vacherie

Voltaire, adroit plagiaire, qui eut l'art d'avoir l'esprit de tous ses devanciers, et qui ne montra d'originalité que dans la finesse de ses flagorneries, écrivain scandaleux qui pervertit la jeunesse par les leçons d'une fausse philosophie, et dont le coeur fut le trône de l'envie, de l'avarice, de la malignité, de la vengeance, de la perfidie et de toutes les passions qui dégradent la nature humaine !

Auteur: Marat Jean-Paul

Info: l'Ami du Peuple, 6 avril 1791

[ révolution française ] [ littérature ]

techno-surveillance

Ma génération est la dernière pour qui c'est vrai, aux États-Unis et probablement dans le monde entier : nous sommes les derniers dont l'enfance n'a pas été consignée dans le cloud mais conservée dans des formats analogiques comme des journaux intimes écrits à la main, des polaroïds ou des cassettes VHS, bref des objets manufacturés tangibles et imparfaits qui se dégradent avec le temps et risquent d'être irrémédiablement perdus. J'ai fait mes devoirs sur papier, avec crayon et gomme, et non sur tablettes connectées à Internet. Ma croissance était notée par une entaille sur le cadre de la porte de la maison, pas via le smart home...

Auteur: Snowden Edward

Info: Mémoires vives

[ big brother ] [ évolution ]

acceptation

On ne peut changer son époque. Dès lors que les conditions de vie se dégradent régulièrement, la preuve est faite que l'on a pénétré dans la phase ultime du destin. On ne peut, en effet, être constamment au printemps ou en été, il ne peut pas non plus faire jour en permanence ; c'est pourquoi il est vain de s’entêter à changer la nature du temps présent pour retrouver les bons vieux jours du siècle dernier. L'important est d’œuvrer pour que chaque moment soit aussi agréable que possible.

L'erreur de ceux qui cultivent la nostalgie du passé vient de ce qu'ils ne saisissent pas cette idée. Mais ceux qui n'ont de considération que pour l'instant présent et affectent de détester le passé font figure de gens bien superficiels. 

Auteur: Yamamoto Josho Tsunetomo

Info: Hagakure, Guide pratique et spirituel destiné aux samouraïs

[ stoïcisme ]

vieillesse

Je ne tiendrai pas trois jours dans un endroit pareil, s'était dit Firmina Aguilera, lorsqu'elle avait été engagée au long séjour, il y a cinq ans déjà. Avec tous ses soucis à la maison, voir ces petits vieux et ces petites vieilles s'éteindre un peu plus chaque jour, elle ne tiendrait pas longtemps. Elle s'en était confiée à Francine Burnichon, la dame de l'accueil:
- Comment vous faites, vous? Comment vous faites pour supporter? Moi, je crois que je ne vais pas pouvoir...
Elle avait fini par s'habituer. Comparé à son ancien travail de femme de ménage, c'était tout aussi fatigant d'être lingère, mais elle voyait du monde. Encore que, depuis que les effectifs du long séjour avaient diminué - deux postes d'aides-soignantes en moins, à cause de la crise, comme l'avait expliqué la directrice - elle n'avait presque plus de temps pour s'occuper des résidents comme au début. il fallait courir, toujours courir.
Madame Burnichon lui avait donnée un conseil:
- Ici, il ne faudra pas vous attacher aux résidents. SI vous ne vous attachez pas, c'est un travail comme un autre. Par contre, si vous commencez à les aimer un tout petit peu, c'est fichu. Vous ne pouvez pas savoir à quelle vitesse ils se dégradent.

Auteur: Chagnard Frédéric

Info: Un tout petit rêve

[ asile ] [ EMS ] [ empathie ]

neuro-psychologie

Le lithium régule les protéines qui contrôlent l'horloge interne du corps. Cette horloge fonctionne, bizarrement, sur l'ADN, à l'intérieur de neurones spéciaux au plus profond du cerveau. Des protéines spéciales s'attachent à l'ADN des gens chaque matin, et après un temps déterminé, elles se dégradent et disparaissent. La lumière du soleil réinitialise les protéines encore et encore, de sorte qu'elles tiennent beaucoup plus longtemps. En fait, les protéines ne disparaissent qu'à la tombée de la nuit, moment où le cerveau devrait "détecter" l'ADN mis à nu et arrêter de produire des stimulants. Ce processus se dérègle chez les maniaco-dépressifs parce que les protéines, malgré le manque de lumière du soleil, continuent à se fixer rapidement à leur ADN. Leur cerveau ne se rend pas compte qu'il devrait arrêter de tourner. Le lithium aide donc à séparer les protéines de l'ADN pour que les gens puissent se calmer. Remarquez que la lumière du soleil l'emporte toujours sur le lithium pendant la journée et réinitialise les protéines ; ce n'est que lorsque la lumière du soleil disparaît la nuit que le lithium aide l'ADN à se libérer. Loin d'être le soleil dans une pilule, le lithium agit donc comme un "anti-lumière du soleil". Sur le plan neurologique, il annule la lumière du soleil et ramène ainsi l'horloge circadienne à vingt-quatre heures, empêchant à la fois la formation d'une bulle maniaque et le plantage du mardi noir de la dépression.

