Les algorithmes imitent le processus d’évolution biologique pour apprendre efficacement

Quand les algorithmes deviennent créatifs

Évolution artificielle des règles de plasticité synaptique dans les réseaux de neurones à dopage. (A) Croquis de microcircuits corticaux constitués de cellules pyramidales (orange) et d’interneurones inhibiteurs (bleu). La stimulation provoque des potentiels d’action dans les cellules pré- et post-synaptiques, qui, à leur tour, influencent la plasticité synaptique. (B) La plasticité synaptique entraîne un changement de poids (Δw) entre les deux cellules, mesurée ici par la variation de l’amplitude des potentiels post-synaptiques. Le changement de poids synaptique peut être exprimé par une fonction F qu’en plus des timings de pointe (tpré,tPublier) peut prendre en compte des grandeurs locales supplémentaires, telles que la concentration de neuromodulateurs (ρ, points verts en A) ou les potentiels membranaires postsynaptiques. (C) Pour une configuration expérimentale spécifique, un algorithme évolutionnaire recherche des individus représentant des fonctions ff qui maximisent la fonction de fitness correspondante . Une progéniture est générée en modifiant le génome d’un individu parent. Plusieurs exécutions de l’algorithme évolutif peuvent découvrir des solutions phénoménologiquement différentes (F0,F1,F2) avec une condition physique comparable. (D) Une progéniture est générée à partir d’un parent unique par mutation. Les mutations du génome peuvent, par exemple, échanger des opérateurs mathématiques, entraînant une fonction différente F. Crédit : DOI : 10.7554/eLife.66273

Découvrir les mécanismes d’apprentissage via la plasticité synaptique est une étape cruciale vers la compréhension du fonctionnement de notre cerveau et la construction de machines adaptatives vraiment intelligentes. Des chercheurs de l’Université de Berne proposent une nouvelle approche dans laquelle les algorithmes imitent l’évolution biologique et apprennent efficacement grâce à l’évolution créative.

Notre cerveau est incroyablement adaptatif. Chaque jour, nous formons de nouveaux souvenirs, acquérons de nouvelles connaissances ou affinons des compétences existantes. Cela contraste fortement avec nos ordinateurs actuels, qui n’effectuent généralement que des actions préprogrammées. Au cœur de notre adaptabilité se trouve la plasticité synaptique. Les synapses sont les points de connexion entre les neurones, qui peuvent changer de différentes manières selon la façon dont ils sont utilisés. Cette plasticité synaptique est un sujet de recherche important en neurosciences, car elle est au cœur des processus d’apprentissage et de la mémoire. Pour mieux comprendre ces processus cérébraux et construire des machines adaptatives, des chercheurs dans les domaines des neurosciences et de l’intelligence artificielle (IA) créent des modèles pour les mécanismes sous-jacents à ces processus. De tels modèles d’apprentissage et de plasticité aident à comprendre le traitement de l’information biologique et devraient également permettre aux machines d’apprendre plus rapidement.

Les algorithmes imitent l’évolution biologique

Travaillant dans le cadre du projet européen sur le cerveau humain, des chercheurs de l’Institut de physiologie de l’Université de Berne ont maintenant développé une nouvelle approche basée sur des algorithmes dits évolutionnaires. Ces programmes informatiques recherchent des solutions aux problèmes en imitant le processus d’évolution biologique, tel que le concept de sélection naturelle. Ainsi, la fitness biologique, qui décrit le degré d’adaptation d’un organisme à son environnement, devient un modèle pour les algorithmes évolutifs. Dans de tels algorithmes, la « conformité » d’une solution candidate est la façon dont elle résout le problème sous-jacent.

Créativité incroyable

L’approche nouvellement développée est appelée approche « évoluer pour apprendre » (E2L) ou « devenir adaptatif ». L’équipe de recherche dirigée par le Dr Mihai Petrovici de l’Institut de physiologie de l’Institut de physique de l’Université de Bernand Kirchhoff à l’Université de Heidelberg, a confronté les algorithmes évolutionnaires à trois scénarios d’apprentissage typiques. Dans le premier, l’ordinateur devait détecter un motif répétitif dans un flux continu d’entrées sans recevoir de retour sur ses performances. Dans le deuxième scénario, l’ordinateur recevait des récompenses virtuelles lorsqu’il se comportait d’une manière particulière souhaitée. Enfin, dans le troisième scénario de « l’apprentissage guidé », l’ordinateur s’est vu dire précisément à quel point son comportement s’écartait de celui souhaité.

« Dans tous ces scénarios, les algorithmes évolutionnaires ont pu découvrir des mécanismes de plasticité synaptique et ainsi résoudre avec succès une nouvelle tâche », explique le Dr Jakob Jordan, correspondant et co-premier auteur de l’Institut de physiologie de l’Université de Berne. Ce faisant, les algorithmes ont fait preuve d’une créativité étonnante : « 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’auparavant. règles connues », souligne le Dr Maximilian Schmidt du RIKEN Center for Brain Science à Tokyo, co-premier auteur de l’étude. Les résultats ont été publiés dans la revue eLife.

« Nous considérons l’E2L comme une approche prometteuse pour acquérir des connaissances approfondies sur les principes d’apprentissage biologique et accélérer les progrès vers de puissantes machines d’apprentissage artificiel », déclare Mihai Petrovoci. « Nous espérons que cela accélérera les recherches sur la plasticité synaptique dans le système nerveux », conclut Jakob Jordan. Les résultats fourniront de nouvelles informations sur le fonctionnement des cerveaux sains et malades. Ils peuvent également ouvrir la voie au développement de machines intelligentes qui peuvent mieux s’adapter aux besoins de leurs utilisateurs.


La plasticité neuronale à mésoéchelle aide à l’apprentissage de l’IA


Plus d’information:
Jakob Jordan et al, Évolution de la plasticité interprétable pour les réseaux de dopage, eLife (2021). DOI : 10.7554 / eLife.66273

Informations sur la revue :
eLife

Fourni par l’Université de Berne

Citation: Les algorithmes imitent le processus d’évolution biologique pour apprendre efficacement (2021, 11 novembre) récupéré le 11 novembre 2021 sur https://techxplore.com/news/2021-11-algorithms-mimic-biological-evolution-efficiently.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.