Doctorant F/H Campagne doctorant 2024 – Emergence de la mésoéchelle

Contexte et atouts du poste

Ce projet de thèse sera réalisé au sein de l’équipe Inria NERV, un laboratoire de recherche soutenu par les institutions françaises Inria, Inserm, CNRS et Sorbonne Université. L’équipe est implantée à l’Institut du Cerveau de Paris (ICM) au sein de l’hôpital de la Pitié-Salpêtrière.

L’équipe NERV poursuit un programme de recherche multidisciplinaire à l’intersection entre l’ingénierie biomédicale, les systèmes complexes et les neurosciences cliniques. La NERV propose de nouveaux cadres informatiques pour analyser et modéliser la complexité spatio-temporelle des réseaux cérébraux à partir de données de neuroimagerie multimodales et longitudinales, et nous concevons des stratégies d’intervention non invasives basées sur des interfaces cerveau-ordinateur. De plus, l’équipe bénéficie d’une position privilégiée au sein d’un environnement scientifique et technologique unique comprenant des installations expérimentales complètes (par exemple, neuroimagerie, génétique, cellulaire), plusieurs modèles animaux (par exemple, des nématodes aux humains) et un puissant système informatique en cluster centralisé pour réaliser de grands -analyse de données et simulations.

Mission confiée

Contexte du projet

L’intelligence artificielle (IA) et surtout le Deep Learning (DL) ont connu de nombreux succès ces dernières années dans divers domaines d’application tels que la vision par ordinateur, la reconnaissance vocale, le langage, la reconnaissance de domaine, la prise de décision, surpassant même le benchmark des capacités humaines dans la plupart des domaines. eux.

Ces performances ont été principalement obtenues grâce à des échelles croissantes : augmentation des données et modèles plus gros lancés sur GPU et unités d’apprentissage plus rapides. Cependant, de nombreuses caractéristiques des capacités humaines décrites par les sciences cognitives semblent encore totalement hors de portée. Le principal étant la généralisabilité au-delà de l’expérience passée, à savoir l’adaptabilité à des contextes inconnus. De plus, les algorithmes d’apprentissage profond nécessitent toujours une énorme quantité de données, tandis que les cerveaux adultes peuvent apprendre de nouvelles tâches avec très peu d’exemples. La question est donc de savoir comment de vrais cerveaux sont parvenus à une telle polyvalence et quelles sont les caractéristiques organisationnelles associées ?

Les développements récents de la science des réseaux ont fourni de nouvelles informations sur la structure et la dynamique de l’organisation cérébrale d’un point de vue systémique [ 1 , 2 ]. En modélisant les cerveaux sous forme de graphiques, avec des nœuds représentant les régions cérébrales et des bords pour les connexions anatomiques/fonctionnelles entre eux, une meilleure compréhension des propriétés organisationnelles du système nerveux est devenue possible [ 3 ]. Des preuves expérimentales à des échelles temporelles et spatiales disparates ont indiqué que les réseaux cérébraux ont tendance à présenter des caractéristiques topologiques clés telles que la centralité, la modularité et l’efficacité des nœuds. Notamment, la modularité du réseau est une propriété fondamentale à méso-échelle caractérisée par la présence de modules fonctionnellement spécialisés, mais interdépendants, et o re plusieurs avantages tels que la factorisation fonctionnelle, l’adaptabilité à de nouvelles tâches et la robustesse contre les perturbations [ 4 , 5 ]. De plus, la modularité du réseau cérébral est corrélée à la différence de performance entre les individus [ 6 , 7 ] et joue un rôle important dans la combinaison d’informations provenant de modules différemment spécialisés pour effectuer des tâches plus complexes. Dans les réseaux artificiels, des études récentes ont démontré que les architectures modulaires pourraient conduire à de meilleures performances dans l’apprentissage de différentes tâches de composition [8, 9 ]. Ainsi, une question cruciale est de comprendre pourquoi, où et quand des propriétés à méso-échelle telles que la modularité émergent au cours du processus d’apprentissage [ 10 ].

