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 foruncovering the principles of distributed computations in biological neural systems. A centralquestion in neuroscience is how cognition emerges from the coordinated activity of largepopulations of neurons distributed across multiple brain regions. Recent advances inelectrophysiology now make it possible to record simultaneously from hundreds to thousands ofneurons across cortical and subcortical areas while animals perform complex cognitive tasks.These recordings (Steinmetz et al., 2019; International Brain Laboratory, 2025) have revealedthat many task-relevant variables-such as sensory evidence, choice or feedback-can oftenbe decoded from many brain regions. This has led to the influential view that cognition isfundamentally distributed across the brain. However, an important conceptual question remainsunresolved: does distributed representation imply distributed computation? In other words,if similar information is present across many regions, does this mean that computations areuniformly spread across the brain, or do distinct regions still carry out specific computations?Answering this question requires going beyond standard encoding/decoding approaches. Itrequires methods that can move from high-dimensional neural recordings to mechanistichypotheses about the computations performed by distributed circuits. Recent developments inartificial 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 individualunits can be mapped onto individual neurons in the brain. RNNs can capture complex temporalcomputations and can be directly trained on large scale recordings. This offers a promisingapproach to build models of otherwise hard to interpret large-scale, multi-modal brain data. Yetstandard RNNs are often too complex to interpret mechanistically (Sussillo & Barak, 2013). Thisproject will develop interpretable neural network models as mechanistic tools toreverse-engineer the dynamical principles underlying distributed neural processes. Specifically,this project will leverage low-rank RNNs, an emergent class of neural networks that areanalytically tractable while remaining highly expressive.

Nous recherchons un(e) candidat(e) hautement motivé(e), possédant une solide formation dans au moins l'un des domaines suivants : apprentissage automatique, informatique, neurosciences computationnelles, physique ou mathématiques appliquées.Une expérience préalable dans un ou plusieurs des domaines suivants serait particulièrement valorisée :- apprentissage automatique ou apprentissage profond- programmation scientifique (Python, PyTorch, JAX, ou équivalent)- analyse de données neuronales- systèmes dynamiques ou réseaux de neurones récurrentsUne solide formation quantitative, une curiosité scientifique et un intérêt pour la recherche interdisciplinaire sont essentiels.

• Python
• Programmation
• Machine learning
• Analyse de données