Une étude récente conclut que le bruit interne des réseaux de neurones n’impose pas nécessairement de plafond fixe à la quantité d’informations que le cerveau peut représenter, contrairement à ce que supposaient des modèles mathématiques et des études menées pendant environ 30 ans.
L’étude réévalue le plafond de l’information neuronale
Les résultats, publiés dans la revue « Science Advances », montrent que la capacité des réseaux de neurones du cerveau des mammifères peut continuer à augmenter avec le nombre de cellules mobilisées, même si la contribution de chaque cellule supplémentaire diminue progressivement. L’étude porte sur une question centrale des neurosciences: comment l’activité de milliers de neurones transforme ce que capte l’œil en une image claire et compréhensible, comme la perception d’une branche agitée par le vent ou la distinction de détails fins dans une œuvre d’art.
La question est de savoir si les réseaux neuronaux atteignent un point au-delà duquel l’ajout de nouvelles cellules n’est plus utile, ou si l’élargissement du réseau permet toujours de représenter davantage d’informations. Hideaki Shimazaki, professeur associé à l’École supérieure d’informatique de l’université de Kyoto, au Japon, a déclaré que trancher cette question nécessitait de s’appuyer sur des données expérimentales réelles.
Il a expliqué que les techniques disponibles ces dernières années permettaient désormais d’enregistrer simultanément l’activité de 1 000 neurones ou davantage, donnant aux chercheurs la possibilité de suivre directement la croissance de l’information à mesure que le nombre de cellules participant au traitement augmentait.
L’hypothèse pessimiste qui a dominé de nombreuses études antérieures partait du principe que les neurones ne sont pas des unités de calcul indépendantes et isolées, mais des unités biologiques interconnectées qui fonctionnent dans un environnement chimique et s’influencent mutuellement.
Selon cette conception, les fluctuations aléatoires, ou le bruit, qui affectent l’activité d’une cellule peuvent se propager aux cellules voisines, puis s’accumuler au point que l’ajout de cellules supplémentaires ne puisse plus accroître l’information disponible. Pour tester cette hypothèse, l’équipe de recherche s’est concentrée sur le cortex visuel primaire des mammifères et a réanalysé des enregistrements expérimentaux détaillés de l’activité d’environ 20 000 neurones dans le cerveau de cinq souris.
Le cortex visuel des souris sert de modèle biologique pour étudier les principes mathématiques généraux qui régissent le traitement des images dans le cerveau des mammifères. Shimazaki a expliqué qu’un neurone du cortex visuel ne produisait pas exactement la même réponse chaque fois que la même image était présentée à l’animal. La variation d’une réponse à l’autre est appelée « bruit neuronal ».
Le bruit partagé ralentit l’information sans la masquer
À l’inverse, une légère modification de l’image entraîne une variation de l’activité moyenne des neurones, et cette variation constitue le signal sur lequel le cerveau s’appuie pour distinguer deux images. Les analyses mathématiques ont montré que les fluctuations partagées entre les cellules ne s’accumulaient pas en une masse aléatoire bloquant le passage du signal visuel, comme on le pensait auparavant.
Shimazaki a déclaré que les données des cinq souris les plaçaient toutes dans la catégorie de la « croissance continue de l’information », précisant que le bruit partagé ralentissait la croissance de l’information, mais ne l’arrêtait pas tant que les règles observées par les chercheurs continuaient de s’appliquer. Selon l’étude, si une légère variation de l’orientation des lignes visuelles représente un signal se déplaçant dans une direction donnée, le bruit se propage dans l’espace d’activité des cellules selon un système appelé mathématiquement « invariance d’échelle ».
Ce concept signifie qu’une chose conserve le même schéma quelle que soit sa taille. Shimazaki a déclaré que le profil du bruit enregistré dans les petits et les grands groupes de neurones prenait la même forme après ajustement des calculs en fonction de la taille de chaque groupe.
Ce profil a aidé les chercheurs à expliquer pourquoi l’information continuait d’augmenter malgré la présence de fluctuations corrélées entre un grand nombre de cellules. Selon l’analyse, le bruit cérébral peut être réparti entre un nombre limité de profils puissants et de forte intensité, et une très longue liste de profils faibles et de basse intensité. Les études précédentes se concentraient principalement sur la question de savoir si les profils puissants pouvaient masquer le signal dont le cerveau a besoin.
Mais après avoir défini la condition précise dans laquelle l’information pouvait atteindre son maximum, l’équipe a constaté qu’il ne fallait pas négliger les profils faibles. Shimazaki a expliqué que le signal était presque impossible à masquer lorsqu’un profil faible était présent; une petite partie du signal dans cette plage pouvait donc transporter une grande quantité d’informations.
Les profils faibles révèlent les voies du signal
Il a ajouté que le grand nombre de profils discrets rendait leur effet cumulé capable de déterminer le résultat, soulignant que l’étude démontrait pour la première fois la nécessité d’examiner l’ensemble de la plage du bruit plutôt que de se limiter à ses composantes les plus puissantes. Le flux de données neuronales peut être comparé à un réseau d’autoroutes à plusieurs voies.
Les voies principales peuvent connaître des embouteillages et des fluctuations croissantes, mais la direction du bruit important qui y circule ne correspond pas exactement à celle du signal visuel que le cerveau cherche à capter et à distinguer. Parallèlement à ces voies, le réseau comprend des milliers de voies secondaires calmes, où le bruit reste limité et qui sont géométriquement perpendiculaires à la direction du signal.
Cette séparation géométrique permet aux voies calmes de rester ouvertes au passage du signal, de sorte que le système nerveux continue d’améliorer progressivement la précision de la discrimination sensorielle à mesure que de nouveaux neurones rejoignent le réseau. Ces résultats ne signifient pas que le cerveau possède une capacité illimitée à traiter l’information. Les chercheurs soulignent que la capacité de traitement est en réalité soumise à des contraintes physiques et biologiques.
Shimazaki a déclaré que ce que le système visuel peut utiliser est en fin de compte déterminé par la quantité d’informations provenant de l’œil, car la rétine contient un nombre limité de cellules et ne transmet qu’une quantité limitée de données. Le cortex visuel lui-même contient également un nombre limité de neurones.
Plus précisément, l’étude indique que le bruit interne mesuré dans le cortex visuel primaire des souris ne fixe pas à lui seul un plafond à l’information, à condition que les règles observées continuent de s’appliquer. La contribution de chaque cellule supplémentaire devient légèrement inférieure à celle de la cellule précédente, selon un schéma comparable à un escalier dont les marches diminuent en hauteur mais qui continue de monter, plutôt qu’à une barrière absolue empêchant toute nouvelle progression.
Les résultats de l’étude ouvrent des applications pour l’intelligence artificielle
Les applications de ces résultats pourraient dépasser le cadre des neurosciences théoriques, car ils offrent une perspective dont pourraient tirer parti les ingénieurs de l’intelligence artificielle et les développeurs de réseaux neuronaux artificiels pour concevoir des algorithmes d’apprentissage automatique résistant au bruit interne et restant efficacement extensibles.
Ils pourraient également contribuer au développement des interfaces cerveau-machine et des prothèses neurales, en les entraînant à extraire les profils sensoriels des voies calmes et à éviter de se perdre dans le bruit électrique.
