Les réseaux de neurones ont connu un vif regain d’intérêt avec le paradigme de l'apprentissageprofond ou deep learning. Alors que les réseaux dits optimisés, de par l'optimisation des paramètres nécessaires pour réaliser un apprentissage, nécessitent de fortes ressources de calcul, nous nous focalisons ici sur des réseaux de neurones dont l'architecture consiste en une mémoire au contenu adressable, appelées mémoires associatives neuronales. Le défi consiste à permettre la réalisation d'opérations traditionnellement obtenues par des calculs en s'appuyant exclusivement sur des mémoires, afin de limiter le besoin en ressources de calcul. Dans cette thèse, nous étudions une mémoire associative à base de clique, dont le codage neuronal parcimonieux optimise la diversité des données codées dans le réseau. Cette grande diversité permet au réseau à clique d'être plus performant que les autres mémoires associatives dans la récupération des messages stockés en mémoire. Les mémoires associatives sont connues pour leur incapacité à identifier sans ambiguïté les messages qu'elles ont préalablement appris. En effet, en fonction de l'information présente dans le réseau et de son codage, une mémoire peut échouer à retrouver le résultat recherché. Nous nous intéressons à cette problématique et proposons plusieurs contributions afin de réduire les ambiguïtés dans le réseau. Ces réseaux à clique sont en outre incapables de récupérer une information au sein de leurs mémoires si le message à retrouver est inconnu. Nous proposons une réponse à ce problème en introduisant une nouvelle mémoire associative à base de clique qui conserve la capacité correctrice du modèle initial tout en étant capable de hiérarchiser les informations. La hiérarchie s'appuie sur une transformation surjective bidirectionnelle permettant de généraliser une entrée inconnue à l'aide d'une approximation d'informations apprises. La validation expérimentale des mémoires associatives est le plus souvent réalisée sur des données artificielles de faibles dimensions. Dans le contexte de la vision par ordinateur, nous présentons ici les résultats obtenus avec des jeux de données plus réalistes etreprésentatifs de la littérature, tels que MNIST, Yale ou CIFAR. / The neural networks have gained a renewed interest through the deep learning paradigm. Whilethe so called optimised neural nets, by optimising the parameters necessary for learning, require massive computational resources, we focus here on neural nets designed as addressable content memories, or neural associative memories. The challenge consists in realising operations, traditionally obtained through computation, exclusively with neural memory in order to limit the need in computational resources. In this thesis, we study an associative memory based on cliques, whose sparse neural coding optimises the data diversity encoded in the network. This large diversity allows the clique based network to be more efficient in messages retrieval from its memory than other neural associative memories. The associative memories are known for their incapacity to identify without ambiguities the messages stored in a saturated memory. Indeed, depending of the information present in the network and its encoding, a memory can fail to retrieve a desired result. We are interested in tackle this issue and propose several contributions in order to reduce the ambiguities in the cliques based neural network. Besides, these cliques based nets are unable to retrieve an information within their memories if the message is unknown. We propose a solution to this problem through a new associative memory based on cliques which preserves the initial network's corrective ability while being able to hierarchise the information. The hierarchy relies on a surjective and bidirectional transition to generalise an unknown input with an approximation of learnt information. The associative memories' experimental validation is usually based on low dimension artificial dataset. In the computer vision context, we report here the results obtained with real datasets used in the state-of-the-art, such as MNIST, Yale or CIFAR.

