Calcul en temps réel sans états stables : un nouveau cadre pour le calcul neuronal basé sur des perturbations

Un défi clé pour la modélisation neuronale est d'expliquer comment un flux continu d'entrées multimodales provenant d'un environnement en évolution rapide peut être traité par des circuits récurrents stéréotypés de neurones à intégration et déclenchement en temps réel. Nous proposons un nouveau modèle computationnel pour le calcul en temps réel sur des entrées variant dans le temps qui offre une alternative aux paradigmes basés sur les machines de Turing ou les réseaux neuronaux attracteurs. Il ne nécessite pas une construction dépendante de la tâche des circuits neuronaux. Au lieu de cela, il repose sur des principes de systèmes dynamiques de haute dimension combinés à la théorie de l'apprentissage statistique et peut être implémenté sur des circuits récurrents génériques évolués ou trouvés. Il est démontré que la dynamique transitoire inhérente du système dynamique de haute dimension formé par un circuit neuronal suffisamment grand et hétérogène peut servir de mémoire universelle analogique à déclin. Les neurones de lecture peuvent apprendre à extraire en temps réel, à partir de l'état actuel d'un tel circuit neuronal récurrent, des informations sur les entrées actuelles et passées qui peuvent être nécessaires pour diverses tâches. Des états internes stables ne sont pas requis pour fournir une sortie stable, puisque des états internes transitoires peuvent être transformés par les neurones de lecture en sorties cibles stables grâce à la haute dimensionnalité du système dynamique. Notre approche se base sur un modèle computationnel rigoureux, la machine à état liquide, qui, contrairement aux machines de Turing, ne nécessite pas de transitions séquentielles entre des états internes discrets bien définis. Elle est soutenue, tout comme la machine de Turing, par des résultats mathématiques rigoureux prédisant une puissance computationnelle universelle dans des conditions idéalisées, mais pour le scénario biologiquement plus réaliste du traitement en temps réel d'entrées variant dans le temps. Notre approche offre de nouvelles perspectives pour l'interprétation du codage neuronal, la conception d'expériences et l'analyse de données en neurophysiologie, ainsi que la résolution de problèmes en robotique et neurotechnologie.