Calcul dynamique rapidement reconfigurable dans les réseaux neuronaux avec connectivité synaptique fixe

L'apprentissage et la mémoire dans le néocortex du cerveau ont longtemps été hypothétisés comme étant principalement médiés par la plasticité synaptique. De nombreuses recherches sur les réseaux neuronaux artificiels ont montré que former des réseaux en ajustant les poids de connexion rencontre des défis computationnels, y compris de vastes espaces de paramètres et la tendance de nouvel apprentissage à interférer avec l'apprentissage précédent (oubli catastrophique). Nous proposons que le cerveau, qui est résistant à ces défis, peut également apprendre en modulant l'excitabilité de chaque neurone dans un réseau plutôt qu'en changeant les forces synaptiques. Nous montrons ici que l'apprentissage d'un ensemble spécifique de courants de biais permet à un réseau feedforward ou récurrent avec des connexions fixes et assignées aléatoirement de bien performer et de passer d'une tâche à l'autre, y compris la régression, la classification, la génération autonome de séries temporelles, un jeu et le contrôle robotique. L'apprentissage par biais uniquement fournit également une nouvelle explication mécaniste pour le dérive représentationnelle. Il relie directement la robustesse au bruit des représentations neuronales à court et à long terme à la capacité des circuits neuronaux à préserver l'information apprise tout en restant adaptables. Nous postulons que des structures sous-corticales, telles que les noyaux de la base ou le cervelet, peuvent fournir des entrées de biais similaires au néocortex pour un apprentissage rapide des tâches et une robustesse contre l'interférence.