MesoCentre (2018/2026)

In the field of neuroscience, modeling has long made it possible to validate and predict theories of information processing in the neural networks that make up the brain. The recent emergence of solutions inherited from machine learning, in particular deep learning, has changed the field since 2012. One reason for the effectiveness of these methods is the amount of data analyzed but above all the ability to teach these algorithms on dedicated architectures, including graphics cards (GPUs). Indeed, this architecture allows an algorithm to be parallelized into a multitude of simple and independent subprograms that allow speed gains of around 6x to 10x to be achieved over traditional visual information processing architectures. We are now using these architectures excessively to test new image processing models - targeting applications in both neuroscience and machine learning.

• 🇫🇷 Dans le domaine des neurosciences, la modélisation a longtemps permis d’effectuer des validations et prédictions sur les théories du traitement de l’information dans les réseaux de neurones qui constitue le cerveau. L’émergence récente de solutions héritées de l’apprentissage machine, en particulier l’apprentissage profond (Deep Learning) est venu bouleverser le champ depuis 2012. Une raison de l’efficacité de ces méthodes est la quantité de données analysées mais surtout la capacité de faire apprendre ces algorithmes sur des architectures dédiées, notamment les cartes graphiques (GPU). En effet cette architecture permet de paralléliser un algorithme en une multitude de sous programmes simples et indépendants qui permettent d’atteindre des gains de vitesse de l’ordre de 6x à 10x sur des architectures classiques de traitement de l’information visuelle. Nous utilisons maintenant excessivement ces architectures pour tester de nouveaux modèles de traitement des images - en visant des applications aussi bien aux neurosciences qu’en apprentissage machine.