TRIBE : modèle pour la neurobiologie in silico

TRIBE : un modèle fondamental basé sur les transformeurs pour la modélisation in silico de l’activité neuronale

L’équipe FAIR de Meta a présenté TRIBE — un modèle fondamental basé sur les transformeurs, conçu pour prédire les réponses neuronales à des stimuli visuels, auditifs et linguistiques. Entraîné sur de vastes jeux de données d’IRMf provenant de volontaires regardant des films ou écoutant des podcasts, TRIBE atteint une résolution spatiale 70 fois supérieure à celle des modèles antérieurs. Cette avancée permet désormais de mener des expériences neurobiologiques rigoureuses in silico, sans avoir recours à des séances d’imagerie répétées.

Le modèle construit un « jumeau numérique » de l’activité cérébrale, synchronisant en temps réel les entrées multimodales le long des voies ventrales de traitement visuel et auditif. Son architecture fondée sur les transformeurs — similaire à celle des grands modèles de langage comme GPT-4 — gère des scénarios complexes du monde réel avec une fidélité sans précédent.

Avantages par rapport aux approches traditionnelles

Les modèles d’IA conventionnels en neurosciences sont étroits : ils s’entraînent sur de petits jeux de données spécifiques à une tâche — par exemple, la classification des types de neurones. En tant que modèle fondamental, TRIBE généralise efficacement à travers une grande diversité de stimuli :

• Multimodalité : traitement simultané de la vision, du son et du langage.
• Adaptation à zéro tirage : prédiction des réponses neuronales à des langues jamais vues auparavant — sans aucun ajustement fin.
• Résolution haute fidélité : gain de résolution de 70× permettant une modélisation précise des motifs neuronaux — des chuchotements aux décharges synchrones, des scènes statiques aux objets en mouvement rapide.

TRIBE surpasse ses prédécesseurs tant en rapidité qu’en polyvalence, réduisant drastiquement la dépendance aux données spécifiques à chaque sujet.

Applications dans les expériences virtuelles

TRIBE accélère la découverte scientifique en remplaçant les séances d’IRMf physiques par des milliers de simulations haute fidélité. À l’instar des modèles CFD en aérodynamique, les neuroscientifiques peuvent désormais tester des hypothèses sur les réponses cérébrales aux stimuli et identifier précisément les perturbations des voies de signalisation.

Principales applications :

• Développement de nouvelles interfaces cerveau-machine (ICM) grâce à la prédiction dynamique du traitement sensoriel.
• Analyse des troubles neurologiques — notamment l’aphasie et les déficits d’intégration sensorielle.
• Tests d’hypothèses à grande échelle, sans contraintes éthiques ni coûts élevés liés à la rareté et au prix des ressources d’IRMf.

Cela ouvre la voie à la décryption de l’architecture neuronale de la pensée humaine.

Spécifications techniques et disponibilité

Le modèle est open source : TRIBE v2 inclut le code complet, les poids pré-entraînés et une démonstration interactive. L’entraînement sur des jeux de données multimodales garantit sa robustesse à travers les langues et les sujets individuels. La résolution améliorée révèle des motifs neuronaux subtils, jusque-là inaccessibles.

Points clés :

• Amélioration de 70× de la résolution spatiale par rapport aux modèles de pointe actuels.
• Prédictions à zéro tirage pour de nouvelles langues et nouveaux individus — aucun ajustement fin requis.
• Un jumeau numérique du cerveau évolutif, permettant des milliers d’expériences virtuelles à partir d’une seule acquisition IRMf.
• Synchronisation pilotée par transformeur des flux de traitement visuel et auditif.
• Mise à disposition publique pour la communauté mondiale de recherche — avec une forte insistance sur un déploiement responsable et éthique.

Perspectives futures

TRIBE marque un tournant décisif vers la neurosciences in silico, où la simulation remplace les expérimentations en laboratoire invasives ou gourmandes en ressources. Pour les développeurs d’interfaces cerveau-machine et de neurotechnologies, il constitue une plateforme de prototypage indépendante du matériel. Les versions futures étendront davantage la multimodalité — intégrant la proprioception et les signaux moteurs afin de construire des modèles cognitifs plus riches et incarnés.

— Editorial Team