Structural generalization and continual learning enabled by factorized entorhinal-hippocampal memory and entorhinal-parietal action circuits
Cette étude démontre qu'un modèle computationnel combinant un échafaudage métrique entorhinal-hippocampique indépendant du contenu avec un réseau de politique d'action entorhinal-pariétal factorisé reproduit avec succès les capacités humaines et de singes à réaliser une généralisation mnémonique, transitive et structurelle flexible tout en permettant un apprentissage continu sans oubli catastrophique.
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
Pour naviguer dans le monde, le cerveau humain accomplit un exploit d'ingénierie qui reste inégalé par les réseaux de neurones récurrents standards sur des tâches de navigation spécifiques. Il doit se souvenir de lieux précis — un café préféré, une maison d'enfance — tout en comprenant simultanément les règles abstraites du fonctionnement de l'espace, ce qui nous permet d'appliquer cette connaissance à une nouvelle ville que nous n'avons jamais visitée. Cette capacité repose sur deux systèmes distincts mais connectés dans le cerveau. Un système, centré dans l'hippocampe, agit comme un classeur à haute capacité pour les événements et les lieux spécifiques, stockant les détails uniques de ce qui a été vu. L'autre système, impliquant le cortex entorhinal, fournit une grille universelle, un système de coordonnées mental qui mesure la distance et la direction, quel que soit ce qui est réellement regardé. Bien que les scientifiques sachent depuis longtemps que ces systèmes existent, il restait un mystère quant à la manière dont ils travaillent ensemble pour nous permettre d'apprendre rapidement, de généraliser à de nouvelles situations et de tout mémoriser sans écraser les anciens souvenirs.
Une équipe de chercheurs du MIT et d'ailleurs a maintenant levé le voile sur ce mystère en testant comment les humains, les singes et les modèles informatiques gèrent un défi de navigation spécifique. Ils ont conçu une tâche où les sujets devaient se déplacer à travers une séquence d'images, comme des pierres de gué, d'une image de départ à une image cible. Les chercheurs ont testé trois niveaux de difficulté. Premièrement, ils ont demandé aux sujets de naviguer avec des indices visuels, puis sans eux, forçant le cerveau à simuler le voyage intérieurement. Deuxièmement, ils ont testé si les sujets pouvaient naviguer entre des paires d'images qu'ils n'avaient jamais pratiquées auparavant. Troisièmement, ils ont introduit des ensembles d'images entièrement nouveaux pour voir si le cerveau pouvait transférer ses compétences de navigation à un environnement complètement nouveau. Les résultats ont été frappants : alors que les humains et les singes maîtrisaient les trois défis avec aisance, les modèles de réseaux de neurones récurrents standards échouaient complètement. Cependant, lorsque les chercheurs ont construit un nouveau type de modèle informatique qui imitait l'architecture spécifique du cerveau — en séparant la « carte » de la « mémoire » — il a réussi là où les autres avaient échoué.
L'expérience a commencé par une configuration simple. Des volontaires humains et deux singes étaient assis devant un écran affichant une ligne fixe d'images, telles qu'une série d'objets distincts. On leur donnait une image de départ et une image cible, et ils devaient utiliser un joystick pour parcourir la séquence jusqu'à atteindre l'objectif. Dans la première phase, les images défilaient, fournissant un retour visuel constant. Une fois que les sujets ont appris l'ordre des images, les chercheurs ont supprimé les indices visuels. Les sujets devaient désormais déplacer le joystick alors que l'écran était noir, se fiant entièrement à leur sens interne de la distance parcourue. C'est ce qu'on appelle la navigation mentale. Les sujets ont effectué cette tâche sans effort, montrant qu'ils avaient construit une carte mentale de la séquence. Ensuite, les chercheurs ont testé la généralisation transitive en demandant aux sujets de naviguer entre des points de départ et d'arrivée qu'ils n'avaient jamais pratiqués ensemble. Enfin, ils ont introduit un troisième environnement avec un ensemble d'images complètement différent pour tester la généralisation structurelle.