Les travaux développés dans cette thèse s’intéressent à l’analyse fine des véhicules à partir d’une image. Nous définissons le terme d’analyse fine comme un regroupement des concepts suivants : la détection des véhicules dans l’image, l’estimation de leur point de vue (ou orientation), la caractérisation de leur visibilité, leur localisation 3D dans la scène et la reconnaissance de leur marque et de leur modèle. La construction de solutions fiables d’analyse fine de véhicules laisse place à de nombreuses applications notamment dans le domaine du transport intelligent et de la vidéo surveillance.Dans ces travaux, nous proposons plusieurs contributions permettant de traiter partiellement ou complètement cette problématique. Les approches mises en oeuvre se basent sur l’utilisation conjointe de l’apprentissage profond et de modèles 3D de véhicule. Dans une première partie, nous traitons le problème de reconnaissance de marques et modèles en prenant en compte la difficulté de la création de bases d’apprentissage. Dans une seconde partie, nous investiguons une méthode de détection et d’estimation du point de vue précis en nous basant sur l’extraction de caractéristiques visuelles locales et de la cohérence géométrique. La méthode utilise des modèles mathématiques uniquement appris sur des données synthétiques. Enfin, dans une troisième partie, un système complet d’analyse fine de véhicules dans le contexte de la conduite autonome est proposé. Celui-ci se base sur le concept d’apprentissage profond multi-tâches. Des résultats quantitatifs et qualitatifs sont présentés tout au long de ce manuscrit. Sur certains aspects de l’analyse fine de véhicules à partir d’une image, ces recherches nous ont permis de dépasser l’état de l’art. / In this thesis, we are interested in fine-grained analysis of vehicle from an image. We define fine-grained analysis as the following concepts : vehicle detection in the image, vehicle viewpoint (or orientation) estimation, vehicle visibility characterization, vehicle 3D localization and make and model recognition. The design of reliable solutions for fine-grained analysis of vehicle open the door to multiple applications in particular for intelligent transport systems as well as video surveillance systems. In this work, we propose several contributions allowing to address partially or wholly this issue. Proposed approaches are based on joint deep learning technologies and 3D models. In a first section, we deal with make and model classification keeping in mind the difficulty to create training data. In a second section, we investigate a novel method for both vehicle detection and fine-grained viewpoint estimation based on local apparence features and geometric spatial coherence. It uses models learned only on synthetic data. Finally, in a third section, a complete system for fine-grained analysis is proposed. It is based on the multi-task concept. Throughout this report, we provide quantitative and qualitative results. On several aspects related to vehicle fine-grained analysis, this work allowed to outperform state of the art methods.

Les douleurs oculaires aiguës et chroniques sont parmi les plus invalidantes et les plus difficiles à traiter. Elles touchent plus particulièrement la cornée, tissu le plus innervé et le plus sensible du corps humain. Cette riche innervation provient des neurones sensoriels primaires localisés dans le ganglion trijumeau (GT) qui transmettent directement l'information douloureuse au niveau du complexe sensitif du trijumeau (CST). Cependant, les mécanismes physiopathologiques de la douleur oculaire de nature neurogène et/ou inflammatoire demeurent de nos jours encore mal connus. Un approfondissement des connaissances fondamentales sur l'anatomie du système nociceptif cornéen mais aussi sur les mécanismes cellulaires et moléculaires impliqués dans l'initiation et la chronicisation de la douleur oculaire, sont donc indispensables à l'amélioration des thérapies actuelles. Dès lors, les travaux de cette thèse se sont donc orientés sur deux axes principaux ; 1) approfondir les connaissances neuroanatomiques du système nociceptif cornéen en établissant la première cartographie tridimensionnelle des neurones cornéens au sein du GT ; 2) étudier les conséquences neuro-inflammatoires des voies trigéminées cornéennes (cornée, GT et CST) dans un modèle murin de douleur oculaire induit par des instillations chroniques de chlorure de benzalkonium (conservateur neurotoxique). Dans l'ensemble, nos travaux expérimentaux montrent qu'une lésion cornéenne chez la souris induit une neuro-inflammation qui se propage de la périphérie jusqu'au système nerveux central, et offrent de nouvelles perspectives thérapeutiques pour les patients atteints de douleurs oculaires aiguës ou chroniques. / Acute and chronic eye pain are among the most debilitating and difficult to treat. They particularly affect the cornea, the most innervated and most sensitive tissue of the human body. Corneal innervation comes from primary sensory neurons localized in the trigeminal ganglion (TG) that directly transmit pain information to the trigeminal sensory complex (TSC). However, pathophysiological mechanisms of ocular pain with neurogenic and /or inflammatory type remain poorly understood. Deeper fundamental knowledge about the anatomy of the corneal nociceptive system and the cellular and molecular mechanisms involved in the initiation and chronicity of eye pain, are essential to improving current therapies. Therefore, the work of this thesis are focused on two main topic: 1) expand our current knowledge about the neuroanatomy of the corneal nociceptive system by establishing the first three-dimensional mapping of corneal neurons within the TG; 2) study the neuro-inflammatory consequences in the corneal trigeminal pathways (cornea, TG and TSC) in a murine model of ocular pain induced by chronic instillations of benzalkonium chloride (neurotoxic preservative). Overall, our experimental work reveals that a corneal lesion in mice induces neuroinflammation that spreads from the periphery to the central nervous system, and offer new therapeutic opportunities for patients with acute or chronic eye pain.

