Découvrez le premier système physique capable d’apprendre des tâches non linéaires sans processeur informatique traditionnel

Dans le domaine de l’intelligence artificielle, une avancée majeure vient de se produire : l’émergence d’un nouveau type de système physique capable d’apprendre des tâches non linéaires sans recourir aux processeurs informatiques conventionnels. Cette innovation ouvre de nouvelles perspectives en matière d’apprentissage automatique et de résolution de problèmes complexes.

Les scientifiques font souvent face à des compromis lorsqu’ils tentent de créer et d’agrandir des systèmes semblables au cerveau capables de réaliser des tâches d’apprentissage automatique. Bien que les réseaux neuronaux artificiels puissent apprendre des tâches complexes en matière de langage et de vision, leur entraînement est lent et gourmand en énergie.

Une solution analogique prometteuse

Pour alléger les contraintes de temps et de consommation d’énergie, certaines recherches se tournent vers des systèmes analogiques, où les entrées varient en fonction de quantités physiques comme la tension. Cependant, ces systèmes comportent également des erreurs pouvant rapidement s’additionner.

Des chercheurs en physique et en ingénierie de l’Université de Pennsylvanie ont mis au point un réseau d’apprentissage local contrastif qui surmonte ces limitations. Ce système est rapide, à faible consommation énergétique, évolutif et capable d’apprendre des tâches complexes telles que les relations “ou exclusif” (XOR) et la régression non linéaire.

Un apprentissage inspiré du cerveau humain

Le professeur de physique Douglas J. Durian compare ce système à la manière dont les neurones du cerveau humain fonctionnent. Les composants évoluent selon des règles locales, sans connaissance de la structure globale, permettant une tolérance accrue aux erreurs.

Ce réseau possède une robustesse exceptionnelle, pouvant être construit de diverses façons tout en conservant ses capacités d’apprentissage. Cela ouvre d’immenses perspectives pour l’évolutivité de ces systèmes.

Applications et perspectives futures

Les chercheurs prévoient de faire évoluer ce design et étudient des questions relatives à la durée de stockage de la mémoire, aux effets du bruit et à la meilleure architecture pour le réseau. Le modèle pourrait également aider à interfacer avec des appareils captant et traitant des données, comme des caméras et des micros.

Le système offre une opportunité unique pour étudier l’apprentissage émergent avec des dynamiques simples et des composants modulaires. Il constitue un modèle idéal pour des recherches approfondies, y compris pour des problèmes biologiques.

Un cadre d’apprentissage couplé

Basé sur le cadre d’apprentissage couplé de Liu et Menachem Stern, ce système n’est pas spécifiquement conçu pour accomplir une tâche mais s’adapte aux entrées appliquées pour apprendre. Cela se fait en utilisant des règles d’apprentissage locales sans processeur centralisé.

Selon Sam Dillavou, l’un des principaux chercheurs, ce projet marque le début d’un champ de recherche immense. Les systèmes analogiques comme celui-ci permettent une interprétation plus facile et claire comparativement aux “boîtes noires” des autres systèmes d’apprentissage.

Liste récapitulative concise en deux colonnes