Unifying spatial and episodic representations in the hippocampus through flexible memory use

Ce papier propose un modèle computationnel démontrant que la fonction principale de l'hippocampe est le stockage et la récupération de mémoires épisodiques, les représentations spatiales n'étant qu'une émergence de cette capacité à apprendre des variables pertinentes pour la tâche.

L'essentiel

🧠 Le Grand Mystère de l'Hippocampe : Une Mémoire de Voyageur ou de Bibliothécaire ?

Imaginez que votre cerveau possède un petit quartier spécial, l'hippocampe. Pendant des décennies, les scientifiques se sont disputés pour savoir à quoi il servait vraiment.

• L'école du "GPS" : Chez les animaux comme les rats, on a découvert que cet endroit fonctionne comme un GPS. Il contient des "cellules de lieu" qui disent : "Je suis ici, dans le couloir". On pensait donc que sa fonction principale était de nous aider à ne pas nous perdre.
• L'école du "Journaliste" : Chez l'humain, ce même endroit est crucial pour la mémoire épisodique (se souvenir de ce que vous avez mangé hier soir, de votre premier baiser, etc.).

La question était : Est-ce que l'hippocampe est un GPS qui a appris à raconter des histoires, ou un journaliste qui utilise parfois des cartes pour se repérer ?

🚀 La Révolution : Un Modèle Informatique "Apprenti"

Les auteurs de cette étude ont créé un robot virtuel (un modèle informatique) pour trancher le débat. Ce robot n'a pas reçu d'instructions précises. On lui a juste donné deux choses :

1. Un cerveau artificiel capable d'apprendre.
2. Une mémoire à long terme (comme un grand cahier vierge) où il peut écrire et relire des choses.

Le but ? Lui faire réussir des tâches sans lui dire comment utiliser sa mémoire.

🎮 Les Jeux du Robot

Le robot a dû jouer à deux types de jeux :

1. Le Jeu de Mémoire (Le Bibliothécaire) : On lui montre une image (un chiffre ou une lettre), puis on lui demande de la retrouver plus tard.

   • Ce qu'il a fait : Il a appris à ranger les images dans son cahier. Il a développé des "cellules de concept" : des neurones qui s'activent uniquement pour le chiffre "7" ou la lettre "A", un peu comme si vous aviez un neurone qui ne s'allume que quand vous voyez votre meilleur ami.

2. Le Jeu de Navigation (Le Voyageur) : Le robot doit trouver un trésor caché dans un labyrinthe, puis y retourner.

   • Ce qu'il a fait : Sans qu'on lui dise de faire un "GPS", il a spontanément développé des cartes mentales. Il a appris à calculer des distances et des angles, exactement comme le font les rats dans la nature.

💡 La Grande Découverte : La Mémoire Crée la Carte

C'est ici que la magie opère. Le robot n'avait pas de "module GPS" préfabriqué. Il a découvert tout seul que pour réussir à se souvenir de l'emplacement du trésor, il était très utile de créer une représentation spatiale.

• L'analogie du carnet de notes : Imaginez que vous devez vous souvenir d'un rendez-vous. Pour ne pas l'oublier, vous écrivez : "Je suis allé au café, à gauche de la banque, sous un arbre bleu". En écrivant cette histoire (mémoire), vous créez involontairement une carte mentale de l'endroit (espace).
• La conclusion : L'hippocampe n'est pas d'abord un GPS. C'est d'abord une machine à souvenirs. Si l'animal (ou le robot) a besoin de se repérer dans l'espace pour survivre ou réussir une tâche, l'hippocampe va inventer des cartes spatiales parce que c'est le moyen le plus efficace de stocker ces souvenirs.

🏷️ Les "Codes-Barres" et les "Barres de Choc"

L'étude va encore plus loin en expliquant des phénomènes bizarres observés chez les animaux :

• Les Codes-Barres (Barcodes) : Quand un oiseau cache une graine, ses neurones s'activent d'une façon très spécifique, comme un code-barres unique pour cet événement précis. Même si l'endroit est le même, le "code" change selon que l'oiseau cache ou récupère la graine.

  • Notre robot l'a fait aussi ! Il a appris à mélanger l'information "où je suis" avec l'information "ce que je fais". Résultat : une étiquette unique pour chaque moment unique.

• Les Cellules de Vecteur (Le Radar) : Chez les chauves-souris, certains neurones indiquent non seulement où l'animal est, mais aussi la direction et la distance du but (comme un radar).

