Storing Infinite Dynamical Attractors in Nonreciprocal Associative Neural Networks

Le cerveau humain est un vaste réseau de milliards de cellules qui s'activent selon des motifs complexes, créant tout, d'un souvenir fugace à un battement de cœur régulier. Pendant des décennies, les scientifiques ont tenté de comprendre comment ces réseaux stockent l'information. Une idée classique suggère que le cerveau agit comme une bibliothèque, où des arrangements spécifiques de connexions détiennent des images ou des faits statiques, un peu comme une photographie sur une étagère. Cependant, l'activité cérébrale réelle est rarement immobile. Elle pulse avec des rythmes, des cycles et des fluctuations chaotiques qui transportent l'information au fil du temps. Comprendre comment un réseau peut conserver ces motifs mouvants et changeants — plutôt que de simples images figées — est resté un puzzle difficile. Si le cerveau doit fonctionner comme une machine dynamique, il doit être capable de stocker non seulement ce que les choses sont, mais aussi la manière dont elles changent.

Une équipe de chercheurs a maintenant développé un nouveau cadre mathématique pour expliquer comment un réseau d'unités simples peut stocker un grand nombre de ces motifs mouvants simultanément. Ils se sont concentrés sur un type de réseau où les connexions entre les unités ne sont pas parfaitement équilibrées ; le signal envoyé d'une unité à une autre n'est pas nécessairement renvoyé avec la même intensité. Ce manque de symétrie est courant dans les systèmes biologiques et permet la création de cycles et de rythmes. Les chercheurs se sont posé une question fondamentale : combien de motifs mouvants différents un tel réseau peut-il contenir avant de devenir trop confus pour se souvenir de l'un d'entre eux ? Leur réponse révèle que la clé pour stocker plus d'informations ne réside pas dans la complexité des motifs eux-mêmes, mais dans la diversité de leurs rythmes internes.

Pour explorer cela, les scientifiques ont construit un modèle théorique d'un réseau composé d'unités binaires qui basculent entre deux états. Ils ont programmé ce réseau pour stocker des séquences d'activité spécifiques, certaines se répétant en boucles et d'autres se comportant de manière chaotique et imprévisible. En utilisant des méthodes statistiques avancées, ils ont calculé les limites de la mémoire de ce réseau. Ils ont découvert que la capacité du réseau à rappeler ces motifs dépend fortement des propriétés mathématiques des connexions qui les encodent. Plus précisément, les chercheurs ont étudié les « eigenphases » (autophases) de ces connexions, que l'on peut concevoir comme la synchronisation ou la fréquence spécifique à laquelle chaque motif stocké souhaite osciller.

Lorsque les chercheurs ont programmé le réseau de sorte que tous les motifs stockés partagent exactement la même synchronisation, les résultats ont été décevants. Le réseau ne pouvait contenir qu'un très petit nombre de ces mémoires mouvantes avant que les signaux ne commencent à interférer les uns avec les autres. Dans ce scénario, les boucles de rétroaction internes du réseau travaillaient contre lui-même, créant une sorte de bruit qui étouffait les souvenirs. Cela était particulièrement vrai pour les motifs qui se déplaçaient en cycles ; le réseau peinait à les maintenir distincts, et la capacité de stockage s'effondrait bien en dessous de ce qui est possible pour des images statiques.

Cependant, l'histoire a radicalement changé lorsque les chercheurs ont introduit de la variété. Lorsqu'ils ont programmé le réseau de sorte que chaque motif stocké possède une synchronisation légèrement différente et aléatoire, les performances du réseau se sont considérablement améliorées. En répartissant les fréquences des motifs stockés, l'interférence destructrice qui avait tourmenté le système uniforme a disparu. Les différents rythmes ont essentiellement annulé le bruit qui perturbe habituellement la mémoire, permettant au réseau de fonctionner comme s'il s'agissait d'un système beaucoup plus simple. Dans ces simulations, le réseau pouvait stocker un nombre de motifs mouvants environ deux fois supérieur à la capacité des modèles classiques de mémoire statique. Plus la diversité des synchronisations des motifs stockés était grande, plus le réseau pouvait contenir d'informations.

Les chercheurs ont testé ces idées en exécutant des simulations informatiques détaillées du réseau, comparant leurs prédictions mathématiques au comportement réel du système simulé. Ils ont examiné des motifs qui se déplaçaient en boucles simples ainsi que ceux qui suivaient des chemins chaotiques et étranges. Dans chaque cas, la théorie correspondait parfaitement à la simulation. Ils ont confirmé que lorsque les motifs possédaient des synchronisations différentes, le réseau pouvait les récupérer avec une grande précision, même lorsque le nombre de motifs stockés était très élevé. Inversement, lorsque les synchronisations étaient trop similaires, le réseau échouait à récupérer les souvenirs. L'étude suggère que la capacité du cerveau à gérer plusieurs rythmes à la fois — comme les différentes ondes d'activité observées dans l'hippocampe et le cortex — pourrait être une caractéristique, et non un défaut. Au lieu de provoquer le chaos, avoir de nombreuses fréquences différentes permet au cerveau d'emballer plus d'informations dans le même espace en empêchant les signaux de se marcher sur les pieds.

Ce travail remet en question l'intuition selon laquelle la complexité mène toujours à l'instabilité. Dans de nombreux systèmes, ajouter plus de pièces mobiles rend l'ensemble plus susceptible de se briser. Ici, c'est le contraire qui est vrai : ajouter de la diversité aux rythmes des motifs stockés stabilise le système et augmente sa capacité. Ces conclusions offrent une nouvelle perspective sur la manière dont les circuits biologiques pourraient gérer simultanément de multiples modes oscillatoires. Cela suggère que la dispersion des fréquences à travers différents circuits neuronaux n'est pas seulement un sous-produit de leur activité, mais un mécanisme crucial qui permet au cerveau de stocker une vaste bibliothèque de mémoires dynamiques. La recherche fournit une explication mathématique claire de la raison pour laquelle un réseau d'unités simples et bruyantes peut devenir un système de mémoire puissant et à haute capacité, simplement en veillant à ce que ses motifs stockés ne marchent pas tous au même pas.