On Image classification using spiking membrane systems with structural plasticity and spike time dependent plasticity rules

Dans les recoins tranquilles de l'informatique, une branche spécifique de la recherche cherche à construire des machines qui pensent davantage comme des êtres vivants. Pendant des décennies, l'intelligence artificielle standard s'est appuyée sur des modèles mathématiques qui traitent l'information dans des flux constants et continus, un peu comme une calculatrice broyant des chiffres. Mais le cerveau humain fonctionne différemment. Il communique par de brefs et vifs éclats électriques appelés pointes, et les connexions entre ses cellules ne sont pas fixes ; elles grandissent, rétrécissent et se recâblent en fonction de l'expérience. Ce domaine, connu sous le nom d'informatique naturelle, tente de capturer ce dynamisme biologique. L'objectif est de créer des systèmes qui ne se contentent pas de calculer, mais qui s'adaptent, apprenant du minutage des signaux et de la structure physique de leurs propres réseaux.

Une équipe de chercheurs à Calcutta a franchi une étape significative dans cette direction en concevant un nouveau type de modèle informatique qui imite ces comportements biologiques. Ils se sont concentrés sur un défi spécifique : la reconnaissance de lettres manuscrites. Si les ordinateurs standards peuvent facilement lire du texte, ils éprouvent souvent des difficultés lorsque l'entrée est désordonnée ou déformée. Les chercheurs voulaient voir si un système capable de réorganiser physiquement ses propres connexions internes, tout en ajustant la force de ces connexions, pouvait mieux gérer le bruit que les méthodes existantes. Leurs travaux introduisent un modèle qui combine deux concepts biologiques puissants : la capacité de créer et de supprimer des connexions à la volée, et la capacité d'apprendre de la précision temporelle des signaux.

Les chercheurs ont construit un cerveau numérique composé d'unités simples qui agissent comme des neurones. Contrairement aux réseaux traditionnels où le chemin entre deux points est permanent, ce système permet aux connexions elles-mêmes de changer. Lorsqu'un signal arrive, le système peut décider de construire un nouveau pont entre deux unités ou d'en supprimer un ancien. C'est ce qu'on appelle la plasticité structurelle. Parallèlement, le système utilise une règle d'apprentissage inspirée de la façon dont le cerveau humain renforce les souvenirs. Si deux unités s'activent au même moment, la connexion entre elles se renforce ; si elles s'activent de manière désynchronisée, la connexion s'affaiblit. Cette double approche permet au système non seulement d'apprendre quels signaux sont importants, mais aussi de reconfigurer physiquement son réseau pour se concentrer sur les bons motifs.

Pour tester cette idée, l'équipe a créé un ensemble de données synthétiques de lettres anglaises. Ils ont pris des grilles de pixels simples de 7 par 5, où les pixels noirs représentaient la lettre et les pixels blancs le fond. Ils ont converti ces grilles en séquences de pointes électriques. Pour simuler les imperfections du monde réel, ils ont inversé aléatoirement certains des bits des données, transformant des pixels noirs en blancs et vice versa, créant ainsi trois niveaux de bruit : faible, moyen et élevé. Ils ont ensuite injecté ces séquences bruitées dans leur nouveau modèle et ont observé avec quelle efficacité il identifait les lettres. Ils ont comparé les résultats à un modèle précédent qui utilisait uniquement la règle d'apprentissage basée sur le minutage sans la capacité de recâbler ses connexions.

Les résultats ont montré que le nouveau système était remarquablement résilient. Lorsque les données étaient parfaitement propres, le modèle identifiait les lettres avec une précision moyenne de près de 99,8 %. Plus important encore, à mesure que le bruit augmentait, le nouveau modèle tenait mieux sa position que l'ancien. Dans des scénarios avec des niveaux de bruit moyens et élevés, là où l'ancien modèle commençait à faiblir, le nouveau système maintenait une précision plus élevée. Par exemple, lorsque sept bits du motif de 35 bits étaient inversés, le nouveau modèle parvenait encore à reconnaître les lettres correctement environ 80 % du temps, surpassant la référence précédente. Les chercheurs ont constaté que la capacité de créer et de supprimer dynamiquement des connexions permettait au système de filtrer les erreurs aléatoires et de se concentrer sur la forme centrale de la lettre.

L'étude a également mis en évidence un compromis. Bien que le nouveau modèle soit plus robuste et plus précis dans des conditions de bruit, il nécessite plus de ressources informatiques pour gérer le processus complexe de recâblage et d'ajustement des poids. L'ancien modèle, plus simple, était plus rapide et plus léger, mais moins capable de gérer une déformation importante. Les chercheurs ont noté que leur travail sert de preuve de concept, démontrant qu'un système peut évoluer sa propre structure pour résoudre des problèmes. Ils ont utilisé un ensemble de données synthétiques générées à partir de modèles plutôt que de photographies du monde réel, ce qui signifie que les conclusions s'appliquent spécifiquement à ce type de tâche de reconnaissance de formes. Cependant, ce succès suggère que combiner les changements structurels avec l'apprentissage basé sur le minutage pourrait être une stratégie puissante pour construire des machines qui soient non seulement intelligentes, mais aussi capables de s'adapter à la nature désordonnée et imprévisible des données du monde réel.