Résumé Technique : Réseaux de Memristors Dendritiques Adaptatifs de Type Cerveau

Problématique

Les systèmes d'intelligence artificielle actuels reposent sur des algorithmes d'apprentissage qui adaptent les poids de connexion au sein d'architectures matérielles à topologie fixe. Cette approche découple le processus d'apprentissage de l'évolution physique du substrat informatique, empêchant l'expérience de remodeler directement l'architecture de calcul. Bien que les dispositifs memristifs aient été utilisés comme accélérateurs matériels pour les réseaux de neurones profonds (par exemple, via la multiplication matrice-vecteur en mémoire), ils opèrent généralement au sein de topologies rigides et préfabriquées. Même les réseaux memristifs auto-organisés utilisés dans le calcul de réservoir physique (reservoir computing) maintiennent généralement une connectivité fixe, l'apprentissage se produisant de manière externe via des poids de lecture plutôt que par l'adaptation physique de la structure même du réseau. Il existe un manque d'architectures matérielles capables d'encoder physiquement l'expérience par la coévolution de la morphologie et de la connectivité fonctionnelle au sein du substrat de calcul.

Méthodologie

Les auteurs présentent un réseau morphologiquement adaptatif et auto-organisé basé sur des dendrites électrochimiques interagissant dynamiquement. Le système utilise une cellule électrochimique composée d'électrodes d'Or (Au) agissant comme des terminaux neuronaux et un électrolyte de Nitrate d'Argent (AgNO3) dans du Diméthyl Sulfoxyde (DMSO) biocompatible.

Mécanismes fondamentaux :

1. Plasticité Structurelle (Morphogenèse) : Le système imite la morphogenèse synaptique et la croissance axonale. Des impulsions de tension bipolaires temporellement corrélées appliquées entre les terminaux pilotent des réactions de demi-cellule compétitives : la réduction ($Ag^+ + e^- \rightarrow Ag$) sur l'électrode sous polarisation négative et l'oxydation ($Ag \rightarrow Ag^+ + e^-$) sur l'électrode sous polarisation positive. Cela entraîne la croissance nette de branches dendritiques métalliques capables de connecter structurellement les terminaux, formant des jonctions électriques (synapses). La dynamique de croissance est ajustable entre des comportements isotropes (de type dendritique) et directionnels (de type axonal) en ajustant les paramètres de stimulation (amplitude d'impulsion, intervalle entre les impulsions) et la concentration de l'électrolyte.
2. Plasticité Fonctionnelle (Dynamique Memristive) : Une fois formées, les connexions dendritiques présentent un comportement memristif. Elles affichent une commutation résistive bipolaire (SET/RESET) typique des cellules de métallisation électrochimique (ECM), où les filaments conducteurs s'affinent/se rompent ou se forment/se renforcent selon la tension appliquée. Le système supporte à la fois des états de mémoire volatiles (court terme) et non volatiles (long terme), selon l'historique de stimulation et les conditions de fonctionnement.
3. Modélisation : Un modèle stochastique physique en deux dimensions a été développé pour simuler le système. Il intègre le potentiel électrique local à l'interface métal-électrolyte avec le transport de diffusion ionique dans l'électrolyte, tenant compte des effets capacitifs de la double couche électrique. Le modèle utilise un schéma de réaction-diffusion avec séparation d'opérateurs pour capturer l'interaction entre la croissance limitée par la diffusion et la croissance directionnelle pilotée par le potentiel.

Configuration Expérimentale :

• Fabrication : Des cellules à deux terminaux ont été fabriquées sur des plaquettes de Si avec des électrodes d'Au ; les systèmes multi-terminaux ont utilisé des réseaux de microélectrodes (MEA) commerciaux avec des broches d'Au structurées.
• Stimulation : La stimulation et l'acquisition synchrones ont été réalisées à l'aide d'une carte de mesure ArcTWO dotée de 64 unités de mesure de sources (SMU) en parallèle.
• Lecture : Les matrices de conductance ont été acquises en appliquant des tensions de lecture de faible amplitude (50 mV) aux paires de terminaux tout en laissant les autres flottants.

Contributions Clés et Résultats

1. Coévolution de la Structure et de la Fonction

L'étude démontre que la connectivité structurelle (le schéma de câblage physique) et la connectivité fonctionnelle (les poids synaptiques) coévoluent en réponse à une stimulation externe. Le système encode les motifs d'entrée spatio-temporels directement dans sa morphologie physique.

