Evidence for predictive computations in a brain hierarchy during a visual search task

En comparant des algorithmes de codage prédictif, de routage prédictif et d'autoencodeurs sur des données LFP issues d'une tâche de recherche visuelle, cette étude soutient un modèle hybride où le codage prédictif explique l'activité des couches profondes tandis que des mécanismes de suppression prédictive, alignés sur le routage prédictif, rendent compte de la dynamique des couches superficielles.

L'essentiel

🧠 Le Cerveau : Un Chef de Cuisine ou un Filtre Intelligent ?

Imaginez que votre cerveau est un grand restaurant très fréquenté. Des milliers de clients (vos yeux) envoient constamment des commandes (les images que vous voyez) à la cuisine. Si le chef (votre cerveau) devait cuisiner chaque plat à partir de zéro, en goûtant chaque ingrédient individuellement, il serait submergé et la cuisine s'effondrerait.

Pour éviter cela, le cerveau utilise des algorithmes (des recettes secrètes) pour trier l'information. Mais quelle est la vraie recette ? Les scientifiques se demandent depuis longtemps : le cerveau compare-t-il ce qu'il voit avec ce qu'il s'attend à voir (comme un chef qui vérifie la commande), ou utilise-t-il une autre méthode ?

Cette étude, menée par des chercheurs du MIT et d'autres universités, a décidé de tester trois "recettes" différentes en regardant directement dans le cerveau de singes pendant qu'ils jouaient à un jeu de recherche visuelle.

🕵️‍♂️ Les Trois Théories en Jeu

Les chercheurs ont comparé trois façons dont le cerveau pourrait traiter l'information :

1. Le "Code Prédictif" (Predictive Coding) : Le Chef Exigeant

   • L'analogie : Le chef a une idée précise de ce qu'il va recevoir. Il envoie un message en bas : "Je m'attends à recevoir des tomates". Si le livreur apporte des tomates, le chef dit "Rien à signaler, tout est normal". Mais si le livreur apporte des ananas, le chef crie : "ERREUR ! Ce n'est pas ce que je voulais !".
   • Le mécanisme : Le cerveau calcule constamment la différence entre ses attentes et la réalité. Seules les "erreurs" (les surprises) remontent pour être traitées. C'est comme si le cerveau ne regardait que les choses qui le surprennent.

2. Le "Routage Prédictif" (Predictive Routing) : Le Filtre Intelligent

   • L'analogie : Cette fois, le chef ne crie pas "Erreur !". Il dit simplement : "Je m'attends aux tomates". Il envoie un signal en bas pour bloquer les tomates. Si le livreur apporte des tomates, elles sont bloquées et ne remontent pas. Si le livreur apporte des ananas, le blocage ne fonctionne pas, et les ananas remontent librement.
   • Le mécanisme : Le cerveau ne calcule pas d'erreur mathématique. Il utilise simplement une "pression" venant du haut pour étouffer ce qui est prévisible. Ce qui passe, c'est ce qui n'a pas été bloqué.

3. Les "Autoencodeurs" (Autoencoders) : La Copie Simple

   • L'analogie : C'est comme un photocopieur. L'information arrive, est compressée pour être plus petite, puis renvoyée vers le haut sans aucun retour en arrière. Le chef ne vérifie rien, il ne bloque rien, il se contente de copier et de résumer l'information qui arrive.

🔬 L'Expérience : Regarder dans le Cerveau

Les chercheurs ont utilisé des électrodes très fines (comme des microphones) placées dans le cerveau de deux singes. Ces électrodes pouvaient écouter les conversations des neurones à différentes profondeurs :

• Les couches profondes (le sous-sol) : Où se trouvent les "chefs" qui envoient les prédictions.
• Les couches superficielles (l'étage) : Où arrivent les informations des yeux.

Les singes devaient trouver un objet spécifique parmi plusieurs autres (comme trouver un chat rouge parmi des chats bleus). Les chercheurs ont écouté les signaux électriques pendant ce jeu.

🏆 Le Résultat : La Vérité est un Hybride !

