Apprentissage profond (deep learning) dans le monde de la biologie

Les systèmes biologiques sont apparus sur Terre il y a environ 3,5 milliards d'années, avec les premières molécules réplicatives. Depuis, ils n'ont fait que s'étendre et se complexifier, avec l'explosion dite cambrienne (il y a entre 542 et 530 Ma). Sont alors apparus les grands embranchements de métazoaires ( pluricellulaires) avec une considérable diversification des espèces animales, végétales et bactériennes. Depuis Darwin, les scientifiques ne doutent plus que les espèces humaines successives, comme toutes les autres espèces vivantes, ont été les produits d'une telle évolution. Elle a résulté d'un phénomène générale, bien étudié depuis par les biologistes évolutionnaires, reposant sur le cycle mutation et sélection des plus aptes confrontés aux contraintes du milieu.

Les religions, encore aujourd'hui, continuent à affirmer que le mécanisme de la sélection darwinienne a été incapable d'orienter l'évolution dans un sens tel que la complexification et surtout l'adaptabilité croissante des espèces aient pu produire les espèces telles que nous les connaissons. Il a fallu qu'intervienne en permanence une volonté divine, extérieure au milieu biologique, pour obtenir ce résultat, dont l'homme est présenté comme le couronnement. Cette croyance n'est pas seulement partagée par les quelques 5 à 6 milliards d'humains sans formation scientifique se rattachant à diverses formes de religions, mais comme l'on sait par un certain nombre de scientifiques, les adeptes de l'hypothèse du Dessein Intelligent. Ceux-ci sont particulièrement nombreux aux Etats-Unis, profondément imprégnés par diverses croyances religieuses archaïques. Elles commencent à se répandre chez les musulmans s'intéressant à la science. Tout est dans le Coran. Tel est le propos que nous recueillons souvent ici.

Les biologistes évolutionnaires matérialistes (« naturalistes » selon le terme anglais courant) n'en persistent pas moins à expliquer l'évolution par la sélection darwinienne. Ils en apportent chaque jour de nouvelles preuves expérimentales. A ceux qui objectent le caractère apparemment dirigé de l'évolution, au profit des formes les plus adaptées, ils répondent que sur des milliards de mutations survenant au hasard, au sein de chaque espèce, pouvant produire des formes mal adaptées appelées à disparaître, finissent nécessairement par apparaître des formes mieux adaptées qui permettront à l'espèce de s'étendre et se perfectionner.

Cependant, depuis la généralisation du darwinisme, les évolutionnistes se sont demandé si, pour une raison entièrement naturelle restant à découvrir, l'évolution ne pouvait pas être orientée a priori dans un sens favorable à l'apparition d'espèces de plus en complexes, voire de plus en plus « intelligentes ». Tout se passerait alors comme si la vie elle-même s'organisait pour jouer le rôle attribuée à la divinité dans le Dessein Intelligent, poursuivre des finalités lui permettant de s'étendre sur Terre plus rapidement et de façon plus adaptative que résultant du seul hasard des mutations. Aucun mécanisme de cette sorte n'avait encore été démontré, mais cela n'empêchait pas les défenseurs d'une « évolution intelligente » naturelle d'en chercher de nouvelles preuves, explicables par des raisons entièrement matérielles. C'est ce que pensent aujourd'hui avoir réussi à faire deux scientifiques, un spécialiste des sciences computationnelles et un biologiste. (Voir ici Référence de l'article, dans Cell.com How Can Evolution Learn ? )

Le premier se nomme Richard Watson, professeur à l'University of Southampton School of Electronics and Computer Science et le second, Eörs Szathmàry, professeur de biologie à l'Université Eötvös Loránd de Budapest.

Ils s'appuient pour cela sur ce qu'ils savent des performances des systèmes d'intelligence artificielle (IA) dits « apprenant », reposant notamment sur les réseaux neuronaux, qui sont en train de conquérir le monde de l'IA et de la robotique évolutionnaire. Les logiciels de Deep learning (apprentissage profond), la programmation et l'apprentissage automatique, les réseaux neuronaux sont certes des créations produites pas des programmeurs. Elles visent à réaliser des fonctions déterminées et prévisibles. Les Google, Facebook, Caltech et autres leur prévoient actuellement de nombreuses applications avec les voitures sans conducteurs, la reconnaissance du langage et des images, etc.

Mais le dynamisme de ces logiciels est tel qu'ils paraissent pour certains spécialistes de l'IA, tels notre ami Alain Cardon, en train d'échapper à leurs concepteurs, civils ou militaires, et pouvoir se développer sous la forme de systèmes autonomes dotés de caractéristiques propres aux organismes biologiques, notamment l'aptitude à la mutation/sélection.