De nos jours, les réseaux de neurones artificiels sont largement utilisés dans de nombreusesapplications telles que le traitement d’image ou du signal. Récemment, un nouveau modèlede réseau de neurones a été proposé pour concevoir des mémoires associatives, le GBNN(Gripon-Berrou Neural Network). Ce modèle offre une capacité de stockage supérieure àcelle des réseaux de Hopfield lorsque les informations à mémoriser ont une distributionuniforme. Des méthodes améliorant leur performance pour des distributions non-uniformesainsi que des architectures matérielles mettant en œuvre les réseaux GBNN ont étéproposés. Cependant, ces solutions restent très coûteuses en ressources matérielles, et lesarchitectures proposées sont restreintes à des réseaux de tailles fixes et sont incapables depasser à l’échelle.Les objectifs de cette thèse sont les suivants : (1) concevoir des modèles inspirés du modèle GBNN et plus performants que l’état de l’art, (2) proposer des architectures moins coûteusesque les solutions existantes et (3) concevoir une architecture générique configurable mettanten œuvre les modèles proposés et capable de manipuler des réseaux de tailles variables.Les résultats des travaux de thèse sont exposés en plusieurs parties. Le concept de réseaux àclones de neurone et ses différentes instanciations sont présentés dans un premier temps. Cesréseaux offrent de meilleures performances que l’état de l’art pour un coût mémoireidentique lorsqu’une distribution non-uniforme des informations à mémoriser estconsidérée. Des optimisations de l’architecture matérielle sont ensuite introduites afin defortement réduire le coût en termes de ressources. Enfin, une architecture générique capablede passer à l’échelle et capable de manipuler des réseaux de tailles variables est proposée. / Nowadays, artificial neural networks are widely used in many applications such as image and signal processing. Recently, a new model of neural network was proposed to design associative memories, the GBNN (Gripon-Berrou Neural Network). This model offers a storage capacity exceeding those of Hopfield networks when the information to be stored has a uniform distribution. Methods improving performance for non-uniform distributions and hardware architectures implementing the GBNN networks were proposed. However, on one hand, these solutions are very expensive in terms of hardware resources and on the other hand, the proposed architectures can only implement fixed size networks and are not scalable. The objectives of this thesis are: (1) to design GBNN inspired models outperforming the state of the art, (2) to propose architectures cheaper than existing solutions and (3) to design a generic architecture implementing the proposed models and able to handle various sizes of networks. The results of these works are exposed in several parts. Initially, the concept of clone based neural networks and its variants are presented. These networks offer better performance than the state of the art for the same memory cost when a non-uniform distribution of the information to be stored is considered. The hardware architecture optimizations are then introduced to significantly reduce the cost in terms of resources. Finally, a generic scalable architecture able to handle various sizes of networks is proposed.

