in

Le principe de l’énergie libre prédit l’apprentissage auto-organisé dans de vrais neurones

Neurons Rendering Art Concept

Une équipe internationale de chercheurs a découvert que l’auto-organisation des neurones au cours de l’apprentissage s’aligne sur la théorie mathématique connue sous le nom de principe de l’énergie libre.

Les chercheurs ont montré que l’auto-organisation des neurones au cours du processus d’apprentissage respecte le principe mathématique de l’énergie libre. Les résultats, obtenus à partir d’expériences menées sur des neurones de rat, offrent des avancées potentielles dans notre compréhension des réseaux de neurones, du développement de l’intelligence artificielle et des troubles d’apprentissage.

Une collaboration internationale entre des chercheurs du RIKEN Center for Brain Science (CBS) au Japon, de l’Université de Tokyo et de l’University College de Londres a démontré que l’auto-organisation des neurones au fur et à mesure qu’ils «apprennent» suit une théorie mathématique appelée principe de l’énergie libre. Le principe a prédit avec précision comment les réseaux de neurones réels se réorganisent spontanément pour distinguer les informations entrantes, ainsi que la façon dont la modification de l’excitabilité neuronale peut perturber le processus.

Les résultats ont donc des implications pour la construction d’une intelligence artificielle de type animal et pour la compréhension des cas d’apprentissage altéré. L’étude sera publiée aujourd’hui (7 août) dans la revue Communication Nature.

Auto-organisation et apprentissage des neurones

Lorsque nous apprenons à faire la différence entre les voix, les visages ou les odeurs, les réseaux de neurones de notre cerveau s’organisent automatiquement pour pouvoir distinguer les différentes sources d’informations entrantes. Ce processus implique de modifier la force des connexions entre les neurones et constitue la base de tout apprentissage dans le cerveau.

Takuya Isomura de RIKEN CBS et ses collègues internationaux ont récemment prédit que ce type d’auto-organisation de réseau suit les règles mathématiques qui définissent le principe de l’énergie libre. Dans la nouvelle étude, ils ont mis cette hypothèse à l’épreuve dans des neurones prélevés sur le cerveau d’embryons de rat et cultivés dans une boîte de culture au-dessus d’une grille de minuscules électrodes.

Neual Network in vitro

Le montage expérimental. Les neurones cultivés se sont développés au-dessus des électrodes. Des schémas de stimulation électrique ont entraîné les neurones à se réorganiser afin qu’ils puissent distinguer deux sources cachées. Les formes d’onde en bas représentent les réponses de pointe à un stimulus sensoriel (ligne rouge). 1 crédit

Une fois que vous pouvez distinguer deux sensations, comme des voix, vous constaterez que certains de vos neurones répondent à l’une des voix, tandis que d’autres neurones répondent à l’autre voix. C’est le résultat de la réorganisation du réseau de neurones, que nous appelons l’apprentissage.

Conduite et analyse de l’expérience

Dans leur expérience de culture, les chercheurs ont imité ce processus en utilisant la grille d’électrodes sous le réseau neuronal pour stimuler les neurones selon un schéma spécifique qui mélangeait deux sources cachées distinctes. Après 100 séances d’entraînement, les neurones sont automatiquement devenus sélectifs, certains répondant très fortement à la source #1 et très faiblement à la source #2, et d’autres répondant à l’inverse. Les médicaments qui augmentent ou diminuent l’excitabilité des neurones ont perturbé le processus d’apprentissage lorsqu’ils ont été ajoutés à la culture au préalable. Cela montre que les neurones cultivés font exactement ce que les neurones sont censés faire dans le cerveau en activité.

Principe de l’énergie libre et modèles prédictifs

Le principe de l’énergie libre stipule que ce type d’auto-organisation suivra un modèle qui minimise toujours l’énergie libre dans le système. Pour déterminer si ce principe est la force motrice derrière l’apprentissage des réseaux de neurones, l’équipe a utilisé les données neuronales réelles pour rétroconcevoir un modèle prédictif basé sur celui-ci. Ensuite, ils ont introduit les données des 10 premières séances d’entraînement aux électrodes dans le modèle et les ont utilisées pour faire des prédictions sur les 90 prochaines séances.

À chaque étape, le modèle a prédit avec précision les réponses des neurones et la force de la connectivité entre les neurones. Cela signifie que la simple connaissance de l’état initial des neurones suffit pour déterminer comment le réseau évoluerait au fil du temps au fur et à mesure de l’apprentissage.

Implications et perspectives d’avenir

« Nos résultats suggèrent que le principe de l’énergie libre est le principe d’auto-organisation des réseaux de neurones biologiques », explique Isomura. « Il a prédit comment l’apprentissage s’est produit lors de la réception d’entrées sensorielles particulières et comment il a été perturbé par des altérations de l’excitabilité du réseau induites par les médicaments. »

« Bien que cela prendra du temps, à terme, notre technique permettra de modéliser les mécanismes du circuit des troubles psychiatriques et les effets de médicaments tels que les anxiolytiques et les psychédéliques », explique Isomura. « Les mécanismes génériques d’acquisition des modèles prédictifs peuvent également être utilisés pour créer des intelligences artificielles de nouvelle génération qui apprennent comme le font les vrais réseaux de neurones. »

Missions SpaceX Crew-8 de la NASA pour une mission spatiale de longue durée

Missions SpaceX Crew-8 de la NASA pour une mission spatiale de longue durée

Complex Domain Neural Network Empowers Large Scale Coherent Imaging

Révolutionner l’imagerie optique avec des réseaux de neurones à domaine complexe