  • Notre robot l'a fait aussi ! En utilisant sa mémoire, il a appris à faire des calculs géométriques complexes pour savoir : "Le but est à 3 mètres devant moi".

🌍 En Résumé : L'Hippocampe est un Caméléon

Cette recherche nous dit que l'hippocampe est un outil flexible.

• Si vous lui demandez de se souvenir d'une histoire, il devient un conteur.
• Si vous lui demandez de trouver un chemin, il devient un cartographe.
• Si vous lui demandez de mémoriser un événement précis, il devient un caméraman qui filme des détails uniques.

La leçon principale : L'espace n'est pas spécial pour le cerveau. L'espace n'est qu'un type de souvenir parmi d'autres. L'hippocampe est simplement une machine à apprendre qui s'adapte à tout ce dont vous avez besoin pour réussir votre journée. Si vous avez besoin de vous souvenir de l'endroit où vous avez mis vos clés, il créera une carte. Si vous avez besoin de vous souvenir de la chanson que vous chantiez, il créera une mélodie.

C'est la mémoire qui est le chef, et l'espace n'est qu'un de ses nombreux assistants.

Résumé technique

1. Problématique et Contexte

Un débat majeur en neurosciences concerne la fonction principale de l'hippocampe. D'un côté, les découvertes chez l'homme (comme le patient H.M.) suggèrent un rôle central dans la mémoire épisodique. De l'autre, les études chez les rongeurs ont mis en évidence des représentations spatiales dominantes (cellules de lieu, cellules de direction, cellules de grille), menant à la théorie de la « carte cognitive ».

La question centrale est : l'hippocampe est-il principalement un système spatial ou un système de mémoire ? Les modèles existants tentent souvent de réconcilier ces deux vues soit en considérant l'espace comme un échafaudage pour la mémoire, soit en postulant un mécanisme commun (comme la machine Tolman-Eichenbaum). Cependant, peu de modèles computationnels parviennent à unifier ces deux aspects sans présumer de la nature des représentations à l'avance.

Hypothèse de l'article : Les auteurs proposent que la fonction primaire de l'hippocampe est le stockage et la récupération de mémoires épisodiques. Les représentations spatiales émergeraient alors comme une conséquence de cette fonction de mémoire lorsqu'elle est appliquée à des tâches de navigation, plutôt que d'être une fonction intrinsèque et exclusive.

2. Méthodologie

Pour tester cette hypothèse, les auteurs ont développé un modèle computationnel basé sur l'architecture Fast Weight Memory (FWM), un type de réseau de neurones augmenté par la mémoire (MANN).

• Architecture du modèle :

  • Entrée : Images (grises ou RVB) prétraitées par un CNN.
  • Contrôleur : Un réseau LSTM (Long Short-Term Memory) qui agit comme un contrôleur de mémoire, apprenant lentement via la rétropropagation.
  • Mémoire à Long Terme (LTM) : Une matrice de poids rapides (FWM) qui se met à jour instantanément à chaque pas de temps via une règle d'apprentissage de type Hebbien (règle delta).
  • Mécanisme de lecture/écriture : Le modèle génère dynamiquement quatre composantes clés : la force d'écriture ($\beta_t$), la clé d'écriture ($k_t$), la valeur d'écriture ($v_t$) et la clé de lecture ($q_t$).
  • Apprentissage : Le modèle n'a pas de stratégie prédéfinie pour utiliser la mémoire. Il apprend de manière autonome quoi et quand écrire ou lire pour optimiser la performance de la tâche (supervisée pour la mémoire, par renforcement pour la navigation).

• Tâches évaluées :

  1. Tâches de mémoire pure :
     • Mémoire auto-associative : Reconstruire une image à partir d'un indice de la même classe.
     • Mémoire hétéro-associative : Prédire l'élément suivant d'une séquence mémorisée.
  2. Tâches de navigation spatiale :
     • Guidance : Trouver un objectif invisible basé sur des indices distaux, puis y retourner.
     • Morphing de labyrinthe : Navigation dans des environnements déformés (carré vers cercle) pour étudier la dynamique des attracteurs.
     • Tâche de cache (Barcodes) : Navigation où l'agent cache et récupère de la nourriture, simulant l'expérience des mésanges (Chettih et al., 2024).
     • Navigation en espace continu : Pour tester l'invariance directionnelle des champs de lieu.