Après avoir analysé des milliers de signaux, les chercheurs ont découvert que le cerveau n'utilise pas une seule recette, mais un mélange intelligent des deux premières :

1. Dans les couches profondes (le chef) : Le cerveau fonctionne comme le Code Prédictif. Il a besoin d'échanger des messages complexes entre les différents niveaux (le sous-sol et l'étage) pour construire une image stable du monde. C'est ici que se crée la "représentation" de ce que l'on cherche.
2. Dans les couches superficielles (l'étage) : Le cerveau fonctionne comme le Routage Prédictif. Il n'a pas besoin de calculer d'erreurs mathématiques compliquées. Il suffit que les couches profondes "étouffent" (suppriment) les informations prévisibles. Ce qui reste, c'est l'information nouvelle et importante qui passe.

💡 Pourquoi c'est important ?

Imaginez que vous marchez dans une forêt.

• Si votre cerveau calculait une erreur à chaque fois qu'un oiseau chante (ce qui est prévisible), vous seriez épuisé.
• Grâce à ce système hybride, votre cerveau ignore le bruit de fond (les feuilles qui bougent, les oiseaux habituels) grâce au "Routage", mais il construit une carte mentale précise de l'environnement grâce au "Code Prédictif" dans les profondeurs.

En résumé :
Le cerveau est un chef génial qui utilise deux techniques : il prédit activement ce qui va arriver pour construire sa compréhension du monde (en profondeur), mais il filtre simplement ce qui est ennuyeux pour ne garder que le nouveau et l'important (en surface). Cela rend le cerveau à la fois très efficace et très économe en énergie !

Résumé technique

1. Problématique et Contexte

Le cortex cérébral fonctionne-t-il fondamentalement comme un système prédictif ? De nombreuses théories suggèrent que le cerveau compresse les entrées sensorielles à haute dimension en représentations de basse dimension pour générer des modèles internes de l'environnement. Ces modèles produisent des signaux descendants (top-down) qui filtrent les informations entrantes, priorisant les entrées imprévues (plus informatives).

Cependant, plusieurs cadres computationnels mutuellement compatibles tentent d'expliquer ces mécanismes, notamment :

• Le Codage Prédictif (Predictive Coding - PC) : Minimise les erreurs de prédiction en comparant les entrées sensorielles aux attentes descendantes. Il implique un calcul explicite d'erreur et une pondération de la précision.
• Le Routage Prédictif (Predictive Routing - PR) : Ne nécessite pas de calcul d'erreur explicite. Les signaux de prédiction suppriment les représentations neuronales des entrées attendues ; seules les informations non supprimées sont transmises.
• Les Autoencodeurs (Autoencoders - AE) : Propagent des états (représentations) vers le haut de la hiérarchie sans rétropropagation explicite d'erreurs, visant à reconstruire l'entrée.

Le défi majeur réside dans la capacité à distinguer empiriquement la contribution relative de ces algorithmes à l'aide de données neurophysiologiques réelles.

2. Méthodologie

Les auteurs ont développé une approche novatrice pour comparer directement ces trois algorithmes en utilisant des données de potentiels de champ local (LFP) enregistrées chez des macaques rhésus.

• Données expérimentales : Analyse de données LFP résolues par couches corticales (laminaires) enregistrées dans une hiérarchie visuelle de trois zones : V4 (aire inférieure), 7A (aire intermédiaire) et PFC (aire supérieure) lors d'une tâche de recherche visuelle.
• Modélisation unifiée (GLM) : Les auteurs ont reformulé les équations dynamiques des trois algorithmes (PC, PR, AE) sous une forme commune : un Modèle Linéaire Général (GLM), dérivé de champs neuronaux profonds (deep neural fields).
  • Le PC est modélisé avec des populations distinctes d'erreurs (superficielles) et d'états (profondes), incluant une pondération de la précision (precision-weighting).
  • Le PR utilise des populations d'états profondes qui inhibent l'activité des couches superficielles sans calcul d'erreur explicite.
  • L'AE propage les états de manière unidirectionnelle (feedforward) avec une architecture de goulot d'étranglement (bottleneck).
• Apprentissage de la connectivité : Les modèles ont été entraînés sur les données LFP pour apprendre les matrices de connectivité effective (poids synaptiques fonctionnels). Cette étape permet d'extraire les modes latents caractéristiques de chaque algorithme.
• Comparaison de modèles bayésienne : Une fois la connectivité apprise, les auteurs ont utilisé l'approximation de l'Énergie Libre (Free Energy) pour comparer la vraisemblance de chaque modèle face aux données observées. Cette métrique pénalise la complexité du modèle (principe du rasoir d'Occam).