La performance des sujets biologiques était remarquable. Les humains et les singes non seulement naviguaient dans les nouveaux itinéraires et les nouveaux environnements avec une grande précision, mais ils conservaient également leur capacité à naviguer dans l'environnement d'origine sans l'oublier. Cette absence de « oubli catastrophique » est une caractéristique critique de l'apprentissage biologique que les systèmes artificiels peinent à reproduire. Lorsque les chercheurs ont tenté de reproduire ce comportement à l'aide de réseaux de neurones récurrents standards, ces modèles ont échoué à chaque test. Ils pouvaient apprendre la tâche visuelle avec un retour d'information, mais dès que les indices visuels étaient retirés, ou que l'itinéraire changeait, ou que l'environnement était nouveau, les modèles s'effondraient. Ils ne pouvaient ni généraliser, ni se souvenir des leçons passées tout en apprenant de nouvelles.
La percée est survenue lorsque les chercheurs ont construit un modèle reflétant la structure proposée du cerveau. Ce modèle, qu'ils appellent le Vector-HaSH augmented Action policy, se compose de deux parties principales travaillant de concert. La première partie est un échafaudage de mémoire structuré basé sur les cellules de grille. Considérez cela comme une règle rigide et indépendante du contenu qui mesure la distance et la direction. Elle ne se soucie pas de ce que sont les images ; elle ne se soucie que de l'espace entre elles. La seconde partie est un réseau de politique qui apprend à se déplacer en fonction de la distance mesurée par la règle. Parce que la règle est fixe et universelle, la politique apprise dans un environnement peut être appliquée immédiatement à un nouvel environnement. Le modèle lie les nouvelles images à cette règle via un processus d'apprentissage rapide et ponctuel, de la même manière que l'hippocampe du cerveau.
Lorsque ce nouveau modèle a été testé, il a reproduit toute la gamme du comportement humain et du singe. Il a navigué sans retour visuel, a emprunté de nouveaux itinéraires et s'est adapté à de nouveaux environnements instantanément, tout en se souvenant des anciens. Les chercheurs ont ensuite examiné le modèle pour voir comment il fonctionnait et ont comparé son activité interne aux signaux électriques réels enregistrés dans le cerveau des singes effectuant la tâche. Ils ont trouvé une correspondance précise. Le module de « distance » du modèle, qui suivait la distance du sujet par rapport à l'objectif, se comportait exactement comme les neurones du cortex entorhinal du singe. Le module d'« action » du modèle, qui décidait quand bouger et quand s'arrêter, correspondait à l'activité du cortex pariétal postérieur. Cela a confirmé que le cerveau sépare probablement la tâche de navigation en deux calculs distincts : un qui mesure la distance et un autre qui décide de l'action.
Une dernière découverte a révélé comment le cerveau calibre ce système. Les chercheurs ont découvert que pour que le modèle fonctionne parfaitement, il devait apprendre un facteur d'échelle spécifique pour aligner sa règle interne avec l'espacement des images. Si les graduations de la règle étaient trop espacées ou trop serrées par rapport aux images, le modèle éprouvait des difficultés. Cependant, lorsque le modèle a été autorisé à ajuster ce facteur d'échelle pendant l'apprentissage, il a rapidement trouvé l'alignement parfait, tout comme le fait le cerveau. Cela suggère que le cerveau ajuste activement son sens interne de la vitesse et de la distance pour correspondre à la structure de l'environnement qu'il explore.
L'étude conclut que la capacité du cerveau à apprendre, à généraliser et à mémoriser n'est pas le résultat d'une plus grande quantité de données ou d'une plus grande puissance de traitement, mais d'une conception architecturale spécifique. En séparant la structure invariante de l'espace du contenu spécifique de l'expérience, le cerveau crée un système qui est à la fois flexible et stable. Le circuit entorhinal-hippocampique fournit une métrique universelle qui permet au cerveau d'appliquer les leçons passées à de nouvelles situations sans effacer le passé. Cette factorisation de la mémoire et de l'action explique comment nous pouvons entrer dans une nouvelle ville, nous orienter, et tout en nous souvenant du chemin du retour, un exploit que les modèles de réseaux de neurones récurrents standards n'ont pas encore réussi à accomplir.
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.