Les ganglions de la base (BG) sont un ensemble de noyaux qui contrôle des taches fondamentales de la vie quotidienne, notamment le control des mouvements, ainsi que l’apprentissage et le reward. En particulier, le striatum est le noyau principal des BG et le majeur relais d’input. Il est formé par deux sous-types de neurones de projection (SPN) qui modulent l’activité de sortie des BG directement (dSPN) ou indirectement (iSPN) via d’autres structures. Les deux populations sont intermelangés, ce qui permet l’activation parallèle des deux voies. Une perte d’équilibre entre l’activité des dSPN et des iSPN est partie de l’étiologie de plusieurs neuropathies des BG, y compris la maladie de Parkinson et celle de Huntington. Malgré l’importance fonctionnelle de ces neurones, on a une connaissance très incomplète de comment les deux sous-types sont spécifiés au cours du développement; de plus, la question de comment les deux sous-types se mélangent pour former l’architecture fonctionnelle du striatum reste à élucider. Utilisant une combinaison unique d’outils génétiques disponible dans la souris, j’ai montré que les dSPN et iSPN sont spécifiés dés très tôt et diffèrent dans leur distribution dans le striatum embryonnaire pour s’intermélanger progressivement. De plus, je montre que ce processus de mélange repose sur l’expression du facteur de transcription Ebf1, un gène qui est exprimé spécifiquement dans le dSPN et contrôle aussi l’intégration de ces derniers dans les circuits des BG. Mes résultats fournissent un nouveau contexte pour investiguer les mécanismes moléculaires qui contrôlent l’assemblage du striatum et donnent des informations essentielles pour la génération de neurones striataux in vitro. Une autre population des BG, les neurones du corridor, ont la même origine que les SPN; cependant, au lieu de migrer vers le striatum, ces neurones forment une structure provisoire qui est cruciale pour former la capsule interne, un des majeurs faisceaux d’axones dans le cerveau des mammifères. Malgré leur importance pour le développement de la connectivité cérébrale, on ne sait pas si ces neurones jouent aussi un rôle dans le cerveaux adulte. À travers une combinaison de fate mapping génétique et d’analyse moléculaire à différent stades du développement, je montre que ces neurones contribuent à des noyaux spécifiques de l’amygdale étendue, une structure impliquée dans le control de la peur et de l’anxiété. Ces résultats montrent que les neurones du corridor pourraient contribuer à la régulation de l’anxiété et améliorent notre connaissance sur la formation de ces structures, qui sont très conservés au cours de l’évolution et qui ont un grand intérêt pathologique. Pris dans l’ensemble, mes résultats fournissent non seulement des nouvelles et très importantes informations sur la façon dont les circuits des BG sont formés, mais déterminent un nouveau cadre conceptuel pour investiguer le développement et la connectivité du cerveau antérieur. / Basal ganglia (BG) are a set of brain nuclei that control crucial aspects of everyday life such as motor control, habit learning and reward. In particular, the striatum is the biggest nucleus and input station of BG. It is formed by two subsets of projection neurons (SPN) that modulate BG output activity either directly (dSPN) or indirectly via other BG structures (iSPN). The two populations are intermixed, allowing parallel activation of the two pathways. Impaired balance of dSPN and iSPN activity is part of the aetiology of many BG neuropathies, including Parkinson’s and Huntington’s diseases; however, to date we have poor knowledge on how the two subtypes are specified and how they intermix during development. Using a unique combination of mouse genetic tools, here I show that dSPN and iSPN are specified early as independent populations, have different early distribution and gradually intermix. Moreover, I show that the process of intermix relies on expression of transcription factor Ebf1 in dSPN, a gene that also controls dSPN ability to integrate in BG circuits. These findings provide a new framework to investigate the molecular mechanisms controlling striatal mosaic assembly and will provide instrumental to generate fully formed striatal neurons in vitro. Another BG population, corridor neurons, shares common origin with SPN; however, instead of migrating toward the striatum, these cells form a transient corridor (Co) that is crucial for the formation of the internal capsule, a major axonal pathway in mammals. Despite their importance for brain wiring, whether Co cells also play a role in the adult brain is unknown. Through a combination of genetic fate map and in vivo timecourse, I surprisingly show that these cells participate to specific nuclei of the central extended amygdala, a structure implicated in anxiety and fear response. This finding indicates that Co neurons might contribute to anxiety regulation and sheds new light on the formation of evolutionarily conserved structures of great behavioral and clinical interest. Taken together, my findings not only provide new and critical information on neuronal migration and circuit formation in the BG, but also a new conceptual framework to investigate the formation of nuclear structures of the anterior brain.

