Les Neurosciences des Réseaux

Les neurosciences des réseaux étudient l'émergence de l'activité mentale 
à partir de la configuration des connexions neuronales dans le cerveau

Réseau de neurones du cerveau

Les réseaux neuronaux se forment aux premiers stades du développement du cerveau grâce à la croissance et à la migration des cellules nerveuses. Les deux processus se combinent pour organiser les ensembles synaptiques et la modularité de l'architecture cognitive. Les neurones ne sont pas disposés au hasard dans le cerveau humain.

Dans le cortex, ils sont organisés en groupes interconnectés avec une connectivité intrinsèque élevée. Cette structure de connectivité modulaire, dans laquelle des groupes de neurones se développent en tant qu'unités fonctionnelles, se forme dans les premiers stades du développement du cerveau.

Ce processus d'organisation neuronale, qui établit un ordre dans l'architecture cérébrale, est régulé par l'activité des neurones eux-mêmes, mais on ignorait jusqu'à présent comment le cerveau embryonnaire parvient à établir des réseaux neuronaux actifs et équilibrés, dès les premiers stades de son développement.

Le neurone biologique

Un neurone est constitué d'un corps cellulaire – le soma – entre 10 et 80 mm, d'où naît un arbre dense de branches – les dendrites – et une fibre tubulaire – l'axone – entre 100 mm et un mètre. C'est un processeur d'informations très simple :

* Canal d'entrée : dendrites

* Processeur : soma 

* Canal de sortie : axone

Un neurone cérébral peut recevoir environ 10.000 entrées et envoyer à son tour sa sortie à plusieurs centaines de neurones.

La connexion entre les neurones s'appelle une synapse. Ce n'est pas une connexion physique, mais il y a environ 2 mm de séparation. Ce sont des connexions unidirectionnelles, dans lesquelles la transmission d'informations se fait électriquement à l'intérieur du neurone et chimiquement entre les neurones ; grâce à des substances spécifiques appelées neurotransmetteurs.

Tous les neurones ne sont pas les mêmes, il existe de nombreux types différents en fonction du nombre de branches de leurs dendrites, de la longueur de l'axone et d'autres détails structurels. Cependant, ils fonctionnent tous sur les mêmes principes de base.

Réseau de neurones biologiques

C'est un circuit composé de neurones, qui établissent des connexions synaptiques les uns avec les autres de manière ordonnée, et générés à partir de l'union de neurones à d'autres dans leurs régions correspondantes après la migration neuronale.

Les réseaux de neurones biologiques sont la grande autoroute des connexions et de la communication du système nerveux central (SNC).

A partir de ce système complexe, des modèles artificiels sont recréés afin de comprendre leur fonctionnement.

Réseau neuronal artificiel

Un réseau de neurones artificiels est un nouveau système de traitement de l'information, dont l'unité de traitement de base s'inspire de la cellule fondamentale du système nerveux humain : le neurone.

C'est la tentative de pouvoir effectuer une simulation informatique du comportement de parties du cerveau humain grâce à la réplication à petite échelle des modèles qu'il joue pour la formation de résultats à partir des événements perçus. Concrètement, il s'agit d'être capable d'analyser et de reproduire le mécanisme d'apprentissage et de reconnaissance d'événements que possèdent les êtres les plus évolués.

Il se compose d'unités de traitement qui échangent des données ou des informations. Ils sont utilisés pour reconnaître des modèles, y compris des images, des manuscrits et des séquences temporelles (par exemple : les tendances financières). Ils ont la capacité d'apprendre et d'améliorer leurs performances.

La neuro-informatique est la science liée aux systèmes de traitement de l'information qui développe des capacités opérationnelles en tant que réponse adaptative à un environnement d'information, en utilisant des solutions basées sur le fonctionnement du cerveau.

Le développement des réseaux de neurones s'inscrit dans une partie des neurosciences appelée science neuro-computationnelle.

La théorie des graphes

Comment le cerveau fait-il de nous ce que nous sommes ? Les efforts pour répondre à cette question ont conduit à un nouveau domaine des neurosciences des réseaux, qui utilise une branche des mathématiques, la théorie des graphes.

La théorie de graphes, aussi connue comme la théorie de courbes, est une branche des mathématiques et les sciences du calcul qui étudie les propriétés de graphes pour modéliser les connexions du cerveau qui nous permettent de lire, de calculer ou, simplement, de nous asseoir et de tambouriner avec les doigts.

Un graphe est une structure mathématique qui permet de modéliser des problèmes de la vie quotidienne, à travers une représentation graphique formée de nœuds ou de sommets qui montre les acteurs et les arêtes qui servent à représenter les liens ou les relations entre les acteurs.

La théorie des graphes, également utilisée en chimie, physique et linguistique, modélise les voies physiques qui construisent les réseaux fonctionnels d'où émergent nos capacités cognitives, qu'il s'agisse de vision, d'attention ou de maîtrise de soi.

L'architecture du système nerveux et ses interactions peuvent être représentées par des graphes. L'étude de la dynamique cérébrale à l'aide de ces objets mathématiques a conduit à un changement de paradigme dans le domaine qui a permis aux neuro-scientifiques d'utiliser de nouveaux outils et concepts quantitatifs issus de la théorie des graphes et de la physique des systèmes complexes.

En apprenant à connaître des réseaux avec un niveau d'abstraction croissant, les chercheurs ont commencé à réduire le fossé qui existe entre la matière et l'esprit. Les avantages pratiques viendraient d'une nouvelle façon de diagnostiquer et de traiter des troubles tels que la dépression.

Ce type d'approche permet aussi de trouver des régularités, qui partagent des systèmes avec des échelles, qui diffèrent de plusieurs ordres de grandeur, des réseaux sociaux ou réseaux aéroportuaires aux gènes et réseaux d'assemblages neuronaux.

La vie est dominée par les réseaux. Les routes, les chemins de fer, les voies maritimes et les vols commerciaux sont des réseaux complexes que nous utilisons quotidiennement. Ils existent même au-delà de notre expérience immédiate. Pensez à Internet, au réseau électrique et à l'univers, où la Voie lactée n'est rien de plus qu'un nœud infinitésimal dans un réseau apparemment illimité de galaxies. Cependant, peu de systèmes de connexions interactives ont la complexité que notre cerveau abrite.

L'importance des neurosciences grandit ces dernières années à mesure que nous nous familiarisons avec la neuro-imagerie, dont les couleurs flashy nous montrent les régions du cerveau qui sont activées lors d'une tâche mentale. Ainsi, nous avons par exemple le lobe temporal, la région proche de l'oreille qui est impliquée dans la mémoire, et le lobe occipital, qui est situé à l'arrière de la tête et qui est responsable de la vision.

Mais dans cette connaissance du fonctionnement du cerveau humain, il est nécessaire de connaître la manière dont toutes les régions de l'organe interagissent pour faire de nous ce que nous sommes.

