Des scientifiques de Cambridge ont montré que le fait d’imposer des contraintes physiques à un système d’IA – de la même manière qu’un cerveau humain doit se développer et fonctionner dans le cadre de contraintes physiques et biologiques – lui permet de faire évoluer les caractéristiques du cerveau d’organismes complexes afin de résoudre le problème. Tâches.
À mesure que les systèmes nerveux, comme 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 tant de cerveaux convergent vers des solutions organisationnelles similaires.
« Non seulement le cerveau est excellent pour résoudre des problèmes complexes, mais il le fait en utilisant très peu d’énergie », a déclaré Jascha Achterberg, chercheur chez Gates au Medical Research Council Cognition and Brain Sciences Unit (MRC CBSU) de l’Université de Cambridge. notre vie, dans de nouveaux travaux, nous montrons que l’examen des capacités du cerveau à résoudre des problèmes ainsi que son objectif de dépenser le moins de ressources possible peut nous aider à comprendre pourquoi les cerveaux ressemblent à ce qu’ils sont.
Cela découle d’un principe général selon lequel les systèmes biologiques évoluent généralement pour tirer le meilleur parti des ressources énergétiques dont ils disposent. « Les solutions qu’ils proposent sont souvent très élégantes et reflètent les compromis entre les différentes forces qui leur sont imposées. »
Dr Daniel Akarka, coauteur, MRC CBSU
Dans une étude publiée aujourd’hui dans L’intelligence artificielle de la natureAchterberg, Akarka et leurs collègues ont créé un système artificiel visant à modéliser une version hautement simplifiée du cerveau et à appliquer des contraintes physiques. Ils ont découvert que leur système continuait à développer 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 : chacun prend une entrée, la transforme et produit une sortie, et un nœud ou un neurone peut se connecter à plusieurs autres, qui sont tous des informations d’entrée à calculer.
Cependant, dans leur système, les chercheurs ont appliqué une contrainte « physique » au système. Chaque nœud se voit attribuer un emplacement spécifique dans un espace virtuel, et plus deux nœuds sont éloignés, plus il est difficile de communiquer entre eux. Ceci est similaire à la façon dont les neurones sont organisés dans le cerveau humain.
Les chercheurs ont confié au système une tâche simple à accomplir : dans ce cas, une version simplifiée de la tâche de navigation dans un labyrinthe généralement confiée à des animaux tels que les rats et les macaques lors de l’étude du cerveau, où ils doivent combiner plusieurs éléments d’information pour décider du résultat. chemin le plus court pour atteindre un 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 possible de observer, à différents moments de l’expérience, quels nœuds sont importants. Par exemple, un certain ensemble de nœuds peut coder des emplacements finaux, tandis que d’autres ensembles codent des chemins disponibles, et il est possible de suivre quels nœuds sont actifs à différentes étapes d’une tâche.
Au départ, le système ne sait pas comment terminer 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 lorsque nous apprenons. Le système répète ensuite la tâche encore et encore, jusqu’à ce qu’il apprenne finalement à l’exécuter correctement.
Cependant, dans leur système, la contrainte physique signifiait que plus les 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 surmonter ces limitations, 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.
Mais ce qui était encore plus surprenant, c’est que les profils de réponse des nœuds individuels eux-mêmes ont commencé à changer : en d’autres termes, au lieu d’avoir un système dans lequel chaque nœud codait une caractéristique particulière de la tâche du labyrinthe, comme l’emplacement de la cible ou le choix suivant, les nœuds développés Système de codage flexible. Cela signifie qu’à différents moments, une combinaison de caractéristiques du labyrinthe peut être déclenchée. Par exemple, le même nœud peut être capable de coder plusieurs emplacements dans un labyrinthe, plutôt que d’avoir besoin de nœuds spécialisés pour coder des emplacements spécifiques. C’est une autre caractéristique qui apparaît dans le cerveau des organismes complexes.
Le professeur Duncan Astle, co-auteur du département de psychiatrie de l’université de Cambridge, a déclaré : « Cette simple contrainte – il est difficile de connecter des nœuds éloignés les uns des autres – oblige les systèmes artificiels à produire des propriétés très complexes. propriétés partagées par des systèmes biologiques tels que le cerveau humain. « Je pense que cela nous dit quelque chose de fondamental sur la raison pour laquelle notre cerveau est organisé de cette façon. »
Comprendre le cerveau humain
L’équipe espère que leur système d’IA commencera à faire la lumière sur la manière dont ces limitations façonnent les différences entre les cerveaux des personnes et contribueront aux différences observées chez les personnes souffrant de difficultés cognitives ou mentales.
Le professeur John Duncan, co-auteur du MRC CBSU, a déclaré : « Ces cerveaux artificiels nous permettent de comprendre les données riches et étonnantes que nous voyons lorsque l’activité neuronale réelle est enregistrée dans de vrais cerveaux. »
« Les « cerveaux » artificiels nous permettent de poser des questions qui seraient impossibles à considérer dans un système biologique réel », a ajouté Achterberg. « Nous pouvons entraîner le système à effectuer des tâches, puis jouer expérimentalement avec les contraintes que nous imposons, pour voir s’il peut effectuer les tâches ou non. « Cela commence à ressembler davantage au cerveau de certains individus. »
Implications pour la conception des futurs systèmes d’intelligence artificielle
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 limitations physiques.
« Les chercheurs en IA tentent constamment de comprendre comment créer des systèmes neuronaux complexes capables de coder et de fonctionner de manière flexible et efficace », a déclaré le Dr Akarca. « Pour y parvenir, nous pensons que la neurobiologie nous fournira beaucoup d’inspiration. Pour Par exemple, le coût total 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 n’utilisent que superficiellement des structures de type cérébral. Les chercheurs affirment que leurs travaux montrent que le type de problème résolu par l’IA influencera l’architecture la plus robuste à utiliser.
« Si vous souhaitez construire un système d’IA qui résout des problèmes similaires à ceux des humains, le système finira par ressembler beaucoup plus à un cerveau réel que les systèmes fonctionnant sur un grand cluster informatique spécialisé dans des tâches très différentes de celui-là », a déclaré Achterberg. . « Les humains les mettent en œuvre. L’architecture et l’architecture que nous voyons dans notre » cerveau « artificiel existent parce qu’elles sont utiles pour faire face aux défis spécifiques du cerveau auxquels il est confronté. «
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 semblables aux nôtres.
« Le cerveau des robots déployés dans le monde physique réel ressemblera probablement à notre cerveau car ils pourraient être confrontés aux mêmes défis que nous », a ajouté Achterberg. « Ils doivent constamment traiter de nouvelles informations provenant de leurs capteurs tout en contrôlant leur corps. » Se déplacer dans l’espace vers un but. « De nombreux systèmes devront exécuter tous leurs calculs avec une alimentation électrique limitée. Ainsi, pour équilibrer ces limitations de puissance avec la quantité d’informations qu’ils doivent traiter, ils auront probablement besoin d’une structure cérébrale similaire à la nôtre. »
La recherche a été financée par le Medical Research Council, Gates Cambridge, la Fondation James S. McDonnell, le Templeton Global Charitable Trust et Google DeepMind.
source:
Référence du magazine :
Achterberg, J., et autres. (2023). Les réseaux neuronaux récurrents spatialement intégrés révèlent des liens à grande échelle entre les découvertes structurelles et fonctionnelles des neurosciences. L’intelligence artificielle de la nature. est ce que je.org/10.1038/s42256-023-00748-9.