Inférence Active : Une Théorie de Processus

Cet article décrit une théorie de processus basée sur l'inférence active et la propagation de croyances. Partant du postulat que tout traitement neuronal (et sélection d'action) peut être expliqué par la maximisation de la preuve du modèle bayésien - ou la minimisation de l'énergie libre variationnelle - nous nous demandons si les réponses neuronales peuvent être décrites comme une descente de gradient sur l'énergie libre variationnelle. En utilisant un modèle génératif standard (processus de décision de Markov), nous dérivons la dynamique neuronale implicite dans cette description et reproduisons une remarquable gamme de phénomènes neuronaux bien caractérisés. Celles-ci incluent la suppression de répétition, la négativité de décalage, les réponses de violation, l'activité des cellules de lieu, la précession de phase, les séquences thêta, le couplage thêta-gamma, l'accumulation de preuves, la dynamique de course vers la limite et le transfert des réponses de dopamine. En outre, le comportement (approximativement optimal de Bayes) prescrit par ces dynamiques possède un certain degré de validité de surface, fournissant une explication formelle de la recherche de récompense, de l'apprentissage contextuel et de la recherche épistémique. Techniquement, le fait qu'une descente de gradient semble être une description valide de l'activité neuronale signifie que l'énergie libre variationnelle est une fonction de Lyapunov pour la dynamique neuronale, qui se conforme donc au principe d'action minimale de Hamilton.