Thèse IA Interprétable pour Révéler les Calculs Distribués dans le Cerveau H/F

Doctorat.Gouv.Fr

Établissement : École normale supérieure - PSL (ENS-PSL) École doctorale : Sciences Cognitives Laboratoire de recherche : Laboratoire de Neurosciences Cognitives et Computationnelles Direction de la thèse : Srdjan OSTOJIC ORCID 0000000274731223 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-07-31T23:59:59 L'électrophysiologie moderne permet désormais des enregistrements simultanés de milliers de neurones dans de nombreuses régions cérébrales pendant des comportements complexes. Ces enregistrements montrent que des informations pertinentes pour la tâche (évidence sensorielle, choix, retour d'information) peuvent être décodées presque partout dans le cerveau, suggérant que la cognition serait « distribuée ». Mais cela soulève une question conceptuelle non résolue : une représentation distribuée de l'information implique-t-elle nécessairement un calcul distribué ? Ou bien des régions cérébrales spécifiques jouent-elles encore des rôles computationnels spécialisés, même en partageant des informations similaires ?

Les analyses standard d'encodage/décodage ne peuvent pas répondre à cette question car elles n'offrent pas de compréhension mécanistique de la manière dont l'information est transformée. Ce projet propose de combler cette lacune en utilisant des réseaux de neurones récurrents (RNN) de rang faible - une classe de modèles suffisamment expressifs pour s'ajuster à des données neuronales réelles, tout en restant suffisamment tractables mathématiquement pour être interprétés de manière mécanistique (contrairement aux réseaux profonds de type boîte noire).

Ce projet de thèse aura les objectifs suivants :

1. Construire des modèles de RNN multi-régionaux interprétables, entraînés directement sur des enregistrements à grande échelle et multimodaux, avec un pouvoir prédictif à l'échelle de l'essai individuel. La contrainte de rang faible génère une dynamique de faible dimension, analytiquement tractable, qui peut être mise en correspondance avec des populations neuronales réelles à travers différentes régions, permettant des prédictions explicites et testables, y compris des expériences de perturbation in silico.

2. Étudier la variabilité inter-individuelle dans le calcul distribué. L'objectif est de déterminer si les différences individuelles de comportement et d'activité neuronale reflètent une stratégie computationnelle commune ou des architectures sous-jacentes distinctes (différences de dynamique, de dimensionnalité ou de couplage inter-régional). The central objective of this PhD is to develop interpretable artificial intelligence methods for
uncovering the principles of distributed computations in biological neural systems. A central
question in neuroscience is how cognition emerges from the coordinated activity of large
populations of neurons distributed across multiple brain regions. Recent advances in
electrophysiology now make it possible to record simultaneously from hundreds to thousands of
neurons across cortical and subcortical areas while animals perform complex cognitive tasks.
These recordings (Steinmetz et al., 2019; International Brain Laboratory, 2025) have revealed
that many task-relevant variables-such as sensory evidence, choice or feedback-can often
be decoded from many brain regions. This has led to the influential view that cognition is
fundamentally distributed across the brain. However, an important conceptual question remains
unresolved: does distributed representation imply distributed computation? In other words,
if similar information is present across many regions, does this mean that computations are
uniformly spread across the brain, or do distinct regions still carry out specific computations?
Answering this question requires going beyond standard encoding/decoding approaches. It
requires methods that can move from high-dimensional neural recordings to mechanistic
hypotheses about the computations performed by distributed circuits. Recent developments in
artificial intelligence provide new avenues in this direction (Durstewitz et al., 2023). In particular,
recurrent neural networks (RNNs) are becoming a central model in neuroscience as individual
units can be mapped onto individual neurons in the brain. RNNs can capture complex temporal
computations and can be directly trained on large scale recordings. This offers a promising
approach to build models of otherwise hard to interpret large-scale, multi-modal brain data. Yet
standard RNNs are often too complex to interpret mechanistically (Sussillo & Barak, 2013). This
project will develop interpretable neural network models as mechanistic tools to
reverse-engineer the dynamical principles underlying distributed neural processes. Specifically,
this project will leverage low-rank RNNs, an emergent class of neural networks that are
analytically tractable while remaining highly expressive.