Une nouvelle approche d'intelligence artificielle (IA), inspirée de la structure du cortex cérébral, permet à un modèle unique d'apprendre de nouvelles tâches séquentiellement sans oublier les précédentes, un défi de longue date en apprentissage automatique et une fenêtre sur notre propre flexibilité cognitive.
La recherche : les réseaux de tâches fonctionnels
Les chercheurs Kevin McKee, Thomas Hazy, Yicong Zheng, Zacharie Bugaud et Thomas Miconi ont proposé les réseaux de tâches fonctionnels (FTN), une méthode qui imite la façon dont le néocortex des mammifères organise les connaissances. Contrairement aux réseaux de neurones traditionnels, qui écrasent l'apprentissage précédent lorsqu'ils sont entraînés sur de nouvelles données (phénomène appelé oubli catastrophique), les FTN utilisent une population de petits sous-réseaux, chacun agissant comme un « expert » indépendant (semblable aux mélanges d'experts). Un masque binaire auto-organisé de haute dimension décide quels experts sont actifs pour une tâche donnée, et ce masque est affiné en trois étapes : la descente de gradient pour identifier les neurones pertinents pour la tâche, un noyau de lissage pour imposer une contiguïté spatiale (comme les colonnes corticales), et une binarisation de type k-winner-take-all pour imposer un budget de capacité fixe.
L'équipe a testé les FTN sur trois références d'apprentissage continu : un générateur synthétique de classification/régression multitâches, MNIST avec des étiquettes de classes mélangées (décalage conceptuel), et MNIST permuté (décalage de domaine). Les résultats ont été frappants : les FTN avec lissage fin (FTN-Slow) ont obtenu presque zéro oubli sur toutes les références. Une version rapide (FTN-Fast) a sacrifié une partie de la rétention pour la vitesse, montrant un compromis vitesse-précision pratique. Les chercheurs ont également démontré que le mécanisme d'organisation spatiale réduit la complexité de la recherche du masque optimal d'un problème combinatoire exponentiel à un balayage quasi linéaire sur les voisinages corticaux, un gain d'efficacité computationnelle massif.
Pourquoi c'est important pour votre cerveau
Cette recherche ne concerne pas seulement l'IA : elle offre des perspectives sur la cognition humaine. La capacité du cerveau à apprendre de nouvelles compétences sans effacer les anciennes est fondamentale pour l'apprentissage tout au long de la vie. L'approche FTN reflète des mécanismes biologiques tels que les colonnes corticales et les représentations distribuées éparses, suggérant que nos propres cerveaux pourraient utiliser des stratégies similaires pour partitionner les connaissances par contexte. Comprendre ces mécanismes peut inspirer des techniques éducatives qui réduisent les interférences, vous aidant à conserver les anciennes connaissances tout en acquérant de nouvelles compétences.
Ce que vous pouvez faire
Pour appliquer ces principes à votre apprentissage quotidien :
- Espacez vos séances : Intercalez les sujets pour réduire les interférences et renforcer la consolidation de la mémoire.
- Utilisez des indices contextuels : Étudiez dans des environnements variés afin que votre cerveau associe le contenu à des contextes spécifiques, réduisant ainsi la confusion.
- Soyez attentif à la similarité des tâches : Lorsque vous apprenez plusieurs compétences similaires, séparez-les délibérément dans le temps ou utilisez des stratégies distinctes pour éviter de les mélanger.
Source : arXiv q-bio.NC
Curieux de connaître votre propre cerveau ? Passez notre test de QI adaptatif gratuit ou essayez 306 niveaux d'entraînement cérébral.
