Signaux cérébraux : apprendre à les comprendre sans professeur express
Le cerveau communique par de brefs clics électriques. Autrefois, pour apprendre cette langue, il fallait des milliers d'exemples traduits par l'expérimentateur. La méthode MOJO emprunte une autre voie : comme dans l'apprentissage d'une langue par immersion, elle écoute d'abord le « flux de conscience » sans aucune indication et repère elle-même les schémas répétitifs. Puis, après avoir reçu un minuscule lexique — des échantillons de signaux associés à des mouvements ou à des mots —, elle transforme un bruit confus en commandes claires.
Des expériences sur des singes et des souris ont montré que même une ou deux indications améliorent nettement les résultats, surpassant les algorithmes classiques gourmands en données.
Une telle cascade réduit l'incertitude et permet de travailler avec n'importe quels signaux, des neurones isolés aux grands ensembles. Au passage, le fonctionnement des réseaux vivants en carbone s'en trouve éclairci. Et comme l'auto-apprentissage ne nécessite pas d'étiquettes coûteuses, les vastes archives de données cérébrales accumulées peuvent être mises à profit — rapprochant ainsi l'ère des assistants pour personnes paralysées. L'idée n'est pas nouvelle : John von Neumann réfléchissait déjà à la parenté entre l'esprit et la machine.
Résumé original
tel que rédigé par les auteurs, en anglais arXiv:2607.14086
Robust and accurate neural decoders are integral to neurotechnologies such as brain-computer interfaces and closed-loop experiments. Recent work has shown that tokenizing neural data at the spike level facilitates multi-session pretraining and delivers state-of-the-art decoding performance. However, current spike-based models are restricted to supervised learning (SL), limiting training to datasets with paired behavioural labels. To address this limitation, we introduce MOJO (Masked autOencoder-based JOint training), a training framework for spike-tokenizing models that jointly leverages self-supervised learning (SSL) via masked autoencoding and SL objectives. We evaluate MOJO on three spiking datasets spanning monkey motor cortex during reaching tasks and multi-regional mouse recordings during vision and decision making tasks, demonstrating superior performance over purely SL-trained models. This improvement is especially pronounced when training with limited labelled data, particularly in few-shot finetuning, where only a small amount of labelled data from a new session is available. Incorporating SSL also yields more interpretable neuronal representations, improving performance on brain region classification and spike-statistics prediction without explicit optimization for these tasks. We further show that MOJO generalizes beyond spiking data to human electrocorticography during speech, where it continues to outperform purely SL-trained models and achieves performance comparable to neuro-foundation models (NFMs) designed specifically for continuous signals. Overall, augmenting spike-tokenizing models with SSL improves performance in label-impoverished settings and enables the use of unlabelled data across various tasks and species, while generalizing to other neural modalities. These results suggest a path towards more flexible and scalable data usage when training NFMs.
En une seconde d'enregistrement sur une centaine de neurones, on peut observer jusqu'à 20 000 décharges électriques — un véritable orchestre où chaque impulsion joue sa note.
La technologie de lecture directe des intentions motrices évoque les interfaces neuronales du film « Avatar », où l'esprit humain contrôle le corps d'un avatar.