La combinaison de l'IA et de la science du cerveau promet des avantages pour les deux domaines
Cetan Pandarinah veut donner aux personnes aux membres paralysés la possibilité de faire fonctionner des objets à l'aide d'un bras robotisé aussi naturellement que le sien. Pour atteindre cet objectif, il a recueilli des enregistrements de l'activité cérébrale chez les personnes paralysées. Son espoir, partagé par de nombreux chercheurs, est qu'il est possible d'établir des schémas d'activité électrique dans les neurones qui contrôlent le mouvement de la main afin que ces instructions puissent ensuite être soumises à la prothèse. Il s'agit essentiellement d'une lecture de la pensée.
"Il s'avère que ces signaux cérébraux sont très difficiles à comprendre", a déclaré un ingénieur biomédical au Georgia Institute of Technology à Atlanta Pandarin. À la recherche d'une solution au problème, il s'est tourné vers l'IA. Il a utilisé ses enregistrements de l'activité cérébrale pour former un réseau neuronal artificiel - une architecture informatique, dont l'idée a été empruntée au cerveau, et lui a confié la tâche de reproduire les données.
Des enregistrements ont été réalisés sur un petit groupe de neurones dans le cerveau - environ 200 sur 10 à 100 millions de neurones qui contrôlent le mouvement des mains humaines. Pour qu'un si petit échantillon ait un sens, l'ordinateur a dû trouver des modèles que les chercheurs appellent des facteurs cachés qui contrôlent le comportement global de l'activité cérébrale enregistrée. Cette étude a révélé la dynamique temporelle de l'activité neuronale, générant un ensemble d'instructions plus précises pour le mouvement de la main que les méthodes précédentes. "Maintenant, nous pouvons dire, à la milliseconde près, que l'animal expérimental essaie de se déplacer à cet angle exact", explique Pandarinakh, "c'est exactement ce que nous devons savoir afin de contrôler le bras robotique."
Son travail n'est qu'un exemple de l'interaction croissante entre l'IA et les sciences cognitives. L'IA, avec sa capacité à identifier des modèles dans de grands ensembles de données complexes, a fait des progrès remarquables au cours de la dernière décennie, en particulier en émulant le processus par lequel le cerveau effectue certains calculs. Les RNA, similaires aux réseaux de neurones qui composent le cerveau, ont donné aux ordinateurs la capacité de distinguer l'image d'un chat des autres images, d'identifier les piétons avec une précision suffisante pour conduire des véhicules sans pilote, et également de reconnaître la parole et d'y répondre. Maintenant, la science cognitive commence à bénéficier de la puissance de l'IA, à la fois comme modèle pour développer et tester des idées sur la façon dont le cerveau effectue des calculs, et comme outil pour traiter des tableaux complexes de données qui sont obtenus dans des études similaires à celles menées par Pandarinakh. «La technologie a fait une révolution complète dans son développement et est maintenant appliquée pour comprendre comment fonctionne le cerveau lui-même», dit-il [
Chethan Pandarinath Pub. ]. Ce cycle d'amplification mutuelle devrait se poursuivre. Comme l'IA permet aux neuroscientifiques de se faire une idée de la façon dont le cerveau effectue les calculs, leurs recherches ultérieures peuvent conduire à des machines capables d'intégrer davantage l'intelligence humaine.
Naturellement, les deux disciplines se combinent, explique Manesh Sahani, théoricien neuroscientifique et chercheur en apprentissage automatique au Département de neurobiologie computationnelle de Gatsby, University College London. «Nous étudions efficacement la même chose. Dans un cas, nous nous demandons comment résoudre mathématiquement ce problème d'apprentissage, afin qu'il puisse être efficacement implémenté dans une machine. Dans un autre cas, nous examinons la seule preuve qu'un problème peut être résolu est le cerveau »[
Maneesh Sahani Pub. ].
Travailler avec des données
Les méthodes d'IA sont utiles non seulement pour créer des modèles et générer des idées, mais aussi comme outils de traitement des données. «Les données neuronales sont très complexes, et nous utilisons donc souvent des méthodes d'apprentissage automatique juste pour y trouver une structure», explique Sahani. Le principal pouvoir de l'apprentissage automatique est de reconnaître des modèles qui peuvent être trop subtils ou trop cachés dans d'énormes ensembles de données pour que les gens puissent les détecter.
L'imagerie par résonance magnétique fonctionnelle, par exemple, génère des images d'activité dans tout le cerveau avec une résolution de 1 à 2 millimètres par seconde environ, potentiellement pendant des heures. «La tâche de la neurobiologie cognitive est de trouver un signal utile dans des images qui sont très, très grandes», explique Nicholas Turk-Brown, neuroscientifique cognitif à l'Université Yale à New Haven, Connecticut. Turk-Brown dirige l'un des nombreux projets à la recherche d'idées nouvelles à l'intersection de la science des données et des neurosciences [
Nicholas B Turk-Browne Pub. ].
