Mnemosyne : synergie mnésique (page en construction)

Thématique de recherche

Nous concevons des modèles informatiques systémiques du cerveau afin d’explorer et de comprendre la cognition, avec un accent particulier sur l’apprentissage et le comportement. Nos modèles vont de modèles bio-physiques très précis (par exemple, Hodgkin-Huxley) à des représentations de haut niveau (e.g., des ontologies) organisées autour de 4 axes de recherche principaux.

1. La prise de décision et le contrôle cognitif

Nos travaux sur la prise de décision et le contrôle cognitif sont basés sur l’idée centrale qu’ils résultent de l’interaction de plusieurs systèmes de mémoire et de structures cérébrales, par opposition à l’idée d’une structure unique qui serait la seule responsable d’un comportement donné. Plus précisément, nous cherchons à expliquer les contributions interactives des ganglions de la base, du cortex préfrontal et de l’hippocampe pour différents scénarios de prise de décision et de contrôle cognitif.

2. Traitement du langage

L’une de nos ambitions à long terme est de créer un modèle biologiquement plausible du traitement et de la production des phrases : le modèle devrait être dynamique, hiérarchique et utiliser des mécanismes d’action-perception. Les perspectives importantes sont d’adapter le modèle aux données expérimentales des fonctions langagières saines et pathologiques et d’explorer comment l’incorporer dans des robots afin de modéliser comment le cerveau des enfants apprend, dans un schéma de développement, la sémantique à différents niveaux d’abstraction des symboles.

3. Connaissance abstraite et symbolique

Lorsque l’on modélise le cerveau engagé dans des tâches de résolution de problèmes complexes, ouvertes et mal définies, l’espace d’état ne peut plus raisonnablement être énuméré (comme avec, par exemple, les processus de décision de Markov utilisés dans l’apprentissage par renforcement classique) mais doit être spécifié par une représentation plus structurée et symbolique. Cela inclut la représentation des connaissances antérieures telles que les concepts abstraits émergeant des représentations sensorimotrices, par exemple les affordances et la physique intuitive. Nous supposons que le formalisme computationnel utilisé dans la formalisation des connaissances, comme les ontologies, est un bon candidat pour relever un tel défi.

4. Apprentissage automatique

Bien que notre domaine principal soit les neurosciences computationnelles, nous contribuons régulièrement à l’élaboration de nouveaux algorithmes d’apprentissage automatique qui découlent de nos modèles de neurosciences computationnelles. À cet égard, nous avons conçu et maintenons ReservoirPy (https://github.com/reservoirpy/reservoirpy) qui est une bibliothèque simple et conviviale basée sur des modules scientifiques Python. Elle fournit une interface flexible pour la mise en œuvre d’architectures efficaces de calcul de réservoir (RC), avec un accent particulier sur les réseaux d’état d’écho (ESN).

Accéder à la bibliographie complète >>>

Dernières publications