Multitasking Recurrent Networks Utilize Compositional Strategies for Control of Movement
Cette étude démontre que les réseaux de neurones récurrents multitâches entraînés avec un modèle de bras musculosquelettique utilisent des stratégies compositionnelles et des variétés de faible dimension partagées pour générer et généraliser de manière flexible des mouvements complexes, suggérant que l'incarnation et le feedback sont critiques pour le développement de mécanismes de contrôle moteur biologiquement plausibles.
Article original sous licence CC BY 4.0 (https://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
Le corps humain est une merveille d'ingénierie, une machine complexe dotée de dizaines d'articulations et de centaines de muscles qui doivent travailler en parfaite harmonie pour produire le moindre mouvement, même le plus simple. Pourtant, malgré cette complexité écrasante, nous pouvons apprendre à faire du vélo, à lancer une balle ou à jouer du piano avec une rapidité surprenante. Nous n'avons pas besoin de réapprendre chaque contraction musculaire à partir de zéro lorsque nous sommes confrontés à un nouveau mouvement ; au lieu de cela, notre cerveau semble s'appuyer sur une bibliothèque de blocs de construction fondamentaux. Les scientifiques appellent cette capacité la « compositionnalité », soit la capacité de prendre des éléments familiers et appris d'une compétence et de les assembler de nouvelles manières pour résoudre des problèmes inconnus. Si les chercheurs soupçonnent depuis longtemps que le cerveau utilise cette stratégie pour la pensée et la prise de décision, il a été beaucoup plus difficile de prouver que la même logique s'applique à l'acte physique et désordonné de bouger un membre. La question demeure : le cerveau se contente-t-il de mémoriser chaque mouvement possible, ou apprend-il un ensemble de règles flexibles qui lui permettent d'inventer de nouveaux mouvements à la volée ?
Pour répondre à cela, une équipe de chercheurs de l'Université de Yale a construit un cerveau numérique et l'a connecté à un bras simulé, créant ainsi un système qui devait apprendre à bouger par lui-même. Ils n'ont pas programmé le bras avec des instructions spécifiques sur la façon d'atteindre une cible ou de tourner. Au lieu de cela, ils ont donné au cerveau numérique un objectif simple : déplacer la main vers une cible. Le cerveau recevait des informations sur l'endroit où se trouvait la main et sur la vitesse à laquelle les muscles s'étiraient, et il devait trouver les commandes pour accomplir la tâche. Les chercheurs ont ensuite demandé à ce cerveau numérique d'apprendre dix types de mouvements différents, allant des extensions droites aux boucles complexes et aux huit figures, le tout à diverses vitesses et dans différentes directions. L'objectif était de voir si, après avoir maîtrisé ces dix tâches, le cerveau développerait naturellement une façon de les combiner, ou s'il mémoriserait simplement chacune d'elles comme un tour isolé et distinct.
Les résultats ont montré que le cerveau numérique n'a pas seulement mémorisé dix scripts séparés. Au lieu de cela, il a organisé son activité interne de manière hautement structurée, reflétant l'idée de la compositionnalité. Lorsque les chercheurs ont examiné les modèles d'activité à l'intérieur du réseau, ils ont découvert que le cerveau utilisait un espace commun de faible dimension pour tous les mouvements. Imaginez cela comme une scène commune où tous les acteurs se produisent ; bien que les actions spécifiques changent, la scène elle-même reste la même. Au sein de cet espace partagé, le cerveau maintenait les différents types de calculs séparés. Par exemple, la préparation d'un mouvement et le mouvement lui-même se déroulaient dans des zones d'activité différentes et non chevauchantes, garantissant que le cerveau puisse planifier un mouvement sans l'amorcer accidentellement. Plus important encore, le cerveau traitait l'« extension » d'un membre (s'éloigner du centre) et la « rétraction » (revenir vers le centre) comme deux modules distincts et réutilisables. Ces deux modules occupaient des espaces séparés et orthogonaux, ce qui signifie qu'ils étaient maintenus complètement à l'écart, prêts à être mélangés et assortis.
Les chercheurs ont testé cette flexibilité en demandant au cerveau numérique d'exécuter des mouvements qu'il n'avait jamais vus auparavant. Ils ont constaté que le cerveau pouvait exécuter avec succès une nouvelle combinaison, comme prendre la partie « extension » d'une extension droite et l'attacher à la partie « rétraction » d'une boucle courbe, simplement en changeant un seul signal d'entrée. Le cerveau n'avait pas besoin de réapprendre la mécanique du mouvement ; il lui suffisait d'être informé de passer d'un module pré-appris à un autre. Cela suggère que le cerveau avait appris les éléments fondamentaux du mouvement et pouvait les assembler en de nouveaux motifs instantanément. De plus, les chercheurs ont découvert que cette capacité à composer de nouveaux mouvements dépendait fortement du fait que le cerveau contrôlait un corps physique et recevait des informations de celui-ci. Lorsqu'ils ont entraîné des réseaux similaires sans corps ou sans retour sensoriel, les réseaux n'ont pas réussi à développer ces stratégies compositionnelles flexibles. Au lieu de cela, ils ont appris des solutions rigides et spécifiques à chaque tâche.
Cette étude offre une fenêtre claire sur la manière dont un système de contrôle peut gérer l'immense complexité du corps humain. Elle suggère que le cerveau n'a pas besoin de stocker une recette unique pour chaque mouvement possible. Au lieu de cela, il apprend un ensemble de modèles partagés et réutilisables et les organise de manière à permettre une combinaison rapide. En utilisant un espace interne partagé pour des tâches similaires et en gardant différents types de mouvements dans des zones séparées, le système peut générer un vaste répertoire d'actions à partir d'un petit ensemble de primitives apprises. Les conclusions impliquent que les contraintes physiques du corps et le retour constant de nos muscles ne sont pas seulement des obstacles à surmonter, mais des guides essentiels qui façonnent le processus d'apprentissage du cerveau, le dirigeant vers des solutions qui sont flexibles, efficaces et capables d'une adaptation rapide.
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.