La théorie des graphes est utilisée pour analyser, sonder et prédire des interactions cérébrales complexes. L'objectif est de réduire l'écart apparemment immense entre la frénésie de l'activité électrique neuronale et une série de tâches cognitives, telles que ressentir, se souvenir, prendre des décisions, acquérir de nouvelles compétences et initier un mouvement.

Ce nouveau domaine des neurosciences des réseaux est basé, et renforcé, sur l'idée que certaines régions du cerveau effectuent des activités définies. Au sens le plus fondamental, ce qu'est le cerveau – et donc ce que nous sommes en tant que des êtres conscients – est défini, en fait, par un réseau très étendu de 100 milliards de neurones avec au moins 100 billions de connexions, ou synapses.

Les neurosciences en réseau visent à saisir cette complexité grâce au fait que l'on peut modéliser les données fournies par la neuro-imagerie sous la forme d'un graphe composé de nœuds et de liens. Dans un graphe, les nœuds – également appelés sommets – représentent les unités du réseau, comme les neurones ou, dans un autre contexte, les aéroports. Les liens – ou bords – servent à relier les nœuds. Les synapses entre neurones ou dans les voies aériennes des avions –.

Dans une étude, le cerveau humain est réduit à un graphique d'environ 300 nœuds. Les différentes régions communiquent entre elles par des liens correspondant aux connexions structurelles du cerveau, d'énormes faisceaux de "fils" qui composent la matière blanche. Cette description, en tant que réseau unifié, a déjà fourni une image plus claire du fonctionnement cognitif, et d'un point de vue plus pratique, elle a également amélioré le diagnostic et le traitement des troubles psychiatriques.

La connaissance des réseaux cérébraux nous aiderait à améliorer les programmes d'intelligence artificielle, de nouveaux médicaments et techniques de stimulation électrique pour corriger le dysfonctionnement des circuits neuronaux dans la dépression et, peut-être aussi, développer des génothérapies pour les maladies mentales.

Ce n'est que grâce à des interactions en réseau à plusieurs échelles que les molécules et les cellules peuvent donner lieu à un comportement et à une cognition. La connaissance des interactions de réseau à plusieurs niveaux de l'organisation est cruciale pour une compréhension plus complète du cerveau en tant que système intégré et holistique.

Lorsqu'une personne est cognitivement au repos ou en silence, le cerveau s'engage dans un schéma caractéristique d'activité neuronale dynamique, le profil spatio-temporel de ce schéma est façonné par un réseau complexe de fibres nerveuses et de leurs voies.

Neurosciences des processus négociés en langage et cognition sociale

Presque chaque interaction entre humains nécessite un accord tacite, qui utilise ce type de négociation.

Il existe plusieurs tests qui consistent à jouer à un jeu de négociation avec une offre et une acceptation ou un refus. L'un d'entre eux largement utilisé est le jeu dit d'ultimatum dans lequel les processus physiologiques des adversaires peuvent être mesurés.

En général, ce sont des études faciles à investiguer avec la neuro-imagerie fonctionnelle et l'électroencéphalogramme, s'activant de manière différenciée, notamment dans le lobe préfrontal et temporal. Ainsi, dans plusieurs études on observe que l'acceptation d'un accord génère des ondes Alpha dans le cortex préfrontal et le rejet, des ondes Thêta.

Dans la négociation il y a le dialogue implicite, l'intuition, l'empathie comme intersubjectivité qui implique la connaissance de soi – méta-cognition – et de l'autre – cognition sociale –, des croyances et enfin la prise de décision, à la fois immédiate et médiate.

Le dialogue est alors un instrument du social, c'est un processus clé et universel de l'Homo Sapiens, comme un accord de groupe inconscient, pouvant à travers lui dévider des idées, des pensées.

L'univers entier pourrait être un réseau de neurones

L'univers entier serait un immense réseau de neurones qui réconcilierait relativité générale, mécanique quantique et observateurs : c'est le chaînon manquant de la connaissance humaine.

L'univers entier à son niveau le plus fondamental serait un réseau de neurones, comme l'explique le physicien et cosmologiste Vitaly Vanchurin, de l'Université du Minnesota, dans une pré-publication “The world as a neural network” (L'univers entier pourrait être un réseau de neurones) présentée à arXiv en août 2020.

Vanchurin estime que l'hypothèse selon laquelle l'univers entier est un immense réseau de neurones pourrait constituer le chaînon manquant de la connaissance humaine, qui permettrait de concilier la mécanique quantique et la relativité générale.

Dans son article, il considère que les réseaux de neurones artificiels se comportent en pratique comme si la mécanique quantique et la relativité générale étaient déjà conciliées.

La principale différence entre les deux théories universelles est ce qu'on appelle le "problème du temps" : si pour la mécanique quantique le temps est universel et absolu, pour la relativité générale le temps est relatif, puisqu'il ne se déroule pas toujours de la même manière.

Il existe une autre différence notable entre les deux théories universelles, connue sous le nom de problème de la gravité quantique : les effets gravitationnels de l'univers se confondent avec ceux du monde quantique lorsque les distances entre les objets sont grandes et les énergies extrêmes. Cependant, le problème est que nous n'avons pas de théorie qui explique cet apparemment impossible.

Le troisième facteur qui confronte les deux théories universelles sont les soi-disant observateurs : nous ne savons toujours pas vraiment quel rôle nous jouons dans la connaissance de la matière, ni dans quelle mesure le monde dépend de notre observation.

Saut quantique

Vanchurin fait un saut audacieux pour proposer, non pas la prétendue théorie du tout unifié, qui expliquerait tous les phénomènes physiques connus, grands et petits, mais plutôt d'ouvrir une voie possible qui y mène.

Pour y parvenir, il propose d'ajouter à l'équation cosmique un troisième facteur, en plus de la relativité générale et de la mécanique quantique : l'observateur, cet obscur objet de désir qui a conduit à convertir la connaissance humaine en un consensus, plutôt qu'en une description objective et inattaquable du réel.

Même en supposant que la plupart des physiciens considèrent la mécanique quantique comme le pilier de tout ce que nous savons, il propose que la réalité est plus subtile : tout émane d'un réseau neuronal microscopique, à la fois la mécanique quantique, la relativité générale et les observateurs.

Le réseau de neurones est tout ce qui existe. C'est un système dynamique qui subit une évolution d'apprentissage et, par conséquent, nous faisons l'expérience de nombreux phénomènes émergents intéressants tels que l'espace-temps, les particules et peut-être le plus important, les observateurs.

Ainsi, si l'on veut réconcilier les trois aspects connus de la réalité, il faudrait considérer que le substrat de l'univers est un réseau de neurones, vraisemblablement quantique : il intégrerait les lois de la relativité générale, les principes du monde quantique et le rôle des observateurs dans ce nouveau cadre théorique.

Cela résoudrait également le dilemme des hypothèses Multivers d'Everett et des variables cachées qui détiennent soi-disant les secrets du monde quantique.

Selon Vanchurin, les variables cachées seraient les états des neurones individuels et les neurones d'apprentissage représenteraient ce qu'il appelle les variables quantiques.

