🧬 biology

Embodied Neurocomputation: A Framework for Interfacing Biological Neural Cultures with Scaled Task-Driven Validation

Cet article présente un cadre de neurocalcul incarné qui optimise avec succès les configurations d'encodage et de décodage pour des agents de réseaux neuronaux biologiques, démontrant que ces systèmes bio-hybrides peuvent atteindre des performances de navigation en boucle fermée supérieures à celles de l'intelligence artificielle traditionnelle basée sur le silicium, et ce, sous le même budget d'interaction.

Auteurs originaux : Johnson Zhou, Daniel Tanneberg, Forough Habibollahi, Alon Loeffler, Kiaran Lawson, Valentina Baccetti, Kwaku Dad Abu-Bonsrah, Candice Desouza, Finn Doensen, Bradley Watmuff, Daria Kornienko, Azin Azad

Publié 2026-05-14

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Johnson Zhou, Daniel Tanneberg, Forough Habibollahi, Alon Loeffler, Kiaran Lawson, Valentina Baccetti, Kwaku Dad Abu-Bonsrah, Candice Desouza, Finn Doensen, Bradley Watmuff, Daria Kornienko, Azin Azadi, Justin Leigh Bourke, Bernhard Sendhoff, Brett J. Kagan

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète

La Grande Idée : Enseigner à un cerveau à jouer à un jeu vidéo

Imaginez que vous avez un tout petit cerveau vivant composé de vrais neurones (non pas humains, mais cultivés en laboratoire à partir de cellules souches). Maintenant, imaginez que vous voulez enseigner à ce cerveau vivant de jouer à un jeu vidéo simple où il doit trouver de la « nourriture » dans un labyrinthe.

Le problème est que le cerveau vivant parle une langue différente de celle de votre ordinateur. L'ordinateur parle en code numérique (des 0 et des 1), tandis que le cerveau parle en étincelles électriques et en chuchotements chimiques. Si vous criez simplement des instructions au cerveau, il ne comprendra pas. Si vous écoutez simplement ses étincelles aléatoires, vous ne saurez pas ce qu'il pense.

Ce document présente un nouveau cadre appelé Neurocalcul Incarné. Imaginez-le comme un traducteur universel et un entraîneur qui s'installe entre l'ordinateur et le cerveau vivant, les aidant à travailler ensemble pour résoudre un problème.

L'Équipe à Quatre Composantes

Les chercheurs ont décomposé le système en quatre parties, comme une équipe de relais :

Le Traducteur (Encodeur) : Il prend les instructions du jeu (par exemple, « l'odeur est forte vers la droite ») et les transforme en un motif spécifique de décharges électriques que le cerveau peut ressentir. C'est comme traduire une phrase en un rythme précis de coups de tambour.
Le Cerveau (Transformation Biologique) : C'est la culture vivante. Il reçoit les coups de tambour, les traite à sa manière désordonnée et biologique, et modifie son état interne. C'est la partie réelle de la « réflexion ».
L'Écouteur (Décodeur) : Il écoute les étincelles électriques du cerveau et les traduit à nouveau en un mouvement de jeu (par exemple, « Tourner à gauche »). C'est comme écouter les coups de tambour que le cerveau produit et comprendre ce que le batteur essaie de dire.
L'Entraîneur (Rétroaction) : Après que le cerveau a fait un mouvement, l'entraîneur donne une récompense (une belle impulsion électrique) si le mouvement était bon, ou un type d'impulsion différent s'il était mauvais. Cela apprend au cerveau à faire plus d'efforts la prochaine fois.

L'Expérience Massive

Les chercheurs n'ont pas simplement deviné comment parler au cerveau. Ils ont mené une expérience massive pour trouver la manière parfaite de le faire.

La Recherche : Ils ont traité le « langage » du cerveau comme un énorme cadenas à combinaison. Ils devaient déterminer la bonne fréquence, le bon volume et le bon timing des décharges électriques.
L'Échelle : Ils ont testé 1 300 combinaisons différentes de ces paramètres.
Le Temps : Ils ont fait tourner l'expérience pendant plus de 4 000 heures (soit près de 170 jours de temps de calcul ininterrompu).
Les Sujets : Ils ont utilisé 26 lots différents de neurones vivants pour s'assurer que les résultats n'étaient pas un simple hasard.

Les Résultats : Les Cerveaux Vivants Battent les Puces en Silicium

Voici la partie surprenante :

Trouver le Point Doux : Sur 1 300 combinaisons, ils ont trouvé 12 paramètres « dorés » qui ont permis aux cerveaux vivants d'apprendre de manière cohérente.
Battre l'Ordinateur : Lorsqu'ils ont mis en compétition ces cerveaux vivants optimisés contre une intelligence artificielle informatique standard (appelée Deep Q-Network ou DQN) entraînée pendant exactement la même durée, les cerveaux vivants ont gagné. Ils ont appris à naviguer dans le labyrinthe et à trouver la nourriture beaucoup mieux et plus vite que l'ordinateur en silicium.
La Puissance du Repos : Fait intéressant, les cerveaux vivants apprenaient mieux lorsqu'ils avaient des pauses entre les parties. C'est comme réviser pour un examen : bachoter toute la nuit est acceptable, mais étudier un peu, dormir, puis étudier à nouveau fonctionne mieux pour le cerveau.

