Jérôme Munuera
Former Fyssen 2010
The Geometry of Abstraction in the Hippocampus and
Prefrontal Cortex.
Bernardi S, Benna MK, Rigotti M, Munuera J, Fusi S, Salzman CD. Cell. 2020 Oct 9
Une étude conduite à l’Université de Columbia (États-Unis) par Jérôme Munuera (co-premier auteur de la publication) et ses collaborateurs, a permis de développer un modèle fonctionnel de l’abstraction dans le cerveau. Les résultats, publiés dans la revue Cell, mettent en évidence une « géométrie de l’abstraction » où le cerveau et ses réponses neuronales limitent le nombre de dimensions liées aux différents éléments d’un environnement. Ceci lui permet de ne prendre en compte que les éléments les plus pertinents pour comprendre les règles régissant l’environnement dans lequel se trouve l’individu et adapter son comportement. De plus, en passant d’un environnement à l’autre, le cerveau est capable, par un phénomène de généralisation, de récupérer des éléments de la représentation générée dans le contexte précédent pour n’en extraire que les dimensions pertinentes et les appliquer à la nouvelle situation si besoin. Ainsi par exemple, dans une nouvelle rue, une personne pourra, grâce aux fenêtres, portes et murs, reconnaitre immédiatement la présence une maison même si cette dernière a un toit qui ne ressemble en rien aux maisons qu’elle a pour habitude de voir.
Cette étude est un élément supplémentaire pour appréhender comment notre cerveau donne du sens au monde qui nous entoure mais aussi mieux comprendre certaines pathologies où des personnes éprouvent des difficultés à représenter correctement leur univers.
Summary
The curse of dimensionality plagues models of reinforcement learning and decision making. The process of abstraction solves this by constructing variables describing features shared by different instances, reducing dimensionality and enabling generalization in novel situations. Here, we characterized neural representations in monkeys performing a task described by different hidden and explicit variables. Abstraction was defined operationally using the generalization performance of neural decoders across task conditions not used for training, which requires a particular geometry of neural representations. Neural ensembles in prefrontal cortex, hippocampus, and simulated neural networks simultaneously represented multiple variables in a geometry reflecting abstraction but that still allowed a linear classifier to decode a large number of other variables (high shattering dimensionality). Furthermore, this geometry changed in relation to task events and performance. These findings elucidate how the brain and artificial systems represent variables in an abstract format while preserving the advantages conferred by high shattering dimensionality.
Après un doctorat de neurosciences à l’Institut des Sciences Cognitives (ISC, Lyon, France) où il a étudié les processus de transformation sensori-motrices, Jérôme Munuera fut successivement post-doctorant puis chercheur associé au département de neurosciences de l’Université de Columbia (New York, USA). Son principal axe de recherche porte sur les interactions entre les mécanismes de prise de décision et les processus motivationnels.
Depuis 2018, Jérôme travaille à l’Institut du Cerveau (ICM, Paris) au sein de l’équipe ‘Neurochirurgie expérimentale’.
