Une équipe menée par l’Université de Berne propose une nouvelle manière de faire apprendre des réseaux neuronaux inspirés du cerveau. Le mécanisme, baptisé Spike-based Alignment Learning ou SAL, s’appuie sur les impulsions électriques brèves, les « spikes », par lesquelles les neurones transmettent l’information.
Aujourd’hui, les réseaux d’intelligence artificielle sont entraînés grâce à des méthodes mathématiques très efficaces, comme la rétropropagation de l’erreur. Mais cette technique suppose que certaines connexions soient finement coordonnées dans les deux sens, ce qui est facile à réaliser dans un ordinateur classique, mais beaucoup moins évident dans le cerveau ou dans des puces neuromorphiques, où les synapses transmettent l’information dans une seule direction.
SAL contourne ce problème en transformant le « bruit » en signal utile. Les petites variations aléatoires dans le rythme des spikes permettent de repérer des connexions déséquilibrées entre neurones. Chaque synapse peut alors s’ajuster à partir des informations disponibles localement, sans devoir recevoir d’instructions venues de régions éloignées du réseau.
Les chercheurs de l’Institut de physiologie de l’Université de Berne, avec des collègues de Heidelberg et de l’Okinawa Institute of Science and Technology, ont testé cette approche dans différents réseaux artificiels, allant de modèles proches du cerveau à des systèmes de reconnaissance d’images. Dans ces simulations, SAL a permis de coordonner les connexions nécessaires et d’améliorer les performances par rapport à des modèles incapables de compenser ces asymétries.
L’objectif n’est pas de remplacer les méthodes d’apprentissage utilisées sur les ordinateurs classiques, mais de mieux comprendre comment des systèmes physiques, biologiques ou électroniques, peuvent apprendre efficacement avec peu d’échanges d’information à longue distance. À terme, ce principe pourrait contribuer à des puces neuromorphiques plus robustes, plus rapides et moins gourmandes en énergie.