Informatique bio-inspirée

L'informatique bio-inspirée , abréviation de biologically inspired computing , est un domaine d'étude qui cherche à résoudre des problèmes informatiques à l'aide de modèles biologiques. Il est lié au connexionnisme , au comportement social et à l'émergence . Dans le domaine de l'informatique , l'informatique bio-inspirée est liée à l'intelligence artificielle et à l'apprentissage automatique. L'informatique bio-inspirée est un sous-ensemble majeur de l'informatique naturelle .

Premières idées

Les idées à l'origine de l'informatique biologique remontent à 1936 et à la première description d'un ordinateur abstrait, aujourd'hui connu sous le nom de machine de Turing . Turing a d'abord décrit la construction abstraite à l'aide d'un spécimen biologique. Turing a imaginé un mathématicien doté de trois attributs importants. Il a toujours un crayon avec une gomme, un nombre illimité de feuilles de papier et un ensemble d'yeux fonctionnels. Les yeux permettent au mathématicien de voir et de percevoir tous les symboles écrits sur le papier tandis que le crayon lui permet d'écrire et d'effacer tous les symboles qu'il souhaite. Enfin, le papier illimité lui permet de stocker tout ce qu'il veut en mémoire. En utilisant ces idées, il a pu décrire une abstraction de l'ordinateur numérique moderne. Cependant, Turing a mentionné que tout ce qui peut exécuter ces fonctions peut être considéré comme une telle machine et il a même déclaré que même l'électricité ne devrait pas être nécessaire pour décrire le calcul numérique et la pensée des machines en général.

Réseaux neuronaux

Décrits pour la première fois en 1943 par Warren McCulloch et Walter Pitts, les réseaux neuronaux sont un exemple courant de systèmes biologiques inspirant la création d'algorithmes informatiques. Ils ont d'abord décrit mathématiquement qu'un système de neurones simplistes était capable de produire des opérations logiques simples telles que la conjonction logique , la disjonction et la négation . Ils ont en outre montré qu'un système de réseaux neuronaux peut être utilisé pour effectuer n'importe quel calcul nécessitant une mémoire finie. Vers 1970, la recherche autour des réseaux neuronaux a ralenti et beaucoup considèrent un livre de 1969 de Marvin Minsky et Seymour Papert comme la cause principale. Leur livre a montré que les modèles de réseaux neuronaux ne pouvaient modéliser que des systèmes basés sur des fonctions booléennes qui ne sont vraies qu'après une certaine valeur seuil. De telles fonctions sont également appelées fonctions de seuil . Le livre a également montré qu'un grand nombre de systèmes ne peuvent pas être représentés comme tels, ce qui signifie qu'un grand nombre de systèmes ne peuvent pas être modélisés par des réseaux neuronaux. Un autre livre de James Rumelhart et David McClelland paru en 1986 a remis les réseaux neuronaux sur le devant de la scène en démontrant l'algorithme de rétropropagation linéaire, qui a permis le développement de réseaux neuronaux multicouches qui ne respectaient pas ces limites.

Colonies de fourmis

En 1979, Douglas Hofstadter a décrit l'idée d'un système biologique capable d'effectuer des calculs intelligents même si les individus composant le système ne sont pas intelligents. Plus précisément, il a donné l'exemple d'une colonie de fourmis qui peut effectuer des tâches intelligentes ensemble, mais chaque fourmi individuelle ne peut pas présenter ce qu'on appelle un « comportement émergent ». Azimi et al. en 2009 ont montré ce qu'ils ont décrit comme l'algorithme de « colonie de fourmis », un algorithme de clustering capable de générer le nombre de clusters et de produire des clusters finaux hautement compétitifs comparables aux autres algorithmes traditionnels. Enfin, Hölder et Wilson en 2009 ont conclu en utilisant des données historiques que les fourmis ont évolué pour fonctionner comme une seule colonie de « superogranisme ». Un résultat très important car il suggère que les algorithmes évolutionnaires de sélection de groupe couplés à des algorithmes similaires à la « colonie de fourmis » peuvent être potentiellement utilisés pour développer des algorithmes plus puissants.

Quelques domaines d’étude en informatique d’inspiration biologique et leurs homologues biologiques :

L'informatique bio-inspirée se distingue de l'intelligence artificielle traditionnelle par son approche de l'apprentissage informatique. L'informatique bio-inspirée utilise une approche évolutionniste, tandis que l'IA traditionnelle utilise une approche « créationniste ». L'informatique bio-inspirée commence par un ensemble de règles simples et d'organismes simples qui adhèrent à ces règles. Au fil du temps, ces organismes évoluent dans le cadre de contraintes simples. Cette méthode pourrait être considérée comme ascendante ou décentralisée . Dans l'intelligence artificielle traditionnelle, l'intelligence est souvent programmée d'en haut : le programmeur est le créateur, il crée quelque chose et l'imprègne de son intelligence.

