Les réseaux de neurones artificiels sont généralement façonnés par des ingénieurs : les concepteurs décident de la manière dont les forces de connexion changent à mesure que le réseau apprend des données et des commentaires. Une nouvelle étude du MIT affirme que cette approche pilotée par les concepteurs, aussi puissante soit-elle, ne nous apprend pas grand-chose sur la manière dont le cerveau apprend réellement – et démontre une alternative dans laquelle les réseaux s'organisent.
Dans un article publié le 9 octobre dans les Actes de l'Académie nationale des sciences (PNAS), des scientifiques du McGovern Institute for Brain Research du MIT et du Centre K. Lisa Yang Integrative Computational Neuroscience (ICoN) montrent qu'un réseau neuronal artificiel peut construire sa propre machinerie d'apprentissage. Partant de connexions aléatoires et suivant uniquement des règles locales simples sur la manière et le moment où les connexions doivent changer, le réseau s'est transformé en un système de traitement de l'information efficace. Pour plus de contexte sur cette histoire, consultez notre dernières avancées en IA.
Pourquoi la plausibilité biologique est importante
"La technologie actuelle de l'IA fonctionne très bien, mais elle n'utilise pas nécessairement un algorithme d'apprentissage utilisé par le cerveau", a déclaré Qianli Liao, chercheur postdoctoral au K. Lisa Yang ICoN Center dans les laboratoires des professeurs du MIT Tomaso Poggio et Mark Harnett, et co-premier auteur de l'article aux côtés du chercheur scientifique du MIT Liu Ziyin et de l'étudiant diplômé Yulu Gan.
La distinction est importante pour les neuroscientifiques qui souhaitent utiliser les modèles d’IA comme fenêtres sur le cerveau. L’apprentissage automatique moderne repose sur la rétro-propagation, un algorithme que la plupart des neuroscientifiques considèrent comme peu susceptible d’exister dans les circuits neuronaux biologiques. "Le cerveau n'a pas de concepteur ou d'architecte externe", a déclaré Liao. "Le cerveau doit s'organiser. Et nous devons savoir comment des règles simples vont permettre au cerveau de s'organiser."
L'argument central de l'équipe est que la valeur d'un réseau en tant que modèle du cerveau doit être jugée par la mesure dans laquelle il peut s'organiser - pas seulement ses connexions, mais aussi la machinerie qui ajuste ces connexions.
Comment fonctionne le réseau auto-organisé
Les chercheurs ont construit des réseaux dont la structure commence par plusieurs couches d’unités de type neurone interconnectées de manière aléatoire. Au sein de chaque couche, chaque unité est régie par les mêmes règles simples sur la manière dont les connexions doivent être ajustées. "Ils interagissent simplement les uns avec les autres en utilisant cette règle et développent un certain type de comportement", a expliqué Liao.
Les neuroscientifiques pensent que ces règles permettent de recâbler les circuits cérébraux pendant l'apprentissage – y compris le principe classique selon lequel « les neurones qui s'allument ensemble se connectent », ce qui signifie que l'activation simultanée renforce la connexion entre deux neurones.
Au fur et à mesure que le réseau l’a appris, des motifs auto-assemblés ont émergé selon ces règles simples et ont ensuite servi de blocs de construction pour des circuits fonctionnels. Ces motifs se sont ensuite réorganisés à l'aide d'une stratégie d'optimisation ressemblant à la descente de gradient - le processus d'ajustement piloté par les erreurs intégré à la plupart des apprentissages automatiques modernes - mais découlant de la dynamique locale du réseau plutôt que d'un algorithme imposé de l'extérieur.
Performances comparables aux réseaux standards
Le test crucial était de savoir si ce système auto-organisé était réellement capable d’apprendre. C’est possible : l’équipe a montré qu’un réseau auto-organisé régi par ces règles locales apprenait à reconnaître des modèles et à classer les images, fonctionnant à un niveau similaire aux réseaux de conception conventionnelle formés par rétro-propagation.
L'auteur principal, Tomaso Poggio, a présenté le résultat comme un pont potentiel entre deux domaines qui poursuivent depuis longtemps les mêmes mécanismes dans des directions opposées. Si les motifs synaptiques proposés par l'équipe sont ceux que le cerveau utilise pour accomplir ce que fait la rétro-propagation pour les réseaux artificiels, a-t-il noté, les chercheurs auraient "un lien fort au niveau des mécanismes fondamentaux entre les réseaux artificiels et naturels - entre les machines et les cerveaux".
Des interfaces cerveau-ordinateur à une meilleure IA
Les implications vont dans les deux sens. Pour les neurosciences, comprendre les règles simples selon lesquelles les circuits s’auto-organisent pourrait clarifier le fonctionnement de l’apprentissage – et comment il se décompose. Liao désigne les interfaces cerveau-ordinateur, qui visent à rétablir la communication pour les personnes ayant perdu leurs capacités linguistiques ou à permettre aux patients paralysés de contrôler des membres prothétiques, comme un domaine où la connaissance de ces règles est essentielle. "Aucun de ces éléments ne peut fonctionner sans connaître les règles qui sous-tendent les interactions neurone-neurone", a-t-il déclaré. "Ce n'est pas réalisable en concevant simplement un circuit qui fonctionne très bien." Les mêmes connaissances pourraient éclairer les thérapies pour les conditions dans lesquelles les règles d’apprentissage sont perturbées par le vieillissement ou la maladie.
Pour l’apprentissage automatique, les résultats suggèrent un espace de conception sous-exploré. Liao prévient qu’un réseau auto-organisé n’apprend pas nécessairement de la même manière que le cerveau, mais il considère l’auto-organisation comme un point de départ essentiel. "L'auto-organisation est le premier cadre de haut niveau", a-t-il déclaré. "Une fois que nous serons à l'aise avec l'auto-organisation comme mesure, nous pourrons alors parler de la prochaine chose." L'objectif principal du groupe est de comprendre le cerveau, mais ces connaissances pourraient à terme aider les ingénieurs à construire des réseaux plus performants ou se comportant de manière plus humaine.
Il existe également une question ouverte sur la granularité. Les règles qui remodèlent les connexions neuronales à mesure qu'un animal apprend peuvent différer selon les régions du cerveau, et elles peuvent changer à mesure que le cerveau mûrit – une possibilité que les chercheurs affirment que les neuroscientifiques doivent étudier avant que des modèles à règles simples puissent être adaptés à des circuits biologiques spécifiques. Cette cartographie, à son tour, pourrait révéler où et comment le mécanisme d’apprentissage est perturbé par le vieillissement ou la maladie, éclairant ainsi les stratégies de prévention ainsi que les thérapies.
L’étude, réalisée par le McGovern Institute for Brain Research et le K. Lisa Yang ICoN Center, a été couverte par MIT News le 13 octobre 2026.
---
Restez à la Pointe de l'IALes dernières actualités, analyses et percées en IA — au même endroit.
Lire plus d'actualités IA →