Auteur: Kean Sam

Info: The Disappearing Spoon : And Other True Tales of Madness, Love, and the History of the World from the Periodic Table of the Elements.

[ médicament béquille ] [ cycle journalier ]

homme-machine

Mais le test de Turing est à double tranchant. Tu ne peux pas savoir si une machine est devenue plus intelligente ou si tu as simplement abaissé tes propres critères d'intelligence au point que la machine semble intelligente. Si tu peux avoir une conversation avec une personne simulée présentée par un programme d'IA, es-tu capable de te dire jusqu'à quel point tu as laissé le sens de ta personne se dégrader au point que l'illusion fonctionne avec toi ?

Les gens se dégradent constamment pour que les machines paraissent intelligentes. Avant le krach, les banquiers croyaient en des algorithmes prétendument intelligents capables de calculer les risques de crédit avant d'accorder de mauvais prêts. Nous demandons aux enseignants d'enseigner en fonction de tests standardisés pour qu'un élève paraisse bon aux yeux d'un algorithme. Nous avons démontré à maintes reprises la capacité inépuisable de notre espèce à abaisser ses normes pour que les technologies de l'information soient bien perçues. Tout exemple d'intelligence dans une machine est ambigu.

La même ambiguïté qui a motivé des projets d'IA académiques douteux dans le passé a été reconditionnée en culture de masse aujourd'hui. Ce moteur de recherche sait-il vraiment ce que tu veux, ou bien joues-tu le jeu en abaissant tes exigences pour qu'il paraisse intelligent ? S'il faut s'attendre à ce que la perspective humaine soit modifiée par les rencontres avec de nouvelles technologies profondes, l'exercice consistant à traiter l'intelligence des machines comme une réalité exige que les gens réduisent leur ancrage à la réalité.

Auteur: Lanier Jaron

Info: You are not a gadget

[ dépendance ] [ inversion ] [ abrutissement ]

pollution

ENTREPRISE MONSANTO anagramme POISON TRÈS RÉMANENT Voilà une firme qu'elle est bonne, comme firme. Et pourquoi elle est bonne ? Parce qu'elle vous veut du bien ! Alors vous avez par exemple la dioxine TCDD. La dioxine, si vous voulez, c'est une substance on était vachement bien tant que ça existait pas, on s'est dit bon, on va quand même la fabriquer pour voir, et puis pendant qu'on y est on va en faire plusieurs sortes, et dons, en bref, la plus balèze c'est la TCDD, la "tétra-chloro-p-dibenzodioxine", rien que de prononcer le nom le gars il est déjà pris de nausées, de maux de tête et d'éruptions cutanées virulentes. Alors attends ! Qu'est-ce qu'il y a d'autre encore ? Il y a l'agent orange. Alors l'agent orange c'est un désherbant utilisé par l'armée américaine pour la défoliation de la jungle vietnamienne durant la guerre. Non, parce que, si vous voulez, les paysans là-bas, ils avaient des bêches et des vieux couteaux de cuisine pour désherber des milliers d'hectares, c'était pas humain, les marines sont allés leur donner un coup de main. ALors qu'est-ce que vous avez d'autre encore ? Vous avez ce qu'on appelle les hormones de croissance bovine. C'est un truc qu'on injecte dans les vaches qui sont un peu molles des mamelles, voyez, comme ça on peut les traire jusqu'au trognon. Vous avez l'herbicide total Roundup qui "laisse le sol propre", propre de quoi, on sait pas. Les PCB, excellents polluants, qui se dégradent lentement dans le sol, entre 94 jours et 2 700 ans selon les molécules, mais bon, c'est vrai que d'ici là on aura bouffé les pissenlits par la racine. Enfin bref, toute la gamme de produits super-respectueurs de l'environnement. Bientôt, ils porteront tous la mention.

Auteur: Klein Étienne

Info: Anagrammes renversantes ou Le sens caché du monde

[ multinationale ] [ chimie ] [ humour ]

biologie

Des scientifiques découvrent pourquoi le tardigrade est devenu l’un des animaux les plus résistants capables de survivre au vide de l’espace

Un petit animal extrêmement résistant (Crédit photo : Dotted Yeti/Shutterstock)

Le tardigrade ou ourson d’eau est une véritable force de la nature ! Cette créature dotée de huit pattes est l’un des animaux les plus fascinants qui soient. Plus de 1300 espèces ont été référencées mesurant entre 0,1 millimètre pour les plus petites et 1,2 millimètre pour les plus grandes. L’ourson d’eau possède des yeux, des muscles, un système nerveux rudimentaire et un système digestif. Il existe sur notre planète depuis près d’un demi-milliard d’années passant au travers des cinq grandes extinctions majeures.