3. Contributions Clés et Résultats

A. Unification des Mémoires Auto et Hétéro-associatives

Le modèle réussit à résoudre les deux types de tâches de mémoire en adaptant dynamiquement ses stratégies d'encodage.

• Représentations catégorielles : Dans la tâche auto-associative, le modèle apprend à séparer les représentations : les clés ($k_t$) deviennent sélectives aux classes d'images (similaires aux « cellules de concept » chez l'homme), tandis que les valeurs ($v_t$) contiennent les détails sensoriels.
• Généralisation : Le modèle généralise à des classes d'images non vues lors de l'entraînement, démontrant une capacité d'abstraction.

B. Dynamique des Attracteurs et Morphing

Le modèle reproduit les résultats expérimentaux controversés sur la transition entre les représentations dans des environnements morphés (carré vs cercle).

• Selon les conditions d'entraînement (single-location vs double-location), le modèle développe soit des transitions graduelles, soit des changements abrupts (remapping) dans les représentations spatiales.
• Conclusion : Ces dynamiques d'attracteurs n'ont pas besoin d'un réseau attracteur préconçu ; elles émergent de l'adaptation aux exigences de la tâche (nécessité de distinguer les environnements).

C. Émergence des « Barcodes » et Codes Spatiaux

En simulant la tâche de cache des oiseaux, le modèle reproduit la découverte récente de « barcodes » neuronaux dans l'hippocampe (CA1).

• Le modèle génère simultanément un code de lieu lisse (position de l'agent) et des barcodes discrets spécifiques aux événements (cache/récupération).
• Mécanisme : Les barcodes émergent de la combinaison mixte de plusieurs variables latentes (position de l'agent + position de l'objectif). Lorsque deux événements partagent plus de variables, leur corrélation neuronale est plus forte. Cela explique pourquoi les mêmes lieux peuvent avoir des représentations différentes selon le contexte de l'événement.

D. Calculs Géométriques et Cellules de Vecteur-But

Dans la tâche de navigation, le modèle effectue des calculs géométriques complexes via la récupération de mémoire.

• Les clés de lecture ($q_t$) et les valeurs de lecture ($m_t$) s'organisent dans un espace PCA de manière à encoder la position du but par rapport à l'agent (égocentrique).
• Le modèle reproduit les propriétés de tuning des cellules de vecteur-but observées chez les chauves-souris (tuning à la direction et à la distance du but), sans que ces cellules ne soient explicitement programmées pour cela. Elles émergent de la structure géométrique de la matrice de mémoire FWM.

E. Invariance Directionnelle et Contexte

L'étude montre que la modulation par la direction de la tête (HD) des champs de lieu dépend des contraintes comportementales.

• Dans un espace discret (grille), les champs de lieu tournent avec la direction.
• Dans un espace continu, certains neurones développent des champs de lieu stables (invariants à la direction), tandis que d'autres restent modulés. Cela suggère que la nature des représentations spatiales est hautement sensible aux contraintes de la tâche.

4. Signification et Conclusion

Thèse principale : L'hippocampe est un dispositif de mémoire flexible capable de représenter n'importe quelle variable pertinente pour la tâche, à condition que l'apprentissage soit réussi. L'espace n'est pas « spécial » pour l'hippocampe ; les représentations spatiales émergent simplement parce qu'elles sont utiles pour résoudre des tâches de navigation.

Implications :

1. Réconciliation des champs : Ce modèle unifie les vues « mémoire » et « espace » en montrant que les représentations spatiales sont un sous-ensemble des représentations de mémoire épisodique.
2. Plasticité fonctionnelle : La diversité des cellules hippocampiques (cellules de lieu, de grille, de concept, barcodes) résulte de l'adaptation computationnelle aux besoins spécifiques de l'environnement et de la tâche, plutôt que d'une spécialisation anatomique rigide.
3. Prédiction : Le modèle prédit que si une variable non spatiale devient critique pour la réussite d'une tâche, l'hippocampe finira par la représenter.

En résumé, cette étude démontre qu'une architecture de mémoire augmentée, apprenant de manière autonome à stocker et récupérer des informations, suffit à générer l'ensemble complexe des phénomènes observés dans l'hippocampe, des cellules de lieu aux barcodes d'événements, sans hypothèse a priori sur la nature spatiale de la mémoire.