Deux coureurs sur la même piste. L'un part du milieu de la distance, l'autre de zéro. Qui est le plus rapide ? La réponse est évidente, mais en neurosciences, ce genre de subterfuge est longtemps passé inaperçu. Les réseaux de neurones imitant les connexions du vrai cerveau de la drosophile étaient considérés comme de meilleurs apprenants que les réseaux aléatoires. On les louait pour leur démarrage rapide et leur économie de temps.
Mais voilà que les coureurs ont été placés sur la même ligne. Les chercheurs ont pris la carte des connexions cérébrales de la drosophile et l'ont comparée à deux types de réseaux aléatoires : un réseau aléatoire simple et un autre plus astucieux, où chaque « neurone » possède autant de connexions que dans le vrai cerveau. Avec un contrôle faible — lorsque les deux réseaux partaient d'un état déjà entraîné et que le réseau aléatoire ne ressemblait qu'approximativement au cerveau en termes de nombres globaux — le schéma biologique gagnait. Il réduisait l'erreur plus rapidement, montrait une activité plus élevée et fonctionnait plus vite.
Lorsque les deux réseaux commençaient l'apprentissage à partir de zéro, l'avantage de vitesse disparaissait. Et lorsque le réseau aléatoire était remplacé par un réseau ayant la même distribution de connexions, l'avantage apparent d'activité s'évanouissait également. Cinq réseaux aléatoires différents avec conservation du nombre de connexions ont confirmé : aucune différence. On avait précédemment rapporté une supériorité de la topologie biologique, mais on voit maintenant que c'était une question de conditions expérimentales, et non du schéma lui-même.
Ainsi, le coureur avec un handicap fictif s'est révélé être un coureur ordinaire. Le schéma de connexions du cerveau de la mouche est peut-être bon pour la mouche, mais son avantage sur un réseau aléatoire dans les tâches d'apprentissage n'est pas encore prouvé. Un départ honnête a remis les choses à leur place.
tel que rédigé par les auteurs, en anglais arXiv:2604.04033
Connectome-constrained neural networks are often evaluated against sparse random controls and then interpreted as evidence that biological graph topology improves learning efficiency. We revisit that claim in a controlled flyvis-based study using a Drosophila connectome, a naive self-loop-matched random graph, and a degree-preserving rewired null. Under weak controls, in which both models were recovered from a connectome-trained checkpoint and the null matched only global graph counts, the connectome appeared substantially better in early loss, mean activity, and runtime. That picture changed under stricter controls. Training both graphs from a shared random initialization removed the early loss advantage, and replacing the naive null by a degree-preserving null removed the apparent activity advantage. A five-sample degree-preserving ensemble and a pre-training activity-scale diagnostic further strengthened this revised interpretation. We also report a descriptive mechanism analysis of the earlier weak-control comparison, but we treat it as behavioral characterization rather than proof of causal superiority. We show that previously reported topology advantages in connectome-constrained neural networks can arise from initialization and null-model confounds, and largely disappear under fair from-scratch initialization and degree-preserving controls.
La drosophile possède environ 130 000 neurones, et la carte de leurs connexions — le connectome — occupe des gigaoctets de données.