Comment le cerveau empaquette une image express
Les neurones du cerveau et les nœuds des réseaux de neurones artificiels ne manipulent pas seulement des « oui » et des « non » isolés, mais aussi des grandeurs qui varient de manière continue : où se trouve exactement un objet, quelle est sa taille. Mais la réponse neuronale est capricieuse : un même stimulus provoque des pics d'activité légèrement différents d'une fois à l'autre. Comment extraire des informations précises de ce fouillis ?
L'activité d'un groupe de neurones ressemble à un dessin sur le sable. Le vent, c'est-à-dire le bruit, efface constamment les lignes. Le défi est de deviner, à partir du dessin estompé, ce qui a été tracé : où se trouvait l'objet et quelle était sa taille. Les auteurs de l'étude ont développé un appareil mathématique qui évalue dans quelle mesure cela peut être fait, en se basant sur la façon dont les « dessins » pour différentes positions et tailles sont disposés les uns par rapport aux autres. Plus ces motifs sont éloignés les uns des autres et plus ils sont nettement séparés, plus le décodage est fiable.
La théorie a été appliquée à des enregistrements réels de l'activité neuronale du cortex visuel du macaque. Il s'est avéré qu'à mesure que le signal progresse des zones visuelles primaires vers des zones plus élevées, la capacité de décoder la position et la taille de l'objet augmente. Le cerveau semble « démêler » progressivement l'information, la rendant de plus en plus accessible à la lecture.
En fin de compte, on obtient un pont entre l'activité neuronale brute et le comportement : la géométrie des réponses neuronales est directement liée à la précision avec laquelle le cerveau peut rendre compte de ce qu'il voit.
Résumé original
tel que rédigé par les auteurs, en anglais arXiv:2603.10956
Brains and artificial neural networks compute with continuous variables such as object position or stimulus orientation. However, the complex variability in neural responses makes it difficult to link internal representational structure to task performance. We develop a statistical-mechanical theory of regression capacity that relates linear decoding efficiency of continuous variables to geometric properties of neural manifolds. Our theory handles complex neural variability and applies to real data, revealing increasing capacity for decoding object position and size along the monkey visual stream.
Chez les macaques, le cortex visuel est organisé de manière similaire à celui des humains, de sorte que ces expériences aident à comprendre comment nous-mêmes évaluons la position et la taille des objets.