Cet animal aux superpouvoirs peuple tous les écosystèmes et tous les milieux. On le retrouve aussi bien au sommet des plus hautes montagnes à plus de 6000 mètres d’altitude que dans les fonds océaniques à près de 5000 mètres de profondeur. Il est capable de survivre au moins une heure dans l’eau bouillante et de supporter des doses de radiations qui tueraient n’importe quel autre être vivant.

En période de sècheresse, l’animal possède la capacité de perdre 95 % de son eau et 40 % de son volume initial. Sous cette forme déshydratée appelée cryptobiose, durant laquelle il semble sans vie, il est capable de patienter des années en attendant que les conditions redeviennent idéales pour lui.

Les chercheurs essayent depuis longtemps de comprendre comment le tardigrade a pu évoluer de cette manière et devenir aussi résistant. Dans une nouvelle étude qui vient de paraitre, des scientifiques pensent avoir découvert comment ces animaux miniatures sont devenus les rois de l’adaptation à pratiquement tous les milieux.

Les tardigrades proviennent de vers marins vivant au Cambrien

(photo d'un lobopodien, l’un des ancêtres des tardigrades actuels / Source : Jose manuel canete-travail personnel/CC BY-SA 4.0)

Les chercheurs savent que les tardigrades descendent d’organismes aujourd’hui éteints qui vivaient sur Terre durant le Cambrien, la première des six périodes géologiques du paléozoïque qui s’étendait approximativement de 541 millions d’années à 485,4 millions d’années. Ces organismes nommés lobopodiens formaient un groupe informel de vers marins possédant plusieurs paires de pattes très courtes. Beaucoup de ces animaux ne dépassaient pas quelques centimètres de long bien que certains fossiles découverts laissent apparaitre des animaux pouvant atteindre 20 centimètres et plus. 

Jusqu’à présent, les scientifiques n’étaient jamais parvenus à déterminer exactement de quel groupe de lobopodiens, les tardigrades qui vivent sur Terre aujourd’hui pouvaient descendre. C’est chose faite avec cette découverte publiée dans PNAS réalisée entre autres par des scientifiques de l’Institut coréen de recherche polaire en Corée du Sud et de l’université de Floride du Nord aux États-Unis.

En analysant des fossiles de lobopodiens et une quarantaine d’espèces actuelles de tardigrades, les chercheurs ont découvert que les ancêtres des oursons d’eau vivant aujourd’hui sur Terre sont un groupe de lobopodiens du cambrien appelé luolishaniidés. D’après les recherches, ce groupe a évolué sur des centaines de millions d’années pour donner naissance à des animaux au corps beaucoup moins segmenté, aux pattes beaucoup plus courtes et surtout beaucoup plus petites.

Cette étude vient combler un vide dans la connaissance de l’évolution de ces étonnants animaux et pourrait sembler faire partie de la recherche fondamentale. Pourtant, cette découverte pourrait bien permettre la mise au point de futures applications pratiques.

Des protéines de tardigrades pour protéger les vaccins de la dégradation

Les tardigrades sont véritablement des animaux exceptionnels, fruits d’une très longue évolution qui s’est déroulée sur des centaines de millions d’années. Au cours de cette longue adaptation évolutive, ils ont appris à survivre en mettant leur métabolisme "en pause" lorsque les conditions de vie devenaient inhospitalières puis à sortir de cet état de "veille" quand les conditions devenaient à nouveau plus sures. Les tardigrades ont également appris, au fil du temps, à synthétiser des protéines qui ne se dégradent pas dans des conditions de vie dans lesquelles d’autres protéines seraient détruites. Les chercheurs espèrent parvenir à déterminer le moment dans l’histoire de l’évolution de cette espèce où cette caractéristique a été acquise de manière à identifier le ou les gènes responsables.

Lorsque ces gènes seront découverts et grâce aux technologies d’éditions de gènes comme CRISPR, les chercheurs espèrent parvenir à reproduire ces caractéristiques étonnantes chez d’autres espèces animales et pourquoi pas chez l’être humain. CRISPR est une technologie assez récente permettant d’utiliser une nucléase appelée Cas9 et un ARN guide afin de modifier un gène cible dans des cellules végétales et animales ou encore de diminuer ou d’augmenter l’expression d’un gène. 

L’utilisation des protéines de tardigrades pourrait servir à protéger les vaccins de la dégradation. D’autres projets, pouvant cependant soulever quelques interrogations éthiques, prévoient d’insérer des gènes de tardigrades dans des embryons humains dans le but d’apporter aux cellules souches embryonnaires une plus grande résistance aux radiations nucléaires.  

