Introduction Frégnac

Ecole Polytechnique - Séminaire HSS 512 F
Unité de Neuroscience, Information et Complexité
SEMINAIRE CERVEAU ET COGNITION
Director : Yves Frégnac
L’INTERDISCIPLINARITE
FACE A
LA COMPLEXITE DU CERVEAU
Yves Frégnac
Sciences Cognitives
Neurosciences
Modélisation
NeuroCybernétique
Directeur de Recherche CE au CNRS
Directeur de l’UNIC
UPR 3293 CNRS
Gif sur Yvette
[email protected]
www.unic.cnrs-gif.fr
&
Cyril Monier
Chercheur à l’UNIC
Ingénieur de Recherche CNRS
NeuroInformatique
[email protected]
Physiologie Comparée
By courtesy of Eb Fetz
Unité de Neuroscience, Information et Complexité
Ouverture sur la Recherche -
Stages
Stages Affichés par le Département :
Vision
Oculomotricité
Audition
Sens Haptique
Intégration multimodale
Electrophysiologie
Imagerie
Sens électrique
Comportement / Psychophysique
UNIC
-
Visite pour ceux qui le souhaitent et stages possibles (Frégnac-Monier,
Brice Bathellier, Thierry Bal, Daniel Shulz, Alain Destexhe, Andrew Davison)
Stages au sein du CREA et de structures associées en Sciences Humaines (RNSC, Compiègne)
Au travers des Orateurs Invités du Séminaire “Cerveau et Cognition”
Stages dans des laboratoires de Neurosciences Parisiens et Paris-Sud
Réseaux Neuronaux
Neurones formels
Modéles génériques
Biophysique neuronale/synaptique
Modèles structuro-fonctionnels
Interfaces cerveau-machine
Circuits hybrides
NeuroCybernétique
Clamp dynamique
-
NeuroPSI (Gif-sur-Yvette) (Paul Bourgine, René Doursat)
NeuroSpin (Stanislas Dehaene, Bertrand Thirion, Virginie Van Wassenhove,
Denis Le Bihan)
Institut de la Vision (Ryad Benosman, Olivier Marre)
Institut du Cerveau et de la Moelle Epinière (Pierre Pouget, Mathias Pessiglione)
DEC ENS (Pascal Mammassian, Romain Brette et Pierre Yger)
Stages dans des laboratoires en Province
Base de données
Simulation large échelles
NeuroInformatique
Architectures de calcul inspirées du Vivant
Physiologie Comparée
-
Sciences Cognitives à Lyon (Olivier Bertrand, INSERM)
Sciences Cognitives à Marseille (Guillaume Masson, INT)
Sciences Cognitives à Toulouse (Simon Thorpe, CERCO)
1
Ouverture sur la Recherche -
Stages
Ouverture sur la Recherche -
Masters
Stages à l’Etranger
aux USAs
Brown University (Donoghue, Blake, Bienenstock)
Yale (Steven Zucker)
MIT (Dept of Cognitive Sciences: Mriganka Sur)
Berkeley (Mind reading, Jack Gallant)
NYU et Columbia (Larry Abbott, Fusi..)
en Allemagne
-
MPG Frankfurt (Gilles Laurent, Pascal Fries)
Bernstein Center in Computational Neuroscience
(Freiburg, Berlin, Tübingen)
Institut de la complexité FIAS (Frankfurt and Gordon Pipa)
-
en Angleterre
-
La meilleure solution
(si vous êtes motivés) :
venir nous voir
UCL (DEC ENS)
Gatsby (Peter Dayan)
au Japon
-
DEC ENS, UCL, EPFL, KTH, Brown University, UCSD, UCSF, NYU Columbia, MIT, Harvard, Caltech
Sloane Centers, Keck Center
Riken Brain Science Institute (Keiji Tanaka)
Introduction
© Sciences Cognitives - Intelligence Artificielle vs
vs.
© Sciences Cognitives - Historique
Cognition incarnée
© Le défi scientifique
© Le défi scientifique
des Neurosciences Cognitives
des Neurosciences Cognitives
vs.
© Approches expérimentales multiéchelles
© Approches expérimentales multiéchelles en
Liens entre observables
Neurosciences Cognitives
© Approches théoriques :
Systèmes dynamiques, Complexité
Neurosciences computationnelles
21 st November 2007
Micro and Nanotechnologies for Neurosciences
7
© Concepts et Théories
Speaker
Logo
Speaker
Des systèmes dynamiques complexes
aux Neurosciences Computationnelles
8
21 st November 2007
Micro and Nanotechnologies for Neurosciences
Speaker
Logo
Speaker
2
Sciences Cognitives - Historique
©
Cybernétique
©
Cognitivisme et Intelligence Artificielle ................................
©
Connexionnisme
©
Neurosciences Cognitives et Computationnelles ...................
