Publié le 2024-02-29 10:00:00. Des chercheurs de l’Université de Surrey ont mis au point une nouvelle méthode d’apprentissage pour l’intelligence artificielle, inspirée du fonctionnement du cerveau humain, afin d’améliorer ses performances et de réduire sa consommation énergétique.
- L’imitation du câblage neuronal du cerveau pourrait considérablement améliorer les performances des réseaux neuronaux artificiels, notamment ceux utilisés dans l’IA générative comme ChatGPT.
- Cette approche, basée sur une cartographie topographique clairsemée, permet de réduire le nombre de connexions inutiles, améliorant ainsi l’efficacité énergétique sans compromettre la précision.
- Une version améliorée de ce modèle, baptisée Enhanced Topographical Sparse Mapping, intègre un processus d’« élagage » inspiré de la manière dont le cerveau affine ses connexions lors de l’apprentissage.
En s’inspirant de l’organisation complexe mais efficace du cerveau humain, les chercheurs de l’Université de Surrey ont développé une approche innovante pour optimiser les réseaux neuronaux artificiels. Leur travail, publié dans la revue Neurocomputing, pourrait avoir des implications majeures pour l’avenir de l’intelligence artificielle (IA).
La clé de cette avancée réside dans la cartographie topographique clairsemée. Contrairement aux réseaux neuronaux traditionnels, où chaque neurone est potentiellement connecté à tous les autres, cette méthode connecte chaque neurone uniquement à ses voisins proches ou à ceux qui lui sont associés. Cette approche reflète la manière dont le cerveau humain organise l’information, en privilégiant les connexions pertinentes et en éliminant le superflu.
Selon le Dr Roman Bauer, maître de conférences à l’Université de Surrey, cette nouvelle approche permet de construire des systèmes intelligents de manière beaucoup plus efficace.
« Nos travaux montrent que des systèmes intelligents peuvent être construits beaucoup plus efficacement, réduisant ainsi la demande d’énergie sans sacrifier les performances. »
Dr Roman Bauer, maître de conférences
Les chercheurs soulignent que cette méthode permet d’éliminer le besoin d’un grand nombre de connexions inutiles, améliorant ainsi les performances de manière durable et sans affecter la précision des résultats. L’enjeu est de taille, car la formation des modèles d’IA les plus performants est extrêmement gourmande en énergie.
« La formation d’un grand nombre des grands modèles d’IA les plus populaires d’aujourd’hui peut consommer plus d’un million de kilowattheures d’électricité. Cela n’est tout simplement pas viable au rythme où l’IA continue de croître. »
Dr Roman Bauer, maître de conférences
Pour aller encore plus loin, l’équipe a développé une version améliorée de son modèle, appelée Enhanced Topographical Sparse Mapping. Cette version introduit un processus d’« élagage » inspiré de la biologie, qui simule la manière dont le cerveau affine progressivement ses connexions neuronales au fur et à mesure qu’il apprend. Ce processus permet d’optimiser davantage le réseau et d’améliorer ses performances.
Les chercheurs explorent également les applications potentielles de cette approche dans d’autres domaines, notamment dans le développement d’ordinateurs neuromorphiques plus réalistes. Ces ordinateurs, inspirés de la structure et du fonctionnement du cerveau humain, pourraient offrir des performances et une efficacité énergétique supérieures aux ordinateurs traditionnels.