Auteur: Internet

Info: Science et vie, 12 juillet 2023, Ives Etienne. Article original de Ji-Hoon Kihm, Frank W. Smith, Sanghee Kim, Tae-Yoon S. Park, "Cambrian lobopodians shed light on the origin of the tardigrade body plan", PNAS, July 3, 2023, https://doi.org/10.1073/pnas.2211251120

[ résilience ]

univers inversé

Les possibilités métagénomiques

Une infime fraction - la plupart des scientifiques estiment <1% - des espèces microbiennes sur Terre peut être cultivée et étudiée à l'aide de techniques classiques de microbiologie et de génomique. Mais en utilisant des outils de métagénomique récemment développés, les chercheurs appliquent l'analyse génomique à des communautés microbiennes entières à la fois, sans avoir à isoler et à cultiver des espèces individuelles. Les études de métagénomique commencent par obtenir un échantillon d'un environnement particulier tel que l'eau de mer, le sol ou l'intestin humain, en extrayant le matériel génétique de tous les organismes de l'échantillon, puis en analysant l'ADN de ce mélange pour mieux comprendre comment les membres de la communauté interagir, changer et exécuter des fonctions complexes.

Processus : la métagénomique consiste à obtenir l'ADN de tous les micro-organismes d'une communauté, sans nécessairement identifier toutes les espèces impliquées. Une fois les gènes séquencés et comparés aux séquences identifiées, les fonctions de ces gènes peuvent être déterminées.

Parce qu'elle ne dépend pas de l'établissement de cultures pures, la métagénomique offre l'accès à des millions d'espèces microbiennes qui auparavant ne pouvaient pas être étudiées. Il permet également aux chercheurs d'examiner les micro-organismes dans le contexte des environnements dans lesquels ils existent naturellement, en étudiant des communautés entières en même temps.

Applications de la métagénomique

Pratiquement tous les biologistes, quel que soit leur domaine, découvriront qu'une meilleure compréhension des communautés microbiennes et de la métagénomique peut contribuer à leurs propres recherches. L'étude des communautés microbiennes par la métagénomique peut aider les biologistes à s'attaquer à des questions scientifiques fondamentales et à résoudre les problèmes sociaux, environnementaux et économiques connexes. Voici quelques-unes des applications potentielles de la métagénomique :

Avancées des sciences de la vie.

Décrypter le fonctionnement et l'interaction des espèces au sein des communautés microbiennes peut répondre en partie à des questions fondamentales sur de nombreux aspects de la biologie microbienne, végétale et animale et améliorer considérablement la compréhension de l'écologie et de l'évolution. La métagénomique pourrait aider à répondre à des questions telles que : Qu'est-ce qui constitue un génome ? Qu'est-ce qu'une espèce ? Quelle est la diversité de la vie ?

Sciences de la Terre.

L'exploration de la manière dont les communautés microbiennes du sol et des océans affectent les équilibres atmosphériques et les conditions environnementales peut aider les scientifiques à mieux comprendre, prévoir et potentiellement faire face aux changements mondiaux.

Médicament.

Des centaines de médicaments disponibles aujourd'hui sont dérivés de produits chimiques trouvés pour la première fois dans des microbes ; l'accès aux génomes d'espèces microbiennes supplémentaires est très prometteur pour en découvrir des milliers d'autres. L'étude du "microbiome" humain – les milliers de milliards de bactéries vivant dans et sur le corps humain – peut conduire à de nouvelles façons de diagnostiquer, de traiter et de prévenir les maladies.

Énergie alternative.

De nouvelles sources d'énergie pourraient être développées en exploitant le pouvoir des communautés microbiennes pour produire des sous-produits tels que l'hydrogène, le méthane, le butanol et même le courant électrique.

Assainissement de l'environnement.

Comprendre les microbes qui dégradent les produits chimiques environnementaux peut aider à nettoyer des polluants tels que les fuites d'essence, les déversements de pétrole, les eaux usées, les rejets industriels et les déchets nucléaires.

Biotechnologie.

L'identification et l'exploitation des capacités biosynthétiques polyvalentes et diverses des communautés microbiennes peuvent conduire au développement de nouveaux produits industriels, alimentaires et de santé bénéfiques.

Agriculture.

Mieux comprendre les microbes bénéfiques vivant dans, sur, sous et autour des plantes et des animaux domestiques peut contribuer à améliorer les méthodes de détection des agents pathogènes dans les cultures, le bétail et les produits alimentaires et peut faciliter le développement de pratiques agricoles qui tirent parti des les alliances naturelles entre les microbes, les plantes et les animaux.

Biodéfense et médecine légale microbienne.

L'étude de l'ADN et des empreintes biochimiques des communautés microbiennes aide les spécialistes à surveiller les agents pathogènes connus et potentiels, à créer des vaccins et des traitements plus efficaces contre les agents bioterroristes potentiels et à reconstruire les événements dans lesquels les microbes ont joué un rôle.

Valeur de la métagénomique pour l'enseignement de la biologie

La citation de Muir a également une pertinence importante pour l'enseignement des sciences. Qu'est-ce qui sépare la chimie, la génétique, la biologie moléculaire, l'évolution, l'écologie et d'autres disciplines ? Où se croisent-elles et comment se construisent-elles les unes sur les autres ?