©
Constructivisme, Cognition située et Enaction
Une théorie unifiée de lʼEsprit
Interdisciplinarité en Sciences Cognitives
Epistémologie
Théorie de la connaissance
©
Robotique incarnée ...........................................................
©
Cognition étendue & Mémétique
21 st November 2007
Micro and Nanotechnologies for Neurosciences
9
Speaker
Logo
Speaker
- Infinite tape
- Finite Nb of symbols
- Read/Write Head
- Action Table
- State register (memory)
Scien ces de la Technologie et
de la Cognition - STC
Conférences de Dartmouth et
Cambridge en 1956
Calcul par interactions entre micro-unités informationnelles
qui sont reliées de manière dynamique selon une matrice
de connexions dense
Logique formelle
et non plus par déductions logiques (cognitivisme)
Calcul parallèle et non plus séquentiel (AI)
Cognition vue comme un état dynamique global
Emergence de comportements de réseaux cohérents
Fonction d’énergie (John Hopfield, 1982) et convergence des attracteurs dynamiques
3
Pre-representations
Emotional Resonance Theory
Neuromodulation
Memory is a scale representation of reality
Calcul par interactions entre micro-unités informationnelles
et non plus par déductions logiques (cognitivisme)
Calcul parallèle
et non plus séquentiel (AI)
Cognition vu comme un état dynamique global
Reentrant binding principle
Memory is non-representational
Constructive reorganization during experiencel
Darwin XI - NOMAD
Gamma- Perceptron et Neocognitron
Plasticité avec Professeur (supervisée)
Paradigme sub-symbolique :
Le fonctionnement du réseau devient cognitif quand les propriétés (dynamiques) émergentes
sont identifiables à une faculté cognitive
The Brain - Computer
metaphor
Steven Pinker, 1998
The Brain is a neuronal computer (Turing machine)
produced by evolution
The 100-step rule (Feldman and Ballard, 1982)
A new style of computation
“Narrow-but-Deep” replaced by “Shallow-but-wide”
Francisco Varela, 1998
One cannot understand cognition (and related computations)
if one abstracts them from their embodiement
Lire : Invitation aux Sciences Cognitives, Francisco J. Varela(1989). Editions du Seuil
Cognitive Science : a cartography of current ideas (1989)
(rapport fait à la demande de la Royal Dutch Shell Corporation)
The difference in terms of computation is the “emergence”
of more macroscopic dynamic states
from the non-linear interactions
between
more microscopic variables
21 November 2007
st
Micro and Nanotechnologies for Neurosciences
16
Speaker
Logo
Speaker
4
Diagramme des Courants
en Sciences Cognitives
Francisco Varela
INTELLIGENCE ARTIFICIELLE
© Sciences Cognitives - Historique
NEUROSCIENCES
LINGUISTIQUE
© Le défi scientifique
des Neurosciences Cognitives
© Approches multiéchelles
COGNITIVISME
PSYCHOLOGIE
COGNITIVE
Liens entre observables
© Concept :
EMERGENCE
Le cerveau est un système
dynamique complexe
EPISTEMOLOGIE
ENACTION
21 st November 2007
Micro and Nanotechnologies for Neurosciences
Complexité en Neurosciences
ü
1012 élements / 1015 synapses
processus stochastique binaire de décharge
propagation lente des potentiels d’action
le long des axones (0.1 to 100 m/s)
transmission lente par des synapes chimiques
Le cerveau est comparable à un
système électronique dont la
bande passante en termes de
communication est limitée,
composé d’ éléments à fiabilité
réduite
Paradoxe : la performance de calcul, d’apprentissage, et de
mémorisation du cerveau, son pouvoir d’adaptation multitâches, sa capacité d’auto-organisation, sa résistance à la
dégradation restent inégalées par des machines artificielles
Exemple de fonction cognitive : la perception visuelle
Les lois d’organisation et de fonctionnement du cerveau résultent
d’une mise en accord entre le « monde » et « l’esprit » (William James, 1890)
Propriétés émergentes à un niveau d’organisation macroscopique
Speaker
Logo
Speaker
Les défis
Des synapses et neurones aux fonctions cognitives
ü
ü
ü
18
¢
Comprendre et visualiser le fonctionnement du cerveau
à partir de l’activité neuronale (= digital, 0/1)
et des processus locaux gradués membranaires (= analogique)
¢
Simuler le fonctionnement du cerveau par des méthodes informatiques
¢
Réparer les fonctions cognitives par des approches hybrides temps réel
¢
à long-terme, construire des architectures abstraites de calcul, s’inspirant de
l’organisation du cerveau
¢
Simplifications: on s’abstrait des contributions fondamentales de la génétique, de la
génomique fonctionnelle, de la neuropharmacologie, et on ne prend pas en compte les
composantes non-neuronales (cellules gliales, neuromodulation, hormones..)
Une approche sciences de l’ingénieur:
Cerveau
cybernétique électrique sans émotions....