L'informatique bio-inspirée peut être utilisée pour entraîner un insecte virtuel. L'insecte est entraîné à naviguer sur un terrain inconnu pour trouver de la nourriture en suivant six règles simples :

• tourner à droite pour la cible et l'obstacle à gauche ;
• tourner à gauche pour la cible et l'obstacle à droite ;
• tourner à gauche pour cible-gauche-obstacle-droite ;
• tourner à droite pour cible-droite-obstacle-gauche ;
• tourner à gauche pour la cible-gauche sans obstacle ;
• tourner à droite pour la cible-à droite sans obstacle.

L'insecte virtuel contrôlé par le réseau neuronal à pointes entraîné peut trouver de la nourriture après un entraînement dans n'importe quel terrain inconnu. Après plusieurs générations d'application de règles, il arrive généralement que certaines formes de comportement complexe émergent . La complexité s'accumule jusqu'à ce que le résultat soit quelque chose de nettement complexe, et bien souvent complètement contre-intuitif par rapport à ce que les règles originales devraient produire (voir systèmes complexes ). Pour cette raison, lors de la modélisation du réseau neuronal , il est nécessaire de modéliser avec précision un réseau in vivo , par la collecte en direct de coefficients de « bruit » qui peuvent être utilisés pour affiner l'inférence statistique et l'extrapolation à mesure que la complexité du système augmente.

L'évolution naturelle est une bonne analogie avec cette méthode : les règles de l'évolution ( sélection , recombinaison /reproduction, mutation et plus récemment transposition ) sont en principe des règles simples, mais elles ont produit des organismes remarquablement complexes au cours de millions d'années. Une technique similaire est utilisée dans les algorithmes génétiques .

L'informatique inspirée du cerveau fait référence à des modèles et méthodes informatiques qui se basent principalement sur le mécanisme du cerveau, plutôt que de l'imiter complètement. L'objectif est de permettre à la machine de réaliser diverses capacités cognitives et mécanismes de coordination des êtres humains d'une manière inspirée du cerveau, et enfin d'atteindre ou de dépasser le niveau d'intelligence humaine.

Les chercheurs en intelligence artificielle sont désormais conscients des avantages de l’apprentissage à partir du mécanisme de traitement de l’information du cerveau. Les progrès de la neuroscience et des neurosciences fournissent également la base nécessaire à l’intelligence artificielle pour apprendre à partir du mécanisme de traitement de l’information du cerveau. Les chercheurs en neurosciences et en neurosciences tentent également d’appliquer la compréhension du traitement de l’information du cerveau à un plus large éventail de domaines scientifiques. Le développement de la discipline bénéficie de l’essor des technologies de l’information et des technologies intelligentes et, à leur tour, les neurosciences et le cerveau inspireront également la prochaine génération de transformation des technologies de l’information.

Les progrès des neurosciences, notamment grâce aux nouvelles technologies et aux nouveaux équipements, permettent aux chercheurs d'obtenir des preuves biologiques multi-échelles et multi-types du cerveau par le biais de différentes méthodes expérimentales et tentent de révéler la structure de la biointelligence sous différents aspects et bases fonctionnelles. Des neurones microscopiques, des mécanismes de fonctionnement synaptiques et de leurs caractéristiques, au modèle de connexion du réseau mésoscopique , aux liens dans l'intervalle cérébral macroscopique et à leurs caractéristiques synergétiques, la structure multi-échelle et les mécanismes fonctionnels du cerveau dérivés de ces études expérimentales et mécanistes fourniront une inspiration importante pour la construction d'un futur modèle informatique inspiré du cerveau.

En gros, une puce inspirée du cerveau fait référence à une puce conçue en référence à la structure des neurones du cerveau humain et au mode cognitif du cerveau humain. De toute évidence, la « puce neuromorphique » est une puce inspirée du cerveau qui se concentre sur la conception de la structure de la puce en référence au modèle de neurone du cerveau humain et à sa structure tissulaire, ce qui représente une orientation majeure de la recherche sur les puces inspirées du cerveau. Parallèlement à l'essor et au développement des « plans cérébraux » dans divers pays, un grand nombre de résultats de recherche sur les puces neuromorphiques ont émergé, qui ont reçu une attention internationale considérable et sont bien connus de la communauté universitaire et de l'industrie. Par exemple, SpiNNaker et BrainScaleS soutenus par l'UE, Neurogrid de Stanford , TrueNorth d'IBM et Zeroth de Qualcomm .

