Modèles Impulsionnels de Réseaux de Neurones Biologiques

The classical point of view in computational neuroscience is that neurons process and code information with firing rates. Recently, experimental evidence of neural synchronization at a fine time scale has motivated a renewed interest in the time coding theory, according to which neurons process information with precisely timed spike trains. Since spiking models are not as well-understood as rate models, we start by establishing a body of general mathematical results, which allow us to show that these models respond reliably to aperiodic stimuli. Thanks to this property, we design a spiking model of orientation selectivity in the primary visual cortex, the spiking perceptron. Because the model detects a geometrical property of the image instead of matching the stimulus with a template, it responds naturally in a contrast-invariant way with a feedforward architecture.Les neurosciences computationnelles sont traditionnellement dominées par la conception selon laquelle les neurones codent l'information à travers leur fréquence de décharge. Récemment, les observations expérimentales de synchronisation neuronale ont motivé un renouveau du point de vue impulsionnel, selon lequel la structure temporelle des décharges est pertinente. Les modèles impulsionnels étant moins bien compris que leurs homologues fréquentiels, nous commençons par établir des résultats théoriques généraux, qui nous permettent en particulier de montrer que les modèles impulsionnels répondent de manière reproductible aux stimulations variables apériodiques. Cette propriété nous permet de construire un modèle de sélectivité à l'orientation dans le cortex visuel, le perceptron impulsionnel, qui, en détectant une propriété géométrique de l'image plutôt que l'adéquation entre l'image et un patron, permet d'obtenir avec une architecture feedforward une invariance naturelle au contraste