21 November 2007
st
Micro and Nanotechnologies for Neurosciences
20
Speaker
Logo
Speaker
5
Une approche simplifiée « Lego-Mécano »
du cerveau électrique
¢ Les éléments
© neurones
© Sciences Cognitives - Historique
© synapses
© Le défi scientifique
¢ Le « parler neuronal »
des Neurosciences Cognitives
© Le potentiel d’action
© Le potentiel de membrane
© Approches multiéchelles
Courtesy of Henry Markram - Blue Brain Project
Liens entre observables
¢ L’orchestre neuronal
© Codage par assemblée
© Concept :
© Organisation temporelle
Le cerveau est un système
dynamique complexe
Courtesy of Ad Aertsen
© Bombardement synaptique
pendant une scène naturelle
21 st November 2007
Micro and Nanotechnologies for Neurosciences
21
UNIC
Speaker
Logo
Speaker
21 st November 2007
Micro and Nanotechnologies for Neurosciences
Speaker
Logo
Speaker
Hiérarchie de Niveaux dʼorganisation
Niveaux dʼorganisation dans le système nerveux central
1m
22
CNS
1m
CNS
10 cm
Systems
1 cm
Maps
1 cm
Maps
1 mm
Networks
1 mm
Networks
100 µm
Neurons
100 µm
Neurons
BOTTOM - UP
Systems
TOP - DOWN
10 cm
1 µm
Synapses
1 µm
Synapses
1A
Molecules
1A
Molecules
Inspiré de Churchland et Sejnowski, Science, 1989
6
Hiérarchie de Niveaux dʼorganisation
CNS
IMMERGENCE
EMERGENCE
1m
10 cm
Systems
1 cm
Maps
1 mm
Networks
100 µm
Neurons
© Sciences Cognitives - Historique
© Le défi scientifique
1 µm
Synapses
1A
Molecules
des Neurosciences Cognitives
© Approches multiéchelles
Liens entre observables
© Approches théoriques :
Systèmes dynamiques, Complexité
Neurosciences computationnelles
21 st November 2007
Micro and Nanotechnologies for Neurosciences
26
Speaker
Logo
Speaker
Hiérarchie des niveaux d’analyse
Réductionnisme vs. Complexité
Extraction de principes généraux de calcul (“computation”)
et de plasticité dans les ensembles neuronaux
_________
Réductionnisme
¢
©
©
Processus biologique
Nombre fini d’éléments de base canoniques et de règles de composition
« Expliquer du visible compliqué par de l’invisible simple »
Jean Perrin (1870-1942)
Les atomes (1913)
(réédité chez Flammarion en 1991)
Substrat biophysique
Algorithme
Complexité
¢
©
Hiérarchie emboîtée de niveaux d’intégration interdépendants
Fonction
/ Computation
« Le Tout est plus que la somme des parties » (Holisme)
© « Expliquer la simplicité du comportement macroscopique
par la complexité des interactions microscopiques »
© « Higher order perfection from lower order imperfection »
©
R. Laughlin (2005)
st
A21different
universe:
reinventing Physics
November
2007
Microthe
and bottom
Nanotechnologies
for Neurosciences
from
down (Basic
Books).
(freely adapted from Marr, Vision, 1982)
27
Speaker
Logo
Speaker
7
Hiérarchie des niveaux d’analyse
Hiérarchie des niveaux d’analyse
Extraction de principes généraux de calcul (“computation”)
et de plasticité dans les ensembles neuronaux
Extraction de principes généraux de calcul (“computation”)
et de plasticité dans les ensembles neuronaux
_________
_________
Processus biologique
Potentiel d’action
Processus biologique
Potentiel d’action
Substrat biophysique
Canaux Na, K
Substrat biophysique
Canaux Na, K
Algorithme
Equation de Hodgkin-Huxley
Algorithme
Fonction
/ Computation
Code neuronal
Assemblées / Synfire chains
Fonction
/ Computation
Hodgkin-Huxley
Code Neuronal
Assemblées /
Synfire chains
Hiérarchie des niveaux d’analyse
Hiérarchie des niveaux d’analyse
Extraction de principes généraux de calcul (“computation”)
et de plasticité dans les ensembles neuronaux
Extraction de principes généraux de calcul (“computation”)
et de plasticité dans les ensembles neuronaux
_________
_________
Potentiel d’action
Plasticité
Processus biologique
Potentiel d’action
Plasticité
Substrat biophysique
Canaux Na, K
Récepteurs NMDA
Substrat biophysique
Canaux Na, K
Récepteurs NMDA
Algorithme
Fonction
/ Computation
Equation de Hodgkin-Huxley
Code Neuronal
Assemblées / Synfire chains
Principe de Hebb
Plasticité
Mémoires Associatives
Principe de protection
Processus biologique
Algorithme
Fonction
/ Computation
Equation de Hodgkin-Huxley
Code Neuronal
Assemblées / Synfire chains
Principe de Hebb
Plasticité
Mémoires Associatives
Neurosciences Computationnelles
8