|
Résumé :
Jusqu'à récemment, les neurosciences computationnelles ont été largement dominées par la conception selon laquelle les neurones codent l'information et communiquent entre eux par le biais de leur fréquence de décharge, l'occurrence d'un potentiel d'action étant la réalisation d'un processus aléatoire (poissonnien). Cette conception sous-tend la majorité des interprétations de résultats expérimentaux et des discussions théoriques. Les observations expérimentales de synchronisation neuronale à une échelle temporelle fine ainsi que l'émergence de techniques expérimentales adaptées (enregistrement multi-électrodes) sont à l'origine d'un renouveau du point de vue impulsionnel, selon lequel les neurones communiquent par le biais de trains de potentiels d'action dont la structure temporelle n'est pas négligeable.
Bien que le premier modèle impulsionnel ait été introduit il y a près d'un siècle, par Lapicque [127], ce type de modèle est moins bien compris que ses homologues fréquentiels, non seulement en raison d'un intérêt relativement récent, mais également par la nature originale des systèmes dynamiques impulsionnels. Dans le but de combler cette lacune, nous établissons d'abord un certain nombre de résultats généraux sur une classe étendue de modèles impulsionnels [32, 31], comprenant la majorité des modèles utilisés en simulation (notamment le modèle de Lapicque et les intègre-et-tire à conductances synaptiques). Ceux-ci nous permettent d'établir ensuite que, conformément aux observations in vitro [137], les modèles impulsionnels de la classe étudiée répondent de manière reproductible aux stimulations variables apériodiques [331. Cela signifie en particulier que deux neurones recevant la même entrée dynamique ont des réponses synchrones. Nous utilisons ce principe pour construire un modèle impulsionnel de sélectivité à l'orientation dans le cortex visuel primaire [34], que l'on pourrait baptiser perceptron impulsionnel : une architecture feedforward, celle initialement proposée par HubeI et Wiesel [102], et des modèles impulsionnels. Parce que le modèle détecte une propriété géométrique de l'image (l'invariance par translation dans une direction) plutôt que l'adéquation entre deux vecteurs (le vecteur-image et le vecteur de poids), il permet d'obtenir avec une architecture simple une invariance naturelle au contraste.
A travers ces travaux, nous montrons non seulement que la computation impulsionnelle est plausible, grâce à la propriété de fiabilité neuronale, mais également qu'elle peut apporter une réponse adéquate à des problèmes concrets de neurosciences computationnelles. Le perceptron impulsionnel ouvre la voie à de nouveaux développements théoriques dans la modélisation des modalités sensorielles.
|