Émergence de structures computationnelles complexes à partir de réseaux neuronaux chaotiques par le biais de l'apprentissage hebbien modulé par la récompense

Cet article aborde la question de la manière dont des microcircuits neuronaux génériques dans différentes parties du cortex peuvent atteindre et maintenir différentes spécialisation computationnelles. Nous montrons que si les variations stochastiques dans la dynamique des microcircuits locaux sont corrélées avec des signaux liés à des améliorations fonctionnelles du cerveau (par exemple, dans le contrôle du comportement), l'opération computationnelle de ces microcircuits peut être optimisée pour des tâches spécifiques telles que la génération de signaux périodiques spécifiques et le routage d'informations dépendant de la tâche. De plus, nous montrons que la mémoire de travail peut émerger de manière autonome par le biais de l'apprentissage hebbien modulé par la récompense, si nécessaire pour des tâches spécifiques. Dans l'ensemble, nos résultats suggèrent que la plasticité synaptique modulée par la récompense peut non seulement optimiser les paramètres du réseau pour des tâches computationnelles spécifiques, mais aussi initier un réenroulement fonctionnel qui reprogramme les microcircuits, générant ainsi diverses fonctions computationnelles dans différents microcircuits corticals génériques. Sur un plan plus général, ce travail offre une nouvelle perspective pour un modèle standard de calculs dans des microcircuits corticals génériques (modèle de calcul liquide). Il montre que l'hypothèse arguably la plus problématique de ce modèle, le postulat d'un enseignant qui entraîne les lectures neuronales par apprentissage supervisé, peut être éliminée. Nous montrons que des réseaux neuronaux génériques peuvent apprendre de nombreux calculs biologiquement pertinents par essai et erreur.