Une réduction NEAT de modèles neuronaux complexes accélère la recherche sur le cerveau – Technoguide

Les neurones, les unités fondamentales du cerveau, sont des ordinateurs complexes en eux-mêmes. Ils reçoivent des signaux d’entrée sur une structure arborescente – la dendrite. Cette structure fait plus que simplement collecter les signaux d’entrée: elle les intègre et les compare pour trouver les combinaisons spéciales qui sont importantes pour le rôle des neurones dans le cerveau. De plus, les dendrites des neurones se présentent sous une variété de formes et de formes, indiquant que des neurones distincts peuvent avoir des rôles distincts dans le cerveau.

Un modèle simple mais fidèle

En neurosciences, il y a toujours eu un compromis entre la fidélité d’un modèle au neurone biologique sous-jacent et sa complexité. Les neuroscientifiques ont construit des modèles de calcul détaillés de nombreux types de dendrites. Ces modèles imitent le comportement de dendrites réelles avec un degré de précision élevé. Le compromis, cependant, est que ces modèles sont très complexes. Ainsi, il est difficile de caractériser de manière exhaustive toutes les réponses possibles de tels modèles et de les simuler sur un ordinateur. Même les ordinateurs les plus puissants ne peuvent simuler qu’une petite fraction des neurones dans une zone cérébrale donnée.

Les chercheurs du département de physiologie de l’Université de Berne cherchent depuis longtemps à comprendre le rôle des dendrites dans les calculs effectués par le cerveau. D’une part, ils ont construit des modèles détaillés de dendrites à partir de mesures expérimentales, et d’autre part, ils ont construit des modèles de réseaux neuronaux avec des dendrites très abstraites pour apprendre des calculs tels que la reconnaissance d’objets. Une nouvelle étude a cherché à trouver une méthode de calcul pour simplifier les modèles très détaillés de neurones, tout en conservant un haut degré de fidélité. Ce travail est né de la collaboration entre des neuroscientifiques expérimentaux et computationnels des groupes de recherche du professeur Thomas Nevian et du professeur Walter Senn, et a été dirigé par le Dr Willem Wybo. «Nous voulions que la méthode soit flexible, afin qu’elle puisse être appliquée à tous les types de dendrites. Nous voulions également qu’elle soit précise, afin qu’elle puisse capturer fidèlement les fonctions les plus importantes d’une dendrite donnée. Avec ces modèles plus simples, neural les réponses peuvent être plus facilement caractérisées et la simulation de grands réseaux de neurones avec des dendrites peut être réalisée », explique le Dr Wybo.

Cette nouvelle approche exploite une élégante relation mathématique entre les réponses des modèles de dendrites détaillés et des modèles de dendrites simplifiés. Du fait de cette relation mathématique, l’objectif optimisé est linéaire dans les paramètres du modèle simplifié. «Cette observation cruciale nous a permis d’utiliser la méthode bien connue des moindres carrés linéaires pour trouver les paramètres optimisés. Cette méthode est très efficace par rapport aux méthodes qui utilisent des recherches de paramètres non linéaires, mais atteint également un haut degré de précision», explique le Prof Senn.

Outils disponibles pour les applications IA

Le résultat principal du travail est la méthodologie elle-même: une manière flexible mais précise de construire des modèles de neurones réduits à partir de données expérimentales et de reconstructions morphologiques. «Notre méthodologie brise le compromis perçu entre la fidélité et la complexité, en montrant que des modèles extrêmement simplifiés peuvent encore capturer une grande partie des propriétés de réponse importantes des vrais neurones biologiques», explique le professeur Senn. «Ce qui donne également un aperçu de« la dendrite essentielle », le modèle de dendrite le plus simple possible qui capture toujours toutes les réponses possibles de la dendrite réelle dont elle est dérivée», ajoute le Dr Wybo.

Ainsi, dans des situations spécifiques, des limites strictes peuvent être établies sur la façon dont une dendrite peut être simplifiée, tout en conservant ses propriétés de réponse importantes. «De plus, notre méthodologie simplifie grandement la dérivation de modèles de neurones directement à partir de données expérimentales», souligne le professeur Senn, qui est également membre du comité de pilotage du Centre d’intelligence artificielle (CAIM) de l’Université de Berne. La méthodologie a été compilée dans NEAT (NEural Analysis Toolkit) – une boîte à outils logicielle open source qui automatise le processus de simplification. NEAT est accessible au public sur GitHub.

Les neurones utilisés actuellement dans les applications d’IA sont extrêmement simplistes par rapport à leurs homologues biologiques, car ils n’incluent pas du tout de dendrites. Les neuroscientifiques estiment que l’inclusion d’opérations de type dendrite dans les réseaux de neurones artificiels conduira au prochain bond en avant dans la technologie de l’IA. En permettant l’inclusion de modèles de dendrites très simples mais très précis dans les réseaux de neurones, cette nouvelle approche et boîte à outils constitue un pas important vers cet objectif.

Ce travail a été soutenu par le Human Brain Project, par la Fondation nationale suisse de la science et par le Conseil européen de la recherche.

Source de l’histoire:

Matériel fourni par l’Université de Berne. Remarque: le contenu peut être modifié pour le style et la longueur.

.

Lire plus

A propos Technoguide

Voir aussi

L’IA lit les données du cerveau et génère des images personnellement attrayantes – Technoguide

Des chercheurs ont réussi à faire comprendre à une IA nos notions subjectives de ce …

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Défiler vers le haut