L'apprentissage en profondeur

Pour comprendre comment cette proposition théorique, qui a suscité le scepticisme chez d'autres physiciens, a été conçue, Vanchurin dit qu'il s'agit de la déduction logique de l'étude des réseaux de neurones artificiels.

Il s'agit d'une branche de l'intelligence artificielle qui imite le cerveau humain grâce à ce que l'on appelle l'apprentissage profond, un moyen d'automatiser l'analyse prédictive : la capacité du cerveau biologique à analyser un large éventail de données pour anticiper d'éventuels événements.

En analysant cette technologie, Vanchurin a observé que la dynamique d'apprentissage des réseaux de neurones artificiels était très similaire à la dynamique observée dans les systèmes quantiques.

Les deux théories universelles et les observateurs coexistent dans les processus d'apprentissage des réseaux de neurones artificiels. Cette découverte l'a amené à supposer qu'aux niveaux les plus élémentaires de l'univers, tout se résume à la même chose : un réseau de neurones qui englobe tout.

Vanchurin reconnaît que l'idée est folle, mais souligne en même temps qu'il sera relativement facile de la réfuter : il suffit de trouver un phénomène physique qui ne peut pas être modélisé comme un réseau de neurones.

Cela signifie que nous vivons et faisons partie d'un réseau de neurones universel, 

bien que nous ne puissions pas faire la différence.

Voir aussi…

Neurosciences

Les réseaux de neurones

Réseaux de neurones artificiels en intelligence artificielle

Réseau neuronal par défaut

Renforcer les réseaux de neurones de la mémoire

Bases neurologiques de l'intelligence humaine

Des puces inspirées par le cerveau humain

Renforcer la connectivité du cerveau

L'Optogénétique - la nouvelle révolution dans l'étude du cerveau

Notre cerveau est-il comparable à Internet et à un ordinateur?

Activité électrique des dendrites

Les signaux ou ondes cérébraux

Réseaux de Neurones Artificiels (ANN) en Intelligence Artificielle

Les réseaux de neurones artificiels sont basés sur le fonctionnement de réseaux de neurones biologiques. Les neurones que nous avons tous dans notre cerveau sont constitués de dendrites, du soma et de l'axone. Les dendrites sont responsables de la capture des impulsions nerveuses émises par d'autres neurones. Ces impulsions sont traitées dans le soma et transmises par l'axone qui émet une impulsion nerveuse vers les neurones voisins.

Un réseau neuronal artificiel est un groupe interconnecté de nœuds similaire au vaste réseau de neurones dans un cerveau biologique. Chaque nœud circulaire représente un neurone artificiel et chaque flèche représente une connexion entre la sortie d'un neurone et l'entrée d'un autre.

Depuis les années 1940, les scientifiques ont essayé d'imiter ce comportement du cerveau afin de reproduire des compétences supérieures dans les systèmes informatiques. Le résultat a été des réseaux de neurones artificiels, appelés ARN ou ANN (en anglais) : ils font partie de l'intelligence artificielle et des systèmes intelligents.

Les réseaux de neurones existent depuis les années 50. Cependant, la faible puissance des équipements à cette époque et le manque d'algorithmes permettant aux réseaux d'apprendre efficacement les ont empêchés d'être utilisés. C'est plus tard, grâce à la création de l'algorithme de Backpropagation, à l'utilisation de GPU (Graphics Processing Unit) qui permettent de grandes optimisations pour ce type de calculs et au plus grand nombre de données disponibles pour la formation, que les réseaux de neurones ont refait surface. Et gagner en importance dans divers domaines. Grâce à ces améliorations, l'apparition du Deep Learning a été possible, qui repose sur l'utilisation de réseaux de neurones profonds, c'est-à-dire de réseaux formés d'un grand nombre de couches pour des tâches complexes.

Objectif des réseaux de neurones

L'objectif qui donne naissance aux réseaux de neurones artificiels est de construire un modèle capable de reproduire la méthode d'apprentissage du cerveau humain. Les cellules en charge de cet apprentissage sont les neurones interconnectés entre eux à travers des réseaux complexes. Les réseaux de neurones actuels contiennent généralement de quelques milliers à quelques millions d'unités neuronales.

L'objectif principal de ce modèle est d'apprendre en se modifiant automatiquement de manière à pouvoir effectuer des tâches complexes qui ne pourraient pas être effectuées au moyen de la programmation classique basée sur des règles. De cette manière, des fonctions qui ne pouvaient être exécutées que par des personnes au départ peuvent être automatisées.

Comment fonctionnent les réseaux de neurones

Le fonctionnement des réseaux est similaire à celui du cerveau humain. Les réseaux reçoivent une série de valeurs d'entrée et chacune de ces entrées atteint un nœud appelé neurone. Les neurones du réseau sont à leur tour regroupés en couches qui forment le réseau neuronal. Chacun des neurones du réseau a à son tour un poids, une valeur numérique, avec laquelle il modifie l'entrée reçue. Les nouvelles valeurs obtenues quittent les neurones et continuent leur chemin à travers le réseau.

De la même manière que notre cerveau est constitué de neurones interconnectés, un réseau de neurones artificiels est constitué de neurones artificiels connectés les uns aux autres et regroupés à différents niveaux que nous appelons couches.

Une couche est un ensemble de neurones dont les entrées proviennent d'une couche précédente – ou des données d'entrée dans le cas de la première couche – et dont les sorties sont l'entrée d'une couche ultérieure.

Les neurones de la première couche reçoivent en entrée les données réelles qui alimentent le réseau neuronal. C'est pourquoi la première couche est connue sous le nom de couche d'entrée. La sortie de la dernière couche est le résultat visible du réseau, la dernière couche est donc appelée couche de sortie. Les couches entre la couche d'entrée et la couche de sortie sont appelées couches cachées car nous ne connaissons pas à la fois les valeurs d'entrée et de sortie.

Dans le cas des neurones artificiels, la somme des entrées multipliée par leurs poids associés détermine “l'influx nerveux” que le neurone reçoit. Cette valeur est traitée à l'intérieur de la cellule au moyen d'une fonction d'activation qui renvoie une valeur envoyée en sortie du neurone.

Un réseau de neurones, par conséquent, est toujours composé d'une couche d'entrée, une couche de sortie – s'il n'y a qu'une seule couche dans le réseau de neurones, la couche d'entrée correspond à la couche de sortie – et elle peut contenir 0 ou plusieurs couches cachées. Le concept de Deep Learning est né de l'utilisation d'un grand nombre de couches cachées dans les réseaux.

Une fois la fin du réseau atteinte, une sortie est obtenue qui sera la prédiction calculée par le réseau. Plus le réseau a de couches et plus il est complexe, plus les fonctions qu'il peut exécuter seront également complexes.

L'apprentissage en profondeur de l'intelligence artificielle

L'apprentissage en profondeur est un domaine appartenant à l'intelligence artificielle dont l'objectif est l'étude et la construction de systèmes informatiques capables “d'apprendre” par l'expérience, légèrement inspirés de certains principes du fonctionnement du cerveau biologique.

