Fiche Scientifique : Blob IQ

Présentation du système

Blob IQ est un environnement de simulation neuronale avancée, intégrant :

  • Un réseau multicouche avec LSTM (mémoire longue durée)

  • Un moteur de perception en raycasting directionnel

  • Une boucle d’apprentissage complète avec replay, rétropropagation, et entraînement supervisé par l’humain

  • Une évolution neuronale progressive basée sur le principe du NEAT (NeuroEvolution of Augmenting Topologies)

Le tout est implémenté en C# dans Unity 6, en s’appuyant sur le Job System, Burst Compiler et DOTS/ECS pour une scalabilité maximale.

Structure neuronale de base

Type de coucheTaille standardFonction
Entrée34 neuronesDonnées de perception, énergie, position, etc.
Hidden Layer 164 neuronesTransformation non-linéaire principale
Hidden Layer 249 neuronesPréparation au LSTM
LSTM48 unitésMémoire temporelle interne
Sortie3 neuronesRotation, Vitesse, Saut

Remarque : cette structure peut évoluer par mutation contrôlée via le moteur NEAT à chaque reproduction.

Processus d’apprentissage

1. Collecte sensorielle

  • Raycasts dans 6 directions (avant ×3, gauche, droite, arrière)

  • Analyse en temps réel des distances et types d’obstacles

  • Données encodées sous forme de vecteurs normalisés

  • Injectées directement dans le réseau neuronal LSTM

2. Prise de décision

  • Prédiction des actions par le réseau LSTM

  • Sorties : rotation, vitesse, intention de saut

  • Exécution via le moteur physique (BlobMovement.cs)

  • Comportement visible : déplacement, évitement, interaction

3. Feedback et optimisation

  • Récompenses et pénalités appliquées via BlobReward.cs

  • Gradients calculés par ComputeGradientsParallelJob

  • Mise à jour des poids via UpdateWeightsParallelJob

  • Mémoire quotidienne des actions et feedbacks (dailyMemory)

  • Prise en compte de la qualité des choix, pas juste du résultat

4. Repos et consolidation

  • Lors de la sieste ou du sommeil :

    • Lecture des souvenirs stockés

    • Rejeu des meilleures séquences avec variation

    • Simulation de “rêves neuronaux” (mélange, remix, renforcement)

  • Apprentissage renforcé avec décroissance ou boost pondéré

5. Transmission génétique (à venir dans une phase multi-Blob)

  • Croisement des poids et/ou structures (NEAT-like crossover)

  • Héritage des caractéristiques performantes

  • Mutations adaptatives contrôlées (variabilité utile)

  • Évolution vers une génération de Blobs plus intelligents

 

Un système d’apprentissage inspiré par OpenAI & DeepMind

Dans Blob IQ, nous avons conçu une IA qui apprend à survivre, s’adapter et progresser, en s’inspirant directement des recherches les plus avancées en apprentissage par renforcement, comme celles menées par OpenAI dans leur publication « Learning from Human Feedback ».

Notre système respecte les fondements du RLHF (Reinforcement Learning with Human Feedback) :

PrincipeApplication dans Blob IQ
✅ Apprentissage contextuelLe Blob apprend ce qui est mieux que l’alternative, pas ce qui est simplement « bon » ou « mauvais ».
✅ Punitions modéréesLes erreurs sont corrigées sans figer le comportement : pas de blocage, mais une redirection.
✅ Exploration guidéeL’IA teste des comportements variés grâce à un système de variation contrôlée.
✅ Récompenses immédiates et consolidéesLes bons choix sont renforcés immédiatement, puis consolidés pendant le sommeil et les rêves du Blob.
✅ Neutralité privilégiée au hasardLe système favorise les choix modérés à l’aléatoire ou aux actions hasardeuses

Une architecture d’apprentissage avancée

Notre système intègre également des techniques clés issues des grands laboratoires IA :

TechniquePrésente dans Blob IQ
Reward Shaping (récompenses décomposées)✅ Oui – chaque action est évaluée en sous-comportements (évitement, vitesse, saut, etc.)
Entropy Regularization✅ Partiellement – grâce à l’ajout de variation dans les sorties et les souvenirs remixés pendant les rêves
Feedback humain-like✅ Oui – avec des dialogues, emojis, et expressions visuelles du Blob pour simuler un retour subjectif
Mémoire pondérée✅ Oui – les expériences les plus significatives sont triées, rejouées et renforcées pendant le sommeil

Références scientifiques utilisées

Objectifs pédagogiques et scientifiques

  • Montrer une implémentation fonctionnelle de réseau neuronal dans un moteur 3D temps réel

  • Permettre l’observation de l’émergence comportementale via apprentissage

  • Proposer un environnement où l’utilisateur devient entraîneur d’intelligence

  • Offrir une base concrète de recherche expérimentale sur la transmission, l’évolution et l’optimisation de structures neuronales

Contacts et accès

Retour en haut
Aller au contenu principal