DeepSqueak : du deep learning pour écouter les rats

Les rats sont utilisés en laboratoires depuis des décennies, mais ce n’est que récemment qu’un des aspects de leur comportement social est enfin étudié. Les rats sont en effet bavards, mais leurs couinements sont le plus souvent émis dans la fréquence des ultrasons, inaudibles pour l’oreille humaine. Deux chercheurs de l’université de Washington ont eu l’idée de développer « DeepSqueak » un logiciel pour capturer, synthétiser et catégoriser les cris de ces rongeurs. A la clé, la possibilité d’ajouter des éléments contextuels sonores aux expériences menées avec des rats.

L’intérêt du deep learning dans l’expérimentation scientifique

 

Baptisé « DeepSqueak » (squeak ou couinement en anglais), ce logiciel utilise des algorithmes de deep learning (ou apprentissage profond, une forme d’intelligence artificielle issue du machine learning), pour traquer, comparer et analyses des tendances dans les vocalisations des rats. Grâce au deep learning ce type d’analyse auparavant impossible à cause de limites techniques et budgétaires est maintenant accessible aux chercheurs.

Le design de DeepSqueak a également été pensé pour le rendre facile d’utilisation à des non spécialistes. Le deep learning, par ses propriétés de biomimétisme, rend désormais possible les applications comme DeepSqueak qui font appel à des sens humains comme la vue et l’ouïe. Comparé à d’autres approches de Machine learning, le deep learning a généré moins de faux positifs, a permis de réduire le temps d’analyse, a permis la classification automatique des sons, et l’analyse de syntaxe, tout en laissant la possibilité aux scientifiques de monitorer et superviser les résultats.

DeepSqueak a été officiellement présenté au monde de la recherche au travers d’une publication dans le magazine scientifique Nature, dans la catégorie Neuropsychopharmacologie. Car de premières applications concrètes sont en cours dans l’étude de l’impact des drogues sur les comportements.

 

Une forme particulière de réseau de neurones

 

DeepSqueak utilise Faster-RCNN, une architecture de réseau de neurones à convolution (CNN  pour Convolutional Neural Networks) inspiré par le cortex visuel des animaux. Le « R » nous vient de « région » pour Algorithme de région avec des réseaux de neurones convolutionnels. Pour de l’analyse automatique d’image par exemple, R-CNN peut détecter des objets en segmentant l’image d’entrée pour trouver des zones délimitantes pertinentes, puis fait tourner un algorithme de détection pour trouver les objets les plus probables d’apparaître dans ces zones délimitantes. Faster-RCNN permet de dépasser les limites de CNN, traditionnellement lent et couteux en terme de temps de calcul.

 

Lire l’article

En complément, un article de Sciences et Avenir détaillant les résultats de DeepSqueak.