3. Contributions Clés

• Cadre mathématique commun : La traduction de théories neuroscientifiques distinctes (PC, PR, AE) en un formalisme GLM unique permet une comparaison directe et équitable, évitant les biais liés au nombre de paramètres ou à la structure du modèle.
• Distinction des dynamiques par couche : L'étude démontre que différents algorithmes peuvent coexister selon la profondeur corticale. Elle distingue spécifiquement les dynamiques des couches profondes (infragranulaires) de celles des couches superficielles (supragranulaires).
• Preuve de l'existence de "computation through dynamics" : L'article soutient l'idée que la dynamique cérébrale elle-même est le socle de l'implémentation algorithmique, reliant la biophysique (constantes de temps, couplages) aux théories computationnelles.

4. Résultats Principaux

L'analyse des données LFP a conduit à un résultat hybride, rejetant l'idée qu'un seul algorithme domine l'ensemble du cortex :

1. Couches profondes (État/Prédiction) :

   • La comparaison entre le modèle Codage Prédictif (PC) et l'Autoencodeur (AE) sur les données des couches profondes de l'aire 7A a montré une forte préférence pour le PC (Facteur de Bayes > 150).
   • Interprétation : La formation des représentations d'état dans les couches profondes nécessite un passage de message hiérarchique bidirectionnel (intégration des signaux descendants et ascendants), tel que le propose le Codage Prédictif.

2. Couches superficielles (Erreur/Signal Feedforward) :

   • La comparaison entre le PC (calcul d'erreur explicite) et le Routage Prédictif (PR) sur les données des couches superficielles a fortement favorisé le PR (Facteur de Bayes > 980).
   • Interprétation : L'activité des couches superficielles ne semble pas nécessiter un calcul explicite d'erreur. Elle s'explique mieux par un mécanisme de suppression prédictive : les signaux descendants des couches profondes inhibent les entrées sensorielles attendues, ne laissant passer que l'information non prédite.

3. Connectivité Effective :

   • Les matrices de connectivité apprises révèlent des motifs cohérents avec la neuroanatomie : inhibition réciproque dans les couches profondes et excitation locale dans les couches superficielles, mais avec des dynamiques temporelles et des dépendances inter-aires différentes selon l'algorithme.

5. Signification et Implications

• Synthèse des théories : Ce travail propose une résolution élégante au débat entre le Codage Prédictif et le Routage Prédictif. Il suggère que le cerveau n'adopte pas un seul algorithme rigide, mais une combinaison hybride : le Codage Prédictif régit la mise à jour des modèles internes dans les couches profondes, tandis que le Routage Prédictif (ou suppression prédictive) gère le filtrage efficace des signaux dans les couches superficielles.
• Validation empirique : Pour la première fois, des données électrophysiologiques résolues par couches soutiennent l'hypothèse que les erreurs de prédiction ne sont pas nécessairement calculées explicitement par des neurones spécialisés dans les couches superficielles, mais émergent d'une inhibition descendante.
• Impact sur l'IA : Ces résultats pourraient inspirer de nouvelles architectures de réseaux de neurones artificiels (comme les Transformers) qui intègrent des mécanismes de routage dynamique et de suppression prédictive, imitant plus fidèlement l'efficacité énergétique et computationnelle du cerveau biologique.

En conclusion, l'étude démontre que la hiérarchie cérébrale utilise des mécanismes computationnels distincts selon la profondeur corticale, combinant l'apprentissage de modèles hiérarchiques (PC) avec des mécanismes de filtrage dynamique (PR) pour optimiser le traitement de l'information visuelle.