main concepts scientists sections
SimplePopulaireAvancé

Pourquoi l'équilibre des connexions tantôt apaise le réseau, tantôt l'agite ✛ ✎

Original: "Local connectivity balance shapes population dynamics in random recurrent networks"
· Shotaro Takasu, Richard Gast, Ann Kennedy
arXiv:2608.30008v1 · 2026-08-30 · arXiv non-exclusive · analyse indépendante · 1 min
Neurones et cognition Systèmes désordonnés et réseaux de neurones Dynamique chaotique
Si les signaux entrants sur chaque neurone se compensent presque, le réseau peut se figer ou, au contraire, se mettre à pulser de façon chaotique, selon la façon dont le neurone lui-même est conçu.

Chaque neurone du cerveau reçoit de nombreux signaux de ses voisins : certains le stimulent, d'autres l'inhibent. Si ces signaux se compensent presque, le neurone fonctionne en mode équilibre. On a longtemps pensé qu'un tel équilibre ne servait qu'à éviter la surcharge du réseau. Mais il s'avère qu'il régit tout le « temps » dans le réseau.

L'équilibre agit comme un bouton de volume sur le signal auto-généré : il supprime le bourdonnement constant que chaque neurone entend de lui-même via la rétroaction.

Si le neurone est conçu comme un simple amplificateur, l'équilibre rend le réseau plus calme. Si le neurone sature, comme un microphone surchargé, l'équilibre peut plonger le réseau dans le chaos. Et si le neurone réagit de la même manière au plus et au moins, l'équilibre n'a aucun effet. Cette découverte aide à comprendre pourquoi les réseaux cérébraux réels se tiennent à la frontière entre ordre et chaos : l'équilibre anatomique des synapses peut prédire le mode de fonctionnement du réseau.

Le graphe entier →

En cas d'équilibre complet (lorsque la somme des poids entrants est nulle), l'activité moyenne dans le temps de chaque neurone du réseau est strictement nulle, même si le réseau est en régime chaotique. Cela est prouvé analytiquement dans l'annexe de l'article.

(1+\partial_t)x_i = \sum_{j=1}^N J_{ij}\phi(x_j)
L'activité de chaque nœud change sous l'effet de la somme des entrées des autres nœuds, transformées par la fonction d'activation.
J_{ij} = \bar{J}_{ij} - \frac{\mu}{N}\sum_{k=1}^N \bar{J}_{ik}
Du poids aléatoire, on soustrait la moyenne de la ligne, multipliée par le paramètre d'équilibre μ. Pour μ=1, la somme des poids entrants est nulle.
q = g^2 \left\{ \langle\langle \phi,\phi \rangle\rangle_{x\sim N(0,q)} + (1-\mu)^2 \langle \phi \rangle^2_{x\sim N(0,q)} \right\}
La variance de l'activité au point fixe est déterminée par la somme des fluctuations et du carré de la moyenne, la contribution de la moyenne étant supprimée par l'équilibre.
Scientifiques
Albert Einstein
Notions
comportement collectif réseau aléatoire connectivité cérébrale réseau poids transport rythmique cérébral redondance réseaux de neurones récurrents apprentissage collectif émergent activité neuronale auto-organisation stochastique dynamique des canaux ioniques non-localité dynamique des systèmes complexes stabilisation du réseau électrique effet de goulot d'étranglement boucle de rétroaction stockage d'information distribution log-normale