Dans le contexte de l'intelligence artificielle, dire qu'une machine “apprend par elle-même” se réfère simplement à l'utilisation de techniques – par exemple, le deep learning – qui permettent au système de généraliser son fonctionnement à des cas inédits, et automatiquement, pas besoin de règles prédéfinies.

En général, ces systèmes doivent être formés à partir d'exemples connus, de la même manière qu'un jeune enfant apprend à reconnaître des objets ou des sons autour de lui (il montre un arbre et on lui dit "c'est un arbre" ; ou il entend le bruit d'un train et on lui dit "c'est un train").

Ce type d'apprentissage automatique est appelé “profond” car il a une structure hiérarchique qui extrait différents niveaux de détail des données en question. Par exemple, lors de la reconnaissance d'image, des bords sont extraits qui, lorsqu'ils sont combinés, permettent de détecter des contours, qui à leur tour permettent de reconnaître différentes parties de l'objet, pour finalement déterminer son identité.

Avant de pouvoir être utilisé, un système d'apprentissage en profondeur doit être “formé” à partir d'un grand nombre d'exemples connus – en principe, plus il y a d'exemples, mieux il fonctionnera –. Ensuite, on lui “apprend” des images de différentes voitures – différents modèles, couleurs, tailles, etc. – indiquant que ce sont tous des véhicules.

Avec ces exemples, le système d'apprentissage en profondeur ajuste ses paramètres internes de telle sorte que s'il est présenté avec une nouvelle image d'une voiture différente, le système est également capable de la reconnaître en tant que telle.

L'apprentissage en profondeur est présent de manière très large – et dans certains cas, inimaginable – dans notre vie quotidienne. Les prédicteurs de mots sur les téléphones mobiles, les assistants virtuels comme Apple Siri, la traduction de texte entre différentes langues et la reconnaissance automatique des objets et des personnes sur les photos sur les réseaux sociaux sont des exemples bien connus. D'autres domaines à fort potentiel d'utilisation de l'intelligence artificielle comprennent l'analyse de données génomiques complexes pour, par exemple, la détection de tumeurs cérébrales et le développement de traitements appropriés.

Entraînement des réseaux neuronaux – Backpropagation ou Rétropropagation

Pour qu'un réseau de neurones remplisse les fonctions souhaitées, il est nécessaire de le former. L'entraînement d'un réseau de neurones se fait en modifiant les poids de ses neurones pour qu'il parvienne à extraire les résultats souhaités. Pour cela, il s'agit d'introduire des données d'apprentissage dans le réseau, en fonction du résultat obtenu, les poids des neurones sont modifiés en fonction de l'erreur obtenue et en fonction de la contribution de chaque neurone audit résultat. Cette méthode est connue sous le nom de Backpropagation ou rétropropagation. Avec cette méthode, il est possible pour le réseau d'apprendre, de réaliser un modèle capable d'obtenir des résultats très réussis même avec des données très différentes de celles qui ont été utilisées lors de sa formation.

Bien que les applications des réseaux de neurones semblent très généreuses, elles font l'objet d'un entraînement intense afin de pouvoir être appliquées correctement. Autrement dit, il est nécessaire de partir d'un ensemble de données d'apprentissage suffisamment représentatif.

Par exemple, si nous voulons résoudre un problème de classification de textes par humeurs, nous devrons d'abord alimenter le réseau de neurones d'un ensemble de données avec du texte préalablement classé. Plus le réseau de neurones est complexe – plus le nombre de neurones est grand – plus la quantité de données d'entraînement nécessaires pour l'entraîner est grande.

Comme dans le cerveau humain, l'une des caractéristiques les plus importantes des réseaux de neurones est leur pouvoir “d'apprentissage”. Selon le type d'apprentissage, ces algorithmes sont classés en trois grands groupes : supervisé, non supervisé et renforcé.

Dans l'apprentissage supervisé, les données d'entrée sont “étiquetées” pour aider les algorithmes à évaluer correctement les données et à attribuer une valeur de sortie. C'est une méthode d'apprentissage largement utilisée pour les classifications et les régressions.

L'apprentissage non supervisé est basé sur le fait de ne pas étiqueter les données d'entrée et de laisser l'algorithme trouver des modèles de variantes et des corrélations. Il est utilisé lorsque nous voulons simplement découvrir ce qui se cache derrière les données que nous ne voyons pas, par exemple pour le profilage ou le “clustering” de clients.

L'apprentissage renforcé est basé sur des essais et des erreurs. Un exemple, pour l'expliquer de manière simple, serait un jeu vidéo. Rappelant le célèbre jeu mobile de serpent, le serpent a des mouvements limités qu'il peut effectuer (haut, bas, gauche et droite). Pour qu'il apprenne, à chaque fois qu'il entre en collision avec un mur ou avec lui-même, il est pénalisé, et chaque fois qu'il mange, il est récompensé. Au début, le serpent se déplacera de manière totalement aléatoire en se heurtant à lui-même ou avec le mur très fréquemment, après avoir joué à des millions de parties, on peut voir comment le serpent a appris à jouer et il lui faut très longtemps pour faire des erreurs.

Fonctions du réseau neuronal

La portée des fonctions des réseaux de neurones est très large, en raison de leur fonctionnement, ils sont capables d'approcher n'importe quelle fonction existante avec une formation suffisante. Les réseaux de neurones sont principalement utilisés pour les tâches de prédiction et de classification. Son champ d'action est large et très utile aujourd'hui.

Les ANN ont été appliqués à un nombre croissant de problèmes de la vie réelle et d'une complexité considérable, où leur plus grand avantage est de résoudre des problèmes assez complexes pour la technologie actuelle, de traiter des problèmes qui n'ont pas de solution algorithmique ou dont la solution algorithmique est trop complexe à trouver.

En général, comme ils sont similaires à ceux du cerveau humain, les ANN sont bien nommés car ils sont bons pour résoudre des problèmes que les humains peuvent résoudre mais pas les ordinateurs. Dans tous les cas, l'humain a la capacité de reconnaître des modèles, mais la capacité des réseaux neuronaux n'est pas affectée par la fatigue, les conditions de travail, l'état émotionnel et les compensations.

Premier réseau de neurones artificiels fonctionnant avec la lumière

Des scientifiques des universités de Münster (Allemagne), d'Oxford et d'Exeter (Royaume-Uni), dont l'article a été publié dans Nature en mai 2019, ont créé un réseau de neurones artificiels (ANN) qui fonctionne avec des impulsions lumineuses : il stocke et traite des informations de la même manière que le cerveau humain. Titre original : “All-optical spiking neurosynaptic networks with self-learning” (“Réseaux neurosynaptiques à pointage tout optique avec auto-apprentissage”).

