Petits modèles, (mais) grandes perspectives sur la vision

Grâce à l’apprentissage automatique avancé, les chercheurs ont créé des modèles compacts, mais très précis, afin de mieux comprendre le système visuel, offrant ainsi des avancées potentielles tant pour les neurosciences que pour l’intelligence artificielle.

Comprendre comment le cerveau traite ce que nous voyons est l’une des questions centrales en neurosciences. Notre système visuel est incroyablement puissant, capable de reconnaître facilement les visages, les objets et les scènes, mais les détails de la façon dont les neurones individuels répondent aux images restent complexes et difficiles à étudier. Une nouvelle étude publiée dans Nature montre qu’il est possible de capturer ces réponses en utilisant des modèles à la fois très précis et bien plus simples que les approches précédentes.

L’équipe a commencé avec un grand modèle informatique conçu pour prédire comment les neurones du cortex visuel de sujets non humains répondent aux images. Bien que ce modèle ait été très précis, il était également énorme, avec des millions de paramètres, le rendant presque aussi difficile à comprendre que le cerveau lui-même. En utilisant des techniques avancées d’apprentissage automatique, les chercheurs ont compressé ce modèle, créant des versions plus petites qui étaient des milliers de fois plus simples tout en prédisant les réponses neuronales avec une grande précision. Ces modèles compacts ont permis à l’équipe d’examiner le fonctionnement interne du système visuel d’une manière qui était auparavant impossible.

« Ce travail montre que nous n’avons pas besoin de réseaux massifs et complexes pour comprendre ce que font les neurones individuels », explique Matt Smith, professeur en génie biomédical et à l’Institut des neurosciences de l’Université Carnegie Mellon. « En rendant les modèles plus petits et interprétables, nous pouvons en fait acquérir une intuition sur le fonctionnement du système visuel et développer des hypothèses qui peuvent être testées en laboratoire. »

Une découverte surprenante a été que même si le modèle était considérablement réduit en taille, il pouvait toujours capturer des différences subtiles dans la façon dont les neurones répondent à des images similaires. Cela suggère que le système visuel du cerveau repose sur des motifs de calcul spécifiques qui peuvent être représentés de manière plus simple qu’on ne le pensait auparavant. En étudiant ces modèles simplifiés, les chercheurs ont pu voir comment les neurones individuels détectent des caractéristiques importantes, telles que les yeux d’un visage ou les points d’un motif, offrant ainsi un aperçu du traitement de l’information visuelle à une échelle fine.

Au-delà d’aider les scientifiques à comprendre la vision, cette recherche a également des implications technologiques. Les systèmes modernes de vision par ordinateur, comme ceux qui reconnaissent les visages sur un téléphone ou guident les voitures autonomes, sont inspirés du cerveau mais échouent souvent de manière subtile là où les humains réussissent facilement. Les enseignements tirés de ces modèles neuronaux compacts pourraient aider à améliorer les systèmes d’intelligence artificielle, les rendant plus robustes et adaptables dans des situations réelles.

« L’étude met également en lumière la nature collaborative de cette recherche, combinant la neuroscience expérimentale avec la modélisation computationnelle et l’apprentissage automatique », ajoute Smith. « En travaillant ensemble entre institutions et disciplines, nous avons pu construire des modèles non seulement prédictifs, mais aussi interprétables et significatifs. »

Pour l’avenir, les chercheurs étendent ces modèles pour prendre en compte le temps, passant d’images uniques à des séquences comme des vidéos. Cela pourrait aider à expliquer comment le système visuel suit les mouvements, reconnaît les motifs changeants et se concentre sur des détails importants dans des environnements dynamiques. En continuant à simplifier et à étudier ces modèles, les collaborateurs espèrent découvrir les règles qui régissent la façon dont nos cerveaux interprètent le monde qui nous entoure.

Article : Compact deep neural network models of the visual cortex – Journal : Nature – DOI : Lien vers l’étude

Source : CMU