La métagénomique aide à combler le fossé entre la génétique et l'écologie, démontrant que les gènes d'un seul organisme sont connectés aux gènes des autres et à l'ensemble de la communauté. En fait, les processus de la métagénomique démontrent qu'il est important d'étudier les gènes et les organismes en contexte et d'apprécier toute la diversité de la vie, même dans un seul cadre. Ces messages ont une pertinence importante dans l'ensemble de la biologie et seraient des ajouts précieux à n'importe quel cours de biologie, peut-être en particulier ceux du niveau d'introduction.

Parce que la métagénomique s'inspire d'un large éventail de domaines et les affecte, c'est un outil précieux pour enseigner des thèmes et des concepts qui sont tissés tout au long de l'enseignement de la biologie. En effet, l'enseignement et l'apprentissage de la métagénomique pourraient clairement intégrer les types de changements dans l'enseignement des sciences de la maternelle à la 12e année et du premier cycle que de nombreux rapports ont demandé au cours de la dernière décennie.

Certains professeurs estiment qu'ils doivent utiliser des cours d'introduction pour fournir aux étudiants pratiquement toutes les connaissances qu'ils utiliseront pour comprendre les concepts de base d'une discipline. Certains considèrent également les cours d'introduction comme un moyen d'aider les étudiants à apprendre à interpréter les nouvelles et autres informations sur la science afin qu'ils puissent prendre des décisions plus éclairées à la maison, chez le médecin et dans l'isoloir. Trop souvent, cependant, de tels cours ne parviennent pas à transmettre la beauté complexe du monde vivant et les innombrables façons dont la biologie a un impact sur la "vraie vie". L'apprentissage de la métagénomique au niveau introductif - en mettant l'accent sur ses applications potentielles dans le monde réel - pourrait servir à éclairer les principes de base d'une grande variété de domaines, les liens entre eux et la pertinence plus large des avancées scientifiques pour les problèmes du monde réel. Si les étudiants peuvent voir qu'il y a vraiment des questions non résolues intéressantes auxquelles ils peuvent jouer un rôle pour répondre, le recrutement de jeunes talentueux pour les carrières scientifiques peut être facilité. De cette façon, les élèves rencontreront une science dynamique plutôt que statique.

LES BÉNÉFICES DE L'INTÉGRATION DE L'ÉDUCATION ET DE LA RECHERCHE

Les avantages de l'intégration précoce de la métagénomique et d'autres sciences nouvelles dans l'enseignement de la biologie profiteraient non seulement aux étudiants en biologie, mais aussi aux scientifiques et à leurs projets de recherche. L'expérience montre que lorsque les chercheurs enseignent, leur propre compréhension s'approfondit, menant à de nouvelles questions et pistes de recherche souvent inattendues qui sont posées par les étudiants, ainsi qu'à contribuer au développement d'approches créatives des problèmes. Si la communauté de la biologie peut intégrer l'enseignement de la métagénomique aux progrès de la recherche dès le départ, les étudiants pourraient devenir des participants actifs au développement du domaine.

Enseigner un domaine nouveau ou émergent est un moyen idéal d'engager profondément les étudiants dans l'exploration de questions fondamentales qui sont au cœur de la poursuite scientifique et de les encourager à poser leurs propres questions. En effet, dans le cas du domaine émergent de la métagénomique, les questions les plus fondamentales peuvent être les plus profondes. Répondre à ces questions inspire à son tour les jeunes esprits et les chercheurs actifs, et la science est bénéfique. 

D'autres ont vu l'intérêt d'intégrer la science émergente à l'éducation. Un certain nombre d'efforts sont actuellement en cours pour intégrer la recherche et l'enseignement en génomique.

Auteur: Internet

Info: https://www.ncbi.nlm.nih.gov/ Metagenomics: A Call for Bringing a New Science into the Classroom (While It's Still New) Anne Jurkowski,* Ann H. Reid,† and Jay B. Labovcorresponding author

[ sciences ] [ nano-monde ] [ ouverture ] [ matrice gaïa ]

homme-machine

Une nouvelle approche du calcul réinvente l'intelligence artificielle

Par l'imprégnation d'énormes vecteurs de sens sémantique, nous pouvons amener les machines à raisonner de manière plus abstraite et plus efficace qu'auparavant.

Malgré le succès retentissant de ChatGPT et d'autres grands modèles de langage, les réseaux de neurones artificiels (ANN) qui sous-tendent ces systèmes pourraient être sur la mauvaise voie.

D'une part, les ANN sont "super gourmands en énergie", a déclaré Cornelia Fermüller , informaticienne à l'Université du Maryland. "Et l'autre problème est [leur] manque de transparence." De tels systèmes sont si compliqués que personne ne comprend vraiment ce qu'ils font, ou pourquoi ils fonctionnent si bien. Ceci, à son tour, rend presque impossible de les amener à raisonner par analogie, ce que font les humains - en utilisant des symboles pour les objets, les idées et les relations entre eux.

Ces lacunes proviennent probablement de la structure actuelle des RNA et de leurs éléments constitutifs : les neurones artificiels individuels. Chaque neurone reçoit des entrées, effectue des calculs et produit des sorties. Les RNA modernes sont des réseaux élaborés de ces unités de calcul, formés pour effectuer des tâches spécifiques.

