Dans la parabole des aveugles et de l'éléphant, plusieurs aveugles décrivent chacun une partie différente d'un éléphant qu'ils touchent – une défense tranchante, un tronc flexible ou une jambe large – et en désaccord sur la vraie nature de l'animal. L'histoire illustre le problème de la compréhension d'un objet invisible ou latent basé sur des perceptions individuelles incomplètes. De même, lorsque les chercheurs étudient la dynamique du cerveau basé sur des enregistrements d'un nombre limité de neurones, ils doivent déduire les modèles latents de la dynamique du cerveau qui génèrent ces enregistrements.
Supposons que vous et moi nous engageons tous les deux dans une tâche mentale, comme naviguer dans notre chemin vers le travail. Les signaux d'une petite fraction de neurones peuvent-ils nous dire que nous utilisons les mêmes stratégies mentales ou différentes pour résoudre la tâche? C'est une question fondamentale pour les neurosciences, car les expérimentateurs enregistrent souvent des données de nombreux animaux, mais nous avons des preuves limitées quant à savoir s'ils représentent une tâche donnée en utilisant les mêmes modèles de cerveau. «
Pierre Vandergheynst, chef du laboratoire de traitement du signal LTS2 à l'École d'ingénierie de l'EPFL
Vandergheynst et l'ancien postdoc Adam Gosztolai, maintenant professeur adjoint à l'Institut AI de l'Université médicale de Vienne, ont publié une approche géométrique en profondeur en Méthodes de nature Cela peut déduire les modèles d'activité cérébrale latente à travers des sujets expérimentaux. Le marbre (Mifold Representation Base Learning) y parvient en décomposant l'activité neuronale électrique en modèles dynamiques, ou motifs, qui sont apprenables par un réseau neuronal géométrique. Dans des expériences sur les enregistrements du cerveau macaques et rats, les scientifiques ont utilisé du marbre pour montrer que lorsque différents animaux ont utilisé la même stratégie mentale pour atteindre un bras ou naviguer dans un labyrinthe, leur dynamique cérébrale était composée des mêmes motifs.
Un filet de neurones géométriques pour les données dynamiques
L'apprentissage en profondeur traditionnel n'est pas adapté à la compréhension des systèmes dynamiques qui changent régulièrement en fonction du temps, comme le licenciement des neurones ou des fluides qui coulent. Ces modèles d'activité sont si complexes qu'ils sont mieux décrits comme des objets géométriques dans des espaces de grande dimension. Un exemple d'un tel objet est un tore, qui ressemble à un beignet.
Comme l'explique Gosztolai, le marbre est unique car il apprend de l'intérieur des espaces incurvés – des espaces mathématiques naturels pour des modèles complexes d'activité neuronale. « À l'intérieur des espaces incurvés, l'algorithme géométrique en profondeur ne sait pas que ces espaces sont incurvés. Ainsi, les motifs dynamiques qu'il apprend sont indépendants de la forme de l'espace, ce qui signifie qu'il peut découvrir les mêmes motifs à partir de différents enregistrements. »
L'équipe EPFL a testé le marbre sur les enregistrements du cortex pré-moteur des macaques lors d'une tâche à atteindre et de l'hippocampe de rats lors d'une tâche de navigation spatiale. Ils ont constaté que les représentations du marbre basées sur des enregistrements de population de neurons uniques étaient beaucoup plus interprétables que celles des autres méthodes d'apprentissage automatique, et que le marbre pouvait décoder l'activité cérébrale pour armer les mouvements avec une plus grande précision que les autres méthodes.
De plus, comme le marbre est ancré dans la théorie mathématique des formes de haute dimension, il a pu réparer indépendamment les enregistrements d'activités cérébrales de différentes conditions expérimentales dans une structure globale. Cela lui donne un avantage sur d'autres méthodes, qui doivent fonctionner avec une forme globale définie par l'utilisateur.
Interfaces de machine cérébrale et au-delà
En plus de faire avancer notre compréhension de la dynamique qui sous-tend les calculs et le comportement du cerveau, le marbre pourrait utiliser des données d'activité neuronale pour reconnaître les modèles dynamiques du cerveau lors de l'exécution de tâches spécifiques, comme l'atteindre, et les transformer en représentations décodables qui pourraient ensuite être utilisées pour déclencher un dispositif robotique d'assistance. Cependant, les chercheurs soulignent que le marbre est un outil puissant qui pourrait être appliqué dans des domaines scientifiques et des ensembles de données pour comparer les phénomènes dynamiques.
« La méthode du marbre vise principalement à aider les chercheurs en neurosciences à comprendre comment le cerveau se calcule entre les individus ou les conditions expérimentales, et à découvrir – quand ils existent – des modèles universels », explique Vandergheynst. « Mais sa base mathématique ne se limite en aucun cas aux signaux cérébraux, et nous nous attendons à ce que notre outil profite aux chercheurs dans d'autres domaines de la vie et des sciences physiques qui souhaitent analyser conjointement plusieurs ensembles de données. »