Imitant le cerveau

Un neurone biologique peut recevoir environ 10.000 entrées et envoyer sa sortie à plusieurs centaines de neurones en même temps. Chaque cerveau humain contient cent mille milliards de neurones et cent milliards de synapses. Les neurones artificiels visent à se rapprocher le plus possible de cette capacité biologique pour augmenter l'efficacité des ordinateurs dans le traitement des données.

Ce qui a été réalisé jusqu'à présent, c'est la formation d'un réseau de neurones artificiels pour effectuer une tâche, telle que la reconnaissance d'un modèle dans la dynamique synaptique, et l'amener à utiliser ce modèle pour envoyer les informations à d'autres unités du réseau de neurones artificiels.

Les réseaux de neurones ont été utilisés jusqu'à présent pour résoudre certaines fonctions, comme la vision par ordinateur ou la reconnaissance vocale, mais ils n'ont pas pu développer leur plein potentiel en raison de l'architecture des ordinateurs.

En ayant un ordinateur et une mémoire séparés les uns des autres, les ordinateurs diffèrent considérablement du cerveau humain, qui traite et stocke les informations au même endroit – les synapses –. Par conséquent, il est difficile d'implémenter de nombreux neurones et synapses dans les ordinateurs pour effectuer des tâches plus complexes.

Synapses optiques

C'est la difficulté que la création de réseaux de neurones basés sur la lumière a résolue : elle encode les données en photons – les particules de lumière –, qui se déplacent à grande vitesse à travers les matériaux optiques sans générer beaucoup de chaleur. En outre, ils peuvent utiliser différentes couleurs pour envoyer simultanément de grandes quantités d'informations.

Étant basé sur la lumière et non sur les électrons, comme dans les réseaux de neurones traditionnels, ils peuvent traiter les données beaucoup plus rapidement et se rapprocher considérablement du fonctionnement du cerveau biologique.

Les chercheurs ont également pu vérifier que ce réseau est capable “d'apprendre” des informations et de les utiliser pour calculer et reconnaître des modèles, tout comme le cerveau le fait.

L'invention a résolu une difficulté technique non moins pertinente : les impulsions lumineuses ne communiquent pas entre elles, processus nécessaire pour émuler la synapse.

Cette difficulté pourrait être résolue en convertissant les signaux optiques en signaux électriques, de sorte que la synapse soit produite, puis en les reconvertissant en lumière pour les transmettre à une vitesse plus élevée.

Mais cette solution a été écartée car la conversion et la reconversion des signaux lumineux en signaux électriques augmentent la complexité du processus et la consommation d'énergie, tout en réduisant le flux d'informations.

Les auteurs de cette recherche sont donc allés plus loin : pour réaliser la synapse entre photons, ils ont fabriqué le réseau de neurones artificiels sur un matériau à changement de phase chauffé par une impulsion laser. Ce matériau de déphasage est déjà utilisé, par exemple, sur DVD-RW (enregistrable).

4 neurones, 60 synapses

Ces matériaux à changement de phase se caractérisent par le fait que leurs propriétés optiques changent radicalement, selon qu'ils sont cristallins, lorsque leurs atomes sont disposés de manière régulière, ou amorphes, lorsque leurs atomes sont disposés de manière irrégulière.

Ce déphasage peut être activé par la lumière si un laser chauffe le matériau. Lorsque ce matériau change de phase, il imite les synapses et reproduit la fonction cérébrale, sans qu'il soit nécessaire de convertir la lumière en électricité à tout moment.

À l'aide d'un matériau à changement de phase, l'équipe a construit une puce entièrement optique comprenant quatre neurones artificiels et 60 synapses. L'équipe a testé sa puce en utilisant deux algorithmes d'apprentissage ANN établis – apprentissage supervisé et non supervisé – pour entraîner leur réseau à reconnaître des images de pixels en noir et blanc sur une grille 3 × 5.

Ce système a permis de franchir une étape importante vers la création de matériel qui se comporte de la même manière que les neurones et les synapses du cerveau et qui peut également fonctionner sur des tâches du monde réel.

Identifier les cellules cancéreuses 

En travaillant avec des photons plutôt qu'avec des électrons, les chercheurs peuvent tirer pleinement parti du potentiel connu des technologies optiques, non seulement pour transférer des données, comme cela a été le cas jusqu'à présent, mais aussi pour les traiter et les stocker en un seul endroit.

Selon les chercheurs, un exemple très spécifique de cette technologie est que, avec l'aide de ce réseau, les cellules cancéreuses pourraient être identifiées automatiquement. Cependant, il reste encore du travail à faire avant que ces applications ne deviennent réalité.

Ils doivent augmenter le nombre de neurones et de synapses artificiels, ainsi que la profondeur des réseaux de neurones, pour réaliser des applications significatives. Ceci serait réalisé, par exemple, avec des puces optiques fabriquées avec la technologie du silicium.

Zone d'application

Identification des systèmes. Son objectif est d'obtenir le modèle mathématique linéaire ou non linéaire d'un système dynamique à partir de données expérimentales. Ce modèle doit reproduire avec une précision suffisante les caractéristiques dynamiques du procédé étudié.

Système. C'est toute réalité dans laquelle des variables de différents types interagissent pour produire des signaux observables.

Les signaux observables sont appelés : la sortie du système et les signaux qui peuvent être librement manipulés sont appelés : les entrées du système et celles qui entrent dans le système de manière aléatoire et ne peuvent pas être contrôlées sont appelées des perturbations.

Contrôle de processus. Le contrôle de processus tente de maintenir, au moyen d'un système automatique, les principales variables d'un processus à des valeurs proches de celles souhaitées malgré d'éventuelles perturbations.

Gestion des ressources naturelles. C'est l'activité de la société humaine visant à satisfaire ses besoins grâce à l'utilisation des ressources naturelles. La gestion de nature rationnelle est caractéristique de l'économie intensive, qui se développe sur la base du progrès scientifique et technologique et d'une bonne organisation du travail avec une productivité élevée.

Chimie quantique. C'est une science interdisciplinaire – Physique, Chimie, Informatique, Mathématiques Appliquées – qui étudie, à l'échelle atomique et subatomique, la connaissance des liaisons et des réactions chimiques entre atomes et molécules. Cet objectif est atteint grâce à l'utilisation des principes de la mécanique quantique.

La reconnaissance de formes. Identification des cibles radar. Simulation de centrales électriques. Détection d'explosifs. Reconnaissance faciale, classification des signaux, reconnaissance d'objets. Reconnaissance de séquence – geste, voix –. Reconnaissance de textes manuscrits. Reconnaissance de la parole.

Applications financières. Par exemple, les systèmes de trading automatisés – trading algorithmique –, l'exploration de données ou la découverte de connaissances dans des bases de données, “KDD”.

Algorithmes génétiques (GA). Un autre type spécial de réseaux de neurones artificiels a été appliqué en conjonction avec des algorithmes génétiques pour créer des contrôleurs pour les robots. La discipline qui traite de l'évolution des réseaux de neurones s'appelle la robotique évolutive.

