Dynamics with choice is a generalization of discrete-time dynamics where instead of the same evolution operator at every time step there is a choice of operators to transform the current state of the system. Many real life processes studied in chemical physics, engineering, biology and medicine, from autocatalytic reaction systems to switched systems to cellular biochemical processes to malaria transmission in urban environments, exhibit the properties described by dynamics with choice. We study the long-term behavior in dynamics with choice. We prove very general results on the existence and properties of global compact attractors in dynamics with choice. In addition, we study the dynamics with restricted choice when the allowed sequences of operators correspond to subshifts of the full shift. One of practical consequences of our results is that when the parameters of a discrete-time system are not known exactly and/or are subject to change due to internal instability, or a strategy, or Nature's intervention, the long term behavior of the system may not be correctly described by a system with "averaged" values for the parameters. There may be a Gestalt effect.

No description available.

Les primates doivent pouvoir reconnaître de nouvelles situations pour pouvoir s'y adapter. La représentation de ces situations dans l'activité du cortex est le sujet de cette thèse. Les situations complexes s'expliquent souvent par l'interaction entre des informations sensorielles, internes et motrices. Des activités unitaires dénommées sélectivité mixte, qui sont très présentes dans le cortex préfrontal (CPF), sont un mécanisme possible pour représenter n'importe quelle interaction entre des informations. En parallèle, le Reservoir Computing a démontré que des réseaux récurrents ont la propriété de recombiner des entrées actuelles et passées dans un espace de plus haute dimension, fournissant ainsi un pré-codage potentiellement universel de combinaisons pouvant être ensuite sélectionnées et utilisées en fonction de leur pertinence pour la tâche courante. En combinant ces deux approches, nous soutenons que la nature fortement récurrente de la connectivité locale du CPF est à l'origine d'une forme dynamique de sélectivité mixte. De plus, nous tentons de démontrer qu'une simple régression linéaire, implémentable par un neurone seul, peut extraire n'importe qu'elle information/contingence encodée dans ces combinaisons complexes et dynamiques. Finalement, les entrées précédentes, qu'elles soient sensorielles ou motrices, à ces réseaux du CPF doivent être maintenues pour pouvoir influencer les traitements courants. Nous soutenons que les représentations de ces contextes définis par ces entrées précédentes doivent être exprimées explicitement et retournées aux réseaux locaux du CPF pour influencer les combinaisons courantes à l'origine de la représentation des contingences / In order to adapt to new situations, primates must be able to recognize these situations. How the cortex represents contingencies in its activity is the main subject of this thesis. First, complex new situations are often explained by the interaction between sensory, internal and motor information. Recent studies have shown that single-neuron activities referred to as mixed selectivity which are ubiquitous in the prefrontal cortex (PFC) are a possible mechanism to represent arbitrary interaction between information defining a contingency. In parallel, a recent area of reasearch referred to as Reservoir Computing has demonstrated that recurrent neural networks have the property of recombining present and past inputs into a higher dimensional space thereby providing a pre-coding of an essentially universal set of combinations which can then be selected and used arbitrarily for their relevance to the task at hand. Combining these two approaches we argue that the highly recurrent nature of local prefrontal connectivity is at the origin of dynamic form of mixed selectivity. Also, we attempt to demonstrate that a simple linear regression, implementable by a single neuron, can extract any information/ contingency encoded in these highly complex and dynamic combinations. In addition, previous inputs, whether sensory or motor, to these PFC networks must be maintained in order to influence current processing and behavioral demand. We argue that representations of contexts defined by these past inputs must be expressed explicitely and fed back to the local PFC networks in order to influence the current combinations at the origin of contingencies representation

Recent findings suggest, that perception of acoustic stimuli in the mouse auditory cortex relies on categorization of object-based representations. Local neuronal populations in L2/3 of the mouse auditory cortex reportedly exhibit a limited number (1-3) of stable modes of response, each possibly evoked by multiple complex sounds of variable acoustic features. Stimulation using linear intensity mixing of sounds evoking different response modes revealed an attractor-like dynamic of the underlying representation. These modes of response were hypothesized to represent the neural correlate of perceptual categorization. We have developed an experimental protocol enabling chronic two-photon imaging of the previously described population coding under awake conditions. Using this protocol we acquired data suggesting that the pattern of population activity underlying a mode of response, is stable during a week-long timeframe. We have also recorded the neural activity of a local subpopulation of somatostatin-positive inhibitory interneurons (SST+ INs) during abrupt changes in cortical representation. Our preliminary results suggest that local SST+ INs exhibit maximal firing when the neural correlate of a mode of response is exhibited by the surrounding population of principal cells. In addition, we observed a...

