Les chercheurs en neuromorphique s’efforcent de concevoir des systèmes de calcul aussi performants que le cerveau biologique, en particulier le cerveau humain, qui consomme peu d’énergie et fonctionne avec une grande efficacité. Une équipe de recherche a récemment abordé cet objectif sous un angle différent, en se concentrant sur la mesure du transfert d’informations plutôt que sur la conception de composants matériels imitant le mécanisme d’apprentissage du cerveau.
Leur méthode, qui s’est avérée efficace dans un système neuromorphique électronique, a été publiée dans Intelligent Computing, un journal partenaire de Science.
Pour évaluer l’efficacité du transfert d’informations, l’équipe s’est inspirée de la théorie de l’information. Ils ont quantifié la quantité d’informations transmises par les synapses dans les neurones individuels, puis ont mesuré cette quantité en utilisant l’information mutuelle, dont l’analyse révèle la relation entre les stimuli d’entrée et les réponses des neurones.
L’équipe a d’abord mené des expériences avec des neurones biologiques. Ils ont utilisé des tranches de cerveau de rats, enregistrant et analysant les circuits biologiques dans les cellules granulaires du cervelet. Ils ont ensuite évalué les informations transmises au niveau des synapses des neurones des fibres moussues aux cellules granulaires du cervelet. Les fibres moussues ont été stimulées périodiquement avec des pointes électriques pour induire une plasticité synaptique, une caractéristique biologique fondamentale où le transfert d’informations au niveau des synapses est constamment renforcé ou affaibli par l’activité neuronale répétée.
Les résultats montrent que les changements dans les valeurs d’information mutuelle sont largement cohérents avec les changements dans le transfert d’informations biologiques induits par la plasticité synaptique. Les résultats des expériences de simulation et des expériences neuromorphiques électroniques reflètent les résultats biologiques.
L’équipe a ensuite mené des expériences avec des neurones simulés. Ils ont appliqué un modèle de réseau neuronal à pointes, qui a été développé par le même groupe de recherche. Les réseaux neuronaux à pointes s’inspirent du fonctionnement des neurones biologiques et sont considérés comme une approche prometteuse pour obtenir un calcul neuromorphique efficace.
Newsletter Enerzine
Recevez les meilleurs articles
Énergie, environnement, innovation, science : l’essentiel directement dans votre boîte mail.
Enfin, l’équipe a mené des expériences avec des neurones électroniques. Une configuration similaire à celles des expériences biologiques et de simulation a été utilisée. Un dispositif à semi-conducteurs développé précédemment fonctionnait comme un neurone, et quatre memristors spécialisés fonctionnaient comme des synapses. L’équipe a appliqué 20 séquences de pointes pour diminuer les valeurs de résistance, puis 20 autres pour les augmenter. Les changements dans les valeurs de résistance ont été étudiés pour évaluer l’efficacité du transfert d’informations dans le système neuromorphique.
En plus de vérifier la quantité d’informations transférées dans les neurones biologiques, simulés et électroniques, l’équipe a également souligné l’importance du timing des pointes, qui, comme ils l’ont observé, est étroitement lié au transfert d’informations. Cette observation pourrait influencer le développement du calcul neuromorphique, étant donné que la plupart des dispositifs sont conçus avec des algorithmes basés sur la fréquence des pointes.
Bien que les systèmes électroniques n’aient pas entièrement reproduit le transfert complexe d’informations entre les synapses et les neurones, l’équipe a démontré qu’il est possible de transformer les circuits biologiques en circuits électroniques tout en maintenant la quantité d’informations transférées.
«Cela représente une étape clé vers des systèmes artificiels basse consommation inspirés du cerveau», notent les auteurs.
Article : « Information Transfer in Neuronal Circuits: From Biological Neurons to Neuromorphic Electronics » – DOI: 10.34133/icomputing.0059
