Pourquoi même le cerveau d'un papillon de nuit est plus intelligent qu'une IA

L'une des caractéristiques curieuses des réseaux de neurones profonds derrière l'apprentissage automatique est qu'ils sont étonnamment différents des réseaux de neurones des systèmes biologiques. Bien qu'il existe des similitudes, certains mécanismes critiques d'apprentissage automatique n'ont pas d'analogue dans le monde naturel, où l'apprentissage semble se produire d'une manière différente.

Ces différences expliquent probablement pourquoi les systèmes d'apprentissage automatique sont si loin derrière les systèmes naturels dans certains aspects de la performance. Les insectes, par exemple, peuvent reconnaître les odeurs après seulement quelques expositions. Les machines, en revanche, ont besoin d'énormes ensembles de données de formation pour apprendre. Les informaticiens espèrent que mieux comprendre les formes naturelles d'apprentissage les aidera à combler l'écart.

Entrez Charles Delahunt et ses collègues de l'Université de Washington à Seattle, qui ont créé un réseau neuronal artificiel qui imite la structure et le comportement du système d'apprentissage olfactif dans vendredi manduca papillons de nuit. Ils disent que leur système fournit des informations importantes sur la façon dont les réseaux naturels apprennent, avec des implications potentielles pour les machines.

Tout d'abord un peu de contexte. Le système d'apprentissage olfactif chez les papillons de nuit est relativement simple et bien cartographié par les neuroscientifiques. Il se compose de cinq réseaux distincts qui transmettent les informations de l'un à l'autre.

Le premier est un système d'environ 30 000 récepteurs chimiques qui détectent les odeurs et envoient un ensemble de signaux plutôt bruyants au niveau suivant, connu sous le nom de lobe d'antenne. Celui-ci contient environ 60 unités, appelées glomérules, qui se concentrent chacune sur des odeurs spécifiques.

Le lobe de l'antenne envoie ensuite des codes d'odeur neuraux au corps du champignon, qui contient quelque 4 000 cellules kenyon et est censé coder les odeurs sous forme de souvenirs.

Enfin, le résultat est lu par une couche de neurones extrinsèques, qui se comptent par dizaines. Ceux-ci interprètent les signaux du corps du champignon comme des actions, comme voler contre le vent.

Plusieurs aspects de ce système sont totalement différents de ce que l'on trouve dans les réseaux d'apprentissage automatique. Par exemple, le lobe de l'antenne code les informations dans un espace de paramètres de faible dimension mais les envoie au corps de champignon, qui les code dans un espace de paramètres de haute dimension. En revanche, les couches des réseaux de neurones artificiels ont tendance à avoir des dimensions similaires.

Et chez les papillons de nuit, la reconnaissance réussie d'une odeur déclenche un mécanisme de récompense dans lequel les neurones pulvérisent un neurotransmetteur chimique appelé octopamine dans le lobe de l'antenne et le corps du champignon.

C'est une partie cruciale du processus d'apprentissage. L'octopamine semble aider à renforcer le câblage neuronal qui mène au succès. C'est un élément clé de l'apprentissage hebbien, dans lequel les cellules qui s'allument ensemble se connectent ensemble. En effet, les neuroscientifiques savent depuis longtemps que les papillons de nuit n'apprennent pas sans l'octopamine. Mais le rôle qu'il joue n'est pas bien compris.

L'apprentissage dans les machines est très différent. Il repose sur un processus appelé rétropropagation, qui modifie les connexions neuronales de manière à améliorer les résultats. Mais l'information voyage essentiellement vers l'arrière à travers le réseau dans ce processus, et il n'y a pas d'analogue connu dans la nature.

Pour mieux comprendre la façon dont les papillons de nuit apprennent, Delahunt et co ont créé un réseau neuronal artificiel qui imite le comportement du naturel. Nous avons construit un modèle informatique de bout en bout de la vendredi manduca système olfactif du papillon de nuit qui comprend l'interaction du lobe de l'antenne et du corps du champignon sous stimulation par l'octopamine, disent-ils.

Le modèle est spécifiquement conçu pour reproduire le comportement du système naturel à tous les niveaux. En particulier, le modèle simule les signaux bruyants générés par les récepteurs d'odeurs et le changement de dimension lorsque l'information circule du lobe de l'antenne vers le corps du champignon, et il inclut un analogue du rôle joué par l'octopamine.

Et les résultats rendent la lecture intéressante. Le modèle montre comment les récepteurs d'odeurs produisent un signal bruyant pré-amplifié par le lobe de l'antenne. Cependant, le changement de dimension au fur et à mesure que le signal se déplace vers le corps du champignon a pour effet de supprimer le bruit, ce qui permet au système de générer des signaux d'action spécifiques et sans ambiguïté comme voler contre le vent.

Le rôle de l'octopamine semble également plus clair. Les simulations montrent que l'apprentissage peut se faire sans octopamine, mais il est si lent qu'il est effectivement inutile. Cela implique que l'octopamine agit comme un puissant accélérateur de l'apprentissage.

Mais la façon dont cela fonctionne est encore en discussion. Delahunt et co ont leurs propres idées. Peut-être s'agit-il d'un mécanisme qui permet au papillon de contourner les contraintes organiques intrinsèques à la croissance hebbienne de nouvelles synapses, contraintes qui autrement limiteraient le papillon à un rythme d'apprentissage inacceptablement lent, suggèrent-ils.

L'octopamine a également un autre rôle. L'apprentissage hebbien ne fait que renforcer les connexions qui existent déjà, ce qui soulève la question de savoir comment se produit le nouveau câblage. Delahunt et co disent que l'octopamine ouvre de nouveaux canaux de transmission pour le câblage. Cela élargit l'espace de solutions que le système peut explorer pendant l'apprentissage, disent-ils.

Et le plus impressionnant est que le réseau simulé apprend de la même manière que le réseau naturel. Notre modèle est capable d'apprendre de manière robuste de nouvelles odeurs, et nos simulations de neurones intégrés et déclenchés correspondent aux caractéristiques statistiques des données de taux de déclenchement in vivo, disent Delahunt et co.

Ces travaux pourraient avoir des implications importantes pour la conception de réseaux de neurones synthétiques qui doivent apprendre rapidement. Du point de vue de l'apprentissage automatique, le modèle produit des mécanismes bioinspirés qui sont potentiellement utiles dans la construction de réseaux de neurones pour un apprentissage rapide à partir de très peu d'échantillons, selon l'équipe.

Ainsi, les réseaux d'apprentissage automatique du futur pourraient bientôt contenir des versions simulées d'octopamine et d'autres neurotransmetteurs.

Bien sûr, ce n'est pas seulement dans l'apprentissage que les neurotransmetteurs sont importants. Les neuroscientifiques sont bien conscients du rôle qu'ils jouent dans les émotions, la régulation de l'humeur, etc. C'est là une autre piste de recherche que les équipes de machine learning seront intéressées à explorer.

Réf : arxiv.org/abs/1802.02678 : Mécanismes biologiques pour l'apprentissage : un modèle informatique de l'apprentissage olfactif chez le papillon Manduca sexta, avec des applications aux réseaux de neurones

cacher