Pourtant, les limites des RNA sont évidentes depuis longtemps. Considérez, par exemple, un ANN qui sépare les cercles et les carrés. Une façon de le faire est d'avoir deux neurones dans sa couche de sortie, un qui indique un cercle et un qui indique un carré. Si vous voulez que votre ANN discerne également la couleur de la forme - bleu ou rouge - vous aurez besoin de quatre neurones de sortie : un pour le cercle bleu, le carré bleu, le cercle rouge et le carré rouge. Plus de fonctionnalités signifie encore plus de neurones.

Cela ne peut pas être la façon dont notre cerveau perçoit le monde naturel, avec toutes ses variations. "Vous devez proposer que, eh bien, vous avez un neurone pour toutes les combinaisons", a déclaré Bruno Olshausen , neuroscientifique à l'Université de Californie à Berkeley. "Donc, vous auriez dans votre cerveau, [disons,] un détecteur Volkswagen violet."

Au lieu de cela, Olshausen et d'autres soutiennent que l'information dans le cerveau est représentée par l'activité de nombreux neurones. Ainsi, la perception d'une Volkswagen violette n'est pas codée comme les actions d'un seul neurone, mais comme celles de milliers de neurones. Le même ensemble de neurones, tirant différemment, pourrait représenter un concept entièrement différent (une Cadillac rose, peut-être).

C'est le point de départ d'une approche radicalement différente de l'informatique connue sous le nom d'informatique hyperdimensionnelle. La clé est que chaque élément d'information, comme la notion d'une voiture, ou sa marque, son modèle ou sa couleur, ou tout cela ensemble, est représenté comme une seule entité : un vecteur hyperdimensionnel.

Un vecteur est simplement un tableau ordonné de nombres. Un vecteur 3D, par exemple, comprend trois nombres : les coordonnées x , y et z d'un point dans l'espace 3D. Un vecteur hyperdimensionnel, ou hypervecteur, pourrait être un tableau de 10 000 nombres, par exemple, représentant un point dans un espace à 10 000 dimensions. Ces objets mathématiques et l'algèbre pour les manipuler sont suffisamment flexibles et puissants pour amener l'informatique moderne au-delà de certaines de ses limites actuelles et favoriser une nouvelle approche de l'intelligence artificielle.

"C'est ce qui m'a le plus enthousiasmé, pratiquement de toute ma carrière", a déclaré Olshausen. Pour lui et pour beaucoup d'autres, l'informatique hyperdimensionnelle promet un nouveau monde dans lequel l'informatique est efficace et robuste, et les décisions prises par les machines sont entièrement transparentes.

Entrez dans les espaces de grande dimension

Pour comprendre comment les hypervecteurs rendent le calcul possible, revenons aux images avec des cercles rouges et des carrés bleus. Nous avons d'abord besoin de vecteurs pour représenter les variables SHAPE et COLOR. Ensuite, nous avons également besoin de vecteurs pour les valeurs pouvant être affectées aux variables : CERCLE, CARRÉ, BLEU et ROUGE.

Les vecteurs doivent être distincts. Cette distinction peut être quantifiée par une propriété appelée orthogonalité, ce qui signifie être à angle droit. Dans l'espace 3D, il existe trois vecteurs orthogonaux entre eux : un dans la direction x , un autre dans la direction y et un troisième dans la direction z . Dans un espace à 10 000 dimensions, il existe 10 000 vecteurs mutuellement orthogonaux.

Mais si nous permettons aux vecteurs d'être presque orthogonaux, le nombre de ces vecteurs distincts dans un espace de grande dimension explose. Dans un espace à 10 000 dimensions, il existe des millions de vecteurs presque orthogonaux.

Créons maintenant des vecteurs distincts pour représenter FORME, COULEUR, CERCLE, CARRÉ, BLEU et ROUGE. Parce qu'il y a tellement de vecteurs presque orthogonaux possibles dans un espace de grande dimension, vous pouvez simplement assigner six vecteurs aléatoires pour représenter les six éléments ; ils sont presque garantis d'être presque orthogonaux. "La facilité de créer des vecteurs presque orthogonaux est une raison majeure d'utiliser la représentation hyperdimensionnelle", a écrit Pentti Kanerva , chercheur au Redwood Center for Theoretical Neuroscience de l'Université de Californie à Berkeley, dans un article influent de 2009.

L'article s'appuyait sur des travaux effectués au milieu des années 1990 par Kanerva et Tony Plate, alors étudiant au doctorat avec Geoff Hinton à l'Université de Toronto. Les deux ont développé indépendamment l'algèbre pour manipuler les hypervecteurs et ont fait allusion à son utilité pour le calcul en haute dimension.

Étant donné nos hypervecteurs pour les formes et les couleurs, le système développé par Kanerva et Plate nous montre comment les manipuler à l'aide de certaines opérations mathématiques. Ces actions correspondent à des manières de manipuler symboliquement des concepts.

