Un nouveau modèle virtuel à grande échelle du cortex visuel réussit très bien à résoudre des tâches visuelles
Illustration de la convention de lecture et des cinq tâches de traitement visuel pour lesquelles le modèle V1 a été entraîné. (A) Les stimuli visuels pour les cinq tâches ont été présentés au modèle LGN. Des pools concurrents séparés de cellules pyramidales sur L5 ont été choisis comme neurones de lecture pour chaque tâche. (B à E) Diagrammes schématiques et minutages de cinq tâches visuelles (Matériels et méthodes). (B) Dans la tâche de discrimination d’orientation fine, le réseau a reçu un réseau dérivant avec une orientation très proche de 45°, et les neurones du pool de lecture correspondant devaient se déclencher si l’orientation était supérieure à 45∘. (C) Pour la tâche de classification d’images, le réseau a reçu un échantillon manuscrit d’un chiffre de 0 à 9 de l’ensemble de données MNIST, et celui correspondant des 10 pools de lecture pour cette tâche devait tirer plus fort que les autres (deux échantillons pour les chiffres 7 et 6 sont illustrés). (D) Pour la tâche de détection de changement visuel, une longue séquence d’images a été présentée, avec des écrans gris entre les deux. Un pool de lecture correspondant devait devenir actif pendant la fenêtre de réponse si l’image la plus récente différait de la précédente. Des images naturelles et des réseaux statiques ont été utilisés. (E) Dans la tâche d’accumulation de preuves, sept signaux ont été présentés séquentiellement, et après un délai, un pool de lecture correspondant devait indiquer par un tir plus fort si la plupart des signaux avaient été présentés à gauche ou à droite. Le crédit: Avancées scientifiques (2022). DOI : 10.1126/sciadv.abq7592
Les chercheurs du Human Brain Project ont formé un modèle à grande échelle du cortex visuel primaire de la souris pour résoudre des tâches visuelles de manière très robuste. Le modèle fournit la base d’une nouvelle génération de modèles de réseaux neuronaux. En raison de leur polyvalence et de leur traitement économe en énergie, ces modèles peuvent contribuer aux progrès de l’informatique neuromorphique.
La modélisation du cerveau peut avoir un impact considérable sur l’intelligence artificielle (IA) : étant donné que le cerveau traite les images de manière beaucoup plus économe en énergie que les réseaux artificiels, les scientifiques s’inspirent des neurosciences pour créer des réseaux de neurones qui fonctionnent de manière similaire aux réseaux biologiques afin de économiser l’énergie.
En ce sens, les réseaux de neurones inspirés du cerveau sont susceptibles d’avoir un impact sur la technologie future, en servant de modèles pour le traitement visuel dans un matériel neuromorphique plus économe en énergie. Maintenant, une étude menée par des chercheurs du Human Brain Project (HBP) de l’Université de technologie de Graz (Autriche) a montré comment un grand modèle basé sur des données peut reproduire un certain nombre de capacités de traitement visuel du cerveau de manière polyvalente et précise. Les résultats ont été publiés dans la revue Avancées scientifiques.
Avec l’aide des systèmes pilotes PCP du Jülich Supercomputing Center, développés dans le cadre d’une collaboration entre le HBP et la société de logiciels Nvidia, l’équipe a analysé un modèle à grande échelle biologiquement détaillé du cortex visuel primaire de la souris qui peut résoudre plusieurs tâches de traitement visuel. . Ce modèle fournit la plus grande intégration de détails anatomiques et de données neurophysiologiques actuellement disponibles pour la zone du cortex visuel V1, qui est la première région corticale à recevoir et à traiter les informations visuelles.
Le modèle est construit avec une architecture différente de celle des réseaux de neurones profonds utilisés dans l’IA actuelle, et les chercheurs ont découvert qu’il présente des avantages intéressants en termes de vitesse d’apprentissage et de performances de traitement visuel par rapport aux modèles couramment utilisés pour le traitement visuel dans l’IA.
Le modèle a pu résoudre les cinq tâches visuelles présentées par l’équipe avec une grande précision. Par exemple, ces tâches consistaient à classer des images de nombres écrits à la main ou à détecter des changements visuels dans une longue séquence d’images. De manière frappante, le modèle virtuel a atteint les mêmes performances élevées que le cerveau même lorsque les chercheurs ont soumis le modèle à du bruit dans les images et dans le réseau qu’il n’avait pas rencontré pendant l’entraînement.
L’une des raisons de la robustesse supérieure du modèle – ou de sa capacité à faire face aux erreurs ou aux entrées inattendues, telles que le bruit dans les images – est qu’il reproduit plusieurs propriétés de codage caractéristiques du cerveau.
Après avoir développé un outil unique pour étudier le traitement visuel et le codage neuronal de type cérébral, les auteurs décrivent leur nouveau modèle comme offrant une « fenêtre sans précédent sur la dynamique de cette zone cérébrale ».
Fourni par Human Brain Project
