You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
124 Oscillations, corrélations et synchronisation<br />
Une autre approche consiste à étudier les liens entre la structure de connectivité<br />
du réseau et les corrélations entre neurones (Liu et Nykamp 2009, Pernice<br />
et al. 2011, Zhao et al. 2011, Yger et al. 2011). En particulier, on peut chercher<br />
à caractériser les connectivités synaptiques qui ont tendance à favoriser des corrélations<br />
importantes, et celles qui ont tendance à conduire à des corrélations<br />
faibles.<br />
Dans Yger et al. (2011), l’effet de la topologie sur les corrélations est étudié, à<br />
l’aide de simulations, dans un réseau équilibré, à connectivité éparse, et constitué<br />
de neurones intègre-et-tire à conductances. Au niveau macroscopique, la structure<br />
des corrélations apparaît indépendante du profil de connectivité dans le régime<br />
irrégulier synchrone.<br />
Dans Pernice et al. (2011), les effets de la connectivité synaptique directe<br />
ou indirecte sur les corrélations sont étudiés, à l’aide d’une décomposition en<br />
série de la matrice de covariance et de la théorie des processus de Hawkes. Les<br />
caractéristiques de la distribution du degré de connectivité influencent le niveau<br />
macroscopique des corrélations dans le réseau. Lorsque la distribution est étroite,<br />
la connectivité a peu d’influence sur les corrélations (en accord avec (Yger et al.<br />
2011)), alors que c’est l’inverse lorsque cette distribution est étendue.<br />
Dans Zhao et al. (2011), des graphes aléatoires du second ordre sont étudiés.<br />
La probabilité de connexion entre deux neurones n’est plus la seule à être imposée<br />
(comme dans les graphes aléatoires d’Erdös-Rényi (Erdös et Rényi 1959)), mais<br />
aussi les probabilités des quatre différents motifs de connectivité entre deux ou<br />
trois neurones : motifs réciproque, convergent, divergent ou de chaîne, selon la<br />
terminologie des auteurs. Il est alors montré que seules les fréquences des motifs<br />
convergent ou de chaîne influencent le niveau des corrélations (de manière décroissante<br />
et croissante, respectivement), et cela pour de nombreux modèles de<br />
neurones différents.<br />
Théories de champs moyen<br />
Connaître les caractéristiques des corrélations dans de grands réseaux de neurones<br />
a une influence majeure sur les modèles utilisés pour comprendre leur comportement<br />
macroscopique. Ces réseaux sont des systèmes complexes, au sens où<br />
leur dynamique provient de l’interaction non linéaire et stochastique d’un grand<br />
nombre d’éléments individuels. Une approche est de considérer l’activité moyenne<br />
d’un grand nombre de neurones et de passer à une formulation continue de la<br />
dynamique neuronale, en passant à la limite d’un nombre infini de neurones. La<br />
variable est alors la fréquence moyenne de décharge au sein d’une grande assemblée<br />
de neurones. C’est l’approche de champ moyen (mean field theory) (Amari<br />
1972 1977, Wilson et Cowan 1972 1973), où les interactions entre les neurones sont<br />
réduites à une moyenne, sous l’hypothèse cruciale d’indépendance. De nombreux<br />
résultats sur la dynamique de grands réseaux de neurones ont été obtenus avec<br />
cette approche (Ermentrout 1998, Coombes 2005), concernant par exemple l’apparition<br />
de motifs spatiotemporels dans le cortex visuel (Ermentrout et Cowan<br />
1979, Bressloff et al. 2002). Le cadre est alors celui des systèmes dynamiques, car<br />
les modèles sont déterministes.