Un algorithme est une série d'étapes organisées décrivant le processus à suivre pour résoudre un problème spécifique. Un algorithme génétique est une technique de programmation inspirée de la reproduction d'êtres vivants et qui imite l'évolution biologique comme stratégie pour résoudre des problèmes d'optimisation.

Traduction automatique neuronale. Il utilise une nouvelle génération de systèmes d'apprentissage automatique, appelés réseaux de neurones profonds, qui utilisent des représentations internes complexes pour apprendre à effectuer des tâches en extrayant des régularités à partir de données. Les données sont de grandes quantités de textes originaux et traduits, et la tâche à accomplir est de prédire la traduction à partir de la phrase originale. Ceci est traité et transformé en une représentation abstraite indépendante de la langue que le système a apprise pendant la formation. À partir de cette représentation, la phrase traduite est générée en tenant compte non seulement du contenu de l'original, mais également des régularités et des conventions d'utilisation de la langue cible.

Prévention du spam par e-mail (courrier indésirable). L'intelligence artificielle et l'apprentissage automatique ont simplifié la communication par e-mail. Au cours de la dernière décennie, les serveurs de messagerie ont mis en œuvre des algorithmes de détection de spam efficaces pour identifier et bloquer le spam.

Diagnostic médical. La médecine est l'un des domaines de la connaissance qui pourrait le plus bénéficier d'une interaction étroite avec l’informatique et les mathématiques, grâce à laquelle des processus complexes et imparfaits tels que le diagnostic différentiel seraient optimisés. C'est de cela que traite le machine learning, une branche de l'intelligence artificielle qui construit et étudie des systèmes capables d'apprendre à partir d'un ensemble de données d'entraînement et d'améliorer les processus de classification et de prédiction.

Jeux et prise de décision. Backgammon, échecs, poker.

Les réussites les plus connues

Recommandateur Youtube. Youtube est la plus grande entreprise au monde de partage, de création et de visualisation de contenu audiovisuel. Les recommandations YouTube sont chargées d'aider plus d'un milliard d'utilisateurs à découvrir du contenu personnalisé. L'un des plus grands défis auxquels ils ont dû faire face lors de la création de l'algorithme est la quantité de données téléchargées sur YouTube par seconde. Par conséquent, ce réseau de neurones doit avoir la capacité d'être sensible – réactif – à la fois au dernier contenu téléchargé sur la plate-forme et aux interactions de l'utilisateur avec elle.

Tarification dynamique Amazon. Amazon est le leader incontesté du e-commerce. Tout le monde sait qu'il utilise des prix dynamiques, selon une étude Amazon fait varier les prix plus de 2,5 millions de fois par jour. Le défi de ce réseau de neurones est que les prix à l'ère numérique doivent être fixés en temps réel en fonction de l'offre et de la demande d'un certain produit pendant une période limitée. Des entreprises comme Wallmart ou Uber utilisent ces algorithmes pour offrir des prix plus compétitifs à leurs clients.

Identifier les risques bancaires. HSBC est l'une des banques qui utilise les réseaux de neurones pour transformer la façon dont elles traitent les prêts et les hypothèques. Cette société utilise ce type d'algorithmes d'intelligence artificielle pour analyser le comportement d'anciens clients et ainsi pouvoir donner une estimation du risque pour un nouveau client lors de l'acquisition d'un crédit immobilier ou d'un prêt.

Personnaliser les stratégies marketing. Ces dernières années, plusieurs entreprises utilisent l'intelligence artificielle pour améliorer leurs stratégies marketing. Les réseaux de neurones sont des algorithmes capables de traiter une grande quantité de données telles que : les profils d'acheteurs, les modèles d'achat ou d'autres données spécifiques pour chaque entreprise. Ces types de caractéristiques en font les algorithmes parfaits pour analyser le marché et proposer une stratégie marketing personnalisée par client. Sephora ou Starbucks sont deux des entreprises qui utilisent ce type d'intelligence artificielle pour augmenter leurs profits.

*

*     *

Les réseaux de neurones sont des algorithmes capables de résoudre des problèmes très complexes de manière très précise. Il ne faut pas oublier que ces types d'algorithmes nécessitent une grande quantité de données d'apprentissage et un effort de calcul considérable lors de leur entraînement.

Les réseaux de neurones sont devenus une pièce maîtresse pour le développement de l'intelligence artificielle, c'est l'un des principaux domaines de recherche et celui qui évolue le plus au fil du temps, offrant des solutions de plus en plus complexes et efficaces.

Voir aussi…

Les réseaux de neurones

Bases neurologiques de l'intelligence humaine

Renforcer la connectivité du cerveau

Neurociences

Les Neurosciences des réseaux

Réseau neuronal par défaut

Renforcer les réseaux de neurones de la mémoire

Activité électrique des dendrites

Mécanisme de la plasticité cérébrale

Human Brain Project: Sommet final – Réalisations et avenir sur la recherche du cerveau numérique

Les signaux ou ondes cérébraux

Les Réseaux de Neurones

Les réseaux neuronaux se forment aux premiers stades du développement du cerveau par la croissance et la migration des cellules nerveuses. Les deux processus se combinent pour organiser les ensembles synaptiques et la modularité de l'architecture cognitive.

Cellules sociales

Les neurones sont des cellules sociales qui finissent par mourir isolément. Au cours de leur développement, ils déclenchent des processus cellulaires, appelés neurites, pour établir des connexions synaptiques avec d'autres neurones et former ainsi des réseaux ou circuits de neurones.

Les neurones ne sont pas disposés au hasard dans le cerveau humain. Dans le cortex, ils sont organisés en groupes interconnectés avec une connectivité intrinsèque élevée.

Réseaux de neurones
avant l'entraînement

Réseaux de neurones
 2 mois de
stimulation cognitive

Réseaux de neurones
2 semaines de
stimulation cognitive

Ces processus s'auto-régulent : lorsqu'une connexion synaptique dépasse sa capacité de récepteur, elle cesse immédiatement de croître et abandonne même les connexions et réduit la taille du réseau neuronal.

De cette manière, le cerveau évite la surexcitation du réseau neuronal et fait en sorte que ce circuit se concentre spécifiquement sur la tâche assignée.

Synapse

Structure de la synapse

Dans le processus de synapse, la possibilité de "transmission d'informations" entre certains neurones et d'autres est établie – à partir des terminaisons où l'axone d'un neurone se ramifie vers les dendrites d'un autre –. Lorsque le stimulus – ou impulsion électrique – atteint une terminaison nerveuse, le nerf libère des neurotransmetteurs. Selon le type de neurotransmetteur libéré, les neurones récepteurs peuvent être excités s'ils reçoivent le stimulus des neurones avec lesquels ils sont connectés, ou inhibés si ladite information n'est pas reçue, générant une réponse d'un type ou d'un autre dans chaque cas.

L'influx nerveux entre par les dendrites,
est traité dans le soma et sort par l'axone

La synapse entre un neurone et un autre peut augmenter sa force, connue sous le nom de potentialisation, ou la diminuer, ce que l'on appelle la dépression. Quand ils le font pendant une longue période, ils sont appelés potentialisation à long terme et dépression à long terme.

