnent, et qu’elles pourraient aider à développer des machines intelligentes qui peuvent s’adapter aux utilisateurs.