Un nouveau modèle virtuel Cortex à grande échelle qui réussit très bien à résoudre des tâches visuelles

Newswise – Les chercheurs de HBP ont formé un modèle à grande échelle du cortex visuel primaire de la souris pour résoudre des tâches visuelles de manière très puissante. Le modèle fournit la base d’une nouvelle génération de modèles de réseaux neuronaux. En raison de leur polyvalence et de leur traitement économe en énergie, ces modèles peuvent contribuer aux progrès de l’informatique neuronale.

La modélisation du cerveau pourrait avoir un impact énorme sur l’intelligence artificielle (IA) : étant donné que le cerveau traite les images de manière plus économe en énergie que les réseaux artificiels, les scientifiques s’inspirent des neurosciences pour créer des réseaux de neurones qui fonctionnent un peu comme des réseaux biologiques. économiser l’énérgie.

En ce sens, les réseaux neuronaux inspirés du cerveau sont susceptibles d’avoir un impact sur la technologie future, en servant de modèles pour le traitement visuel dans des systèmes neuronaux plus économes en énergie. Aujourd’hui, une étude menée par des chercheurs du Human Brain Project (HBP) de l’Université de technologie de Graz (Autriche) a montré comment un grand modèle basé sur les données peut reproduire un certain nombre de capacités de traitement visuel du cerveau de manière polyvalente et précise. Les résultats ont été publiés dans la revue progrès scientifique.

Avec l’aide des systèmes PCP Pilot du Jülich Supercomputing Center, qui a été développé en collaboration entre HBP et la société de logiciels Nvidia, l’équipe a analysé un modèle biologiquement détaillé à grande échelle du cortex visuel primaire de la souris qui peut résoudre de nombreuses tâches de traitement visuel. . Ce modèle fournit la plus grande intégration des détails anatomiques et des données neurophysiologiques actuellement disponibles pour la zone du cortex visuel V1, la première zone corticale à recevoir et traiter les informations visuelles.

Le modèle a été construit avec une architecture différente de celle des réseaux de neurones profonds utilisés dans l’IA actuelle, et les chercheurs ont découvert qu’il présente des avantages intéressants en termes de vitesse d’apprentissage et de performances de traitement visuel par rapport aux modèles généralement utilisés pour le traitement visuel dans l’IA.

Le modèle a pu résoudre les cinq tâches visuelles présentées par l’équipe avec une grande précision. Par exemple, ces tâches consistaient à classer des images de chiffres manuscrits ou à détecter des changements visuels dans une longue série d’images. Remarquablement, le modèle hypothétique a atteint les mêmes performances cérébrales élevées même lorsque les chercheurs ont soumis le modèle à un bruit d’image et de réseau qu’il n’a pas rencontré pendant l’entraînement.

L’une des raisons de la force supérieure du modèle – ou de sa capacité à gérer les erreurs ou les entrées inattendues, telles que le bruit dans les images – est qu’il reproduit de nombreuses propriétés de codage distinctives du cerveau.

Après avoir développé un outil unique pour étudier le traitement visuel et le codage neuronal de type cérébral, les auteurs décrivent leur nouveau modèle comme offrant « une fenêtre sans précédent sur la dynamique de cette région du cerveau ».