L'utilisation d'une machine pour analyser ces données accélère la recherche. "Il s'agit d'un énorme changement dans la façon dont la recherche neurobiologique est effectuée", a déclaré David Susillo, un calculateur neuronal pour l'équipe Google Brain à San Francisco, en Californie. «Les étudiants diplômés n'ont pas besoin d'effectuer des travaux de routine inutiles - ils peuvent se concentrer sur des questions plus vastes. Vous pouvez automatiser beaucoup de choses et obtenir des résultats plus précis. »
Reproduction de sentiments
La création d'un système artificiel qui reproduirait les données du cerveau était une approche adoptée par Daniel Yamins, neuroscientifique en informatique au Wu Tsai Institute of Neuroscience de l'Université de Stanford. En 2014, lorsque Yamins, après avoir obtenu son doctorat au Massachusetts Institute of Technology à Cambridge, et ses collègues ont formé le réseau neuronal pour prédire l'activité cérébrale d'un singe lorsqu'il reconnaissait certains objets [
Yamins, DLK et al., 2014 ]. La reconnaissance d'objets chez l'homme et le singe est réalisée par le système cérébral appelé
flux visuel ventral , qui présente deux caractéristiques architecturales principales. Premièrement, c'est la
rétinotopie , ce qui signifie que les voies de traitement visuel dans le cerveau sont organisées de telle manière que l'œil perçoit les informations visuelles. Deuxièmement, le système est hiérarchique; certaines zones du cortex effectuent des tâches de plus en plus complexes, d'une couche qui identifie uniquement les contours des objets à une couche supérieure qui reconnaît un objet entier, comme une voiture ou un visage. Les détails du fonctionnement des couches supérieures sont inconnus, mais en conséquence, le cerveau peut reconnaître un objet dans différentes positions, dans différentes conditions d'éclairage, lorsqu'il a une taille différente en raison de différentes distances et même lorsqu'il est partiellement caché. Les ordinateurs ne peuvent souvent pas faire face à de telles difficultés.
Jamins et ses collègues ont construit leur réseau neuronal d'apprentissage profond selon la même architecture hiérarchique rétinotopique que dans le cerveau, et lui ont montré des milliers d'images de 64 objets qui différaient par des caractéristiques telles que la taille et la position. Lorsque le réseau a appris à reconnaître des objets, il a développé plusieurs modèles possibles d'activité neuronale. Les chercheurs ont ensuite comparé ces modèles informatiques avec des modèles enregistrés sur des neurones de singe à un moment où ils effectuaient une tâche similaire. Il s'est avéré que les options de réseau qui reconnaissaient le mieux les objets avaient des modèles d'activité les plus proches des modèles de cerveau de singe. "Nous avons constaté que la structure neuronale est simulée dans la structure du réseau", explique Jamins. Les chercheurs ont pu comparer les zones de leur réseau avec les zones du cerveau avec une précision de près de 70%.
Les résultats ont confirmé que l'architecture du flux visuel ventral est très importante pour le processus de reconnaissance dans le système visuel du cerveau. En 2018, Jamins et ses collègues ont fait une percée similaire en explorant le cortex auditif, pour lequel ils ont créé un réseau neuronal d'apprentissage en profondeur qui pourrait identifier les mots et les genres de musique dans des clips de 2 secondes avec la même précision que les humains [
Kell, AJE et al. 2018 ]. Cela a aidé les chercheurs à déterminer quelles zones du cortex cérébral effectuent la reconnaissance vocale et lesquelles reconnaissent la musique - une nouvelle étape dans la compréhension du système auditif du cerveau.
Les neuroscientifiques sont encore loin de comprendre comment le cerveau gère une tâche telle que la distinction entre le jazz et la musique rock, mais l'apprentissage automatique leur donne l'occasion de construire des modèles avec lesquels explorer ces questions. Si les chercheurs peuvent créer des systèmes qui fonctionnent de manière similaire au cerveau, explique Jamins, leur structure peut suggérer des idées sur la façon dont le cerveau résout de tels problèmes. Ceci est important parce que les scientifiques n'ont souvent pas d'hypothèse de travail sur le fonctionnement du cerveau [
Daniel Yamins Pub. ].
