Synaptic Plasticity as a Function of the Temporal Derivative

Imaginez que votre cerveau soit une ville immense et bouillonnante de neurones, essayant constamment de comprendre comment apprendre et s'adapter. Pendant longtemps, les scientifiques se sont demandé : le cerveau utilise-t-il la même « formule magique » que notre intelligence artificielle (IA) la plus avancée pour apprendre ? Cette formule s'appelle la rétropropagation (backpropagation), et il s'agit essentiellement d'une manière de vérifier les erreurs et d'ajuster les connexions pour faire mieux la prochaine fois.

Ce document suggère que le cerveau pourrait avoir un raccourci ingénieux pour faire quelque chose de très similaire, en utilisant un concept appelé la dérivée temporelle. En langage clair, cela signifie simplement regarder la vitesse à laquelle les choses changent au fil du temps, plutôt que de regarder simplement si l'activité est forte ou intense à un instant T.

L'expérience : Une course contre la montre

Pour tester cela, les chercheurs ont mis en place une petite expérience dans une boîte de Petri en utilisant des coupes de tissu cérébral de souris. Ils voulaient voir si la direction du changement de l'activité cérébrale pouvait indiquer à une connexion si elle devait se renforcer ou s'affaiblir.

Considérez une fenêtre de 200 millisecondes (une fraction infime de seconde) comme un seul « battement de cœur » d'un cycle d'apprentissage. Ils ont divisé ce battement de cœur en deux moitiés : les 100 premières millisecondes et les 100 millisecondes suivantes.

Ils ont créé quatre scénarios en mélangeant deux éléments :

1. La vitesse à laquelle le neurone « émetteur » déchargeait (soit lentement à 25 battements par seconde, soit rapidement à 50 battements par seconde).
2. Le niveau d'excitation du neurone « récepteur » (soit un faible, soit un haut niveau de tension).

Ils ont testé chaque combinaison :

• Scénario A (L'ascension) : L'émetteur a commencé lentement puis a accéléré. Le récepteur était calme puis est devenu très excité. (Faible $\rightarrow$ Élevé)
• Scénario B (La descente) : L'émetteur a commencé rapidement puis a ralenti. Le récepteur était très excité puis s'est calmé. (Élevé $\rightarrow$ Faible)
• Scénario C (La ligne plate) : L'émetteur est resté à un rythme bas et constant tout au long du processus. (Stable Faible)
• Scénario D (Le plateau) : L'émetteur est resté à un rythme élevé et constant tout au long du processus. (Stable Élevé)

Les résultats : Tout est question de tendance

Voici ce qu'ils ont découvert, ce qui soutient l'idée que le cerveau suit la tendance de l'activité :

• L'ascension (Faible à Élevé) : Lorsque l'activité montait comme une fusée au décollage, la connexion entre les neurones devenait plus forte. En neurosciences, on appelle cela la LTP (Potentiation à Long Terme). C'est comme si le cerveau disait : « Hé, les choses deviennent plus intenses ! Renforçons ce chemin pour nous en souvenir. »
• La descente (Élevé à Faible) : Lorsque l'activité chutait comme une balle roulant en bas d'une colline, la connexion devenait plus faible. C'est la LTD (Dépression à Long Terme). Le cerveau dit essentiellement : « Les choses s'atténuent ; relâchons cette connexion. »
• Les lignes plates (Stable Faible ou Stable Élevé) : C'est la partie la plus intéressante. Même lorsque les neurones déchargeaient à un taux élevé et constant (Scénario D), rien ne changeait. La connexion restait exactement la même.

La grande conclusion

La leçon clé est que le cerveau ne se soucie pas seulement de combien d'activité se produit ; il se soucie de comment cette activité évolue.

Pensez à un bouton de volume sur une chaîne hi-fi :

• Si vous tournez le volume vers le haut lentement, le cerveau remarque le changement et renforce la connexion.
• Si vous tournez le volume vers le bas lentement, le cerveau affaiblit la connexion.
• Mais si vous laissez simplement le bouton de volume bloqué au Maximum sans bouger, le cerveau l'ignore. Aucun apprentissage ne se produit, même si la musique est forte.

Le document conclut que ce mécanisme simple — surveiller la tendance « vers le haut » ou « vers le bas » de l'activité — pourrait être la façon dont le cerveau approxime les calculs complexes utilisés par l'IA pour apprendre, le tout sans avoir besoin d'un ordinateur central pour calculer les erreurs. C'est un moyen local et automatique pour les neurones de savoir quand serrer leur prise et quand la lâcher.