Des chercheurs du laboratoire de neurosciences computationnelles de l'Université de Tartu, en Estonie, ont découvert que les activations des réseaux neuronaux convolutifs profonds sont alignées avec l'activité de la bande gamma du cortex visuel humain. Leur étude, Publié dans Biologie des communications , souligne en outre le potentiel de l'intelligence artificielle (IA) pour élargir la compréhension du cerveau humain.

La capacité humaine à reconnaître visuellement des objets est médiée par une hiérarchie de représentations de caractéristiques complexes le long du flux ventral. Des recherches antérieures ont montré qu'elles sont similaires à la hiérarchie des transformations apprises par les réseaux de neurones à convolution profonde (DCNN) formés sur des images.

"D'après des recherches antérieures, nous savions qu'il existait une correspondance entre l'architecture hiérarchique du système visuel humain et l'architecture en couches des DCNN, " Jaan Aru, Raul Vicente, et Ilya Kuzovkin, trois des chercheurs qui ont mené l'étude, a déclaré TechXplore. "Toutefois, cette recherche s'est appuyée sur des techniques de neuroimagerie telles que l'IRMf et le MEG, dont chacun a ses propres limites."

L'imagerie MEG ne capture que l'activité moyenne de grandes populations de neurones à la fois, tandis que l'IRMf ne capture pas d'informations temporelles. D'où, les chercheurs ont décidé de collecter leur ensemble de données à l'aide d'électrodes intracrâniennes implantées directement dans le cerveau de leurs sujets de test. Cette technique peut identifier quand l'activité cérébrale se produit, sa localisation anatomique, et comment il évolue dans le temps.

"Cela nous a permis d'explorer plus en détail l'activité qui régit le traitement visuel dans le cerveau humain et de caractériser plus précisément quel type d'activité présente des similitudes avec l'activité des DCNN, ", ont déclaré les chercheurs.

Les DCNN sont un type d'algorithme d'apprentissage automatique pour la vision par ordinateur, qui fonctionnent particulièrement bien sur les tâches de reconnaissance d'objets. Leur principale caractéristique est qu'ils acquièrent des règles pour classer automatiquement les objets, sans que les ingénieurs humains les décrivent.

Pendant la formation, Les DCNN sont entraînés sur des milliers d'images d'objets (par exemple des chats, des arbres, voitures, etc.), apprendre à distinguer les caractéristiques visuelles de chacune de ces catégories. Les algorithmes peuvent alors identifier correctement des objets dans des images qu'ils n'ont jamais rencontrées auparavant, avec une précision allant jusqu'à 95 %.

"Un DCNN est constitué de couches de neurones artificiels, chaque couche effectuant certaines opérations sur l'image puis envoyant des informations à la couche suivante, " les chercheurs ont dit. " Pendant la formation, l'algorithme forme des règles sur les informations à envoyer aux couches supérieures et à quel moment."

Des études récentes ont étudié les modèles et les caractéristiques exacts appris par un DCNN. Ils ont découvert que lorsque l'on plonge plus profondément dans ses couches, les motifs visuels représentés par ses neurones deviennent de plus en plus complexes.

"La première couche est chargée de détecter les lignes droites, changements de luminosité et autres caractéristiques visuelles simples, " expliquent les chercheurs. " Cette information est transmise à la deuxième couche, qui combine des fonctionnalités simples pour construire des détecteurs capables d'identifier des formes simples. Et ainsi ça avance, devenant de plus en plus abstrait à chaque couche, avec les neurones de couche supérieure représentant des objets entiers, comme les chats, chiens et ainsi de suite. Nous savions qu'un phénomène très similaire est observé dans le cortex visuel humain, la question évidente était donc :à quel point ces deux systèmes sont-ils similaires ? et quelles sont leurs similitudes ?"

Lors de la mesure des réponses électriques du cerveau, les chercheurs observent des schémas d'activité complexes. Ces motifs sont regroupés selon leur fréquence :alpha (huit à 14 fois par seconde), bêta (15 à 30 Hz), gamma (de 30 à ~70 Hz), gamma élevé (plus de 70 Hz), et d'autres groupes. Ces bandes de fréquences dépendent de différents types d'activité. Par exemple, l'alpha est plus fort lorsque les humains sont détendus, tandis que bêta et gamma augmentent pendant l'engagement actif dans une tâche.

"Nous avons constaté que l'activité dans les faibles gamma (30 à 70 Hz) et les gamma élevés (70 à 150 Hz) correspond le mieux à l'activité qui se produit dans les DCNN, indiquant que ce qui se passe dans le cerveau à ces fréquences est le plus similaire à ce que font les DCNN, ", ont déclaré les chercheurs.

Ces résultats sont alignés sur des recherches antérieures soulignant l'importance de l'activité gamma pour la reconnaissance d'objets. À l'avenir, ils pourraient aider à mieux comprendre les calculs exacts qui sont reflétés par les signaux de fréquence gamma lors du traitement visuel.

"La quête ultime des neurosciences est de comprendre comment le cerveau code, stocke et transmet des informations et comment les décharges de milliards de neurones conduisent à des processus mentaux complexes, comme comprendre un texte ou le communiquer à un ami, " les chercheurs ont dit. " Ce travail fournit encore une autre pièce de cet énorme puzzle, et met en évidence le rôle important que les algorithmes d'IA peuvent jouer dans la compréhension du cerveau humain."

Le Computational Neuroscience Lab de l'Université de Tartu étudie côte à côte les systèmes d'apprentissage biologiques et artificiels, car les comparer pourrait conduire à des découvertes biologiques fascinantes. Les chercheurs travaillent maintenant sur deux autres projets, qui constituera le cœur de la thèse de doctorat de Kuzovkin.

« Dans l'un des projets, nous allons examiner le fonctionnement interne d'un algorithme que nous avons formé pour donner un sens aux données du cerveau humain ; explorer quelle activité cérébrale il juge utile pour la tâche finale et laquelle il rejette. Cela fournira un outil pour parcourir de grands volumes d'activité et filtrer les parties qui sont pertinentes pour une tâche mentale particulière."

© 2018 Tech Xplore