S’inspirant de l’évolution, des chercheurs soutenus par l’UE ont utilisé une nouvelle approche basée sur les algorithmes évolutionnaires pour aider les programmes informatiques à rechercher des solutions aux problèmes.Comment les êtres humains apprennent-ils? Au fil de notre vie quotidienne, nous acquérons de nouvelles connaissances ou compétences, nous perfectionnons celles que nous possédons déjà et nous formons de nouveaux souvenirs sur la base de nos expériences. Selon les scientifiques, cette étonnante capacité d’adaptation est possible grâce à la plasticité synaptique de notre cerveau, qui permet aux connexions entre les neurones, ou synapses, d’évoluer. Il s’agit d’une différence essentielle entre nous et les ordinateurs d’aujourd’hui, qui ne sont capables d’exécuter que des actions préprogrammées.
Une équipe de chercheurs soutenue par les projets Human Brain Project (HBP, HBP SGA1, HBP SGA2 et HBP SGA3) et ICEI, financés par l’UE, s’est attaquée au problème de l’apprentissage automatique par le biais d’une nouvelle approche basée sur des algorithmes dits évolutionnaires. Cette nouvelle approche est connue sous le nom d’approche «evolving-to-learn» (E2L). Grâce à cette approche, «les programmes informatiques recherchent des solutions à des problèmes en imitant le processus d’évolution biologique, tel que le concept de survie du plus apte», selon l’étude publiée dans la revue «eLife». Dans ces algorithmes évolutifs, «l’aptitude» d’une solution est déterminée par sa capacité à résoudre le problème.
S’attaquer à trois scénarios d’apprentissage
Les chercheurs ont soumis les algorithmes évolutionnaires à trois scénarios d’apprentissage classiques. Dans le premier scénario, l’ordinateur devait identifier un modèle répétitif dans un flux continu de données sans recevoir de retour d’information sur ses performances. Le deuxième scénario impliquait un apprentissage par renforcement, dans lequel l’ordinateur recevait des récompenses virtuelles lorsqu’il se comportait de la manière souhaitée. Enfin, dans le troisième scénario, baptisé apprentissage supervisé, l’ordinateur était informé de l’ampleur exacte de l’écart entre ses actions et le comportement souhaité. «Dans tous ces scénarios, les algorithmes évolutionnaires ont été capables de découvrir les mécanismes de la plasticité synaptique et sont ainsi parvenus à résoudre une nouvelle tâche», note le Dr Jakob Jordan, coauteur de l’étude et partenaire du projet à l’université de Berne, dans un communiqué de presse publié sur «EurekAlert!».
La suite sur Cordis