IA de lecture cérébrale Crée de faux visages que vous trouverez attrayants

Imaginez si une future version pas trop lointaine de Tinder était capable de ramper dans votre cerveau et d'en extraire les fonctionnalités que vous trouvez les plus attrayantes. un partenaire potentiel, puis parcourez l'espace de recherche de recherche de romance pour rechercher le partenaire possédant le plus grand nombre de ces éléments physiques. les attributs.

Nous ne parlons pas seulement de qualités telles que la taille et la couleur des cheveux, mais d’une équation beaucoup plus complexe basée sur un ensemble de données sur toutes les personnes que vous avez déjà trouvées attirantes auparavant. De la même manière que le système de recommandation Spotify apprend les chansons que vous appréciez et en suggère ensuite d'autres qui correspondent à un profil similaire: basé sur des caractéristiques telles que la dansabilité, l'énergie, le tempo, le volume et la parole - cet algorithme hypothétique ferait de même pour les questions de cœur. Ou du moins les reins. Appelez cela du jumelage d’attractivité physique via l’IA.

Pour être clair, Tinder ne travaille pas – à ma connaissance – sur quoi que ce soit à distance comme celui-ci. Mais des chercheurs de l’Université d’Helsinki et de l’Université de Copenhague le sont. Et bien que cette description puisse ressembler en quelque sorte à une superficialité dystopique située à mi-chemin entre Miroir noir et Île d'amour, en réalité, leurs recherches sur la lecture cérébrale sont sacrément fascinantes.

Recherche dans l'espace du visage

Dans leur récente expérience, les chercheurs ont utilisé un réseau neuronal antagoniste génératif, formé sur une large base de données de 200 000 images de célébrités, pour imaginer une série de centaines de faux visages. C'étaient des visages présentant certaines des caractéristiques de certaines célébrités - une mâchoire forte ici, un des yeux bleus perçants – mais qui n'étaient pas immédiatement reconnaissables comme les célébrités de question.

Les images ont ensuite été rassemblées dans un diaporama présenté à 30 participants, équipés de casquettes d'électroencéphalographie (EEG) capables de lire leur activité cérébrale, via l'activité électrique de leur cuir chevelu. Il a été demandé à chaque participant de se demander s'il pensait que le visage qu'il regardait à l'écran était beau ou non. Chaque visage est apparu pendant une courte période, avant que l'image suivante n'apparaisse. Les participants n’avaient pas besoin de noter quoi que ce soit sur papier, d’appuyer sur un bouton ou de glisser vers la droite pour indiquer leur approbation. Il suffisait de se concentrer simplement sur ce qu’ils trouvaient attrayant.

"Nous avons montré une large sélection de ces visages aux participants et leur avons demandé de se concentrer de manière sélective sur les visages qu'ils trouvaient attrayants." Michiel Spapé, chercheur postdoctoral à l'Université d'Helsinki, a déclaré à Digital Trends. « En capturant les ondes cérébrales par EEG qui se produisaient juste après avoir vu un visage, nous avons estimé si un visage était perçu comme attrayant ou non. Ces informations ont ensuite été utilisées pour mener une recherche dans le modèle de réseau neuronal – un modèle à 512 dimensions. « espace-visage » – et trianguler un point qui correspondrait au point de vue d'un participant individuel. attractivité. »

La découverte des modèles de données cachés révélant des préférences pour certaines caractéristiques a été réalisée en utilisant l'apprentissage automatique pour sonder l'activité cérébrale électrique provoquée par chaque visage. D’une manière générale, plus un certain type d’activité cérébrale est détecté (plus d’informations à ce sujet en une seconde), plus les niveaux d’attraction sont élevés. Les participants n’ont pas eu besoin de souligner certaines fonctionnalités comme étant particulièrement attrayantes. Pour revenir à l'analogie avec Spotify, de la même manière que nous pourrions inconsciemment être attirés par des chansons avec une signature rythmique particulière, en mesurant l'activité cérébrale lors du visionnage. un grand nombre d'images, puis en laissant un algorithme déterminer ce qu'elles ont toutes en commun, l'IA peut distinguer des parties du visage dont nous ne réalisons peut-être même pas que nous sommes dessinés à. Dans ce contexte, l’apprentissage automatique s’apparente à un détective dont le travail consiste à relier les points.