Une fois que les chercheurs ont construit une hypothèse, l'étape suivante consiste à la tester. En modifiant les paramètres des modèles d'IA, vous pouvez vous faire une idée de l'activité du cerveau et voir quels facteurs peuvent être importants pour une tâche spécifique. Les chercheurs sont limités par des considérations éthiques quant à la mesure dans laquelle ils peuvent interférer avec les processus dans un cerveau humain sain. Par conséquent, de nombreux enregistrements de l'activité neuronale chez l'homme sont effectués sur le cerveau de ceux qui souffrent d'épilepsie et qui ont besoin de retirer le tissu cérébral. Cela est dû au fait que l'implantation d'électrodes dans le tissu cérébral est autorisée, ce qui sera supprimé dans tous les cas. Les animaux expérimentaux permettent aux chercheurs d'utiliser des procédures plus invasives, mais il existe des formes de comportement humain, en particulier la parole, qui ne peuvent pas être reproduites par d'autres espèces. Les systèmes d'IA qui peuvent imiter le comportement humain et être soumis à tout type d'impact sans causer de problèmes éthiques fourniront aux scientifiques des outils supplémentaires pour étudier le fonctionnement du cerveau. Les chercheurs, par exemple, peuvent apprendre à un réseau à reproduire la parole, puis à la dégrader afin d'étudier comment cela est lié à l'exposition (un autre exemple intéressant de modélisation de réseaux de neurones des sentiments - les sentiments des nombres est donné dans cette
publication sur Habré -
note du traducteur ).
Considérations générales
Les sciences informatiques et cognitives résolvent certaines questions importantes et comprendre comment y répondre dans l'un de ces domaines peut conduire à des progrès dans les deux domaines. L'une de ces questions est de savoir comment se déroule exactement la formation. Les réseaux de neurones effectuent principalement un apprentissage supervisé - une formation avec un enseignant. Par exemple, pour la reconnaissance d'images, ils peuvent être formés à l'aide d'images obtenues à partir de la base de données ImageNet, qui se compose de plus de 14 millions de photographies d'objets qui ont été classés et annotés par des personnes. Pendant la formation, le réseau crée une description statistique de ce que les images avec la même étiquette ont en commun - par exemple, «chat». Lorsque les réseaux présentent une nouvelle image, la présence d'attributs numériques similaires est vérifiée, s'il y a correspondance, l'image est déclarée par le chat.
Évidemment, ce n'est pas ainsi que les enfants apprennent, explique Tomaso Poggio, spécialiste du calcul neuronal au Center for Brain, Mind and Machines, qui fait partie du Massachusetts Institute of Technology. «Un enfant voit environ un milliard d'images au cours des deux premières années de sa vie», dit-il. Mais seules quelques-unes de ces images sont en quelque sorte étiquetées ou nommées. "Nous ne savons pas encore comment faire face à cela", explique Poggio, "et comment créer des machines qui apprennent principalement à partir de données non balisées."
Son laboratoire est au stade initial du projet, ce qui permettra au réseau neuronal d'effectuer une formation sans professeur, de trouver des schémas dans des vidéos non balisées. «Nous savons que les animaux et les humains peuvent le faire», explique Poggio. - "La question est, comment?"
Jamins aborde la question de l'apprentissage sans enseignant en développant des programmes qui se comportent comme des enfants dans un jeu, interviewent leur environnement à travers des interactions aléatoires et développent progressivement une compréhension du fonctionnement du monde. Essentiellement, il programme la curiosité pour motiver l'ordinateur à explorer l'environnement dans l'espoir que de nouveaux modèles de comportement émergent.
Un autre problème non résolu est de savoir si certains aspects de l'intelligence sont une évolution «établie». Par exemple, les gens sont probablement prédisposés à faire face à la reconnaissance, les enfants le font dès les premières heures de leur vie. Peut-être, suggère Poggio, nos gènes codent pour un mécanisme d'apprentissage rapide et précoce de cette tâche. Déchiffrer si cette idée est correcte peut permettre aux scientifiques de trouver une façon d'aider les machines à apprendre. D'autres chercheurs étudient les fondements neuronaux de la moralité. "Les gens ont peur des voitures" mal "", explique Poggio. "Nous devons probablement mieux comprendre comment notre comportement moral se pose si nous voulons construire de bonnes voitures, des machines éthiques." [
Pub Tomaso Poggio. ]
Jamins dit qu'il est difficile de comprendre comment les neurosciences seules peuvent découvrir comment fonctionne l'apprentissage sans professeur. «Si vous n'avez pas de solution d'IA, si vous n'avez rien qui fonctionne artificiellement, vous ne pouvez pas avoir de modèle cérébral», dit-il. Selon lui, les scientifiques de l'IA trouveront probablement une ou plusieurs solutions que les neuroscientifiques pourront ensuite tester.
La réponse à ces énigmes aidera à créer des machines plus intelligentes qui pourront apprendre dans leur environnement et qui pourront combiner la vitesse et la puissance de traitement des ordinateurs avec les capacités humaines. Le traitement des données et la capacité de simuler sur ordinateur donnent déjà des résultats dans les sciences du cerveau, et cela ne fera que progresser. «L'IA aura un impact énorme sur les neurosciences», explique Susillo, «et je veux m'impliquer.»
Remarque du traducteur . Étant donné les spécificités du public Habr, qui ne nécessite pas d'explication de problèmes tels qu'un réseau de neurones ou un apprentissage en profondeur, la traduction a été faite avec quelques abréviations qui ne sont pas essentielles pour comprendre l'article.