Le Deep learning dans l'évolution biologique

Cependant, si l'idée n'est pas nouvelle et fait le succès de nombreux ouvrages de science fiction, il reste à identifier de tels mécanismes, ou des mécanismes voisins, dans le monde biologique. Ceci non pas au niveau des organismes supérieurs dotés de cerveaux, capables en principe de se donner des objectifs et des méthodes leur permettant d'échapper au déterminisme biologique, mais à des niveaux beaucoup plus élémentaires. La démarche est d'ailleurs classique, nous dirions presque inévitable. Ce sont les innovations technologiques qui permettent ensuite d'identifier dans la nature. des mécanismes, sinon analogues du moins voisins et mettant en oeuvre les mêmes logiques. Par exemple le sonar militaire que l'on a « retrouvé » chez les chauves-souris, après l'avoir mis au point sans rien connaître des chauves-souris.

L'exemple du Deep learning a notamment été retenu par les auteurs. Ils montrent que la concurrence évolutive au niveau des individus (phénotypes) d'une espèce donnée n'a que des effets limités, car elle se borne à éliminer les individus les moins bien adaptés. Toute autre est la concurrence évolutive entre traits ou caractères de cette même espèce. Dans ce cas, elle a pour effet de contrôler la variabilité phénotypique.

La sélection naturelle peut alors faire apparaître des formes significatives d'apprentissage intelligent. Les systèmes biologiques évolutionnaires sur ce mode peuvent se comporter comme capables de résolutions de problème intelligentes. Apprenant globalement au niveau du système (et non du seul phénotype) ils peuvent s'instruire des expériences passées globales afin d'anticiper les futures évolutions nécessaires à l'adaptation face à un environnement lui-même évolutif. Ils se comportent comme un learning system artificiel.

Les auteurs concluent que les processus biologiques évolutionnaires sont équivalents, toutes choses égales d'ailleurs compte-tenu de supports différents, aux processus d'acquisition des connaissances dans les systèmes d'intelligences artificielle apprenante. Nous pouvons ici en déduire que si l'approche est fondée, ce qu'elle paraît bien être, il faudra l'étendre en recherchant dans les systèmes évolutionnaires biologiques d'autres équivalents, non des systèmes d'évolution artificielle intelligente tels qu'ils sont actuellement réalisés, mais de ceux qui ne manqueront pas d'apparaitre à l'avenir.

Comme quoi, en reprenant l'exemple de la chauve-souris, nous pouvons conclure que les technologies ne pourront jamais se perfectionner en imitant ce qu'elles croient voir dans la nature. Elles doivent suivre leurs voies propres de développement. Après coup seulement, les biologistes pourront constater qu'elles existaient déjà dans la nature. Avant cela, ils avaient le nez dessus, pour parler un peu rustiquement, mais ils ne voyaient rien. Regard non informé ne peut rien percevoir.

Images

* Deep Learning en IA. Exemple 1

* Deep Learning en IA. Exemple 2

* Deep learning biologique

Légende. The evolution of connections in a Recurrent Gene Regulation Network (GRN) shows associative learning behaviors. When a Hopfield network is trained on a set of patterns with Hebbian learning, it forms an associative memory of the patterns in the training set. When subsequently stimulated with random excitation patterns, the activation dynamics of the trained network will spontaneously recall the patterns from the training set or generate new patterns that are generalizations of the training patterns. (A–D) A GRN is evolved to produce first one phenotype (set of characteristics or traits — Charles Darwin in this example) and then another (Donald Hebb) in an alternating manner. The resulting phenotype is not merely an average of the two phenotypic patterns that were selected in the past. Rather, different embryonic phenotypes (e.g., random initial conditions C and D) developed into different adult phenotypes (with this evolved GRN) and match either A or B. These two phenotypes can be produced from genotypes (DNA sequences) that are a single mutation apart. In a separate experiment, selection iterates over a set of target phenotypes (E–H). In addition to developing phenotypes that match patterns selected in the past (e.g., I), this GRN also generalizes to produce new phenotypes that were not selected for in the past but belong to a structurally similar class, for example, by creating novel combinations of evolved modules (e.g., developmental attractors exist for a phenotype with all four “loops” (J). This demonstrates a capability for evolution to exhibit phenotypic novelty in exactly the same sense that learning neural networks can generalize from past experience. (credit : Richard A. Watson and Eörs Szathmáry/Trends in Ecology and Evolution)

Notes

1) Abstract de l'article  How Can Evolution Learn ? Accès payant

The theory of evolution links random variation and selection to incremental adaptation. In a different intellectual domain, learning theory links incremental adaptation (e.g., from positive and/or negative reinforcement) to intelligent behaviour. Specifically, learning theory explains how incremental adaptation can acquire knowledge from past experience and use it to direct future behaviours toward favourable outcomes. Until recently such cognitive learning seemed irrelevant to the ‘uninformed’ process of evolution. In our opinion, however, new results formally linking evolutionary processes to the principles of learning might provide solutions to several evolutionary puzzles – the evolution of evolvability, the evolution of ecological organisation, and evolutionary transitions in individuality. If so, the ability for evolution to learn might explain how it produces such apparently intelligent designs.

2) Sur le Deep learning ou « apprentissage profond », voir Wikipedia

Voir aussi un article très explicite du Monde