Découvrez L'Art De L'Édition
L'ordinateur

Un simple circuit électrique apprend tout seul, sans l’aide d’un ordinateur | La science

CHICAGO-Un simple circuit électrique a appris à reconnaître les fleurs en fonction de la taille de leurs pétales. Cela peut sembler trivial par rapport aux systèmes d’intelligence artificielle (IA) qui reconnaissent les visages dans une foule, transcrivent les mots prononcés en texte et accomplissent d’autres exploits incroyables. Cependant, le minuscule circuit éclipse les systèmes d’apprentissage automatique conventionnels d’une manière clé : il s’apprend sans l’aide d’un ordinateur, comme un cerveau vivant. Le résultat démontre un moyen d’éviter la grande quantité de calcul normalement nécessaire pour régler un système d’IA, un problème qui pourrait devenir une pierre d’achoppement à mesure que ces programmes deviennent de plus en plus complexes.

« C’est une preuve de principe », déclare Samuel Dillavou, un physicien de l’Université de Pennsylvanie qui a présenté les travaux ici cette semaine lors de la réunion annuelle de mars de l’American Physical Society. « Nous apprenons quelque chose sur l’apprentissage. »

Actuellement, l’outil standard pour l’apprentissage automatique est le réseau de neurones artificiels. De tels réseaux n’existent généralement que dans la mémoire d’un ordinateur, bien que certains chercheurs aient trouvé des moyens de les incorporer dans des objets du quotidien. Un réseau de neurones est constitué de points ou nœuds, chacun pouvant prendre une valeur de 0 à 1, reliés par des lignes ou des arêtes. Chaque arête est pondérée en fonction de la corrélation ou de l’anti-corrélation des deux nœuds.

Les nœuds sont organisés en couches, la première couche prenant les entrées et la dernière couche produisant les sorties. Par exemple, la première couche pourrait prendre en entrée la couleur des pixels des photos en noir et blanc. La couche de sortie peut consister en un seul nœud qui renvoie 0 si l’image est celle d’un chat et 1 si elle est celle d’un chien.

Pour enseigner le système, les développeurs l’exposent généralement à un ensemble d’images de formation et ajustent les poids des bords pour obtenir le résultat correct. Il s’agit d’un problème d’optimisation redoutable qui devient considérablement plus complexe avec la taille du réseau et nécessite un traitement informatique important autre que le réseau de neurones lui-même. Pour compliquer davantage les choses, tous les bords de l’ensemble du réseau doivent être ajustés simultanément et non l’un après l’autre. Pour contourner ce problème, les physiciens ont recherché des systèmes physiques pouvant être réglés efficacement sans calcul externe.

Maintenant, Dillavou et ses collègues ont développé un système qui peut faire exactement cela. Ils ont assemblé un petit réseau en connectant au hasard 16 composants électriques communs appelés résistances ajustables, comme de nombreux cure-pipes. Chaque résistance sert de bord dans le réseau et les nœuds sont les jonctions où les conducteurs des résistances se rencontrent. Pour utiliser le réseau, les chercheurs fixent des tensions pour certains nœuds d’entrée et lisent les tensions des nœuds de sortie. En ajustant les résistances, le réseau appris automatisé produire les sorties souhaitées pour un ensemble donné d’entrées.

Pour former le système avec un minimum de calcul et de mémoire, les chercheurs ont construit deux réseaux identiques l’un au-dessus de l’autre. Sur le réseau « bridé », ils alimentaient les tensions d’entrée et bloquaient la tension de sortie à la valeur qu’ils voulaient. Sur le réseau « libre », ils fixaient uniquement la tension d’entrée, puis laissaient flotter toutes les autres tensions à la valeur qu’ils souhaitaient, ce qui donnait généralement la mauvaise tension à la sortie.

Le système a ensuite ajusté les résistances dans les deux réseaux selon une règle simple qui dépendait du fait que la différence de tension aux bornes d’une résistance dans le réseau fixe était supérieure ou inférieure à la différence de tension aux bornes de la résistance correspondante dans le réseau libre. Après plusieurs itérations, ces ajustements ont convenu de toutes les tensions à tous les nœuds des deux réseaux et ont formé les deux réseaux pour donner la sortie correcte pour une entrée donnée.

Fondamentalement, cet ajustement nécessite très peu de calculs. Le système n’a besoin que de comparer la chute de tension aux bornes des résistances correspondantes dans les réseaux bloqués et libres, à l’aide d’un appareil électrique relativement simple appelé comparateur, explique Dillavou.

Le réseau a été affiné pour effectuer une variété de tâches simples d’IA, a rapporté Dillavou lors de la réunion. Par exemple, il pourrait distinguer avec une précision supérieure à 95 % entre trois espèces d’iris sur la base de quatre mesures physiques d’une fleur : la longueur et la largeur de ses pétales et sépales, les feuilles juste en dessous de la fleur. Il s’agit d’un test d’IA canonique qui utilise un catalogue standard de 150 ensembles de mesures, dont 30 ont été utilisés pour entraîner le réseau, explique Dillavou.

Cependant, il semble peu probable que le réseau de résistances remplace un jour les réseaux de neurones standard. D’une part, sa réponse à différentes entrées doit probablement varier plus considérablement si le réseau de résistances doit correspondre à la capacité d’un réseau de neurones artificiels à faire des distinctions fines, explique Dillavou.

Mais Jason Rocks, physicien à l’Université de Boston, affirme qu’il n’est pas exclu que l’idée puisse avoir une utilité technologique. « S’il est constitué de composants électriques, il devrait pouvoir être réduit à une micropuce », dit-il. « Je pense que c’est là qu’ils veulent en venir. »

Correction, 22 mars, 11h30 : Cette histoire a été mise à jour pour clarifier que l’ensemble de données d’iris n’inclut pas d’images.