Modélisation de la structure et dynamique corticale avec application en apprentissage machine

Abstract

L'objectif de ce projet de recherche est d'identifier les propriétés de la connectivité et de la dynamique du système visuel qui peuvent mener à des systèmes d'apprentissage machine stables et performants, lorsqu'implémentés par des méthodes de classification par réservoir de neurones à décharge. Un modèle complexe du système visuel est d'abord proposé selon des données anatomiques et neurophysiologiques tirées de la littérature. La qualité de la modélisation structurelle et l'impact computationnel des caractéristiques de modélisation considérées sont ensuite étudiés. Un mécanisme de régulation homéostatique du taux de décharge moyen et de la balance excitation-inhibition basé sur la plasticité synaptique dépendante du temps de décharge est aussi proposé. L'effet des caractéristiques de modélisation sur les performances de classification de bases de données synthétiques est finalement évalué, montrant l'interaction complexe de ces dernières sur la dynamique neuronale.

Le cerveau est un système biologique complexe avec de multiples caractéristiques structurelles (p. ex. neurones, synapses) et dynamiques (p. ex. décharges neuronales, plasticité synaptique). Il est encore aujourd’hui difficile de différentier les caractéristiques qui contribuent réellement à sa fonction du traitement de l’information sensorielle, comparativement aux caractéristiques qui soutiennent plutôt la régulation et le contrôle du métabolisme. Le but de cette thèse est d’identifier les caractéristiques de modélisation précises du système visuel dans le cerveau qui peuvent mener à des systèmes d’apprentissage machine bioinspirés stables et performants. Au niveau méthodologique, l’évaluation de l’impact des caractéristiques de modélisation structurelle sur la reproduction de la connectivité corticale est d’abord réalisée, suivie de l’impact computationnel des caractéristiques de modélisation dynamique. Pour assurer la stabilité de l’activité neuronale, un mécanisme de régulation homéostatique pour les synapses excitatrices et inhibitrices basé sur la plasticité dépendante du temps de décharge multiplicative est ensuite proposé. Finalement, l’application à une tâche de classification est réalisée en adaptant le modèle proposé en un système d’apprentissage machine basé sur un réservoir de neurones à décharge. Des bases de données synthétiques permettant de valider les performances de classification de façon objective pour différentes formes de représentation de l’information (spatiale, temporelle ou spatiotemporelle) sont aussi proposées. L’effet des caractéristiques de modélisation est finalement évalué par des analyses statistiques rigoureuses sur la performance de classification de ces bases de données. Les résultats montrent que certaines caractéristiques de modélisation structurelle, comme la considération de grappes synaptiques pour modéliser les projections apicales, affectent le nombre optimal de neurones et de synapses requis dans le modèle pour bien reproduire la connectivité corticale. Il est aussi observé que certaines caractéristiques de modélisation dynamique impliquent des facteurs computationnels limitants comme la génération de nombres aléatoires et l’évaluation de la fonction exponentielle. Au niveau applicatif, certaines caractéristiques ont montré un effet statistiquement significatif et bénéfique sur les performances de reconnaissance pour au moins une des bases de données. Il s’agit de la distribution réaliste des synapses, des contraintes synaptiques, du facteur pour le type d’interaction postsynaptique et du nombre variable de sites de libération. Certaines caractéristiques de modélisation comme la plasticité à court terme et la connectivité synaptique proximale et distale ont montré un effet significatif néfaste sur les performances de classification. Plusieurs caractéristiques de modélisation (p. ex. transmission probabiliste) n’ont aucun effet significatif, mais montrent plutôt que la méthode de classification par réservoir de neurones à décharge est robuste par rapport à la dynamique et à la variabilité introduite par ces dernières. En perspective, ceci permet de mieux comprendre l’impact et l’interaction des caractéristiques de modélisation sur la dynamique neuronale.