La première opération est la multiplication. C'est une façon de combiner les idées. Par exemple, multiplier le vecteur FORME par le vecteur CERCLE lie les deux en une représentation de l'idée "LA FORME est CERCLE". Ce nouveau vecteur "lié" est presque orthogonal à la fois à SHAPE et à CIRCLE. Et les composants individuels sont récupérables - une caractéristique importante si vous souhaitez extraire des informations à partir de vecteurs liés. Étant donné un vecteur lié qui représente votre Volkswagen, vous pouvez dissocier et récupérer le vecteur pour sa couleur : VIOLET.

La deuxième opération, l'addition, crée un nouveau vecteur qui représente ce qu'on appelle une superposition de concepts. Par exemple, vous pouvez prendre deux vecteurs liés, "SHAPE is CIRCLE" et "COLOR is RED", et les additionner pour créer un vecteur qui représente une forme circulaire de couleur rouge. Là encore, le vecteur superposé peut être décomposé en ses constituants.

La troisième opération est la permutation ; cela implique de réorganiser les éléments individuels des vecteurs. Par exemple, si vous avez un vecteur tridimensionnel avec des valeurs étiquetées x , y et z , la permutation peut déplacer la valeur de x vers y , y vers z et z vers x. "La permutation vous permet de construire une structure", a déclaré Kanerva. "Ça permet de gérer des séquences, des choses qui se succèdent." Considérons deux événements, représentés par les hypervecteurs A et B. Nous pouvons les superposer en un seul vecteur, mais cela détruirait les informations sur l'ordre des événements. La combinaison de l'addition et de la permutation préserve l'ordre ; les événements peuvent être récupérés dans l'ordre en inversant les opérations.

Ensemble, ces trois opérations se sont avérées suffisantes pour créer une algèbre formelle d'hypervecteurs permettant un raisonnement symbolique. Mais de nombreux chercheurs ont été lents à saisir le potentiel de l'informatique hyperdimensionnelle, y compris Olshausen. "Cela n'a tout simplement pas été pris en compte", a-t-il déclaré.

Exploiter le pouvoir

En 2015, un étudiant d'Olshausen nommé Eric Weiss a démontré un aspect des capacités uniques de l'informatique hyperdimensionnelle. Weiss a compris comment représenter une image complexe comme un seul vecteur hyperdimensionnel contenant des informations sur tous les objets de l'image, y compris leurs propriétés, telles que les couleurs, les positions et les tailles.

"Je suis pratiquement tombé de ma chaise", a déclaré Olshausen. "Tout d'un coup, l'ampoule s'est allumée."

Bientôt, d'autres équipes ont commencé à développer des algorithmes hyperdimensionnels pour reproduire des tâches simples que les réseaux de neurones profonds avaient commencé à effectuer environ deux décennies auparavant, comme la classification d'images.

Considérons un ensemble de données annotées composé d'images de chiffres manuscrits. Un algorithme analyse les caractéristiques de chaque image en utilisant un schéma prédéterminé. Il crée ensuite un hypervecteur pour chaque image. Ensuite, l'algorithme ajoute les hypervecteurs pour toutes les images de zéro pour créer un hypervecteur pour l'idée de zéro. Il fait ensuite la même chose pour tous les chiffres, créant 10 hypervecteurs "de classe", un pour chaque chiffre.

Maintenant, l'algorithme reçoit une image non étiquetée. Il crée un hypervecteur pour cette nouvelle image, puis compare l'hypervecteur aux hypervecteurs de classe stockés. Cette comparaison détermine le chiffre auquel la nouvelle image ressemble le plus.

Pourtant, ce n'est que le début. Les points forts de l'informatique hyperdimensionnelle résident dans la capacité de composer et de décomposer des hypervecteurs pour le raisonnement. La dernière démonstration en date a eu lieu en mars, lorsqu'Abbas Rahimi et ses collègues d'IBM Research à Zurich ont utilisé l'informatique hyperdimensionnelle avec des réseaux de neurones pour résoudre un problème classique de raisonnement visuel abstrait - un défi important pour les RNA typiques, et même certains humains. Connu sous le nom de matrices progressives de Raven, le problème présente des images d'objets géométriques dans, disons, une grille 3 par 3. Une position dans la grille est vide. Le sujet doit choisir, parmi un ensemble d'images candidates, l'image qui correspond le mieux au blanc.

"Nous avons dit:" C'est vraiment ... l'exemple qui tue pour le raisonnement abstrait visuel, allons-y "", a déclaré Rahimi.

Pour résoudre le problème à l'aide de l'informatique hyperdimensionnelle, l'équipe a d'abord créé un dictionnaire d'hypervecteurs pour représenter les objets dans chaque image ; chaque hypervecteur du dictionnaire représente un objet et une combinaison de ses attributs. L'équipe a ensuite formé un réseau de neurones pour examiner une image et générer un hypervecteur bipolaire - un élément peut être +1 ou -1 - aussi proche que possible d'une superposition d'hypervecteurs dans le dictionnaire ; l'hypervecteur généré contient donc des informations sur tous les objets et leurs attributs dans l'image. "Vous guidez le réseau de neurones vers un espace conceptuel significatif", a déclaré Rahimi.

