Enquêter sur le rôle des corrélations entre le bruit et l'apprentissage

Les cerveaux de mammifères représentent les informations à l'aide de codes de population distribués qui offrent un certain nombre d'avantages allant de la robustesse à une capacité de représentation élevée. Cependant, pour les neurones de lecture en aval, de tels codes posent de formidables problèmes d'apprentissage de grande dimension, car un très grand nombre de connexions synaptiques doivent être ajustées au cours de l'apprentissage à la recherche d'une lecture appropriée. Nos travaux théoriques récents ont émis l'hypothèse que ces problèmes d'apprentissage de grande dimension peuvent être simplifiés par des biais inductifs mis en œuvre via des corrélations de bruit indépendantes du stimulus qui expriment le degré de covariation d'une paire de neurones dans leurs fluctuations d'un essai à l'autre. Alors que les corrélations de bruit ont traditionnellement été considérées comme fournissant des contraintes sur la capacité de représentation, nos travaux récents démontrent qu'elles contraignent simultanément l'apprentissage par lecture. Dans certains cas biologiquement pertinents, ils pourraient théoriquement accélérer l’apprentissage en façonnant la géométrie de l’espace neuronal sous-jacent afin de concentrer le gradient d’apprentissage sur les dimensions pertinentes pour la tâche. Cependant, ce rôle hypothétique des corrélations de bruit dans l’apprentissage n’a pas encore été testé empiriquement. Ici, les enquêteurs élaborent un cadre expérimental pour tester le rôle prédit des corrélations de bruit, tel que mesuré par covariation dans les modèles d'activité BOLD multi-voxels IRMf pour un stimulus donné, sur l'apprentissage dans des contextes familiers et nouveaux. Dans des contextes familiers, des corrélations de bruit utiles peuvent être induites par des entrées descendantes du cortex préfrontal qui signalent les dimensions pertinentes de la tâche. Ainsi, la force des corrélations de bruit dans les dimensions pertinentes pour la tâche prédirait un apprentissage plus rapide des caractéristiques pertinentes pour la tâche. D’un autre côté, dans de nouveaux contextes où les dimensions pertinentes de la tâche sont inconnues, les corrélations de bruit peuvent imposer des gradients vers des dimensions non pertinentes pour la tâche et ainsi nuire à l’apprentissage. Par conséquent, la suppression des corrélations de bruit, qui pourrait être obtenue grâce à la signalisation neuromodulatrice, peut accélérer l'apprentissage en réduisant les biais au début de l'apprentissage ou après un changement dans le stimulus lié à la tâche. Dans le cadre de nos objectifs, les enquêteurs développent un plan pour tester les prédictions les plus élémentaires de notre modèle informatique en utilisant l'IRMf pour caractériser la géométrie des corrélations de bruit et de la pupillométrie comme proxy de la signalisation neuromodulatoire chez les sujets humains. Les recherches prévues fourniront le premier test empirique du rôle des corrélations de bruit dans l'apprentissage.