Apprentissage automatique, introduit il y a 70 ans, est basé sur des preuves de la dynamique de l'apprentissage dans le cerveau. En utilisant la vitesse des ordinateurs modernes et des grands ensembles de données, les algorithmes d'apprentissage en profondeur ont récemment produit des résultats comparables à ceux d'experts humains dans divers domaines applicables, mais avec des caractéristiques différentes qui sont éloignées des connaissances actuelles de l'apprentissage en neurosciences.

En utilisant des expériences avancées sur des cultures neuronales et des simulations à grande échelle, un groupe de scientifiques de l'Université Bar-Ilan en Israël a démontré un nouveau type d'algorithmes d'intelligence artificielle ultrarapides, basés sur la dynamique cérébrale très lente, qui surpassent les taux d'apprentissage atteints à ce jour par des algorithmes d'apprentissage de pointe.

Dans un article publié aujourd'hui dans la revue Rapports scientifiques , les chercheurs reconstruisent le pont entre les neurosciences et les algorithmes avancés d'intelligence artificielle qui est resté pratiquement inutile pendant près de 70 ans.

"Le point de vue scientifique et technologique actuel est que la neurobiologie et l'apprentissage automatique sont deux disciplines distinctes qui ont progressé indépendamment, " a déclaré l'auteur principal de l'étude, le professeur Ido Kanter, du Département de physique de l'Université Bar-Ilan et du Centre de recherche multidisciplinaire sur le cerveau de Gonda (Goldschmied). "L'absence d'influence réciproque attendue est déroutante."

"Le nombre de neurones dans un cerveau est inférieur au nombre de bits dans une taille de disque typique des ordinateurs personnels modernes, et la vitesse de calcul du cerveau est comme la trotteuse d'une horloge, encore plus lent que le premier ordinateur inventé il y a plus de 70 ans, " a-t-il poursuivi. " De plus, les règles d'apprentissage du cerveau sont très compliquées et éloignées des principes des étapes d'apprentissage des algorithmes actuels d'intelligence artificielle, " a ajouté le professeur Kanter, dont l'équipe de recherche comprend Herut Uzan, Shira Sardi, Amir Goldental et Roni Vardi.

La dynamique cérébrale ne respecte pas une horloge bien définie synchronisée pour toutes les cellules nerveuses, puisque le schéma biologique doit faire face à des entrées asynchrones, à mesure que la réalité physique se développe. "Quand on regarde devant on observe immédiatement un cadre avec plusieurs objets. Par exemple, en conduisant on observe des voitures, passages piétons, et panneaux de signalisation, et peut facilement identifier leur ordre temporel et leurs positions relatives, " a déclaré le professeur Kanter. " Le matériel biologique (règles d'apprentissage) est conçu pour traiter les entrées asynchrones et affiner leurs informations relatives. " En revanche, les algorithmes d'intelligence artificielle traditionnels sont basés sur des entrées synchrones, par conséquent, la synchronisation relative des différentes entrées constituant la même trame est généralement ignorée.

La nouvelle étude démontre que les taux d'apprentissage ultrarapides sont étonnamment identiques pour les petits et les grands réseaux. D'où, disent les chercheurs, "L'inconvénient du schéma d'apprentissage compliqué du cerveau est en fait un avantage." Une autre découverte importante est que l'apprentissage peut se produire sans étapes d'apprentissage grâce à une auto-adaptation en fonction d'entrées asynchrones. Ce type d'apprentissage sans apprentissage se produit dans les dendrites, plusieurs bornes de chaque neurone, comme cela a été récemment observé expérimentalement. En outre, la dynamique des réseaux sous apprentissage dendritique est régie par des poids faibles qui étaient auparavant jugés insignifiants.

L'idée d'algorithmes d'apprentissage en profondeur efficaces basés sur la dynamique très lente du cerveau offre une opportunité de mettre en œuvre une nouvelle classe d'intelligence artificielle avancée basée sur des ordinateurs rapides. Il appelle à la réouverture du pont de la neurobiologie à l'intelligence artificielle et, comme le conclut le groupe de recherche, « La compréhension des principes fondamentaux de notre cerveau doit être à nouveau au centre de la future intelligence artificielle. »