Une fois que le réseau a généré des hypervecteurs pour chacune des images de contexte et pour chaque candidat pour l'emplacement vide, un autre algorithme analyse les hypervecteurs pour créer des distributions de probabilité pour le nombre d'objets dans chaque image, leur taille et d'autres caractéristiques. Ces distributions de probabilité, qui parlent des caractéristiques probables à la fois du contexte et des images candidates, peuvent être transformées en hypervecteurs, permettant l'utilisation de l'algèbre pour prédire l'image candidate la plus susceptible de remplir l'emplacement vacant.

Leur approche était précise à près de 88 % sur un ensemble de problèmes, tandis que les solutions de réseau neuronal uniquement étaient précises à moins de 61 %. L'équipe a également montré que, pour les grilles 3 par 3, leur système était presque 250 fois plus rapide qu'une méthode traditionnelle qui utilise des règles de logique symbolique pour raisonner, car cette méthode doit parcourir un énorme livre de règles pour déterminer la bonne prochaine étape.

Un début prometteur

Non seulement l'informatique hyperdimensionnelle nous donne le pouvoir de résoudre symboliquement des problèmes, mais elle résout également certains problèmes épineux de l'informatique traditionnelle. Les performances des ordinateurs d'aujourd'hui se dégradent rapidement si les erreurs causées, par exemple, par un retournement de bit aléatoire (un 0 devient 1 ou vice versa) ne peuvent pas être corrigées par des mécanismes de correction d'erreurs intégrés. De plus, ces mécanismes de correction d'erreurs peuvent imposer une pénalité sur les performances allant jusqu'à 25 %, a déclaré Xun Jiao , informaticien à l'Université de Villanova.

Le calcul hyperdimensionnel tolère mieux les erreurs, car même si un hypervecteur subit un nombre important de retournements de bits aléatoires, il reste proche du vecteur d'origine. Cela implique que tout raisonnement utilisant ces vecteurs n'est pas significativement impacté face aux erreurs. L'équipe de Jiao a montré que ces systèmes sont au moins 10 fois plus tolérants aux pannes matérielles que les ANN traditionnels, qui sont eux-mêmes des ordres de grandeur plus résistants que les architectures informatiques traditionnelles. "Nous pouvons tirer parti de toute [cette] résilience pour concevoir du matériel efficace", a déclaré Jiao.

Un autre avantage de l'informatique hyperdimensionnelle est la transparence : l'algèbre vous indique clairement pourquoi le système a choisi la réponse qu'il a choisie. Il n'en va pas de même pour les réseaux de neurones traditionnels. Olshausen, Rahimi et d'autres développent des systèmes hybrides dans lesquels les réseaux de neurones cartographient les éléments du monde physique en hypervecteurs, puis l'algèbre hyperdimensionnelle prend le relais. "Des choses comme le raisonnement analogique vous tombent dessus", a déclaré Olshausen. "C'est ce que nous devrions attendre de tout système d'IA. Nous devrions pouvoir le comprendre comme nous comprenons un avion ou un téléviseur.

Tous ces avantages par rapport à l'informatique traditionnelle suggèrent que l'informatique hyperdimensionnelle est bien adaptée à une nouvelle génération de matériel extrêmement robuste et à faible consommation d'énergie. Il est également compatible avec les "systèmes informatiques en mémoire", qui effectuent le calcul sur le même matériel qui stocke les données (contrairement aux ordinateurs von Neumann existants qui transfèrent inefficacement les données entre la mémoire et l'unité centrale de traitement). Certains de ces nouveaux appareils peuvent être analogiques, fonctionnant à très basse tension, ce qui les rend économes en énergie mais également sujets aux bruits aléatoires. Pour l'informatique de von Neumann, ce caractère aléatoire est "le mur que vous ne pouvez pas franchir", a déclaré Olshausen. Mais avec l'informatique hyperdimensionnelle, "vous pouvez simplement percer".

Malgré ces avantages, l'informatique hyperdimensionnelle en est encore à ses balbutiements. "Il y a un vrai potentiel ici", a déclaré Fermüller. Mais elle souligne qu'il doit encore être testé contre des problèmes du monde réel et à des échelles plus grandes, plus proches de la taille des réseaux de neurones modernes.

"Pour les problèmes à grande échelle, cela nécessite un matériel très efficace", a déclaré Rahimi. "Par exemple, comment [faites-vous] une recherche efficace sur plus d'un milliard d'articles ?"

Tout cela devrait venir avec le temps, a déclaré Kanerva. "Il y a d'autres secrets [que] les espaces de grande dimension détiennent", a-t-il déclaré. "Je vois cela comme le tout début du temps pour le calcul avec des vecteurs."

Auteur: Ananthaswamy Anil

Info: https://www.quantamagazine.org/ Mais 2023

[ machine learning ]