Modélisation de la vision des souris : infos venant de l'apprentissage profond

Les réseaux de neurones convolutionnels profonds (CNN) sont des outils en informatique qui modélisent comment le cerveau traite l'information visuelle. Ces réseaux ont des structures similaires à celles du cortex visuel chez les animaux, qui est la partie du cerveau responsable de la vision. Les chercheurs veulent créer des modèles précis du fonctionnement du cerveau en comprenant comment différentes caractéristiques des réseaux peuvent améliorer ces prévisions.

Deux aspects majeurs à considérer sont la structure du réseau et les objectifs fixés pendant l'entraînement. Les réseaux peuvent être ajustés pour mieux refléter les propriétés de l'activité cérébrale. Certains chercheurs ont modifié des réseaux pour imiter des processus trouvés en neuroscience et rendre les réponses de ces réseaux plus réalistes.

Le type d'entrée visuelle donnée pendant l'entraînement joue aussi un rôle important. Par exemple, lorsque les réseaux sont formés avec des vidéos d'objets en mouvement, ils peuvent mieux correspondre à l'activité dans des parties spécifiques du cerveau responsables de la détection du mouvement. De plus, lorsque l'entrée contient des détails qui correspondent aux capacités visuelles de l'animal étudié – comme utiliser des résolutions vidéo adaptées aux souris plutôt qu'aux humains – le réseau performe mieux en imitant l'activité du cerveau de la souris.

Dans cette étude, les chercheurs ont utilisé un modèle appelé MouseNet, construit pour ressembler au cortex visuel de la souris. Ils ont formé ce modèle en utilisant une méthode d'apprentissage auto-supervisé. L'équipe a varié plusieurs aspects des vidéos utilisées pour l'entraînement et a observé comment ces variations affectaient la capacité du modèle à correspondre à l'activité cérébrale réelle. Ils ont créé des vidéos montrant la perspective d'une souris dans des environnements naturels (comme des prairies) et des cadres artificiels (comme des vaisseaux spatiaux) pour étudier l'impact de ces différences sur la performance du modèle.

#Aperçu de la méthodologie

Pour réaliser cette étude, les chercheurs ont créé un agent souris virtuel dans un moteur de développement de jeux appelé Unity. Cet agent avait deux caméras installées de manière similaire aux yeux d'une souris, lui permettant de capturer un champ de vision et une résolution correspondant à ce qu'une souris verrait. L'équipe a enregistré des vidéos produites par l'agent en naviguant dans divers environnements, utilisant ces enregistrements pour former leur réseau de neurones profond, MouseNet.

Ils ont généré huit ensembles de données d'entraînement différents. Chaque ensemble était soit naturaliste soit non-naturaliste, basé sur trois catégories : l'environnement, les propriétés optiques des yeux de souris et la façon dont la souris se déplaçait dans l'environnement. L'étude a montré que ces différences affectaient considérablement à quel point l'activité du modèle correspondait à celle du cerveau des souris.

Parmi les trois facteurs étudiés, l'environnement avait la plus grande et la plus constante influence. L'activité cérébrale la plus similaire était observée lorsque les trois conditions (environnement, optique et mouvement) étaient naturalistes. Fait intéressant, bien que le mouvement naturaliste ait généralement diminué la similitude globale avec le cerveau, il a amélioré la similitude pour une zone cérébrale spécifique connue pour traiter le mouvement.

Les chercheurs ont cherché à comprendre quelles différences spécifiques entre les environnements naturels et non naturels contribuaient à la variabilité de la similitude de l'activité cérébrale. Ils pensaient au départ que des propriétés statistiques simples comme la fréquence, la couleur, l'orientation et les corrélations temporelles pourraient expliquer les différences. Cependant, des tests utilisant des environnements plus abstraits ont montré que ces propriétés n'expliquaient pas entièrement les différences de similitude cérébrale observées entre les deux types d'environnements.

#Modèle de cortex visuel

Le modèle MouseNet est conçu pour refléter de près l'anatomie du cortex visuel de la souris. Il inclut plusieurs couches qui correspondent à des parties spécifiques du cortex visuel. La conception du modèle est basée sur des données neuro-anatomiques disponibles, garantissant que la structure du réseau est similaire aux véritables voies de traitement visuel trouvées chez les souris.

#Ensembles de données d'entraînement

En utilisant Unity, les chercheurs ont créé un agent souris capable de collecter des enregistrements vidéo dans divers environnements. Ils ont conçu deux caméras, qui ressemblaient aux yeux de souris, pour capturer des vidéos. Les vidéos ont été enregistrées à une résolution correspondant à la vision des souris et à un taux d'images spécifique.

L'équipe a produit des versions tant naturelles que non naturelles de trois facteurs influençant les stimuli visuels : l'environnement, l'optique des yeux de souris et les modèles de mouvement de la souris. En expérimentant avec diverses combinaisons, ils ont créé huit ensembles de données uniques représentant différentes conditions d'entraînement.

L'environnement naturel comprenait des éléments comme de l'herbe, des arbres et des rochers, tandis que le cadre artificiel ressemblait à un vaisseau spatial avec des murs métalliques et des lumières brillantes. Les propriétés visuelles de chaque environnement ont été analysées de manière critique pour comprendre leur impact sur la performance du modèle.