Cette thèse porte sur le diagnostic d’un moteur diesel vingt cylindres entraînant un groupe électrogène de secours de centrale nucléaire. L’objectif est de réaliser un diagnostic de ce moteur à partir d’une mesure des fluctuations de vitesse du vilebrequin. L’étude s’est focalisée sur les défauts affectant le processus de combustion. Du fait des dimensions imposantes du moteur, les premiers modes de torsion du vilebrequin sont situés dans les basses fréquences. La superposition des ondes de torsion au déplacement du vilebrequin en tant que corps rigide complique considérablement l’analyse du signal. Peu de travaux ont ainsi été entrepris sur un moteur aussi gros. Dans cette thèse, un modèle dynamique en torsion du vilebrequin sous l’hypothèse d’élasticité de celui-ci est tout d’abord établi. Les paramètres de ce modèle sont optimisés afin de reproduire au mieux la réponse en vitesse réelle du vilebrequin. Une méthode de diagnostic originale basée sur une reconnaissance de formes du signal de vitesse est ensuite proposée. En effet, du fait de l’excitation des premiers modes de torsion, la réponse en vitesse du système présente une signature distincte en fonction du cylindre défectueux. Les formes types, représentatives des différents modes de fonctionnement du moteur, sont obtenues à partir du modèle précédemment établi et non à partir d’essais expérimentaux constituant ainsi la principale originalité de ce travail. Les résultats obtenus en phase opérationnelle sont encourageants. Un défaut réel de combustion a été correctement diagnostiqué incluant la détection du défaut, la localisation du cylindre défectueux ainsi que la quantification de la sévérité du défaut / This thesis deals with the diagnosis of a powerful 20-cylinder diesel engine which runs a generator set in a nuclear plant. The objective is to make a diagnosis by analyzing the crankshaft angular speed variations. Only combustion related faults are investigated. As the engine is very large, the first crankshaft natural modes are in the low frequencies. Torsional vibrations of the flexible crankshaft strongly complicate the analysis of the angular speed variations. Little attention has been paid to such large engines in the literature. First, a dynamical model with the assumption of a flexible crankshaft is established. The parameters of the model are optimized with the help of actual data. Then, an original automated diagnosis based on pattern recognition of the angular speed waveforms is proposed. Indeed, any faulty cylinder in combustion stroke will distort the angular speed waveform in a specific way which depends on its location with respect to nodes and anti-nodes of the modes. Reference patterns, representative of the engine conditions, are computed with the model constituting the main originality of this work. Promising results are obtained in operational phase. An experimental fuel leakage fault was correctly diagnosed, including detection and localization of the faulty cylinder and an indication of the severity of the fault

Pas de résumé en français / The cortex can be viewed as a network of functional areas. A cortical area, composed ofneurons forming local connections, interacts with other areas via long distance connections.Each neuron receives multiple inputs and has to integrate the incoming signals. This integrativecapacity is the basis of the computational power of the brain. Our work concentrates onunderstanding the principles that govern the structure of the cortical network i.e. the allocationof neural resources as well as the anatomical segregation between processing steams. Usingretrograde tracer injections we extract two quantitative parameters: (i) the proportion ofSupragranular Labelled Neurons (SLN) identifies the feedforward (FF) or feedback (FB)operation between the source and target area; (ii) the Fraction of Labelled Neurons (FLN)identifies the magnitude of a connection pathway.We have made repeat injections in V1, V2, V4 to investigate the consistency of corticalpathways. This showed that (i) connection weights are consistent between animals; (ii) the listof areas projecting to each injection site is highly reproducible. We find that there are fixedFLN values for each pair of interconnected areas. The FLN values of all the afferent pathwaysto a given target span over a factor of 6 levels of log and although there is some overdispersiontheir variability is not larger than one single level of log meaning that there is a specificconnectivity profile for each area. Futermore the FLN follow a lognormal distribution. Inlognormals the mode is lower than the median and the mean i.e. the majority of pathways haveFLN weaker