Le RIKEN Center for Brain Science (CBS) au Japon, avec des collègues, a montré que le principe de l’énergie libre peut expliquer remark les réseaux de neurones sont optimisés pour l’efficacité. Publiée dans la revue scientifique Communications Biology, l’étude montre d’abord comment le principe de l’énergie libre est à la foundation de tout réseau de neurones qui minimise le coût énergétique. Ensuite, en tant que preuve de idea, il montre comment un réseau de neurones minimisant l’énergie peut résoudre des labyrinthes. Cette découverte sera utile pour analyser les fonctions cérébrales altérées dans les difficulties de la pensée ainsi que pour générer des réseaux de neurones optimisés pour les intelligences artificielles.
L’optimisation biologique est un processus naturel qui rend notre corps et notre comportement aussi efficaces que possible. Un exemple comportemental peut être vu dans la transition que les chats font de la course au galop. Loin d’être aléatoire, le basculement se produit précisément à la vitesse à laquelle la quantité d’énergie nécessaire pour galoper devient inférieure à celle nécessaire pour courir. Dans le cerveau, les réseaux de neurones sont optimisés pour permettre un contrôle efficace du comportement et de la transmission d’informations, tout en conservant la capacité de s’adapter et de se reconfigurer à des environnements changeants.
Comme pour le simple calcul coût/bénéfice qui peut prédire la vitesse à laquelle un chat commencera à galoper, les chercheurs de RIKEN CBS tentent de découvrir les principes mathématiques de base qui sous-tendent la façon dont les réseaux de neurones s’auto-optimisent. Le principe de l’énergie libre fit un concept appelé inférence bayésienne, qui est la clé. Dans ce système, un agent est continuellement mis à jour par de nouvelles données sensorielles entrantes, ainsi que par ses propres sorties ou décisions passées. Les chercheurs ont comparé le principe de l’énergie libre avec des règles bien établies qui contrôlent la façon dont la force des connexions neuronales au sein d’un réseau peut être modifiée par des changements dans les entrées sensorielles.
“Nous avons pu démontrer que les réseaux de neurones normal, qui présentent une modulation retardée de la plasticité hebbienne, effectuent une planification et un contrôle comportemental adaptatif en tenant compte de leurs” décisions “précédentes”, explique le leading auteur et chef d’unité Takuya Isomura. “Il est crucial de noter qu’ils le font de la même manière qu’ils le feraient en suivant le principe de l’énergie libre.”
Une fois qu’ils ont établi que les réseaux de neurones suivent théoriquement le principe de l’énergie libre, ils ont testé la théorie à l’aide de simulations. Les réseaux neuronaux se sont automobile-organisés en modifiant la pressure de leurs connexions neuronales et en associant les décisions passées aux résultats futurs. Dans ce cas, les réseaux de neurones peuvent être considérés comme étant régis par le principe de l’énergie libre, qui lui a permis d’apprendre le bon itinéraire à travers un labyrinthe par essais et erreurs de manière statistiquement optimale.
Ces résultats pointent vers un ensemble de règles mathématiques universelles qui décrivent remark les réseaux de neurones s’auto-optimisent. Comme l’explique Isomura, “Nos découvertes garantissent qu’un réseau neuronal arbitraire peut être présenté comme un agent obéissant au principe de l’énergie libre, fournissant une caractérisation universelle du cerveau.” Ces règles, ainsi que la nouvelle system d’ingénierie inverse des chercheurs, peuvent être utilisées pour étudier les réseaux de neurones pour la prise de décision chez les personnes atteintes de difficulties de la pensée tels que la schizophrénie et prédire les facets de leurs réseaux de neurones qui ont été modifiés.
Une autre utilisation pratique de ces règles mathématiques universelles pourrait être dans le domaine de l’intelligence artificielle, en particulier celles que les concepteurs espèrent pouvoir apprendre, prédire, planifier et prendre des décisions efficacement. “Notre théorie peut réduire considérablement la complexité de la conception de matériel neuromorphique automobile-apprenant pour effectuer divers types de tâches, ce qui sera vital pour une intelligence artificielle de nouvelle génération”, déclare Isomura.