Réseaux de neurones artificiels et apprentissage machine appliqués à la compréhension de la vision

• Où: Salle PHY51 - Marseille (France)

• Quoi: Master 1 Neurosciences et Sciences Cognitives

• https://laurentperrinet.github.io/talk/2022-03-23-ue-neurosciences-computationnelles/

1. Réseaux neuronaux artificiels pour la vision

• Mercredi 23/03/2022 de 9h-12h
• Introduction aux Neurosciences de la Vision
• Réseaux de neurones artificiels et apprentissage machine
• https://laurentperrinet.github.io/slides/2022-03-23_ue-neurosciences-computationnelles/?transition=fade
• pour garder une trace de ces slides, pointer vers https://laurentperrinet.github.io/slides/2022-03-23_ue-neurosciences-computationnelles/?print-pdf et imprimer en format PDF.

2. Neurones impulsionnels et modèles des fonctions visuelles

• Mercredi 23/03/2022 de 13h30-16h30
• TP via notebook
• https://github.com/laurentperrinet/2022_UE-neurosciences-computationnelles/

TP: reproduction de l'article de Mainen & Sejnowski, 1995

objectif

• But de ce travail: lire un article scientifique, pouvoir le reproduire avec des simulations d'un neurone et afin d'améliorer sa compréhension.

• Modalités: les étudiants s'organisent seuls, en binome ou en trinome pour fournir un mémoire sous forme de notebook complété à partir du modèle qui est fourni). Suivez les balises QUESTION dans le notebook pour vous guider dans cette rédaction. Les commentaires doivent être fait en français (ou en anglais) dans le notebook (n'oubliez-pas de sauver vos changements) et envoyé par e-mail à mailto:laurent.perrinet@univ-amu.fr une fois votre travail fini (de préférence avant le 31 avril).

• Outils nécessaires: Jupyter, avec numpy et matplotlib. Ce sont des outils standard et qui sont facilement installables sur toute plateforme. D'autres solutions hébergées existent:

  • ebrains / HBP
  • sur GoogleColab https://colab.research.google.com/github/laurentperrinet/2022_UE-neurosciences-computationnelles/blob/master/C_MainenSejnowski1995.ipynb - mais attention à bien sauver son travail avec un nom explicite identifiant le groupe

contexte

• Le but de cette première tache est de créer un "raster plot" qui montre la reproducibilité d'un train de spike avec des répétitions du même stimulus, comme dans ce travail dans la rétine de rongeurs ou dans le cortex (V1) du chat.

Ici, nous allons essayer de répliquer la figure 1 de Mainen & Sejnowski (1995):

prise en main des outils: numpy et matplotlib

• on va créer des vecteurs représentant la dynamique d'un valeur en fonction du temps
• pour cela, on crée un vecteur `time' représentant 1 seconde avec une précision de dt=.5ms
• dans un premier temps, on va créer un plot d'un spike, d'un créneau & d'une sinusoïde

définition du problème: leaky-integrate and fire neuron

• on va simuler 1 neurone pour 2 secondes avec une précision de dt=1ms
• pour cela, on utilise l'équation d'un leaky-IF
• on montre alors sa réponse aux stimuli créés ci-dessus

injection d'un bruit

• Comme dans la figure 1 de Mainen & Sejnowski (1995), on ajoute un bruit à l'injection de courant
• ce bruit peut être caracterisé par son amplitude et son temps caractéristique: quel est l'impact sur le résultat?
• que se passe-t-il quand on inclut un bruit interne à la dynamique du neurone?

Annexes

• un article à lire sur le hasard et le cerveau: https://laurentperrinet.github.io/publication/perrinet-21-hasard/ lien direct

• un article à lire sur le temps dans le cerveau: https://laurentperrinet.github.io/publication/perrinet-19-temps/ lien direct

• un article sur la perception visuelle : https://laurentperrinet.github.io/post/2019-06-06-theconversation/ lien direct

• Modelling spiking neural networks using Brian, Nest and pyNN - (slides)

• Tutorial on predictive coding https://laurentperrinet.github.io/talk/2017-06-30-telluride/ https://laurentperrinet.github.io/sciblog/files/2017-06-30_Telluride.html