Une IA s’inspire du néocortex pour mieux sélectionner les signaux importants

L’intelligence artificielle obtient des résultats remarquables dans la reconnaissance d’images, le langage ou la prédiction. Mais ses méthodes de calcul ne reproduisent pas fidèlement celles du cerveau. Des chercheurs ont choisi d’examiner un mécanisme cortical précis, le « winner-take-all », pour voir s’il pouvait rendre certains modèles plus sélectifs face à une multitude de signaux. Leur approche, située au croisement des neurosciences et de l’informatique, vise moins à copier le cerveau dans son ensemble qu’à tirer parti d’un de ses principes d’organisation.

Les travaux associent notamment Tibbling Technologies et le Broad Institute, lié à Harvard. Ils s’appuient sur une idée simple à formuler, mais essentielle pour traiter l’information : lorsque plusieurs neurones sont en concurrence, les plus fortement activés peuvent imposer leur réponse, tandis que l’activité des autres est freinée. Dans les systèmes d’IA, un mécanisme comparable peut aider à faire ressortir les caractéristiques les plus pertinentes d’une image et à réduire l’influence de signaux parasites.

Le néocortex, une source d’inspiration plutôt qu’un plan à recopier

Le néocortex est la couche externe très développée du cerveau des mammifères. Il participe à des fonctions complexes telles que la perception, l’intégration d’informations sensorielles, le raisonnement ou encore la planification. Son organisation repose sur des milliards de neurones, connectés par des synapses et structurés en circuits aux rôles distincts.

Les réseaux de neurones artificiels ont historiquement emprunté une partie de leur vocabulaire aux neurosciences. Le terme de « neurone », par exemple, désigne dans les deux cas une unité qui reçoit des entrées et produit une sortie. Cette parenté ne doit toutefois pas masquer une différence profonde : les neurones artificiels usuels sont des opérations mathématiques très simplifiées. Ils ne restituent ni la diversité des cellules biologiques, ni la richesse de leurs connexions, ni l’ensemble de leurs dynamiques temporelles.

C’est précisément pour réduire, sur un point bien circonscrit, cet écart entre biologie et informatique que les chercheurs se sont intéressés aux calculs réalisés dans les circuits du néocortex. Leur objectif n’est donc pas d’affirmer qu’un modèle d’IA pense comme un cerveau humain. Il consiste à identifier un mécanisme biologiquement observé, à le formaliser, puis à évaluer son intérêt dans des tâches informatiques concrètes.

Comment fonctionne le mécanisme « winner-take-all » ?

L’expression anglaise « winner-take-all », que l’on peut traduire par « le gagnant rafle tout », décrit une compétition organisée entre plusieurs unités. Dans sa version la plus stricte, une seule unité ayant reçu le signal le plus fort reste active à la fin du calcul. Les autres sont inhibées. Dans d’autres variantes, plusieurs gagnants peuvent subsister : ce sont les réponses les plus saillantes qui sont conservées.

Dans les circuits corticaux, cette sélection dépend notamment de l’équilibre entre neurones excitateurs, qui favorisent l’activité de leurs cibles, et neurones inhibiteurs, qui la limitent. Une réponse suffisamment forte peut ainsi être amplifiée, tout en supprimant les réponses concurrentes moins pertinentes. Ce jeu d’excitation et d’inhibition évite qu’un trop grand nombre de signaux soient traités avec la même importance.

Appliqué à l’IA, le principe peut se résumer ainsi : au lieu de laisser toutes les activations contribuer de façon comparable à la décision finale, le réseau apprend ou applique une règle qui privilégie les plus informatives. Pour une image, cela peut revenir à mieux isoler certains motifs visuels, en atténuant des détails inutiles ou du bruit.

Cette description est volontairement schématique. Dans le cerveau, les circuits sont beaucoup plus complexes qu’un simple tournoi entre neurones. Le mécanisme « winner-take-all » fournit néanmoins une abstraction utile : faire émerger une décision claire au sein d’un ensemble de signaux concurrents.

Un modèle biophysique fondé sur excitation et inhibition

Pour étudier cette idée, l’équipe a élaboré un réseau biophysique centré sur les interactions entre neurones excitateurs et plusieurs types de neurones inhibiteurs. Le modèle repose sur des caractéristiques mesurées expérimentalement, afin de conserver un ancrage dans le fonctionnement observé des circuits neuronaux.

Le point central est la capacité à effectuer un calcul « winner-take-all » tout en mettant en œuvre des mécanismes de suramplification des entrées. Autrement dit, le système ne se contente pas de désigner arbitrairement un gagnant. Il renforce les signaux qui répondent le mieux à certains critères, tout en empêchant une accumulation de réponses faibles de masquer l’information principale.

Cette propriété présente un intérêt particulier pour la perception artificielle. Les données visuelles sont rarement parfaites : elles peuvent contenir des arrière-plans chargés, des contours ambigus, des variations d’éclairage ou des éléments sans rapport avec l’objet à reconnaître. Un mécanisme sélectif ne garantit pas, à lui seul, une bonne prédiction. Mais il peut fournir au modèle une manière efficace de répartir son attention computationnelle.

Pourquoi utiliser une puce neuromorphique comme TrueNorth ?