• Résultat : Les réseaux multi-terminaux évoluent structurellement pour former des connexions entre les terminaux présentant une activité spatio-temporelleement corrélée, réduisant ainsi la distance topologique entre les nœuds co-activés.

2. Implémentation de Paradigmes d'Apprentissage Associatif

Le système implémente les principes biologiques de l'apprentissage associatif directement dans la matière (in materia) :

• Conditionnement Classique (Pavlovien) : Le système a été configuré pour imiter le chien de Pavlov. Une connexion à haute conductance préprogrammée représentait le stimulus inconditionné (nourriture) lié à la réponse (salivation). En synchronisant la stimulation d'un stimulus neutre (cloche) avec le stimulus inconditionné, le réseau a fait croître une nouvelle connexion dendritique reliant les terminaux "cloche" et "salivation". Après conditionnement, le stimulus "cloche" seul a déclenché le courant de réponse, démontrant la formation d'une association conditionnée.
• Conditionnement Opérant (Skinnerien) : Le système a reproduit les tâches de picotage de pigeon et de punition de rat de Skinner.
  • Picotage de Pigeon : Les entrées récompensées augmentaient la conductance (taux de picotage). Lors de l'extinction (absence de récompense), la conductance chutait, mais la topologie dendritique sous-jacente restait largement intacte ("épargne"). Le reconditionnement a rapidement restauré et potentialisé la conductance, plus vite que le conditionnement initial.
  • Punition de Rat : Des stimuli de punition (impulsions négatives plus courtes) ont été délivrés, finissant par briser la connexion électrique. Cependant, aucune variation significative de la topologie dendritique n'a été observée, maintenant l'information apprise au sein de la structure dendritique. Le reconditionnement a de nouveau montré une récupération et une potentialisation rapides, confirmant que la "mémoire" n'était pas supprimée mais structurellement préservée malgré la rupture fonctionnelle de la connexion.

3. Résolution de Problèmes d'Optimisation (Sélection de Chemin)

Les auteurs ont démontré la capacité du système à résoudre un problème d'optimisation de planification de route pertinent pour la navigation robotique.

• Méthode : Une carte de terrain avec des coûts de traversée variables (ex: sable, rochers) a été transposée en un protocole de stimulation spatio-temporelle. Les électrodes représentaient les régions du terrain, et les amplitudes de tension encodaient la difficulté de traversée.
• Résultat : Le processus de croissance dendritique a agi comme un sparsificateur physique, renforçant les routes conductrices à faible coût et supprimant les régions à coût élevé. Le sous-réseau conducteur résultant incarnait le chemin optimal.
• Performance : En utilisant l'algorithme de Dijkstra sur la matrice de conductance extraite, le système a atteint un chevauchement moyen pondéré par le succès de 85 % avec le chemin optimal réel sur 25 essais indépendants.

Signification et Revendications

L'article affirme établir une voie vers une intelligence incarnée au niveau de la matière. En reliant le traitement de l'information, l'apprentissage et l'encodage de la mémoire avec des matériaux adaptatifs et des dynamiques de réseaux physiques, ce travail démontre que :

1. L'apprentissage est Physique : L'apprentissage n'est pas simplement l'optimisation de paramètres dans un graphe fixe, mais l'incarnation physique de l'expérience par la coévolution de la structure et de la connectivité fonctionnelle.
2. Calcul In-Materia : Le calcul émerge intrinsèquement de l'auto-organisation matérielle, où l'information façonne activement la structure de calcul à travers laquelle elle est traitée.
3. Fidélité Biologique : Le système reproduit avec succès des phénomènes d'apprentissage biologique complexes, incluant le conditionnement classique et opérant, l'épargne et le reconditionnement rapide, en utilisant des mécanismes électrochimiques qui imitent la morphogenèse et la plasticité synaptiques.
4. Optimisation via la Morphologie : La nature hiérarchique et fractale des structures dendritiques facilite un équilibre entre ségrégation et intégration de l'information, permettant au système physique de résoudre des problèmes d'optimisation combinatoire (comme la recherche de chemin) en transformant des contraintes de graphes en voies conductrices physiques.

Les auteurs positionnent ce travail comme une rupture avec le matériel fabriqué de haut en bas (top-down), proposant une approche ascendante (bottom-up) où l'architecture de calcul elle-même s'adapte pendant l'apprentissage, offrant une voie potentielle pour un matériel adaptatif de prochaine génération qui intègre le traitement, la mémoire et l'apprentissage au sein d'un seul système physique.