Associative Emotional Learning in Convolutional Neural Networks
Cet article propose et valide un modèle de réseau de neurones profonds du traitement de la valence visuelle qui reproduit avec succès les phénomènes d'apprentissage émotionnel associatif humain, tels que la formation d'associations et la généralisation, en démontrant que les représentations neurales des stimuli conditionnés et non conditionnés deviennent de plus en plus alignées au cours de l'entraînement.
Article original placé dans le domaine public sous CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Le code de triche émotionnel du cerveau
Imaginez que votre cerveau est un détective super intelligent essayant de résoudre un mystère chaque seconde de votre vie. L'une de ses tâches les plus importantes est de déterminer ce qui est bon pour vous (comme un câlin chaleureux ou une part de pizza) et ce qui est mauvais (comme une abeille bourdonnante ou une peau de banane glissante). Cette capacité à lier une chose neutre — comme un son spécifique ou une forme — à un sentiment de joie ou de peur est appelée apprentissage émotionnel associatif. C'est la raison pour laquelle vous pouvez vous sentir un peu nerveux en entendant la perceuse d'un dentiste, avant même de voir le fauteuil, parce que votre cerveau a appris à connecter ce son à une expérience passée désagréable. Les scientifiques ont essayé de construire des modèles informatiques pour comprendre comment cela fonctionne, mais les anciens modèles étaient un peu comme des calculatrices simples : ils pouvaient faire les calculs, mais ils ne pouvaient pas vraiment « voir » le monde comme un humain le fait. Ils avaient du mal à expliquer comment notre cerveau gère des images complexes et confuses pour les transformer en sentiments.
Entrez dans la scène : le Deep Learning (apprentissage profond), un type d'intelligence artificielle qui utilise des couches de « neurones » numériques pour reconnaître des motifs, tout comme le cortex visuel de nos yeux et de notre cerveau. Ces réseaux sont excellents pour repérer des chats sur des photos ou lire une écriture manuscrite. Mais peuvent-ils apprendre à ressentir ? Un ordinateur, qui n'a pas réellement de sentiments, peut-il apprendre à traiter une forme ennuyeuse comme « effrayante » simplement parce qu'elle a été associée à une image effrayante ? C'est la grande question que se posent les chercheurs. Si nous pouvons apprendre à un ordinateur à apprendre les émotions de la même manière qu'un humain, nous pourrions enfin comprendre les mécanismes cachés de notre propre esprit, nous aidant à comprendre pourquoi certaines personnes restent bloquées dans des boucles de peur (comme dans l'anxiété ou le SSPT) et comment les aider à s'en libérer.
Le cerveau numérique apprend à ressentir
Dans cette étude, une équipe de chercheurs a construit un cerveau informatique spécial pour voir s'il pouvait apprendre les émotions de la même manière que nous. Ils ont créé un modèle appelé le Modèle Visuel-Valence. Voyez ce modèle comme ayant deux parties principales : un « Cortex Visuel » qui agit comme une paire d'yeux, et un « Module d'Émotion » qui agit comme le centre des sentiments du cerveau (plus précisément l'amygdale et le cortex orbitofrontal). Pour rendre cela encore plus réaliste, ils ont ajouté une connexion de type « raccourci ». C'est comme une voie rapide qui permet aux yeux d'envoyer un croquis rapide et rudimentaire d'une scène au centre des sentiments avant que les yeux n'aient fini de prendre une photo détaillée. Cela imite la façon dont nos vrais cerveaux réagissent parfois au danger avant même que nous comprenions pleinement ce que nous regardons.
D'abord, les chercheurs ont dû apprendre à ce cerveau numérique ce que « bon » et « mauvais » signifient. Ils lui ont montré des milliers de photos de la vie réelle issues de l'International Affective Picture System (IAPS), qui sont célèbres pour être soit très agréables (comme un chiot ou un coucher de soleil), soit très désagréables (comme une araignée ou un toilette sale). L'ordinateur a appris à prédire un score de « valence », un nombre de 1 (extrêmement désagréable) à 9 (extrêmement agréable), avec 5 étant neutre. Après cet entraînement, l'ordinateur pouvait regarder une image et dire : « C'est un 2, c'est mauvais », ou « C'est un 8, c'est génial ! ».
