Attractor dynamics underlie sequence working memory in data-constrained recurrent neural networks
En ajustant des réseaux de neurones récurrents de faible rang à des enregistrements multi-sessions de macaques, cette étude démontre que la mémoire de travail séquentielle repose sur des sous-espaces de codage spécifiques à la position où des dynamiques de type attracteur maintiennent des représentations persistantes d'items, tandis que l'activité évolue simultanément le long de dimensions temporelles distinctes.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Imaginez essayer de garder une courte séquence de chiffres à l'esprit assez longtemps pour composer un numéro de téléphone ou entrer un code. Cette prouesse mentale, connue sous le nom de mémoire de travail, nous permet de maintenir des informations actives pendant quelques secondes après la disparition du stimulus d'origine. Pendant des décennies, les scientifiques ont débattu de la manière dont le cerveau accomplit cela. Une théorie dominante suggérait que des groupes spécifiques de neurones continuent simplement de décharger de manière constante, comme une ampoule laissée allumée, pour maintenir l'information. Une autre théorie proposait que le cerveau utilise une séquence rapide et changeante de motifs d'activité, où un groupe de neurones déclenche le suivant dans une chaîne, créant une image globale stable bien que les parties individuelles soient en constante mutation. Résoudre ce débat est crucial car cela révèle le système d'exploitation fondamental du cerveau, déterminant si nos pensées sont maintenues en place par des ancres statiques ou par un fleuve d'activité en mouvement.
Une équipe de chercheurs de l'Université de Tübingen et du Centre d'IA de Tübingen a désormais étudié cette question en construisant un modèle informatique sophistiqué du cortex préfrontal du cerveau, la zone responsable de la pensée complexe et de la mémoire. Ils ont utilisé des données provenant de deux macaques effectuant une tâche de mémoire où ils devaient se souvenir d'une séquence de un à trois formes visuelles. Les singes avaient été entraînés à tirer un levier, regarder les formes apparaître dans un ordre spécifique, attendre une brève pause, puis toucher l'écran pour reproduire la séquence. Les chercheurs ont enregistré l'activité électrique de 2 488 neurones individuels à travers 30 sessions différentes pour voir exactement comment le cerveau gérait cette tâche.
Pour donner un sens à cette masse de données, les scientifiques ont créé un réseau de neurones récurrents « contraint par les données ». Il s'agit d'un type d'intelligence artificielle conçu pour imiter la façon dont les vrais neurones se connectent et déchargent. Contraiment aux modèles standards qui sont entraînés uniquement pour obtenir la bonne réponse, ce modèle a été forcé de reproduire les motifs réels et désordonnés de potentiels d'action observés dans le cerveau des singes. En ajustant le modèle aux données réelles, les chercheurs ont pu observer les dynamiques cachées qui se produisent entre les neurones, lesquelles sont impossibles à voir directement dans les enregistrements bruts. Le modèle a recréé avec succès les propriétés statistiques de l'activité cérébrale réelle, y compris la fréquence à laquelle les neurones déchargent et la façon dont ils s'influencent mutuellement, confirmant qu'il s'agissait d'une représentation fidèle du système biologique.
Lorsque les chercheurs ont analysé le fonctionnement interne de ce modèle, ils ont découvert une structure géométrique spécifique dans la manière dont l'information était stockée. L'activité cérébrale pour chaque élément de la séquence était organisée en zones distinctes et séparées au sein du réseau neuronal. Si le singe se souvenait d'une forme en première position de la séquence, l'activité se stabilisait dans une zone spécifique ; s'il s'agissait de la deuxième ou de la troisième forme, l'activité se stabilisait dans des zones différentes et non chevauchantes. Cela a confirmé des observations antérieures selon lesquelles le cerveau garde une trace de « ce que » est l'élément et de « où » il se situe dans la séquence en utilisant des zones spatiales séparées pour chaque position.
La question critique restait la suivante : que se passe-t-il à l'intérieur de ces zones pendant que le singe attend ? L'activité reste-t-elle parfaitement immobile, ou circule-t-elle ? Les chercheurs ont découvert que la réponse était une combinaison des deux. Bien que le motif global de l'activité soit resté suffisamment stable pour être décodé comme une mémoire spécifique, la dynamique sous-jacente n'était pas statique. Au lieu de cela, le modèle a révélé que la mémoire était maintenue au sein d'une « variété » (manifold) stable, une surface courbe dans l'espace mathématique du réseau. À l'intérieur de cette surface, l'activité se comportait comme une balle roulant dans une vallée et se stabilisant au fond. C'est ce qu'on appelle un état attracteur. Même si le cerveau traitait également le passage du temps avec d'autres signaux distincts, la mémoire réelle des formes était maintenue par ces états stables et autocorrecteurs.
Pour prouver que ces états étaient réellement stables et non de simples événements éphémères, les chercheurs ont réalisé une expérience virtuelle. Ils ont pris leur modèle entraîné et lui ont administré une petite secousse simulée, semblable à ce qui pourrait se passer si un scientifique utilisait la lumière pour stimuler brièvement un groupe de neurones dans un vrai singe. Ils ont découvert que si la secousse poussait l'activité légèrement hors de sa trajectoire, le système se ramenait naturellement vers l'état de mémoire correct, tout comme une balle dans une vallée roule de nouveau vers le fond. Cependant, s'ils poussaient l'activité dans une direction spécifique le long de la surface stable, la mémoire du modèle changeait de manière permanente vers une nouvelle valeur. Ce comportement est la marque distinctive d'un système attracteur : il résiste aux petites erreurs mais permet des changements contrôlés.
L'étude suggère que le cerveau ne repose pas sur un mécanisme unique pour la mémoire. Au lieu de cela, il utilise une stratégie hybride où des états attracteurs stables maintiennent le contenu spécifique de la mémoire, tandis que d'autres parties du réseau gèrent la chronologie et le flux de la séquence. Cette découverte remet en question l'idée selon laquelle la mémoire de travail serait un événement purement transitoire et changeant. Elle indique que pour qu'un cerveau puisse maintenir une séquence d'éléments, il doit posséder des ancres stables qui protègent l'information contre le bruit, même lorsque le temps s'écoule. Les chercheurs ont également noté que leur modèle prédit que si les scientifiques appliquaient une perturbation brève et ciblée au cerveau pendant la période de délai, ils pourraient modifier sélectivement la mémoire d'un des éléments de la séquence sans affecter les autres. Cela constitue une prédiction claire et testable pour de futures expériences afin de vérifier si cette structure d'attracteur existe dans le cerveau vivant.
En fin de compte, ce travail comble le fossé entre deux visions concurrentes de la mémoire. Il montre que le cerveau peut maintenir une représentation stable du passé sans exiger que chaque neurone décharge continuellement à un taux constant. En organisant la mémoire en zones spécifiques et stables qui se corrigent lorsqu'elles sont perturbées, le cerveau garantit que l'information dont nous avons besoin reste accessible et précise, même lorsque le monde qui nous entoure change. L'approche des chercheurs, consistant à construire des modèles étroitement contraints par des données biologiques réelles, offre une nouvelle façon puissante de comprendre les règles cachées qui régissent notre pensée et notre mémoire.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.