Inférence probabiliste et mémoire de travail dans des réseaux récurrents de neurones intègre-et-tire

• Auteur / Autrice : Martin Boerlin
• Direction : Sophie Denève
• Type : Thèse de doctorat
• Discipline(s) : Neurosciences computationnelles
• Date : Soutenance en 2011
• Etablissement(s) : Paris 6

Mots clés

Mots clés contrôlés

Mémoire de travail

Réseaux neuronaux (physiologie)

Mots clés libres

Inférence probabiliste

Neurosciences computationnelles

Résumé

Des études comportementales ont démontré que les sujets humains sont capables de prendre des décisions optimales malgré l'incertitude inhérente aux tâches perceptives ou motrices. Une question clé en neurosciences est de comprendre comment des populations de neurones à impulsions peuvent mettre en œuvre de tels calculs probabilistes. Dans cette thèse, nous développons un cadre global pour l'intégration sensorielle optimale et la mémoire de travail probabiliste dans des réseaux récurrents de neurones intègre-et-tire. Ces réseaux peuvent combiner des signaux sensoriels de manière optimale, suivre l'état d'un stimulus dynamique dans le temps, et mémoriser cette information accumulée sur des périodes beaucoup plus longues que la constante de temps des neurones individuels. Surtout, nous proposons que les réponses neuronales pendant l’intégration d’information et la mémoire de travail représentent non seulement la valeur du stimulus la plus probable, mais une distribution de probabilité sur l'ensemble des valeurs possibles du stimulus. Dans notre modèle, les neurones sont des codeurs prédictifs qui génèrent des potentiels d’actions uniquement lorsqu'ils représentent de nouvelles informations pas encore signalées. Ceci constitue une différence importante avec les codes par taux de décharge, dans lesquels les potentiels d'action individuels sont considérés comme des échantillons aléatoires du taux de décharge sous-jacent. Dans le système de codage proposé, une multitude de motifs d’activités peut encoder les mêmes informations de manière fiable. Cette variabilité ne peut pas être assimilée à du bruit. Au contraire, elle est une conséquence directe de l'inférence optimale