Le cerveau d'une mouche apprend à un robot à marcher express
La mouche à fruits, ou drosophile, est une créature minuscule avec un cerveau de la taille d'une graine de pavot. Il contient environ cent mille cellules nerveuses, et les scientifiques en ont déjà dressé une carte complète des connexions – comme un plan de métro urbain, où les stations sont les neurones et les lignes, les connexions entre eux. Ce schéma s'appelle le connectome.
Les chercheurs se sont demandé : peut-on utiliser ce schéma naturel tout prêt comme « cerveau » pour un modèle informatique de mouche ? Ils ont pris le connectome d'une drosophile adulte et l'ont transformé en programme de contrôle – un réseau de neurones avec la même structure de connexions. Ensuite, la mouche virtuelle a été placée dans un simulateur où elle devait apprendre à marcher, à tourner et à effectuer d'autres mouvements. L'apprentissage se faisait par essais et erreurs : pour chaque pas réussi, le programme recevait une récompense ; pour chaque chute, une pénalité.
Le résultat a surpris : la mouche avec son connectome « natif » apprenait plus vite et se déplaçait de manière plus stable que les modèles avec une structure aléatoire ou simplifiée. Elle avait besoin de moins de tentatives pour maîtriser un nouveau mouvement – un peu comme un danseur expérimenté apprend une nouvelle danse plus facilement qu'un débutant. De plus, ce modèle s'est avéré plus facile à analyser : on peut suivre comment les signaux vont des « yeux » aux « muscles » et quelles connexions sont les plus importantes.
Ces travaux constituent un pas vers la création de machines qui n'apprennent pas à partir de zéro, mais s'appuient sur des schémas éprouvés par l'évolution. Peut-être qu'à l'avenir, les robots auront un « cerveau » inspiré non pas par des algorithmes abstraits, mais par la biologie réelle – de la mouche à l'être humain.
Résumé original
tel que rédigé par les auteurs, en anglais arXiv:2602.17997
Animals perform coordinated whole-body movements under the control of neural systems shaped by brain-wide connectivity. The mapping of the whole-brain neural connections, or the connectomes, provides a natural graph for modeling sensorimotor information flow, yet its potential as a neural controller for embodied agents remains largely unexplored. Here, we introduce the Fly-connectomic Graph Model, which directly instantiates the whole-brain connectome of an adult Drosophila as a graph-structured neural controller for movements of a simulated biomechanical fruit fly via deep reinforcement learning. We achieve stable performance across diverse locomotion tasks, as well as better sample efficiency compared to both graph and non-graph baselines. Our results demonstrate a biologically informed way towards effective control policy design by translating whole-brain wiring principles into actionable architectural priors, while also improving the interpretability through dynamic information flow. This work also highlights the potential to bridge neuromechanics with embodied intelligence by providing a computational platform for investigating the sensorimotor transformation underlying animal behavior and a paradigm to advance the development of more nature-aligned intelligent systems.
Le cerveau de la drosophile contient environ 100 000 neurones, mais la mouche est capable de manœuvres complexes en vol, d'éviter les dangers et même d'apprendre.
L'idée d'utiliser un cerveau biologique comme schéma pour une machine rappelle le film « RoboCop », où un cerveau humain contrôlait le corps d'un robot.