IA entraînée sur filtre anti-spam déchiffre les réponses neuronales de l'hydre en temps réel

Des chercheurs utilisent un algorithme ML (initialement pour filtre anti-spam) pour analyser le comportement de l'hydre.

Il analyse le comportement en temps réel et montre comment les neurones de l'hydre répondent à des environnements variables.

Application du modèle de classification « sac de mots » à la vidéo contenant toutes les activités de l'hydre.

Étudier le comportement animal

Nous étudions le comportement animal depuis des siècles : observations détaillées, attention minutieuse. Mais des techniques efficaces peuvent automatiser identification et classification.

Scientifiques de Columbia University ont démontré comment un algorithme anti-spam analyse le comportement animal. Pipeline d'analyse comportementale automatique apprenant à extraire (de vidéo) le répertoire comportemental complet de l'hydre.

Hydre : organisme d'eau douce à capacité régénérative — ne meurt pas de vieillesse. Pas de cerveau, mais centaines de neurones le long du corps transparent coordonnant multiples comportements.

Comportement prévisible. En comparant comportements et décharges neuronales, scientifiques comprennent comment système nerveux animaux complexes fonctionne.

IA utilisée pour examiner vers, mouches, mais première fois que ML décrit comportement d'un animal.

L'algorithme d'apprentissage automatique

Analyse comportement temps réel — aide chercheurs à observer si hydre apprend, et comment ses neurones répondent.

2017 : 4 types circuits neuronaux contrôlant 4 comportements flexion/élongation différents. Aide à comprendre comment système nerveux hydre contrôle comportement.

Maintenant : catalogage complet des comportements de l'hydre.

Application du modèle « bag-of-words » connu à la vidéo contenant toutes activités. Modèle de représentation simplifiée utilisé en recherche d'information et TAL. Identification méthodes non supervisées et comportements non annotés.

Neurones hydre montrés comme indicateur fluorescence verte.

Référence : eLifeSciences | doi:10.7554/eLife.32605.001 | Columbia University

Le modèle bag-of-words considère vidéos/images comme « sacs » de mots visuels : petits patches, forme et caractéristiques vidéo extraites de ces patches. Plus robuste contre orientation, occlusion, changement angle de vue.

Pour efficacité : intégré avec autres méthodes computationnelles — trajectoire dense (encode stats forme/mouvement), segmentation parties corporelles (info spatiale), vecteurs Fisher (représente mots visuels statistiquement).

L'algorithme parcourt heures de vidéo, détecte mouvements répétitifs, comme il examine fréquence mots dans texte pour détecter sujets et signaler email.

10 comportements précédemment rapportés identifiés avec succès. 6 de ces comportements évalués répondant à scénarios environnants variables. Résultat intéressant : comportement hydre à peine altéré. Lumière allumée/éteinte, nourrie ou non, elle répète la même chose.

Prochaines étapes

Expérimenter avec stimuli pour observer changements comportement hydre. But ultime : découvrir code neural révélant comment réseaux neuronaux hydre produisent comportement. Future : technique applicable à autres organismes évolués sur millénaires.

Apprentissages utiles pour autres branches ingénierie : contrôle précis et stabilité machines (avions, navires) naviguant environnements hostiles.