Pourquoi Cela Compte (Selon le Document)

Le document soutient que nous atteignons un mur avec les ordinateurs traditionnels. Ils consomment trop d'énergie et ne peuvent pas apprendre aussi flexiblement que les êtres vivants.

Cette recherche montre que si nous cessons de traiter les cerveaux vivants comme des ordinateurs cassés et commençons à les considérer comme des partenaires spécialisés avec leurs propres règles uniques, nous pouvons construire un nouveau type d'ordinateur. Il ne s'agit pas de remplacer l'ordinateur, mais de construire une équipe hybride où l'ordinateur gère la logique et le cerveau vivant gère l'apprentissage adaptatif et économe en énergie.

Le Bémol (Limites)

Les auteurs sont honnêtes sur ce qu'ils n'ont pas fait :

Ils n'ont testé qu'un jeu très simple (trouver de la nourriture dans une grille).
Ils n'ont testé que quelques manières spécifiques de « parler » au cerveau. Il pourrait exister des façons encore meilleures qu'ils n'ont pas encore découvertes.
Ils ne savent pas exactement comment le cerveau se souvient des choses dans le temps, mais ils savent que cela se produit.

En Résumé

Ce document est un plan directeur pour parler aux cerveaux vivants. En testant des milliers de façons d'envoyer et de recevoir des signaux, ils ont prouvé que, avec le bon « traducteur » et le bon « entraîneur », une boîte de neurones vivants peut apprendre à jouer à un jeu mieux qu'une puce informatique standard. C'est la première étape vers la construction d'ordinateurs qui sont à la fois en silicium et en biologie, capables d'apprendre et de s'adapter d'une manière que notre technologie actuelle ne peut pas.

Résumé Technique : Neurocalcul Incarné

Énoncé du Problème

Les Réseaux Neuronaux Biologiques (RNB) offrent un substrat prometteur pour le traitement de l'information, caractérisé par une grande adaptabilité, une efficacité énergétique et des mécanismes d'apprentissage distincts par rapport aux architectures traditionnelles basées sur le silicium. Cependant, un goulot d'étranglement fondamental empêche l'utilisation généralisée des RNB pour le neurocalcul : l'absence de mécanismes optimaux de codage et de décodage pour interfacier le monde numérique avec la biologie vivante. Si le décodage de l'activité des réseaux a progressé, le défi inverse — traduire des données numériques structurelles en stimuli électriques significatifs pour les réseaux biologiques — demeure difficile en raison de la nature adaptative, bruyante et non stationnaire des systèmes biologiques. Les approches actuelles reposent souvent sur des protocoles de stimulation heuristiques ou ad hoc aux paramètres hautement contraints, laissant l'immense espace paramétrique multidimensionnel du codage biologique (fréquence, amplitude, largeur d'impulsion, forme d'onde, distribution spatio-temporelle) largement inexploré et non optimisé.

Méthodologie : Le Cadre du Neurocalcul Incarné

Les auteurs proposent un cadre au niveau système nommé Neurocalcul Incarné, qui conceptualise l'interface bio-numérique comme un problème d'optimisation multi-variables. Le cadre modélise le neurocalcul $f(\cdot; \theta_t)$ comme une transformation séquentielle feed-forward convertissant une séquence d'entrée ( $x_t$ ) en une séquence de sortie ( $y_t$ ) à travers quatre modules interdépendants :

Codage ( $e$ ) : Transforme l'information spécifique à la tâche en matrices de stimulation électrique ( $u_t$ ) compatibles avec les réseaux de micro-électrodes (MEA). Cela implique des paramètres pour la fréquence de stimulation, l'amplitude, la largeur d'impulsion et la distribution temporelle.
Transformation Biologique ( $b$ ) : Les dynamiques intrinsèques et non stationnaires du RNB qui cartographient la stimulation vers une matrice de réponse ( $v_t$ ). Cette cartographie évolue dans le temps en fonction de l'historique de stimulation, des retours d'information et de l'adaptation spontanée, modélisée comme une réorganisation qualitative de l'information plutôt que comme un simple filtrage linéaire.
Décodage ( $d$ ) : Transforme la réponse biologique (potentiels électriques ou potentiels d'action) en sorties pertinentes pour la tâche.
Rétroaction ( $r$ ) : Une forme spécialisée de codage délivrée après une réponse pour piloter l'adaptation. Elle peut être renforçatrice (stimulation structurée pour des récompenses positives) ou inductrice de plasticité (stimulation aléatoire pour des récompenses négatives).

Le cadre traite la configuration de ces modules comme un problème d'optimisation dépendant du temps, où l'objectif est de trouver l'ensemble optimal de transformations ( $\theta_t = \theta_e \cup \theta_{b,t} \cup \theta_d \cup \theta_r$ ) pour atteindre un objectif computationnel.