Principales activités

Objectifs

L’objectif principal du projet de thèse est d’élucider le rôle des structures de réseaux à méso-échelles dans l’intelligence artificielle généralisable. Plus précisément, ce projet vise à :

  + Concevoir des modèles de réseau analytiques qui conduisent à l’émergence d’attributs importants à méso-échelle, tels que la modularité, en intégrant des informations sur le développement. Fournir une compréhension fondamentale des conditions nécessaires (par exemple, taille du réseau, topologie, densité) pour de telles propriétés émergentes.

  + Comparez les résultats avec ceux obtenus à partir de la formation du câblage cérébral de di érentes espèces (par exemple, nématode, humains). Affinez les paramètres du modèle sur la base des données biologiques mentionnées ci-dessus et dérivez une interprétation neurophysiologiquement plausible.

  +Développer un nouveau cadre de formation qui prend en compte l’architecture du modèle, l’algorithme d’apprentissage et la nature multimodale des entrées réelles. Évaluez la performance globale face à des scénarios inconnus, évaluant ainsi leur polyvalence et leur robustesse.

Activités principales

+ Modélisation théorique . La phase initiale de cette recherche doctorale consiste à développer

modèles analytiques pour comprendre l’émergence et la stabilité de propriétés significatives à méso-échelle, telles que

comme modularité, au sein des réseaux biologiques au cours des processus de développement. On postule que la modularité

se manifeste par un résultat cohérent dans les réseaux neuronaux influencés par une variété de paramètres tout au long de

le développement des organismes. Cette enquête vise à élucider les conditions préalables à de tels phénomènes émergents.

modularité entre différentes espèces. En outre, la recherche explorera les transitions de phase potentielles

vers des réseaux modulaires en réponse aux variations de ces paramètres.

+ Convergence avec les données biologiques . Dans un deuxième temps, nous testerons et ajusterons ces modèles sur des données biologiques.

des données sur plusieurs espèces sur toute la durée de vie depuis le stade de développement embryonnaire jusqu’au

âge adulte. Nous étudierons d’abord les petites espèces pour lesquelles l’ensemble du cerveau est en réseau (c’est-à-dire les connectomes)

sont connus. Nous comparerons les propriétés à mésoéchelle obtenues dans le réseau généré synthétiquement

modèles et ceux des connectomes réels. Connectomes nécessaires pour valider expérimentalement le réseau

des modèles sont déjà disponibles dans le cadre de différents projets de recherche passés et en cours subventionnés

à l’équipe des IP.

+ Développement de nouvelles architectures neuronales artificielles . La dernière phase de ce projet de recherche

se concentrera sur l’exploitation des connaissances biologiques pour guider la conception d’architectures neuronales artificielles, visant

favoriser l’émergence de propriétés de réseau très efficaces telles que la spécialisation fonctionnelle, puisque

ils se sont révélés incapables d’y parvenir [ 9 ]. Enfin, nous proposons également d’explorer comment le local

les algorithmes d’apprentissage pour les modèles basés sur l’énergie pourraient jouer un rôle dans les propriétés à méso-échelle des réseaux artificiels

émergence telle que la modularité [ 11 ].

Compétences

Compétences requises

Le candidat idéal doit avoir une solide expérience en physique expérimentale, en apprentissage automatique et en analyse de données, ainsi qu’une expérience en projets et simulations en laboratoire (Python, MATLAB). La capacité et la volonté d’apprendre feront également l’affaire.

Avantages

• Repas subventionnés
• Remboursement partiel des frais de transports en commun (75%)
• Congés : 7 semaines de congés annuels + 10 jours de congés supplémentaires pour cause de RTT (réduction légale du temps de travail) + possibilité de congés exceptionnels (enfants malades, déménagement…)
• Possibilité de télétravail
• Organisation flexible du temps de travail (après 12 mois)
• Matériel professionnel à disposition (visioconférence, prêt de matériel informatique, etc.)
• Événements et activités sociales, culturelles et sportives