Un nouveau cadre permet le réglage automatisé de modèles neuronaux à grande échelle

Développer des modèles de réseaux neuronaux à grande échelle qui reproduisent l'activité cérébrale est un objectif majeur dans le domaine des neurosciences computationnelles. Les modèles existants qui reproduisent avec précision certains aspects de l'activité cérébrale sont notoirement complexes, et le réglage précis des paramètres du modèle nécessite souvent beaucoup de temps, d'intuition et d'expertise.

Une nouvelle étude publiée par un groupe interdisciplinaire de chercheurs basés principalement à l'Université Carnegie Mellon et à l'Université de Pittsburgh présente une solution innovante pour atténuer certains de ces défis. Le cadre basé sur l'apprentissage automatique, Spiking Network Optimization using Population Statistics (SNOPS), peut personnaliser rapidement et avec précision des modèles qui reproduisent l'activité pour imiter ce qui est observé dans le cerveau.

Le travail est publié dans la revue Nature Science informatique.

« Une façon pour les neuroscientifiques de comprendre comment fonctionne le cerveau est de construire des modèles mathématiques du cerveau pour reproduire son activité », explique Shenghao Wu, ancien étudiant diplômé en calcul neuronal et apprentissage automatique à Carnegie Mellon.

« Jusqu'à présent, la création de tels modèles était un processus manuel qui nécessitait généralement beaucoup d'énergie et d'expertise dans le domaine. Notre méthode SNOPS est non seulement plus rapide et plus puissante, mais elle trouve également une gamme plus large de configurations de modèles cohérentes avec l'activité du cerveau, le tout automatiquement. »

Chengcheng Huang, professeur adjoint de neurosciences et de mathématiques à l'université de Pittsburgh, dont l'expérience porte sur la modélisation des circuits, explique : « Avant SNOPS, lorsqu'un modèle devenait compliqué et que nous voulions expliquer un phénomène plus complexe, il était difficile de trouver les bons paramètres pour analyser le comportement complet du modèle. SNOPS est un outil utile pour accélérer nos progrès et, en fin de compte, développer des modèles du cerveau plus réalistes. »

Les travaux du groupe pour développer SNOPS ont combiné de manière unique les efforts d'expérimentateurs, de scientifiques informatiques axés sur les données et de modélisateurs.

« Nous avons des parcours et des approches très différents, et cela correspond à l'esprit des neurosciences que nous pratiquons à Carnegie Mellon », a déclaré Matt Smith, professeur d'ingénierie biomédicale et de Neuroscience Institute et codirecteur du Center for the Neural Basis of Cognition. « Je suis enthousiasmé par la façon dont Shenghao a combiné toutes nos compétences pour créer SNOPS, et aussi par la façon dont nous pouvons l'appliquer pour mieux comprendre comment les différentes parties du cerveau fonctionnent ensemble. »

Dans les jours à venir, SNOPS, désormais disponible via un partage open source, peut guider le développement de modèles de réseau dans le but de permettre une compréhension plus approfondie de la manière dont les réseaux de neurones donnent naissance au fonctionnement du cerveau.

« Nous avons commencé avec des modèles de réseau qui sont largement utilisés depuis des décennies. Il y avait certains aspects de l'activité cérébrale que les modèles ne parvenaient pas à reproduire, quelle que soit la manière dont nous les ajustions », a ajouté Byron Yu, professeur de génie biomédical et de génie électrique et informatique à l'université Carnegie Mellon. « Avec SNOPS, nous pouvons rapidement trouver une configuration qui capture tous les aspects nécessaires de l'activité cérébrale. Cela nous donne beaucoup d'espoir pour obtenir une vue d'ensemble. »