Ainsi, les synapses peuvent être connectées, déprimées et même éliminées. L'ensemble du phénomène est connu sous le nom de plasticité synaptique à long terme, et le résultat est que les neurones sont mieux connectés, regroupés et ont tendance à déclencher des signaux électriques ensemble.

De telle sorte que certaines synapses sont renforcées et d'autres sont affaiblies, provoquant des changements dans les poids synaptiques de l'ensemble du circuit, c'est-à-dire de tous les neurones connectés. Ainsi, des voies se forment pour permettre à l'activité neuronale de circuler. En elles, les synapses affaiblies sont exclues, tandis que celles qui sont renforcées sont incluses dans la trajectoire. Par conséquent, avec ce mécanisme de changement des poids synaptiques, des microcircuits ou des réseaux neuronaux se forment.

Circuits neuronaux

Nous sommes nés avec des circuits pré-assemblés constitués de groupes de neurones qui se déclenchent simultanément ou en corrélation. De cette manière, l'activité neuronale transite d'un groupe de neurones à un autre, formant des séquences.

Dans des cas tels que l'épilepsie, on observe qu'il n'y a pas de séquence entre les neurones et qu'ils déclenchent tous des signaux électriques. Ou quand il y a une hyper-synchronisation des neurones, elle est liée à des cas de syndrome obsessionnel compulsif ou de parkinson.

Réseau neuronal simple avec deux neurones et
deux cellules gliales: astrocytes et oligodendrocytes

De cette façon, dans chacun des actes que nous accomplissons, il y a un circuit neuronal et dans ses séquences se trouvent les représentations mentales, les souvenirs et les moments. Ainsi, en se reconnectant constamment au cours de l'apprentissage et de l'expérience, certains neurones sont éliminés et d'autres recrutés dans les groupes qui composent les séquences. Autrement dit, on est né avec certains circuits, mais avoir un nouvel apprentissage en crée d'autres. Par conséquent, au moment où de nouvelles synapses se forment, il y a des changements structurels et le circuit est réorganisé. C'est ainsi que nous apprenons et c'est possible grâce à la plasticité cérébrale, qui utilise certaines synapses et en évite d'autres.

Ce processus d'organisation neuronale, qui établit un ordre dans l'architecture cérébrale, est régulé par l'activité des neurones eux-mêmes, mais jusqu'à présent, on ignorait comment le cerveau embryonnaire parvient à établir des réseaux neuronaux actifs et équilibrés, dès les premiers stades de son développement.

*

*     *

Un nouveau mécanisme de formation de réseaux cérébraux

Des scientifiques de la Baylor School of Medicine au Texas, dont l'article a été publié dans Nature Neuroscience en décembre 2016, ont découvert que des réseaux inhibiteurs de cellules ou de neurones dans le cerveau se développent par un mécanisme opposé à celui suivi par les réseaux excitateurs.

Les neurones excitateurs sculptent et affinent les cartes du monde extérieur tout au long du développement et de l'expérience, tandis que les neurones inhibiteurs forment des cartes qui se développent avec la maturation.

La plupart des cartes neuronales ont été étudiées dans les circuits excitateurs du cerveau parce que les neurones excitateurs du cortex surpassent les neurones inhibiteurs. Des études de cartes excitatrices ont révélé qu'elles commencent comme un réseau de cellules diffus et se chevauchant.

En plus des réseaux excitateurs, le cerveau possède des réseaux inhibiteurs qui répondent également aux stimuli externes et régulent l'activité des réseaux neuronaux, mais le développement de réseaux inhibiteurs reste un mystère. Dans cette recherche, les scientifiques ont étudié le développement de cartes de neurones inhibiteurs dans le système olfactif de la souris.

Circuits excitateurs et inhibiteurs, développés de manière opposée

Contrairement à la vue, à l'ouïe ou à d'autres sens, l'odorat de la souris détecte les arômes discrets d'une grande variété de molécules. Les souris peuvent détecter un grand nombre d'odeurs grâce en partie à un réseau complexe de neurones inhibiteurs. Les neurones inhibiteurs sont le type de cellule le plus abondant dans la zone du cerveau de la souris dédiée au traitement des odeurs et pour soutenir ce réseau, des neurones inhibiteurs nouveau-nés sont continuellement ajoutés et intégrés dans les circuits.

Les chercheurs ont suivi les trajectoires de ces neurones nouvellement ajoutés au fil du temps pour déterminer comment les circuits inhibiteurs se développent. Premièrement, ils ont génétiquement étiqueté les cellules pour qu'elles brillent lorsque les neurones étaient actifs. Ils ont ensuite offert des odeurs individuelles aux souris et ont enregistré visuellement au microscope les zones ou les réseaux du cerveau qui brillaient pour chaque odeur que l'animal vivant et anesthésié sentait. Les scientifiques ont répété l'expérience plusieurs fois pour déterminer comment les réseaux changeaient au fur et à mesure que le rongeur apprenait à identifier chaque odeur.

Les chercheurs s'attendaient à ce que les réseaux inhibiteurs mûrissent de la même manière que les réseaux excitateurs ; c'est-à-dire que plus l'animal ressentait une odeur, mieux les réseaux d'activités seraient définis. De manière surprenante, ils ont constaté que les circuits cérébraux inhibiteurs du sens de l'odorat chez la souris se développent de manière opposée aux circuits excitateurs. Au lieu de devenir des zones étroitement définies, les circuits inhibiteurs s'élargissent.

Ils pensent que les réseaux inhibiteurs travaillent main dans la main avec les réseaux excitateurs. Plus précisément, ils proposent que l'interaction entre réseaux excitateurs et inhibiteurs puisse être comparée à un réseau routier – réseaux excitateurs – dont le trafic est régulé par un réseau de feux tricolores – réseaux inhibiteurs –. Les auteurs suggèrent que la formation de cartes neuronales utiles dépend des réseaux inhibiteurs qui conduisent au raffinement des réseaux excitateurs et que ces nouvelles informations seront essentielles pour développer de nouvelles approches de réparation des tissus cérébraux.

Cette découverte ajoute une nouvelle pièce au puzzle de la façon dont le cerveau organise et traite les informations.

Comment les réseaux de neurones se forment dans le cerveau : Découverte

Des neuroscientifiques de l'Université de Fribourg dans une nouvelle recherche, publiée dans la revue en ligne eLife d'octobre 2019, ont découvert comment cet exploit cérébral est réalisé : il est le résultat de l'interaction de deux processus neuronaux différents.

L'un de ces processus est la croissance des neurones, qui suit des modèles spécifiques. L'autre processus est la migration des neurones dès la naissance à l'occupation de la place spécifique assignée dans l'organisation cérébrale.

Cette recherche a permis de déterminer que l'interaction entre les deux processus est ce qui permet au cerveau de construire les réseaux neuronaux qui soutiennent les processus cognitifs.

