You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
3.7 Théories fréquentielles et temporelles 101<br />
Chaos<br />
Le caractère chaotique de réseaux de neurones équilibrés a été montré de manière<br />
théorique et numérique, dans le cas de modèles de neurones binaires (Van Vreeswijk<br />
et Sompolinsky 1996, Vreeswijk et Sompolinsky 1998) ou impulsionnels (Banerjee<br />
et al. 2008), ainsi qu’à l’aide de données in vivo (London et al. 2010). Ce<br />
point est aussi un argument utilisé par les partisans de la théorie fréquentielle :<br />
un code temporel ne saurait être viable en présence d’une grande sensibilité du<br />
réseau à des petites perturbations sur les temps des potentiels d’action. Ainsi,<br />
selon Banerjee et ses collègues (Banerjee et al. 2008) :<br />
If information is to be coded in the precise timing of spikes of the<br />
internal neurons of a network, the timing of such spikes must be robust<br />
to perturbations, that is, small perturbations in the spike timing of the<br />
internal neurons induced by thermal or other noise must not result<br />
in successively larger fluctuations in the timing of subsequent spikes<br />
generated in the network. In the parlance of dynamical systems theory,<br />
the dynamics of cortical networks should not be sensitive to initial<br />
conditions.<br />
Or ce point de vue ne nous semble valable que pour un neurone individuel.<br />
Une grande sensibilité aux conditions initiales au niveau d’une assemblée de neurones<br />
n’est selon nous pas incompatible avec un codage temporel stochastique.<br />
En effet, les corrélations entre neurones peuvent être reproductibles tandis que la<br />
décharge individuelle des neurones ne l’est pas. La variabilité des temps d’émission<br />
des potentiels d’action n’empêche pas nécessairement la fiabilité de motifs de<br />
potentiels d’action au sein d’une assemblée de neurones (Izhikevich 2006). Mais<br />
ce point reste à être démontré clairement.<br />
Intégration ou détection de coïncidences ?<br />
Un autre point de désaccord est, comme on l’a vu précédemment, celui du<br />
mode de computation des neurones. Un intégrateur effectue une sommation algébrique<br />
de ses entrées avant d’appliquer au résultat une fonction non linéaire<br />
(seuil), indépendamment des temps d’arrivée des entrées. Ce modèle correspond<br />
à un intégrateur parfait, ou à un intègre-et-tire à fuite avec une constante de<br />
temps supérieure à l’ISI moyen (voir section 2.4). Or les données physiologiques<br />
indiquent que la constante de temps in vivo est de l’ordre de 5 ms (états de haute<br />
conductance, voir section 3.5) (Destexhe et al. 2003), tandis que la fréquence de<br />
décharge moyenne dans le cortex est de l’ordre de 1 Hz (valeur estimée à partir<br />
d’arguments métaboliques) (Attwell et Laughlin 2001).<br />
De plus, nous avons montré par des arguments théoriques, numériques, et<br />
expérimentaux, que les neurones bruités et équilibrés sont des détecteurs de coïncidences<br />
très précis. En revanche, les mêmes neurones agissent plutôt comme des<br />
intégrateurs lorsque le bruit conduit le potentiel de membrane moyenne à dépasser<br />
le seuil. Or le régime physiologique des neurones corticaux in vivo est l’état<br />
équilibré (voir section 3.5).