Puis vint le véritable tour de magie : le Conditionnement Pavlovien. Vous connaissez peut-être cela grâce aux célèbres expériences sur les chiens où une cloche faisait saliver un chien. Ici, les chercheurs ont utilisé un objet neutre : un patch de Gabor. Imaginez ce patch comme un cercle rayé et flou qui ressemble à de la neige statique sur une vieille télévision. En soi, ce patch est ennuyeux et n'a aucune signification émotionnelle. Les chercheurs ont associé un patch rayé à 45 degrés à une image « désagréable » (comme un pistolet ou une araignée) et un patch à 135 degrés à une image « agréable » (comme un portrait de famille ou un chiot). Ils ont montré ces paires à l'ordinateur encore et encore.
Les résultats ont été fascinants. Après seulement quelques cycles de visualisation de ces paires, l'ordinateur a commencé à changer d'avis sur les rayures ennuyeuses. Lorsqu'on lui montrait le patch à 45 degrés seul (sans l'image effrayante), l'ordinateur le jugeait soudainement désagréable (environ 2,3). Lorsqu'on lui montrait le patch à 135 degrés seul, il le jugeait agréable (environ 8,0). L'ordinateur avait appris à associer les rayures neutres aux sentiments des images avec lesquelles elles étaient associées, tout comme un humain le ferait.
Mais l'avait-il simplement mémorisé ou avait-il vraiment appris ? Les chercheurs ont testé cela avec la généralisation. Ils ont montré à l'ordinateur des rayures à des angles qu'il n'avait jamais vus auparavant, comme 30 degrés ou 60 degrés. La réaction de l'ordinateur s'est affaiblie progressivement à mesure que les rayures s'éloignaient des angles « entraînés ». S'il avait été entraîné sur 45 degrés, une rayure à 30 degrés semblait un peu effrayante, mais une rayure à 90 degrés semblait neutre. Cet effet d'« atténuation » est exactement ce qui se produit chez les humains, ce qui suggère que l'ordinateur ne se contentait pas de mémoriser des pixels, mais apprenait réellement un concept. Ils ont également testé si l'emplacement de la rayure importait. Même lorsqu'ils déplaçaient les rayures dans différents coins de l'écran où elles n'avaient pas été entraînées, l'ordinateur ressentait toujours l'émotion, bien que l'effet soit plus fort là où il avait été entraîné.
Pour comprendre comment l'ordinateur a appris, les chercheurs ont regardé à l'intérieur de son « cerveau » au niveau des neurones numériques individuels. Ils ont découvert qu'avant l'apprentissage, les neurones qui réagissaient aux images effrayantes étaient différents de ceux qui réagissaient aux rayures ennuyeuses. Mais après l'apprentissage, les neurones qui s'activaient pour la rayure à 45 degrés commençaient à ressembler de plus en plus et à agir de plus en plus comme les neurones qui s'activaient pour l'image effrayante. L'ordinateur avait physiquement remodelé sa carte interne pour faire en sorte que la chose neutre ressemble à la chose émotionnelle.
L'étude a également découvert que ce chemin de « raccourci » était crucial. Lorsqu'ils ont supprimé la connexion de la voie rapide, l'ordinateur n'a pas réussi à apprendre l'association émotionnelle. Cela suggère que disposer d'une route directe et rapide de la vision précoce vers le centre des émotions est la clé pour que ce type d'apprentissage se produise.
Cependant, les chercheurs prennent soin de préciser ce que cette étude n'a pas fait. L'ordinateur n'a pas réellement « ressenti » quoi que ce soit ; il a simplement calculé des nombres. La partie visuelle du cerveau de l'ordinateur était « gelée », ce qui signifie qu'elle n'a pas modifié ses propres yeux pendant le processus d'apprentissage, seul le module d'émotion l'a fait. Les vrais cerveaux humains pourraient modifier leurs yeux aussi, et ce modèle ne pouvait pas tester cela. De plus, l'ordinateur n'avait pas de moyen de « désapprendre » (extinction), ce qui est la façon dont nous cessons d'avoir peur de quelque chose une fois que nous réalons que c'est sûr.
En fin de compte, cette étude suggère que les réseaux de neurones profonds, lorsqu'ils sont construits avec les bons raccourcis et entraînés avec les bonnes règles émotionnelles, peuvent imiter la façon dont les humains forment des souvenirs émotionnels. Cela montre que nous n'avons pas besoin d'une « âme » magique pour apprendre des associations ; nous avons peut-être simplement besoin du bon type d'architecture à couches et connectée par des raccourcis. Bien qu'il s'agisse d'une simulation et non d'un véritable cerveau humain, elle offre un nouvel outil puissant pour que les scientifiques explorent comment nos esprits lient le monde qui nous entoure à nos sentiments les plus profonds.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.