Qui créera le premier calculateur intelligent?
Les ordinateurs classiques sont de plus en plus puissants mais restent toujours aussi "stupides": Impossible d'en trouver un avec lequel on puisse dialoguer de façon naturelle. Aucun système visuel artificiel ne voit aussi bien que nous, ou qu'une mouche! Alors qui inventera le premier calculateur intelligent?
article a retrouver sur le site (i)nterstices.
voir également Publications/Perrinet10DocSciences
reference
|
(Partie Haute) Les techniques récentes d'imagerie permettent de mieux comprendre certaines caractéristiques du code neural. Dans cet exemple, on montre une image de l'activité cérébrale dans une partie occipitale (c'est à dire à l'arrière) du cerveau chargée du traitement de l'information visuelle: le cortex visuel primaire. Les figures représentent une zone de quelques centimètres carrés de cortex et au-dessous la partie correspondante de notre espace visuel. Les couleurs représentent différentes réponses des neurones selon certaines caractéristiques visuelles, ici l'orientation des lignes dans l'image. Les figures représentent l'ensemble de l'activité neurale quand on présente un unique point lumineux à la rétine à l'instant initial puis après quelques millisecondes: l'activité est d'abord locale, puis se propage au sein de la population, grâce au réseau de connexions entre les neurones de différentes couleurs. Ce qui est remarquable ici, c'est que le cerveau a une "géographie": à chaque zone correspond un traitement bien identifié (ici visuel, ailleurs auditif, etc..): explorer cette géographie, permet d'explorer le fonctionnement du cerveau. (modifié depuis des données de F. Chavane à l'INCM/CNRS.) (Partie Basse) Les neurosciences computationnelles étudient les propriétés de tels réseaux de neurones en terme de capacité de calcul, par exemple en étudiant leur capacité à traiter de l'information. Une illustration parfaite d'un tel système est ce système hybride qui étudie des neurones biologiques, en les faisant interagir avec des neurones simulés sur ordinateur et dans le futur avec des neurones construits sur des puces dédiées. (Figure par Thierry Bal, modifié de G. Le Masson, S. Renaud-Le Masson, D. Debay and T. Bal (2002). Feedback inhibition controls spike transfer in hybrid thalamic circuits. Nature, 417 : 854-858.) |
All material (c) L. Perrinet. Please check the copyright notice.
quelques liens sur les neurosciences computationnelles
- . The Handbook of Brain Theory and Neural Networks. The MIT Press,, Cambridge, MA, 2002.
- Bruno Cessac, Manuel Samuelides. From neuron to neural networks dynamics. pages 7--88. abstract.
- Emmanuel Daucé, Laurent U. Perrinet. Computational Neuroscience, from Multiple Levels to Multi-level. Journal of Physiology (Paris), 104(1--2):1--4, 2010 abstract.
- Emmanuel Daucé, M. Quoy, Bruno Cessac, B. Doyon, Manuel Samuelides. Self-Organization and dynamics reduction in recurrent networks : stimulus presentation and learning. Neural Networks, 11:521-533, 1998 abstract.
- O Faugeras, Y Frégnac, M Samuelides. A future for systems and computational neuroscience in France?. J Physiol Paris, 101(1-3):1-8, 2007 abstract.
- . Proceedings of the second french conference on Computational Neuroscience, Marseille. 2008 abstract.
- Laurent U. Perrinet. Dynamical Neural Networks: modeling low-level vision at short latencies. pages 163--225. abstract.
- Alexandre Pouget. Dynamic Remapping. abstract.
- Franck Rosenblatt. The perceptron: a probabilistic model for information storage and organization in the brain. Psychological Review, 65(6):386-408, 1962 abstract.
- Terrence J. Sejnowski, Christof Koch, Patricia S. Churchland. Computational Neuroscience. Science, 241:1299-1306, 1988 abstract.
- N Wiener. Cybernetics. Bulletin of the American Academy of Arts and Sciences, 3(7):2-4, 1950 abstract.
- Alan L. Yuille, Davi Geiger. Winner-Take-All Mechanisms. pages 1056--60. abstract.