Des chercheurs ont créé des algorithmes évolutionnaires pour comprendre les processus cérébraux et construire des machines adaptatives.
Afin d'imiter la capacité de notre cerveau à s'adapter, une nouvelle approche apprend à des algorithmes à imiter l'évolution biologique. Grâce à cette technique, les machines peuvent apprendre plus rapidement et développer des capacités créatives étonnantes.
Les algorithmes évolutionnaires
Pour mettre au point une intelligence artificielle capable d'imiter le fonctionnement du cerveau humain, l'une des meilleures approches consiste à imiter le véritable processus cérébral. Autrement dit, les chercheurs doivent commencer par comprendre comment fonctionne notre cerveau.
Par ailleurs, la capacité d'adaptation est une qualité clé pour créer des machines intelligentes. Et pour les humains, elle repose sur la plasticité synaptique. Les synapses correspondent aux points de connexion entre les neurones. Pour faire simple, c'est cette plasticité synaptique qui se trouve au cœur des processus d'apprentissage et de la mémoire.
Afin de comprendre le fonctionnement du cerveau, des chercheurs ont créé des modèles de mécaniques en imitant ces processus. Cette nouvelle approche implique des algorithmes dits « évolutionnaires ». En gros, ces programmes informatiques imitent l'évolution biologique pour résoudre des problèmes donnés. À cette fin, ils prennent comme modèle l'aptitude biologique, c'est-à-dire la capacité d'adaptation du cerveau.
Améliorez la performance de vos projets grâce à l’IA générative ?
Évoluer pour apprendre
« Evolving-to-learn » (E2L) ou « évoluer pour apprendre », tel est le nom de cette nouvelle approche. La recherche a été dirigée par le Dr Mihai Petrovici, de l'Institut de physiologie de l'Université de Berne et de l'Institut Kirchhoff de physique de l'Université de Heidelberg.
Les algorithmes évolutionnaires ont été confrontés à trois scénarios d'apprentissage. Le premier correspondait à une technique d'apprentissage automatique. Entre autres, l'ordinateur devait résoudre une tâche sans recevoir de retour sur ses performances. Pour le deuxième scénario, les chercheurs ont utilisé un apprentissage par renforcement. Quant au dernier, il s'agissait d'un apprentissage guidé dans lequel l'ordinateur recevait des indications précises sur le comportement souhaité.
Dans chaque scénario, les algorithmes évolutionnaires parvenaient à imiter la plasticité synaptique pour résoudre une nouvelle tâche. De plus, ils ont fait preuve de créativité en trouvant, par exemple, un nouveau modèle de plasticité. Combinée aux signaux définis par les chercheurs, celle-ci a permis de former un nouveau signal.
Pour les chercheurs, l'E2L devrait permettre de comprendre les principes de l'apprentissage biologique et d'accélérer la création de machines intelligentes plus puissantes. Ils espèrent également que cette approche contribuera à améliorer la recherche sur la plasticité synaptique dans le système nerveux.
- Partager l'article :
