Modeling echolocation as an active pursuit of information via infotaxis

Imaginez une chauve-souris volant dans une grotte plongée dans l'obscurité totale, tentant de trouver un unique papillon de nuit. Au lieu de simplement voler aveuglément vers l'avant en espérant heurter sa proie, la chauve-souris joue à une version sonore et à enjeux élevés de « Où est Charlie ? ». Elle émet un cri (un « ping »), écoute l'écho, puis décide précisément où voler et quel type de cri envoyer ensuite en fonction de ce qu'elle vient d'entendre.

Cet article traite de l'apprentissage pour un ordinateur de penser comme cette chauve-souris, mais avec une nuance spécifique dans sa manière de prendre des décisions.

L'ancienne méthode vs La nouvelle méthode
La plupart des modèles informatiques d'écholocalisation agissent comme un détective qui ne regarde que l'indice le plus évident. Si l'ordinateur pense qu'il y a 90 % de chances que le papillon soit dans le coin, il pointe ses « oreilles » (ou son faisceau sonar) directement vers ce coin et attend. C'est ce qu'on appelle une approche « Maximum A Posteriori ». C'est efficace si les indices sont parfaits, mais s'il y a beaucoup de bruit ou de confusion (comme du vent ou d'autres chauves-souris qui crient), ce détective reste bloqué ou abandonne facilement.

Les auteurs de cet article ont testé une stratégie différente appelée Infotaxis. Ne voyez pas cela comme un détective cherchant l'endroit le plus probable, mais plutôt comme un explorateur curieux cherchant l'endroit le plus intéressant.

L'analogie du « flair »
Les chercheurs ont emprunté cette idée à la façon dont les papillons de nuit ou les chiens suivent des odeurs. Si un chien suit une piste, il ne court pas simplement droit vers l'odeur la plus forte. Parfois, l'odeur la plus forte est une impasse ou une zone d'air confuse. Au lieu de cela, le chien peut faire un pas de côté pour voir si l'odeur devient plus forte ou plus faible. Il se déplace pour recueillir plus d'informations afin de dissiper la confusion, même si ce mouvement ne pointe pas immédiatement vers la cible.

L'article montre que lorsque vous appliquez cette logique de « flair » au son (l'écholocalisation) :

1. Cela équilibre curiosité et avidité : l'agent-chauve-souris sait quand poursuivre la cible la plus probable (exploitation) et quand errer pour obtenir une meilleure localisation de la cible réelle (exploration).
2. Cela gère mieux le bruit : parce que l'agent cherche activement à réduire l'incertitude plutôt qu'à simplement deviner le meilleur endroit, il est beaucoup plus robuste lorsque l'environnement est désordonné ou lorsqu'il manque quelques échos.
3. Cela économise de l'énergie : l'étude a révélé que cette approche de « chasseur d'informations » trouve la cible en utilisant moins de pings sonores que l'approche traditionnelle de « deviner le meilleur endroit ».

L'essentiel
L'article soutient que pour véritablement comprendre comment les animaux (et les futurs robots) utilisent le sonar, nous ne devrions pas modéliser les animaux comme des machines réagissant au son. Nous devrions les modéliser comme des chercheurs actifs d'informations. En traitant la recherche comme un jeu de collecte d'indices pour dissiper la confusion, plutôt que comme une simple course vers une destination, le système devient plus intelligent, plus fiable et plus efficace, surtout lorsque le monde est bruyant et incertain.