IA inspirée par un nématode : les réseaux de neurones liquides
Les réseaux de neurones liquides (RNL) développés au sein du Computer Science and Artificial Intelligence Laboratory (CSAIL) du MIT sont inspirés des neurones biologiques de petits organismes tels que le ver Caenorhabditis elegans qui arrive à survivre dans son environnement grâce à 302 neurones seulement.
Les RNL utilisent des neurones impulsionnels dont le fonctionnement est régi par des équations différentielles ajustables dynamiquement. Ils sont qualifiés de « liquides » parce que leur connectivité change en cours de fonctionnement, de sorte que les échanges d’informations s’y déroulent comme dans un fluide.
Ceci leur permet de traiter des séquences temporelles plutôt que des données statiques et présente de nombreux avantages par rapport aux réseaux de neurones classiques.
En particulier, les RNL peuvent fonctionner avec un nombre de neurones nettement inférieur à celui des réseaux de neurones classiques. Il a été ainsi montré qu’au lieu d’utiliser un réseau classique de 100 000 neurones pour maintenir une voiture autonome dans sa voie, un réseau liquide y arrive avec seulement 19 neurones.
De plus, grâce au nombre réduit de neurones, le réseau devient beaucoup plus interprétable. Or, comprendre comment un réseau de neurones parvient à une décision donnée est l’un des grands défis du domaine de l’IA.
Recommandé par LinkedIn
Il semble aussi que les RNL gèrent mieux la causalité que les réseaux de neurones classiques. Ils peuvent identifier une relation claire entre la cause et les effets, même dans des conditions changeantes, ce que les réseaux neuronaux classiques ont du mal à faire. De ce fait, les RNL sont plus capables de s’adapter à des conditions nouvelles et imprévues.
Il est clair que la nature et les caractéristiques des RNL les rendent particulièrement adaptés aux applications exigeantes en puissance de calcul ou nécessitant une sécurité robuste comme la robotique ou les véhicules autonomes. Ils conviennent particulièrement bien aussi au traitement des séries temporelles, telles que flux vidéo, langage parlé, données climatiques ou évaluations boursières.
Pour en savoir plus : MIT's Liquid Neural Networks
✈🌊Je développe un projet aéronautique innovant basé sur le biomimétisme qui va vous permettre d'accéder au grand large !
1 ansDonc, si je comprends bien, avec mon très bas niveau de connaissances sur ce type de sujets : ces neurones "liquides" parce qu'ils ont la capacité de réagir pendant une "mission" à l'inverse d'autres systèmes plus classiques qui ont besoin d'une phase de trainings, devraient permettre à des applications demandant une vitesse d'adaptation plus rapide de réagir à de nouveaux événements plus facilement ? J'ai bien tout compris ? Hasani dit "“We have a provably more expressive neural network that is inspired by nature. But this is just the beginning of the process,” he says. “The obvious question is how do you extend this? We think this kind of network could be a key element of future intelligence systems.” = vous savez si cela a déja été/est testé chez nous en ce moment et par qui ? merci.
✈🌊Je développe un projet aéronautique innovant basé sur le biomimétisme qui va vous permettre d'accéder au grand large !
1 ansAvec également certainement une importante économie d'énergie ?