Les réseaux de neurones tout topographiques imitent plus étroitement le système visuel humain

Les modèles d'apprentissage en profondeur, tels que les réseaux de neurones convolutionnels (CNN) et les réseaux neuronaux récurrents (RNN) sont conçus pour imiter en partie le fonctionnement et la structure des réseaux de neurones biologiques. En conséquence, en plus de s'attaquer à divers problèmes de calcul du monde réel, ils pourraient aider les neuroscientifiques et les psychologues à mieux comprendre les fondements de processus sensoriels ou cognitifs spécifiques.

Des chercheurs de l'Université d'Osnabrück, de Freie Universität Berlin et d'autres instituts ont récemment développé une nouvelle classe de réseaux de neurones artificiels (ANN) qui pourraient mieux imiter le système visuel humain que CNNS et d'autres algorithmes d'apprentissage en profondeur existants. Leurs techniques de calcul inspirées du système visuel nouvellement proposées, surnommées réseaux de neurones tout topographiques (All-TNN), sont introduits dans un article publié dans Nature comportement humain.

« Auparavant, les modèles les plus puissants pour comprendre comment le cerveau traite les informations visuelles dérivées des modèles de vision de l'IA », a déclaré le Dr Tim Kietzmann, auteur principal du journal, à Tech Xplore.

« Ce sont souvent de nature convolutionnelle – un piratage d'apprentissage automatique qui permet aux réseaux de neurones correspondants de rechercher exactement la même caractéristique partout dans l'entrée visuelle. Cette approche est très puissante: ce que vous apprenez dans un endroit de l'espace peut être transféré à tous les autres. Cependant, c'est quelque chose que le cerveau ne peut pas faire (le cerveau ne peut pas` `copier '' et« coller »des informations d'un endroit du Cortex à un autre).

En plus d'effectuer certaines actions que le cerveau primate est incapable de réaliser, les CNN organisent également les informations différemment des réseaux de neurones biologiques. Contrairement à CNNS, le cerveau est organisé de manière rétinotopique, ce qui signifie que les signaux visuels se déplacent de la rétine au cortex visuel (une région de la couche externe du cerveau connue pour traiter les informations visuelles).

« Le cerveau présente également une relation systématique entre les types de fonctionnalités auxquelles il répond et l'emplacement où il les recherche », a déclaré Kietzmann.

« Cette interrelation de l'espace et de la caractéristique le long de la surface corticale est un aspect essentiel du traitement visuel, mais, comme indiqué ci-dessus, cette caractéristique n'est pas prise en compte dans l'apprentissage automatique. Pour résoudre cette lacune, nous avons développé une classe de modèle biologiquement plus réaliste` `tous les réseaux neuronaux topographiques '', dans lesquels la sélectivité est organisée spatialement à travers une« feuille corticale », à savoir une plus grande surface.

La plupart des approches de calcul couramment utilisées pour modéliser la façon dont le système visuel humain traite les images naturelles reposent sur des réseaux de neurones profonds (DNN), tels que CNNS. Ce sont des modèles puissants qui peuvent être formés pour classer les données visuelles, telles que les analyses d'imagerie cérébrale, ou pour identifier des objets spécifiques dans les images.

« Le problème avec ces modèles est qu'ils sont souvent assez éloignés de la biologie, et les nouveaux modèles ML, bien qu'ils soient plus puissants, ont également cessé d'être de meilleurs modèles de traitement visuel dans le cerveau (une relation qui était vraie dans le passé) », a expliqué Kietzmann.

« Dans une série d'articles, mon laboratoire montre des moyens de modifier les modèles ML pour être de meilleurs modèles de biologie. Par exemple, en s'entraînant sur de meilleurs ensembles de données d'image, en incluant une connectivité récurrente dans l'architecture du réseau, en considérant les tâches pour lesquelles les modèles doivent être formés et, plus récemment, en considérant que le cerveau a des détecteurs alignés à travers la surface corticale. »

Kietzmann et ses collègues ont démontré que les nouveaux modèles qu'ils ont développés, basés sur (All-TNN), reflètent plus étroitement le système visuel humain que les CNN et autres DNN. En effet, ils reproduisent non seulement les principes qui sous-tendent l'organisation du cortex visuel, mais ils capturent également mieux les modèles comportementaux humains que les modèles développés précédemment.

À l'avenir, All-TNN pourrait être utilisé pour effectuer des études de neurosciences et de psychologie, mettant potentiellement un nouvel éclairage sur les fondements neuronaux du système visuel humain. Par exemple, ils pourraient aider à mieux comprendre comment la disposition de la sélectivité des caractéristiques à travers le cortex, également connu sous le nom de topographie, influence la perception et le comportement humains.

« Nous essayons actuellement d'améliorer la formation pour être plus efficace en termes de performances de tâche, car les réseaux topographiques sont riches en paramètres, par rapport à leurs homologues convolutionnels », a ajouté Kietzmann.

« De plus, nous devons actuellement orienter les modèles vers une sélectivité de caractéristiques lisse dans l'espace – une caractéristique clé de la topographie corticale. Cependant, la biologie a probablement développé des mécanismes implicites qui rendent la sélectivité corticale fluide. Découvrir quels aspects permettent de se produire est un domaine de recherche principal que nous espérons pouvoir contribuer. »