Les scientifiques cognitifs modélisent le fonctionnement interne du cerveau humain à l'aide de simulations informatiques, mais de nombreux modèles actuels ont tendance à être inexacts. Des chercheurs de l'unité de neurorobotique cognitive de l'Okinawa Institute of Science and Technology Graduate University (OIST) ont développé un modèle informatique inspiré des mécanismes cérébraux biologiques connus, modéliser la façon dont le cerveau apprend et reconnaît de nouvelles informations, puis fait des prédictions sur les entrées sensorielles entrantes.

Le modèle peut permettre aux robots de « socialiser » en prédisant et en imitant les comportements des uns et des autres. Cela peut également aider à révéler les fondements cognitifs des troubles du spectre autistique.

"Notre connaissance du passé informe nos attentes pour le présent, " a déclaré le professeur Jun Tani, un co-auteur de la nouvelle étude, Publié dans Calcul neuronal . "Toutefois, nous rencontrons souvent des situations qui défient nos attentes. Nous développons des modèles capables de gérer l'imprévisibilité de la vie quotidienne."

Tani et son collaborateur, l'ancien post-doctorant de l'OIST Ahmadreza Ahmadi, travaillé avec un modèle appelé réseau de neurones récurrents (RNN). Leur RNN s'appuie sur le codage prédictif, une théorie proposant que le cerveau fasse continuellement des prédictions sur les informations sensorielles entrantes telles que les sons et les images. Les erreurs, c'est-à-dire les écarts entre les prédictions du cerveau et la réalité, se propagent à travers des couches de réseaux de traitement. Ce processus de « rétropropagation » aide le RNN à s'adapter à des événements se produisant de manière irrégulière, lui permettant de prédire les futurs apports sensoriels.

Entre ordre et hasard

Les réseaux de neurones efficaces chevauchent la frontière entre l'ordre et le hasard. Pour optimiser leur modèle, les chercheurs ont introduit un paramètre appelé "méta prior" dans le processus d'apprentissage. Un cadre plus proche de celui généré un compte plus certain mais complexe pour des informations sensorielles détaillées, alors qu'un réglage plus proche de zéro réduisait la complexité en permettant plus d'incertitude.

Tani et son équipe ont entraîné leur RNN avec des données séquentielles qui avaient une régularité tout en contenant également un certain caractère aléatoire. Ils ont également utilisé leur modèle pour programmer un robot pour apprendre à imiter un autre robot qui se déplaçait selon des schémas spécifiques dans des ordres aléatoires.

Les chercheurs ont découvert que le choix d'une valeur intermédiaire du méta-priorité (un nombre compris entre zéro et un) en faisait le moyen le plus efficace pour les RNN de générer des prédictions précises dans les deux cas.

En plus d'étudier le développement social et la cognition, l'équipe de recherche espère explorer le potentiel de leur réseau pour modéliser les troubles du spectre autistique (TSA). Tani pense que les personnes atteintes de TSA ont tendance à minimiser les erreurs en développant une représentation interne complexe de la réalité, qui peut être modélisé avec un réglage élevé de la métapriorité. En raison de ce, les personnes atteintes de TSA peuvent ne pas avoir la capacité de généraliser, et préfèrent souvent interagir de manière répétitive avec le même environnement pour éviter les erreurs et les interactions sociales inconnues.

Par conséquent, les chercheurs pensent que la découverte d'un mécanisme dans le cerveau humain semblable au méta-priorité pourrait éclairer les futures thérapies des TSA.