# Au MIT, un réseau neuronal apprend à apprendre seul > Des chercheurs du MIT montrent qu’un réseau neuronal artificiel peut construire ses mécanismes d’apprentissage avec des règles simples inspirées du cerveau. Type : Actualité IA · Catégorie : Tendances · Publié le 2026-10-28 · Signal IA - Order & Chaos · Secteur : Santé Source : https://www.orderchaos.eu/signal-ia/actu/au-mit-un-reseau-neuronal-batit-seul-son-apprentissage Tags : réseaux neuronaux, apprentissage automatique, neurosciences, recherche, cerveau, inference --- ## En résumé - Des chercheurs du MIT ont développé un réseau neuronal qui organise lui-même ses mécanismes d’apprentissage. - Le modèle utilise des règles simples inspirées du principe selon lequel les neurones actifs ensemble renforcent leurs connexions. - Le réseau a reconnu des motifs et classé des images avec des performances similaires à celles de modèles utilisant la rétropropagation. **Le signal :** L’équipe du MIT a obtenu un réseau auto-organisé capable de reconnaître des motifs et de classer des images à un niveau similaire aux réseaux conçus par rétropropagation. **Des chercheurs du MIT** ont montré qu’un réseau neuronal artificiel pouvait construire sa propre mécanique d’apprentissage. L’étude paraît le 9 octobre 2026 dans la revue PNAS. Elle réunit Qianli Liao, Liu Ziyin et Yulu Gan, avec Tomaso Poggio et Mark Harnett. Le modèle commence par plusieurs couches d’unités semblables à des neurones, reliées aléatoirement. Ces unités appliquent des règles simples pour ajuster leurs connexions. Elles apprennent ensuite à reconnaître des motifs et à classer des images. Les chercheurs présentent cette organisation autonome comme un critère de plausibilité biologique. L’objectif consiste à mieux étudier les mécanismes d’apprentissage du cerveau, plutôt qu’à seulement maximiser les performances d’un système artificiel. **Le cerveau s’organise** sans architecte externe chargé de définir chaque connexion. Selon Qianli Liao, les ingénieurs conçoivent aujourd’hui les règles qui modifient les connexions d’un réseau pendant son entraînement. Cette méthode produit des systèmes efficaces pour reconnaître des images, traiter le langage ou écrire du code. Elle ne reproduit toutefois pas nécessairement les règles utilisées par le cerveau. Les règles biologiques pourraient varier selon les régions cérébrales. Elles pourraient aussi évoluer avec la maturation du cerveau. Leur compréhension intéresse les neuroscientifiques qui étudient le vieillissement et les maladies. Elle concerne également les interfaces cerveau-machine et les membres neuroprothétiques contrôlés par des patients paralysés. ## Le MIT teste l’auto-organisation neuronale **Des règles locales** structurent le modèle proposé par l’équipe du MIT. Chaque unité d’une même couche suit les mêmes instructions pour modifier ses connexions. Le réseau applique notamment le principe selon lequel des neurones activés ensemble renforcent leur liaison. Des motifs auto-assemblés émergent alors de ces interactions. Ces motifs deviennent des briques pour former des circuits capables de traiter l’information. Pendant l’apprentissage, ils se réorganisent en réponse aux erreurs du système. Cette optimisation ressemble à la descente de gradient, utilisée par la plupart des méthodes modernes d’[apprentissage automatique](/signal-ia/actu/apple-devoile-mvicad2-qui-aligne-les-signaux-cerebraux). Le modèle rapproche ainsi des règles locales inspirées des synapses d’une stratégie d’optimisation présente dans les réseaux artificiels actuels. **Les performances restent comparables** à celles de réseaux conçus pour apprendre avec la rétropropagation. Cette méthode ajuste progressivement les connexions à partir des erreurs calculées par le système. La plupart des systèmes d’IA modernes l’utilisent sous une forme ou une autre. Des neuroscientifiques jugent toutefois improbable que le cerveau emploie directement cette procédure. L’équipe a donc comparé son réseau auto-organisé à des réseaux entraînés avec cette approche. Le réseau proposé a obtenu un niveau similaire pour la reconnaissance de motifs et la classification d’images. Tomaso Poggio estime qu’un parallèle biologique à la rétropropagation pourrait rapprocher les mécanismes fondamentaux des réseaux artificiels et naturels. ## Les chercheurs relient cerveau et machines **La portée scientifique** concerne d’abord l’étude du cerveau, selon Qianli Liao. Il précise qu’un réseau auto-organisé n’apprend pas nécessairement comme un cerveau réel. Il constitue toutefois un premier cadre pour évaluer la plausibilité biologique d’un modèle. Cette approche déplace le critère d’évaluation. Les chercheurs ne regardent plus seulement la qualité des connexions finales. Ils examinent aussi la capacité du réseau à construire la mécanique qui modifie ces connexions. L’étude publiée dans [PNAS](https://www.pnas.org/doi/10.1073/pnas.2606245123) formalise cette proposition. Les travaux s’inscrivent dans les recherches du [McGovern Institute for Brain Research](https://mcgovern.mit.edu/) et du centre K. Lisa Yang ICoN du MIT.