TrueNorth est une puce inspirée du cerveau qu'IBM développe depuis près de 10 ans. Le programme américain DARPA finance IBM pour développer des puces de réseau neuronal pulsé pour le traitement intelligent depuis 2008. En 2011, IBM a développé pour la première fois deux prototypes de silicium cognitif en simulant des structures cérébrales capables d'apprendre et de traiter des informations comme le cerveau. Chaque neurone d'une puce inspirée du cerveau est interconnecté avec un parallélisme massif. En 2014, IBM a sorti une puce inspirée du cerveau de deuxième génération appelée « TrueNorth ». Par rapport aux puces inspirées du cerveau de première génération, les performances de la puce TrueNorth ont considérablement augmenté, et le nombre de neurones est passé de 256 à 1 million ; le nombre de synapses programmables est passé de 262 144 à 256 millions ; fonctionnement sous-synaptique avec une consommation électrique totale de 70 mW et une consommation électrique de 20 mW par centimètre carré. En même temps, TrueNorth gère un volume nucléaire de seulement 1/15 de la première génération de puces cérébrales. À l'heure actuelle, IBM a développé un prototype d'ordinateur neuronal qui utilise 16 puces TrueNorth avec des capacités de traitement vidéo en temps réel. Les indicateurs extrêmement élevés et l'excellence de la puce TrueNorth ont suscité un grand émoi dans le monde universitaire au début de sa sortie.

En 2012, l'Institut de technologie informatique de l'Académie chinoise des sciences (CAS) et l'Inria français ont collaboré pour développer la première puce au monde à prendre en charge la puce d'architecture de processeur de réseau neuronal profond « Cambrian ». La technologie a remporté les meilleures conférences internationales dans le domaine de l'architecture informatique, ASPLOS et MICRO, et sa méthode de conception et ses performances ont été reconnues au niveau international. La puce peut être utilisée comme un représentant exceptionnel de la direction de recherche des puces inspirées du cerveau.

Le cerveau humain est le produit de l'évolution. Bien que sa structure et son mécanisme de traitement de l'information soient constamment optimisés, des compromis dans le processus d'évolution sont inévitables. Le système nerveux crânien est une structure multi-échelle. Il existe encore plusieurs problèmes importants dans le mécanisme de traitement de l'information à chaque échelle, tels que la structure de connexion fine des échelles neuronales et le mécanisme de rétroaction entre les échelles cérébrales. Par conséquent, même un calcul complet du nombre de neurones et de synapses ne représente que 1/1000 de la taille du cerveau humain, et il est encore très difficile à étudier au niveau actuel de la recherche scientifique. Les progrès récents dans la simulation cérébrale ont lié la variabilité individuelle de la vitesse de traitement cognitif humain et de l'intelligence fluide à l' équilibre entre l'excitation et l'inhibition dans les réseaux cérébraux structurels , la connectivité fonctionnelle , la prise de décision du vainqueur et la mémoire de travail des attracteurs .

Dans la recherche future sur le modèle de calcul cognitif du cerveau, il est nécessaire de modéliser le système de traitement des informations cérébrales sur la base des résultats d'analyse des données du système neuronal cérébral multi-échelle, de construire un modèle de calcul de réseau neuronal multi-échelle inspiré du cerveau et de simuler la multimodalité du cerveau à plusieurs échelles. Capacité comportementale intelligente telle que la perception, l'auto-apprentissage et la mémoire, et le choix. Les algorithmes d'apprentissage automatique ne sont pas flexibles et nécessitent des données d'échantillon de haute qualité qui sont étiquetées manuellement à grande échelle. Les modèles de formation nécessitent une charge de calcul importante. L'intelligence artificielle inspirée du cerveau manque encore de capacités cognitives avancées et de capacité d'apprentissage inférentiel.

La plupart des puces neuronales existantes sont toujours basées sur les recherches de l'architecture de von Neumann, et la plupart des matériaux de fabrication des puces utilisent encore des matériaux semi-conducteurs traditionnels. La puce neuronale n'emprunte que l'unité la plus basique du traitement de l'information cérébrale. Le système informatique le plus basique, comme le stockage et la fusion informatique, le mécanisme de décharge d'impulsion, le mécanisme de connexion entre les neurones, etc., et le mécanisme entre les unités de traitement de l'information à différentes échelles n'ont pas été intégrés dans l'étude de l'architecture informatique inspirée du cerveau. Aujourd'hui, une tendance internationale importante est de développer des composants informatiques neuronaux tels que des memristors cérébraux, des conteneurs de mémoire et des capteurs sensoriels basés sur de nouveaux matériaux tels que les nanomètres, soutenant ainsi la construction d'architectures informatiques plus complexes inspirées du cerveau. Le développement d'ordinateurs inspirés du cerveau et de systèmes informatiques cérébraux à grande échelle basés sur le développement de puces inspirées du cerveau nécessite également un environnement logiciel correspondant pour soutenir sa large application.