Évaluation Empirique

Pour valider ce cadre, les auteurs ont mené une étude empirique à grande échelle impliquant :

Tâche : Une tâche simulée de navigation guidée par un objectif dans un monde en grille de 6x6. Un agent (le RNB) navigue vers une source de « nourriture » guidé par un capteur « odorant » scalaire. Les actions incluent avancer, tourner à gauche ou tourner à droite.
Échelle : 26 cultures individuelles de RNB connectées via la plateforme CL1 de Cortical Labs.
Optimisation : Un pipeline automatisé d'optimisation des hyperparamètres (utilisant Optuna) a examiné environ 1 300 configurations de codage sur 4 000 heures d'interaction en temps réel.
Processus :
- Étape 1 : Filtrage de 1 296 combinaisons de paramètres sur deux configurations biophysiques distinctes (Groupes 1 et 2) utilisant un épisode court de 30 étapes.
- Étape 2 : Affinement des 64 meilleurs paramètres en un ensemble final de 12 configurations, évaluées dans des conditions plus longues (150 étapes) et multi-épisodes (5 épisodes avec repos) (Groupes 3 et 4).
Lignes de base : La performance a été comparée à des lignes de base de cultures non adaptatives (rejeu d'activité spontanée, potentiels d'action simulés aléatoires) et à des agents Deep Q-Network (DQN) basés sur le silicium et optimisés, entraînés avec un nombre équivalent d'étapes d'interaction.

Résultats Clés

1. Identification des Paramètres Optimaux

En utilisant l'analyse SHAP (SHapley Additive exPlanations) sur les données de l'Étape 1, les auteurs ont identifié que la fréquence maximale pour le codage par taux était le principal moteur de la performance, favorisant des valeurs modérées (40–60 Hz). D'autres facteurs soutenant une haute performance incluaient une amplitude de stimulation plus élevée, une largeur d'impulsion plus courte et des taux d'interaction environnementale plus rapides. Cette analyse a réduit l'espace de recherche de 1 296 à 12 configurations cohérentes et performantes.

2. Performance Supérieure des RNB Optimisés

Vs. Lignes de base : Les agents biologiques optimisés ont nettement surpassé les lignes de base de cultures non adaptatives (de 3,6 à 5,6 fois selon le groupe).
Vs. Silicium (DQN) : Les agents RNB optimisés ont atteint une performance de tâche significativement supérieure à celle des agents DQN entraînés avec le même nombre d'étapes d'interaction. Plus précisément, les RNB ont montré une amélioration de 1,18 fois dans le Groupe 3 (un seul épisode de 150 étapes) et une amélioration de 1,25 fois dans le Groupe 4 (cinq épisodes de 30 étapes).
Dynamiques d'apprentissage : Les RNB ont démontré une progression claire de l'apprentissage, en particulier lorsque l'apprentissage était distribué sur plusieurs épisodes avec des périodes de repos (Groupe 4), suggérant l'émergence de processus adaptatifs à long terme. Les traces comportementales ont montré un passage d'un mouvement aléatoire à une utilisation stratégique de l'action « avancer » pour atteindre les objectifs.
Activité neuronale : D'ici l'épisode final, l'activité du réseau a évolué d'une localisation près des électrodes de codage vers une diversité et une distribution à travers les régions de décodage, indiquant une adaptation réussie de l'état interne.

Importance et Revendications

L'article prétend présenter la première optimisation de paramètres à grande échelle des configurations de codage pour des agents RNB dans un environnement en boucle fermée. Ses contributions principales sont :

Établissement du Cadre : Il fournit une définition formelle, au niveau système, du Neurocalcul Incarné qui va au-delà de la stimulation isolée de concept pour aboutir à une approche structurée d'optimisation multi-variables.
Fondation Basée sur les Données : En examinant environ 1 300 configurations, l'étude établit une fondation basée sur les données pour comprendre comment les paramètres de codage s'associent à la biophysique du réseau pour produire une plasticité et un apprentissage robustes.
Validation de la Performance : Les résultats démontrent que les substrats neuronaux vivants, lorsqu'ils sont correctement interfacés, peuvent soutenir un comportement orienté vers un but et surpasser les algorithmes d'apprentissage par renforcement standard sur silicium sous des budgets d'entraînement équivalents.
Trajectoire Future : Ce travail soutient le développement d'architectures hybrides bio-silicium capables de calculs efficaces, adaptatifs et en temps réel. Il suggère que le potentiel computationnel des RNB n'est pas uniquement inhérent à la biologie, mais dépend de manière critique de la structure de l'interface bio-silicium.

Les auteurs restent modestes quant à la généralisabilité, notant que l'étude actuelle a utilisé des entrées sensorielles scalaires de faible dimension. Ils reconnaissent que l'espace de recherche a été contraint par l'expertise du domaine et que les dépendances temporelles sous-jacentes aux améliorations multi-épisodes nécessitent une caractérisation plus approfondie. Cependant, ils postulent que ce travail pose les bases d'une validation systématique future dans des environnements de plus en plus complexes et du développement de références pour le neurocalcul à l'échelle du domaine.