Calcul et apprentissage enrichis de mémoire dans les réseaux neuronaux à impulsions grâce à la plasticité hebbienne

La mémoire est un composant clé des systèmes neuronaux biologiques, permettant la conservation d'informations sur une vaste gamme d’échelles temporelles, allant de quelques centaines de millisecondes à plusieurs années. Bien que la plasticité hebbienne soit considérée comme jouant un rôle fondamental dans la mémoire biologique, elle a jusqu’à présent été principalement étudiée dans le cadre de la complétion de motifs et de l’apprentissage non supervisé. Dans cette étude, nous proposons que la plasticité hebbienne est essentielle pour les calculs réalisés par les systèmes neuronaux biologiques. Nous introduisons une nouvelle architecture de réseau neuronal à impulsions (spiking neural network) enrichie par une plasticité synaptique hebbienne. Nous démontrons que cette enrichissement hebbien rend les réseaux neuronaux à impulsions étonnamment polyvalents en termes de capacités computationnelles et d’apprentissage. Il améliore significativement leurs performances en généralisation hors distribution, apprentissage en une seule tentative (one-shot learning), association générative entre modalités différentes, traitement du langage et apprentissage fondé sur la récompense. Étant donné que les réseaux neuronaux à impulsions constituent la base des architectures neuromorphiques économes en énergie, ces résultats suggèrent qu’il est possible de concevoir des systèmes neuromorphiques cognitifs puissants selon ce principe.