Cette interaction organise non seulement les neurones en ensembles synaptiques qui fonctionnent comme des unités individuelles, mais établit également la modularité du réseau neuronal, qui est la capacité de subdiviser une fonction en parties plus petites – appelées modules – pour exécuter des fonctions spécifiques avec une plus grande efficacité.

Connexion synaptique entre deux neurones

La nouvelle recherche a pu établir, grâce à des simulations informatiques, que pour créer de nouveaux réseaux de neurones, les cellules nerveuses développent non seulement des processus biologiques pour établir des connexions synaptiques – les neurites –, mais aussi migrent vers d'autres neurones pour augmenter la probabilité de connexions. Dans les simulations, les scientifiques ont montré que la migration et la croissance des neurites peuvent interagir pour façonner des architectures de réseau spécifiques.

Cette interaction entre les processus de croissance et de migration est ce qui régule la relation entre la connectivité locale au sein des clusters – un ensemble de groupes – et la connectivité entre les clusters à longue portée et, par conséquent, le degré de modularité du réseau neuronal. Grâce à cette interaction, les modèles spatio-temporels de l'activité neuronale sont générés, qui sont cruciaux pour le développement du cortex cérébral.

Modèle de développement de réseaux dépendant de l'activité

Les stratégies de câblage neuronal peuvent impliquer l'expansion des champs de neurites et la migration vers d'autres neurones pour augmenter la connectivité modélisée comme des champs de neurites qui se chevauchent. (A)  Fonction de transfert de la dépolarisation de la membrane entre le pic et le potentiel de repos à des cadences de tir cible. Ligne pointillée : cadence de tir cible. (B) La croissance des neurites (orange) et la migration (verte) ont été modulées en fonction de [Ca2 +] i qui correspondait aux taux d'activation moyens. Les neurites ont grandi alors que le taux de tir (correspondant à l'influx moyen de Ca2 + à long terme) était inférieur à la cible et ont été élagués lorsqu'il était au-dessus. Le taux de migration a diminué à mesure que les neurones s'approchaient du taux de déclenchement cible (ligne pointillée). (C) La zone de chevauchement du champ de neurites, correspondant à la connectivité dans le modèle, peut être augmentée par la croissance des neurites et la migration neuronale vers les neurones voisins (D).

Les scientifiques ont testé les prédictions du modèle informatique en étudiant comment la migration cellulaire, la croissance des neurites et l'activité neuronale interagissent réellement dans le développement de réseaux de neurones corticaux chez des rats de laboratoire.

Pour observer et moduler la migration cellulaire dans ces réseaux, ils ont manipulé une enzyme particulièrement impliquée dans la régulation du cytosquelette neuronal des rats. Et ils ont observé que, de la même manière qui s'était produite dans leurs simulations, la migration cellulaire et la croissance neuronale favorisaient la connectivité modulaire dans le cerveau des rats de laboratoire.

Ils ont également observé que le regroupement des neurones dans un réseau conduisait d'abord à la génération d'activité cérébrale puis à l'augmentation de cette activité initiale, confirmant ainsi qu'il s'agissait d'un nouveau réseau de neurones opérationnel.

Enfin, ils ont constaté que l'augmentation de l'activité du réseau neuronal était contrôlée par un canal calcique qui maintient l'équilibre entre la croissance de la dynamique neuronale et la surexcitation.

*     *

*

Neurogenèse

La neurogenèse fait référence à la naissance et à la prolifération de nouveaux neurones dans le cerveau. Il s'agit d'un processus courant au stade embryonnaire. Cependant, de nouvelles études scientifiques ont conclu que cette formation de nouvelles cellules neuronales peut se produire à l'âge adulte. Il a également été prouvé que ce processus, à l'âge adulte, a un rôle limité, il ne serait donc pas en mesure de résoudre de graves lésions cérébrales.

Processus de neurogenèse

Il se produit dans la zone sous-ventriculaire, bien que le point le plus élevé de formation de neurones se trouve dans la zone sous-glandulaire du gyrus denté de l'hippocampe.

Cette partie de l'hippocampe est située dans le lobe temporal, faisant partie du système limbique. Les fonctions de l'hippocampe sont bien connues et sont liées à la mémoire, à l'apprentissage, aux émotions et à l'orientation spatiale.

Nous générons de nouvelles cellules neuronales à l'âge adulte et il est très important de favoriser leur création. Cette importance réside dans le fait qu'elles interviennent dans les processus liés à l'apprentissage et à la mémoire.

L'apprentissage et la mémoire sont deux processus cognitifs d'une importance vitale pour la survie humaine. Diverses structures cérébrales sont impliquées dans sa régulation, l'hippocampe en faisant partie.

L'hippocampe est la zone du cerveau où sont produits la plupart des nouveaux neurones, qui ont la capacité de s'intégrer dans les réseaux neuronaux de cette zone, régulant les fonctions cognitives liées à l'hippocampe.

Plasticité

La plasticité est une capacité des systèmes organiques, en particulier des mammifères, qui leur permet de s'adapter aux changements de l'environnement pour survivre. Le système nerveux des mammifères a une plasticité très développée dans les premiers stades de développement, prouvée par le plus grand nombre de neurones qui apparaissent. Cet apprentissage et cette mémoire sont des événements qui favorisent la plasticité.

Par conséquent, apprendre quelque chose de nouveau ne sera pas seulement important pour connaître une compétence, mais c’est aussi le moyen d'acquérir ce nouveau matériel neuronal. Toute activité qui consiste à apprendre quelque chose de nouveau peut favoriser la formation de ce nouveau réseau de neurones.

Comment faire former ces nouveaux neurones ?

L'exécution d'une activité nouvelle et inconnue peut augmenter le réseau dendritique. Toute activité qui maintient l'esprit actif peut aider dans ce processus de neurogenèse, de l'apprentissage d'une nouvelle langue à l'exercice physique, peut ralentir le déclin cognitif causé par l'âge.

Tout comme nous pouvons faire en sorte que ce processus ait lieu, il existe de nombreuses autres activités qui peuvent affecter négativement cette neurogenèse et, qui plus est, peuvent accélérer la perte de neurones. La consommation de tabac, d'alcool et d'autres drogues fait varier cette plasticité synaptique et, pas seulement, les problèmes qui nous affectent chaque jour, comme la pollution, produisent une mort excessive des neurones.

Le moyen le plus efficace de favoriser la naissance de nouvelles cellules neuronales est l'exercice, à la fois physique et mental.

Voir aussi…

Réseau de neurones artificielles (ANN) en intelligence artificielle

Les Neurosciences des réseaux

Réseau neuronal par défaut

Bases neurologiques de l'intelligence humaine

Renforcer la connectivité du cerveau

Circuit neuronal entre les neurones sociaux et les neurones de l'auto-toilettage lié au comportement autistique

Recherche sur la régénération neuronale du cerveau

Activité électrique des dendrites

Le cerveau créatif – Réseau de neurones créatifs

Renforcer les réseaux de neurones de la mémoire

Les signaux ou ondes cérébraux