II.2.Les neurosciences computationnelles

L’ambition des neurosciences computationnelles est de pouvoir simuler les réseaux de neurones biologiques par le biais des machines et comprendre ainsi les mécanismes neuronaux, qui permettent de transformer l’activité des neurones en fonction corticale de haut niveau. Les modèles employés s’inspirent des détails anatomiques et physiologiques, ainsi que des données comportementales pour reproduire des expériences biologiques.

Les réseaux de neurones artificiels ont recours à la modélisation d’unités simples (les neurones artificiels) qui dupliquent les propriétés de leurs cousins biologiques. Ce champ de recherche se doit donc d’une part, d’extraire le maximum de paramètres pour caractériser le plus fidèlement les neurones et les canaux qui les relient (connexions et axones), et d’autre part, de comprendre les liens structurels et fonctionnels entre les divers réseaux de neurones.

La majorité des travaux en Intelligence Artificielle s’appuie sur des modèles symboliques de réseaux de neurones, obéissant à diverses règles d’apprentissage permettant l’ajustement du poids des connexions. De plus en plus, les neurosciences computationnelles utilisent des modèles en temps continu, qui représentent soit les variations du nombre moyen de décharge, soit l’évolution temporelle du potentiel de membrane (Grethe et Arbib, 2001).

Des structures cérébrales ont inspiré des modèles informatiques (Grethe et Arbib, 2001) :

• Interactions pariétal - aire prémotrice, pour le contrôle de la saisie (grasping) : Fondées sur des données empiriques et des observations d’expériences PET chez l’être humain.
• Les glandes de bases : Leurs rôles dans le contrôle des saccades et des bras, ainsi que pour le traitement séquentiel, et ses effets sur le comportement des sujets parkinsoniens.
• Cervelet : Conditionnement et coordination des capacités motrices.
• Hippocampe : Les recherches neurochimiques et neurophysiologiques sur la potentialisation à long terme (LTP) ont permis d’obtenir une simulation de la synapse (Liaw et Berger, 1996 ; 1998). Des relations entre l’hippocampe et de nombreuses autres régions du cerveau ont été mises à jour.
• Cortex préfrontal, connexions récurrentes cortico-corticales, synapses cortico-striatales : Ces structures constituent un modèle de Réseau Récurrent Temporel (TRN) construit pour apprendre des séquences sensori-motrices (Dominey, Arbib et Joseph, 1995). Ce réseau repose sur des données comportementales et des enregistrements neurophysiologiques chez le primate non-humain, qui suggèrent que le cortex préfrontal encode à la fois la position spatiale et l’ordre séquentiel des évènements. Il permet de traiter la structure temporelle, en se libérant de certaines contraintes liées à l’apprentissage chez ce type de réseau.

Nous venons de donner un aperçu des moyens de modèlisation des systèmes cérébrales dédiés au traitement temporel. Quel matériel ces réseaux peuvent-ils manipuler ?