Nouvelle mise à jour du laboratoire Flyborg.
Je passe le week-end à faire de la neurochirurgie sur une mouche du vinaigre numérique.
Une prothèse mémorielle pour le connectome
Le cerveau reconstruit compte 127 400 neurones et 14,7 millions de connexions, mais il lui manque une bonne partie de la biologie liée à l’apprentissage.
Alors, je me fabrique une prothèse mémorielle synthétique.
L’idée, c’est d’intercepter l’activité des circuits d’apprentissage de la mouche, de la traduire en vecteurs interrogeables et de laisser le système nerveux récupérer ces expériences plus tard.
On peut capturer, stocker et réinjecter des représentations neurales dans le connectome. On peut même revenir en arrière, supprimer le feedback d’un souvenir et mesurer ce qui change.
Trouver un signal d’apprentissage
Faire en sorte que la mouche décide quoi mémoriser, c’est plus coton.
On a trouvé des neurones dont le timing des spikes changeait en réponse au sucre. Est-ce qu’on pouvait identifier le renforcement à partir de ces schémas ?
Nope.
Les stimuli neutres et amers produisaient des changements similaires. On a tenté un récepteur plus sophistiqué comparant les neurones.
Toujours nope.
Il est temps de consulter la littérature en neurosciences.
Les vraies mouches utilisent la dopamine, l’octopamine et la dynamique des récepteurs pour réguler l’apprentissage. Notre simulation modélise les signaux électriques via des connexions fixes, sans toute cette chimie.
Ajouter la chimie modélisée
On a donc déniché le modèle de dopamine synthétique open source de Temur Turayev, reproduit ses expériences dans un réseau isolé du corps pédonculé, et commencé à adapter l’approche à notre simulation de cerveau complet.
Maintenant, on tient un truc.
Une couche chimique synthétique passive observe l’activité neurale simulée et produit des états de récepteurs et de dopamine modélisés, sans altérer le cerveau original.
Et les signaux sensoriels l’atteignent. Les entrées « sucre » et « amer » modifient les états chimiques modélisés. On coupe les voies sensorielles, et ces différences disparaissent.
Voilà ce qui a attiré mon attention : les spikes neuraux sont rapides, mais les états chimiques évoluent plus lentement, et continuent parfois de changer après l’arrêt de l’entrée.
Trois types de calcul
Soudain, on se retrouve avec trois types de calcul :
- L’activité électrique rapide qui traite l’information sensorielle.
- La chimie modélisée, plus lente, qui pourrait réguler l’apprentissage et la réactivité.
- La mémoire synthétique persistante qui conserve les expériences après la disparition de l’activité originale.
Elles n’ont pas besoin de fonctionner à la même vitesse.
On n’a pas encore résolu l’apprentissage par renforcement pour les mouches... pour l’instant.
La lecture chimique ne permet pas de distinguer avec fiabilité le sucre du neutre ou de l’amer, et on n’a pas encore démontré de préférences acquises.
Ce que cette architecture rend possible
Mais cette architecture me fait tourner le cerveau dans tous les sens.
La plupart des agents traitent la mémoire comme un truc que le modèle lit ou écrit. Et si un sous-système neural fonctionnant en continu gérait l’attention, l’éligibilité mémorielle et la consolidation ?
Et si on greffait un réseau de raisonnement artificiel sur cette même infrastructure neuromodulatrice ?
Et comme c’est numérique, on peut instrumenter, modifier et remplacer des composants individuels.
Pour l’instant, la mouche vit dans un petit terrarium Godot.
Étape suivante : valider les voies anatomiques et connecter un signal d’apprentissage significatif à la mémoire.
C’est une autre façon d’aborder le machine learning.
La suite bientôt. 🪰