Une des capacités cérébrales les plus fondamentales, qui est essentiel pour tous les fonctions cognitifs de haut niveau, est de garder des informations pertinentes de tâche pendant les périodes courtes de temps; on connaît cette capacité comme la mémoire de travail (WM). Dans des décennies récentes, accumule là l'évidence d'activité pertinente de tâche dans le cortex préfrontal (PFC) de primates pendant les périodes de "delay" de tâches de "delay-response", impliquant ainsi que PFC peut maintenir des informations sensorielles et ainsi la fonction comme un module de WM. Pour la récupération d'informationssensorielles de l'activité de réseau après que le stimulus sensoriel n'est plus présent il est impératif que l'état du réseau au moment de la récupération soit corrélé avec son état au moment de la compensation de stimulus. Un extrême, en vue dans les modèles informatiques de WM, est la coexistence d'attracteurs multiples. Dans cette approche la dynamique de réseau a une multitude d'états stables possibles, qui correspondent aux états différents de mémoire et un stimulus peut forcer le réseau à changer à un tel état stable. Autrement, même en absence d'attracteurs multiples, si la dynamique du réseau estchaotique alors les informations sur des événements passés peuvent être extraites de l'état du réseau, à condition que la durée typique de l'autocorrélation (AC) de dynamique neuronale soit assez grande. Dans la première partie de cette thèse, j'étudie un modèle à base d'attracteur de mémoire d'un emplacement spatial, pour examiner le rôle des non-linéarités de courbes de f-I neuronales dans des mécanismes de WM. Je fournis une théorie analytique et des résultats de simulations montrant que ces nonlinéarités, plutôt que les constants de temps synaptic ou neuronal, peuvent être la base de mécanismes de réseau WM. Dans la deuxième partie j'explore des facteurs contrôlant la durée d'ACs neuronales dans ungrand réseau "balanced" affichant la dynamique chaotique. Je développe une théorie de moyen champ (MF) décrivant l'ACs en termes de plusieurs paramètres d'ordre. Alors, je montre qu'en dehors de la proximité au point de transition-à-chaos, qui peut augmenter la largeur de la courbe d'AC, l'existence de motifs de connectivité peut causer des corrélations de longue durée dans l'état du réseau. / One of the most fundamental brain capabilities, that is vital for any high level cognitive function, is to store task-relevant information for short periods of time; this capability is known as working memory (WM). In recent decades there is accumulating evidence of taskrelevant activity in the prefrontal cortex (PFC) of primates during delay periods of delayedresponse tasks, thus implying that PFC is able to maintain sensory information and so function as a WM module. For retrieval of sensory information from network activity after the sensory stimulus is no longer present it is imperative that the state of the network at the time of retrieval be correlated with its state at the time of stimulus offset. One extreme, prominent in computational models of WM, is the co-existence of multiple attractors. In this approach the network dynamics has a multitude of possible steady states, which correspond to different memory states, and a stimulus can force the network to shift to one such steady state. Alternatively, even in the absence of multiple attractors, if the dynamics of the network is chaotic then information about past events can be extracted from the state of the network, provided that the typical time scale of the autocorrelation (AC) of neuronal dynamics is large enough. In the first part of this thesis I study an attractor-based model of memory of a spatial location to investigate the role of non-linearities of neuronal f-I curves in WM mechanisms. I provide an analytic theory and simulation results showing that these nonlinearities, rather than synaptic or neuronal time constants, can be the basis of WM network mechanisms. In the second part I explore factors controlling the time scale of neuronal ACs in a large balanced network displaying chaotic dynamics. I develop a mean-field (MF) theory describing the ACs in terms of several order parameters. Then, I show that apart from the proximity to the transition-to-chaos point, which can increase the width of the AC curve, the existence of connectivity motifs can cause long-time correlations in the state of the network.