#Mouvement de la souris

Les chercheurs ont développé deux modèles de mouvement distincts pour l'agent souris. Le modèle artificiel incluait des mouvements en avant généraux et des tournants simples, tandis que le modèle naturaliste était basé sur les données de mouvement réelles d'une souris se déplaçant librement. Ces données ont été recueillies dans un environnement contrôlé et ont fourni des représentations plus réalistes du mouvement de la souris, permettant aux chercheurs de créer des trajectoires diverses et complexes.

L'équipe a utilisé une approche de modélisation spécifique pour générer des trajectoires de mouvement ressemblant à la façon dont les souris naviguent habituellement dans leur environnement. En s'assurant que le modèle capturait des motifs de mouvement plus naturels et complexes, les chercheurs visaient à améliorer la capacité du modèle à simuler l'activité cérébrale réelle.

#Environnements synthétiques

Pour explorer davantage les différences observées dans la similitude cérébrale, les chercheurs ont créé des environnements synthétiques constitués entièrement de formes géométriques simples. Ils cherchaient à faire correspondre ces environnements synthétiques aux environnements naturels et artificiels basés sur des propriétés statistiques clés.

En utilisant cette approche contrôlée, les chercheurs ont pu analyser systématiquement comment différentes caractéristiques visuelles influençaient la similitude de l'activité cérébrale. Cette enquête visait à clarifier si des caractéristiques telles que la fréquence spatiale, la distribution des couleurs et l'orientation pouvaient aider à expliquer pourquoi l'environnement naturel performait mieux en correspondance avec l'activité cérébrale.

#Procédure d'entraînement

L'entraînement de MouseNet a impliqué l'utilisation d'une technique connue sous le nom d'apprentissage auto-supervisé. En gros, le réseau apprend à prédire les futures images vidéo en se basant sur les images précédentes qu'il a vues. Cette méthode permet au modèle de développer une compréhension profonde des structures cachées à l'intérieur des données d'entrée.

Le processus d'entraînement consistait à décomposer les ensembles de données vidéo en clips plus petits et à organiser ces clips en lots pour que le réseau puisse les analyser. Le modèle a été répété sur chaque ensemble de données pour améliorer son apprentissage et ajuster ses prévisions en fonction de la performance du réseau.

Après un entraînement intensif, les chercheurs ont comparé les sorties du réseau avec les données d'activité cérébrale réelles recueillies à partir des Cortex Visuels de souris. Ils ont utilisé des techniques pour calculer à quel point l'activité du modèle s'alignait avec les données cérébrales enregistrées. Cette comparaison visait à mesurer le succès du modèle à imiter le véritable traitement visuel dans le cerveau de la souris.

#Impact des propriétés des stimuli

Les résultats de l'entraînement ont montré que les modèles fonctionnaient bien, dépassant le hasard en termes de précision des prévisions. Cependant, les types d'environnements et de motifs de mouvement utilisés pendant l'entraînement affectaient la manière dont le modèle reflétait réellement l'activité cérébrale.

Les conditions avec des environnements naturels ont conduit aux scores de similitude les plus élevés par rapport aux environnements artificiels. Cela implique que les caractéristiques des stimuli d'entraînement ont un impact significatif sur la manière dont le modèle s'aligne avec l'activité cérébrale. Les résultats ont montré que non seulement l'environnement naturel améliorait la similitude, mais qu'il existait aussi des interactions nuancées entre les différents facteurs influençant la performance globale.

#Évolution au cours de l'entraînement

Tout au long du processus d'entraînement, des changements dans la précision des prévisions et l'alignement du modèle avec l'activité cérébrale ont été observés. Les modèles ont montré une diminution de la perte de prédiction au fil du temps, indiquant une amélioration des performances. Cependant, les similitudes avec le cerveau ne suivaient pas toujours une tendance claire. Certaines zones ont montré des changements rapides au départ, suivis d'une stabilisation, tandis que d'autres ont montré des fluctuations au cours de la période d'entraînement.

Cela a conduit à comprendre que le lien entre la perte et la similitude est complexe, dépendant de divers facteurs, y compris les conditions d'entraînement. L'évolution de la similitude cérébrale variait selon les différentes populations cellulaires, soulignant la complexité de l'alignement des sorties du modèle avec le fonctionnement réel du cerveau.

#Conclusion

En résumé, cette recherche a exploré les effets de diverses conditions d'entraînement sur la capacité d'un réseau de neurones profond à modéliser le traitement visuel chez la souris. Grâce à l'utilisation d'environnements naturalistes et non-naturalistes, ainsi que de statistiques de mouvement réalistes, l'étude a révélé que l'environnement jouait un rôle significatif dans l'amélioration de l'alignement avec l'activité cérébrale des souris.

Les résultats indiquent que créer un réseau profond avec des caractéristiques reflétant des expériences naturalistes peut améliorer ses performances et sa compréhension du fonctionnement cérébral. Les recherches futures visent à approfondir les propriétés des environnements qui pourraient encore optimiser la similitude cérébrale, permettant de mieux modéliser le traitement visuel dans le cerveau. Les résultats aideront à façonner notre compréhension de l'intelligence artificielle et des neurosciences, fournissant des informations sur la manière de développer des modèles qui imitent mieux les systèmes de traitement visuel trouvés chez les animaux.