Université Bar-Ilan (Israël) : une nouvelle IA révolutionnaire basée sur le cerveau humain
[:fr]
Les chercheurs de l’université de Bar-Ilan, en Israël, ont créé un nouveau type d’algorithmes d’intelligence artificielle basés sur le fonctionnement du cerveau humain. Contre toute attente, ces algorithmes se révèlent plus performants que les modèles de Deep Learning et de Machine Learning les plus récents…
Inventé il y a environ 70 ans, le Machine Learning s’inspire du processus d’apprentissage de notre cerveau humain. Cependant,selon les chercheurs de l’université de Bar-Ilan, en Israël, le lien entre neuroscience et intelligence artificielle est resté inexploité depuis lors. C’est la raison pour laquelle ces scientifiques ont développé un nouveau type d’algorithmes d’IA basé sur le fonctionnement du cerveau.
Les algorithmes de Deep Learning les plus récents sont capables de produire des résultats comparables à ceux des experts humains dans différents secteurs d’application en exploitant la puissance des derniers ordinateurs et de larges ensembles de données. Cependant, les techniques utilisées divergent désormais largement de l’apprentissage humain.
En effet, en tant que machine, le cerveau humain se révèle extrêmement lent. Sa vitesse de calcul peut être comparée à celle de l’aiguille des secondes d’une horloge, et le nombre de neurones est inférieur au nombre de bits du disque dur d’un PC moderne.
En outre, les règles d’apprentissage du cerveau sont très compliquées et distinctes des étapes d’apprentissage des algorithmes d’IA actuels. L’une des différences est que le cerveau traite des entrées d’informations « asynchrones », tandis que les algorithmes sont basés sur des entrées synchrones. C’est ce qui permet au cerveau d’identifier l’ordre temporel et les positions relatives des entrées, chose dont les algorithmes sont incapables.
L’IA se révèle plus performante en s’inspirant de la lenteur du cerveau humain
Par exemple, lorsque vous conduisez une voiture, vous observez les autres véhicules, les passages piétons et les panneaux routiers et pouvez identifier facilement leur ordre temporel et leurs positions relatives. Ce n’est pas le cas de l’intelligence artificielle.
Or, en réalisant leur étude, les chercheurs de l’université de Bar-Ilan se sont rendu compte que la vitesse d’apprentissage des algorithmes imitant le fonctionnement du cerveau humain se révèle identique pour les petits et les grands réseaux de neurones. Ceci prouve que le caractère compliqué du schéma d’apprentissage du cerveau est en fait un avantage.
En outre, en s’adaptant aux entrées asynchrones de façon autonome, les algorithmes peuvent apprendre sans avoir à passer par les différentes étapes d’apprentissage. Dans le cerveau, ce phénomène survient au niveau des dendrites que l’on retrouve dans chaque neurone.
Ainsi, les algorithmes basés sur la dynamique d’apprentissage très lente du cerveau se révèlent plus performants et plus efficaces que les algorithmes Deep Learning de dernière génération. En conclusion de cette étude surprenante, les chercheurs appellent « à remettre les principes fondamentaux de notre cerveau au centre de l’intelligence artificielle du futur ».
Bastien L. pour lebigdata
https://www.youtube.com/watch?time_continue=2&v=nLLDgBlVg34[:en]
Though the brain is a very slow machine, its capabilities exceed typical state-of-the-art, ultrafast artificial intelligence algorithms; hence, a revolution in deep learning must emerge, as experimentally and theoretically demonstrated by Bar-Ilan University physicists.
Machine learning, introduced 70 years ago, is based on evidence of the dynamics of learning in our brain. Using the speed of modern computers and large data sets, deep learning algorithms have recently produced results comparable to those of human experts in various applicable fields, but with different characteristics that are distant from current knowledge of learning in neuroscience.
Using advanced experiments on neuronal cultures and large scale simulations, a group of scientists at Bar-Ilan University in Israel has demonstrated a new type of ultrafast artifical intelligence algorithms — based on the very slow brain dynamics — which outperform learning rates achieved to date by state-of-the-art learning algorithms.
In an article published today in the journal Scientific Reports, the researchers rebuild the bridge between neuroscience and advanced artificial intelligence algorithms that has been left virtually useless for almost 70 years.
« The current scientific and technological viewpoint is that neurobiology and machine learning are two distinct disciplines that advanced independently, » said the study’s lead author, Prof. Ido Kanter, of Bar-Ilan University’s Department of Physics and Gonda (Goldschmied) Multidisciplinary Brain Research Center. « The absence of expectedly reciprocal influence is puzzling. »
« The number of neurons in a brain is less than the number of bits in a typical disc size of modern personal computers, and the computational speed of the brain is like the second hand on a clock, even slower than the first computer invented over 70 years ago, » he continued. « In addition, the brain’s learning rules are very complicated and remote from the principles of learning steps in current artificial intelligence algorithms, » added Prof. Kanter, whose research team includes Herut Uzan, Shira Sardi, Amir Goldental and Roni Vardi.
Brain dynamics do not comply with a well-defined clock synchronized for all nerve cells, since the biological scheme has to cope with asynchronous inputs, as physical reality develops. « When looking ahead one immediately observes a frame with multiple objects. For instance, while driving one observes cars, pedestrian crossings, and road signs, and can easily identify their temporal ordering and relative positions, » said Prof. Kanter. « Biological hardware (learning rules) is designed to deal with asynchronous inputs and refine their relative information. » In contrast, traditional artifical intelligence algorithms are based on synchronous inputs, hence the relative timing of different inputs constituting the same frame is typically ignored.
The new study demonstrates that ultrafast learning rates are surprisingly identical for small and large networks. Hence, say the researchers, « the disadvantage of the complicated brain’s learning scheme is actually an advantage ». Another important finding is that learning can occur without learning steps through self-adaptation according to asynchronous inputs. This type of learning-without-learning occurs in the dendrites, several terminals of each neuron, as was recently experimentally observed. In addition, network dynamics under dendritic learning are governed by weak weights which were previously deemed insignificant.
The idea of efficient deep learning algorithms based on the very slow brain’s dynamics offers an opportunity to implement a new class of advanced artificial intelligence based on fast computers. It calls for the reinitiation of the bridge from neurobiology to artifical intelligence and, as the research group concludes, « Insights of fundamental principles of our brain have to be once again at the center of future artificial intelligence ».
[:]