Balayez le cerveau droit

« Il ne s’agit pas nécessairement d’une « activité cérébrale accrue », mais plutôt du fait que certaines images resynchronisent l’activité neuronale », précise Spapé. « Autrement dit, le cerveau vivant est toujours actif. L'EEG est assez différent de [l'imagerie par résonance magnétique fonctionnelle] dans le sens où nous ne savons pas vraiment d'où vient l'activité, mais seulement quand elle vient de quelque chose. Ce n’est que parce que de nombreux neurones se déclenchent en même temps, dans la même direction, que nous sommes capables de capter leur signature [électrique]. C’est donc la synchronisation et la désynchronisation que nous captons plutôt que « l’activité » en tant que telle.

Il a souligné que ce que l'équipe a pas La tâche consiste à trouver un moyen d'examiner des données cérébrales EEG aléatoires et de savoir immédiatement si une personne regarde quelqu'un qu'elle trouve attirant. "L'attraction est un sujet très complexe", a-t-il déclaré. Ailleurs, il a noté que « nous ne pouvons pas contrôler la pensée ».

Alors, comment exactement les chercheurs ont-ils réussi à réaliser cette expérience s’ils ne peuvent pas garantir que ce qu’ils mesurent est de l’attraction? La réponse est en fait qu'ils sont mesurer l’attraction. Dans ce scénario, du moins. Ce que les chercheurs constatent dans cette configuration expérimentale, c'est qu'environ 300 millisecondes après un Le participant voit une image attrayante, son cerveau s'illumine avec un signal électrique particulier appelé Vague P300. Une onde P300 ne signifie pas toujours une attraction, mais plutôt une reconnaissance de certains stimuli pertinents. Mais la nature de ces stimuli dépend de ce qu’on demande à la personne de rechercher. Dans d’autres scénarios, où l’on demande à une personne de se concentrer sur différentes caractéristiques, cela peut indiquer quelque chose de complètement différent. (Exemple: la réponse P300 est utilisée comme mesure dans les détecteurs de mensonges – et pas nécessairement pour déterminer si une personne dit la vérité sur son attirance pour une personne en particulier.)

NeuroTinder et au-delà

Dans cette étude, les chercheurs ont ensuite utilisé ces données d'attraction pour que le réseau adverse génératif génère de nouveaux visages personnalisés combinant les traits les plus stimulants pour le cerveau – un assemblage Frankenstein de traits du visage que les données cérébrales des participants avaient indiqué qu'ils trouvaient personnellement attractif.

"Bien que certains traits du visage semblent généralement préférés par les participants, comme certains Les visages générés dans nos expériences se ressemblent, le modèle capture vraiment les visages personnels. caractéristiques," Tuukka Ruotsalo, professeur agrégé à l'Université d'Helsinki, a déclaré à Digital Trends. « Il existe des différences dans toutes les images générées. Dans l’aspect le plus trivial, les participants ayant des préférences de genre différentes obtiennent des visages correspondant à ces préférences.

Générateur des gens attirants qui n'ont jamais existé est certainement une utilisation qui fait la une des journaux de cette technologie. Cependant, il pourrait également avoir d’autres applications plus significatives. L’interaction entre un réseau neuronal artificiel génératif et les réponses du cerveau humain pourrait également être utilisée pour tester les réponses humaines à différents phénomènes présents dans les données.

« Cela pourrait nous aider à comprendre le type de caractéristiques et leurs combinaisons qui répondent aux besoins cognitifs. fonctions, telles que les préjugés, les stéréotypes, mais aussi les préférences et les différences individuelles », a déclaré Ruotsalo.

Un article décrivant le travail a été récemment publié publié dans la revue IEEE Transactions in Affective Computing.

Recommandations des rédacteurs

• Comment l’IA Le cerveau des bourdons pourrait ouvrir la voie à une nouvelle ère pour la navigation
• La nouvelle IA alimentaire de Samsung peut suggérer des recettes en fonction de ce qu’il y a dans votre réfrigérateur
• Nouvelle IA en cardiologie sait si tu vas bientôt mourir. Les médecins ne peuvent pas expliquer comment ça marche
• Restez anonyme en ligne grâce à la technologie deepfake qui génère un tout nouveau visage pour vous
• Une nouvelle application intelligente d'apprentissage des langues vous permet de vous entraîner à parler avec une IA. tuteur