Les chercheurs ont utilisé TrueNorth, une puce neuromorphique conçue par IBM, afin de simuler ces interactions neuronales. Le terme « neuromorphique » désigne des matériels dont l’architecture cherche à s’inspirer de certains principes du système nerveux, notamment des réseaux de neurones interconnectés et des échanges d’événements entre unités.

Cette approche se distingue des processeurs classiques et des processeurs graphiques employés pour la plupart des entraînements modernes de réseaux de neurones. Ces derniers excellent dans l’exécution de très nombreuses opérations numériques en parallèle. Une puce neuromorphique vise, elle, à représenter plus directement des unités neuronales et leurs connexions, ce qui peut faciliter l’expérimentation de circuits inspirés de la biologie.

TrueNorth est particulièrement adaptée, dans ce cadre, à la reproduction de l’organisation d’un réseau neuronal et à l’implémentation de calculs compétitifs tels que le « winner-take-all ». Son utilisation ne signifie pas que toute IA performante devrait migrer vers ce matériel. Elle permet surtout de tester une hypothèse scientifique dans une architecture conçue pour modéliser des interactions de type neuronal.

Quels effets sur la classification d’images ?

Le cadre développé, baptisé NeuroAI, a été intégré à des architectures d’intelligence artificielle. Les résultats rapportés sont particulièrement liés à la classification d’images, c’est-à-dire à la capacité d’attribuer une catégorie à une image à partir de ses caractéristiques visuelles.

Selon les travaux évoqués, le mécanisme inspiré du cerveau renforce les signaux déterminants et élimine davantage les bruits indésirables. Ce filtrage constitue l’un des enjeux récurrents de la vision par ordinateur. Un modèle doit repérer ce qui définit réellement l’objet, la scène ou le motif étudié, sans se laisser guider par des détails accessoires présents dans les exemples d’entraînement.

Les tests ont porté sur des Vision Transformers, une famille de modèles qui traite une image sous forme de petits segments et apprend les relations entre eux. Ces architectures ont connu un essor important dans la vision par ordinateur, car elles sont capables de modéliser des dépendances étendues au sein d’une image. L’intégration de la technique « winner-take-all » a montré des améliorations significatives dans des tâches de classification portant sur des données non vues.

La référence au zero-shot mérite une explication. Dans ce type d’évaluation, un système est confronté à des catégories ou à des données pour lesquelles il n’a pas reçu un entraînement spécifique direct dans le cadre de la tâche testée. Une bonne généralisation zero-shot suggère que le modèle a appris des représentations assez solides pour aller au-delà des seuls exemples rencontrés pendant son apprentissage. Cela ne veut pas dire qu’il devient infaillible face à toute image inconnue, mais c’est un indicateur utile de sa capacité d’adaptation.

Des applications envisageables, mais encore à valider

Les chercheurs voient plusieurs prolongements possibles à cette approche. La vision par ordinateur constitue le terrain d’expérimentation le plus immédiat, mais le même principe de sélection compétitive pourrait être étudié pour l’analyse d’images médicales. Dans ce cas, l’enjeu serait d’aider un système à faire ressortir des caractéristiques pertinentes parmi une grande quantité d’informations visuelles, sans remplacer l’interprétation clinique.

Les véhicules autonomes font aussi partie des domaines mentionnés. Une voiture automatisée doit interpréter rapidement une scène complexe, où se croisent panneaux, piétons, marquages, véhicules et obstacles. Mieux séparer les signaux utiles du bruit est une nécessité générale en perception embarquée. Toutefois, la fiabilité d’un système de conduite dépend de bien d’autres éléments : qualité des capteurs, diversité des situations d’apprentissage, règles de sécurité, redondances et validation dans des conditions réelles.

Les perspectives ne se limitent pas à la perception. L’équipe envisage également l’implémentation de mécanismes de mémoire de travail et de prise de décision. La mémoire de travail désigne la capacité à conserver temporairement une information pour accomplir une tâche, par exemple garder en tête une instruction pendant plusieurs étapes de raisonnement. Dans un tel contexte, des dynamiques d’excitation et d’inhibition pourraient aider à maintenir une information pertinente tout en évitant qu’elle soit noyée sous des signaux concurrents.

Ce qu’il faut surveiller dans la recherche neuroAI

L’intérêt de cette recherche tient à une idée de méthode : les progrès de l’IA ne passent pas uniquement par des modèles plus grands et davantage de données. Ils peuvent aussi venir de principes de calcul plus sélectifs, empruntés à l’étude du cerveau. La démarche doit cependant être évaluée avec rigueur, tâche par tâche, plutôt que présentée comme une reproduction générale de l’intelligence humaine.

Plusieurs points seront déterminants pour la suite. Il faudra vérifier si les gains observés avec les Vision Transformers se retrouvent sur d’autres jeux de données et dans des conditions moins contrôlées. Il sera également nécessaire de mesurer le compromis entre précision, consommation énergétique, rapidité d’exécution et complexité d’intégration dans des architectures existantes.

L’exploration de nouvelles plateformes neuromorphiques devrait enfin jouer un rôle important. Si le matériel parvient à exécuter certains calculs neuronaux avec efficacité, il pourrait compléter les puces conventionnelles pour des besoins ciblés. À l’automne 2024, cette voie reste une piste de recherche prometteuse : elle illustre comment l’étude du néocortex peut inspirer des outils d’IA plus robustes, sans prétendre avoir percé tous les secrets du cerveau humain.