Cortex et cervelet : deux travaux sur l'apprentissage moteur et la modification des représentations

Contrôler un système de manière stable malgré une rétroaction retardée reste un défi en robotique comme en neurosciences. Les modèles classiques du cervelet expliquent la compensation du retard par la prédiction en avant. Ils ne rendent pas compte des corrections en ligne rapides ni de l'adaptation tout aussi rapide observée dans les systèmes biologiques.

Prédiction et rétroaction

Ana Carolina Filipe, Rui Ponte Costa et Cláudia Soares proposent un schéma de contrôle inspiré du cervelet. Il associe des représentations prédictives multiplexées à une rétroaction interne. L'encodeur partage les variables cinématiques et les signaux d'erreur pertinents pour la tâche. Cela permet de corriger précisément le mouvement malgré un signal de retour retardé. Les auteurs montrent que l'introduction de la rétroaction dans la boucle cérébelleuse accélère nettement l'adaptation. Le temps d'apprentissage diminue d'un ordre de grandeur. Les résultats indiquent aussi qu'en présence d'un retard, les prédictions fondées sur un signal unique ne suffisent pas. Il faut combiner multiplexage et rétroaction pour obtenir un mécanisme cohérent, capable de contrôler en ligne et d'apprendre rapidement.

Changer les représentations sans stimulation

Le second travail part d'une autre question. En neuropsychiatrie, l'objectif n'est souvent pas de lire l'activité cérébrale, mais de la modifier. Par exemple, pour atténuer une charge affective négative ou un souvenir trop fortement consolidé. L'équipe de Marco Rothernel propose un cadre de modèles substituts neuronaux fondé sur l'apprentissage automatique. Ce cadre suggère des modifications de représentations candidates et teste les effets perceptifs prédits à partir d'images fMRI d'activité provoquée par un stimulus, sans stimulation physique. Le schéma combine décodage fMRI, modélisation générative profonde et contrôle dans l'espace latent avec contraintes. La valence et la mémorabilité n'y sont que des exemples de travail.

Le matériel provient de plus de 36 000 observations image-fMRI issues de quatre participants très étudiés du jeu de données Natural Scenes Dataset. Les modèles ajustés à la personne reproduisaient la structure générative grossière du cortex visuel. Dans la tâche d'identification bidirectionnelle, ils atteignaient de 0,79 à 0,88, pour un niveau aléatoire de 0,5. Les perturbations graduées étaient reconstruites sous forme d'images, puis évaluées par des évaluateurs automatiques et lors d'évaluations humaines portant sur 7 200 essais réalisés par 18 participants. Dans le modèle de base, la valence est passée de -0,61 à +1,03 écart-type, et la mémorabilité de -1,34 à +1,45 écart-type. Dans les évaluations humaines, la valence se déplaçait dans la direction prédite. La pente moyenne était de 0,038 écart-type par unité de coefficient, avec un intervalle de confiance de 0,003 à 0,074. Ce résultat était positif chez 16 des 18 participants. La mémorabilité perçue n'a pas changé de manière fiable.

Les auteurs soulignent les limites de leur travail. La concordance avec l'évaluateur automatique n'était que suggestive pour la valence et faible pour la mémorabilité. Les perturbations extrêmes s'écartaient du stimulus d'origine. Le changement visé doit donc être mis en balance avec la perte de fidélité. Ce n'est pas une méthode de traitement prête à l'emploi, mais un outil vérifiable pour concevoir et tester comportementalement des cibles candidates d'une future neuromodulation.