than the average FLN, meaning that strong projections are rare. If instead thedistribution of FLN was to follow a power law, then high FLN values would have been evenrarer. We found, a regularity in that the strongest input is invariably from within the injectedarea, second strongest are the inputs from areas sharing common borders with the target area.Sub-cortical inputs have a weak FLN, even when they are associated with an importantfunctional role such as the LGN → V1 pathway. We found that projection distance is inverselyrelated to the FLN value and an exponential distance rule operates that constrains short distanceprojections to high FLN and long distance projections to low FLN.We injected a total of 26 cortical areas homogenously distributed across the cortex. Thisrevealed 1232 projection pathways. Roughly 30% of pathways that we reveal have notpreviously been reported in the literature. Our ability to find new connections is due to theimproved tracing and brain segmentation techniques. We scan the whole brain at up to 80μmintervals to detect projection neurons, and this, as discussed in the text, is a major advantage toexisting studies. The weak long distance connections were shown to contract the characteristicpath-length of the graph (number of hops needed to go between any two areas).Our analysis of the graph showed that contrary to current belief the cortical inter-areal networkis dense (i.e. 58% of the connection that could exist do exist). At such a density, models basedon binary features such as small world cannot capture the specificity of the graph. Hence thecortex does not correspond small–world network, with sparse clustered graph possessingempowered by few critical projecitons that ensure short characteristic path-lengths. Furtheranalysis of pathway efficiency showed that the short distance connections of high magnitudeprovide large bandwidth for local connectivity and form a backbone of clustered functionallyrelated areas. This backbone is embedded in a sea of weak connections providing direct linksbetween cortical areas. We refer to this architecture as a tribal–network. We speculate that thesmall scale and high density that characterize the cortico-cortical network is facilitating theemergence of synchrony between cortical areas.

Comprendre les mécanismes mis en place au sein du système nerveux pour générer des répertoires locomoteurs complexes reste l'un des grands défis des neurosciences systémiques. Le travail présenté dans ce manuscrit vise à comprendre comment les neurones de la moelle épinière contribuent à la production et à la modulation de l'activité locomotrice. Pour répondre à ce problème, nous utilisons le poisson-zèbre comme organisme modèle et avons développé de nouvelles approches génétiques et optiques afin de disséquer l'architecture du circuit formé par une classe de neurones sensoriels de la moelle et qui est conservée chez tous les vertébrés. Ces neurones sont appelés les neurones au contact du liquide céphalo-rachidien (Nc-LCR) et nous proposons de sonder leur(s) fonction(s) in vivo. Ces neurones sensoriels forment une interface unique entre le liquide céphalo-rachidien et le réseau de neurones impliqué dans le contrôle du mouvement dans la moelle épinière. Cependant, leur diagramme de connectivité demeure complètement inconnu. Afin de comprendre comment ces " Nc-LCR ou CSF-cNs " modulent la locomotion chez les vertébrés, nous avons développé un projet combinant des approches génétiques, électrophysiologiques, d'imagerie, et d'analyse du comportement, afin de cartographier le circuit qu'elles forment avec les neurones de la moelle épinière. Nos résultats montrent que les CSF-cNs projettent sur de nombreux éléments du centre générateur de rythme de la moelle. Notre approche révèle également la capacité des CSF-cNs à moduler la locomotion selon l'état dans lequel se trouve l'animal, une propriété caractéristique des circuits proprioceptifs dans la moelle épinière. / Understanding how the central nervous system generates motor sequences, coordinates limbs and body orientation in an ever-changing environment, while adapting to sensory cues remains a central question in the field of systems neuroscience. The work presented here aims to understand how local sensory neurons in the spinal cord contribute to the production and/ or the modulation of locomotor activity. We focused our work on a conserved class of spinal sensory neurons termed cerebrospinal fluid contacting neurons (CSF-cNs). These neurons lie at the interface between the CSF and spinal interneurons controlling motor output and represent an interesting yet poorly understood sensorimotor loop in the vertebrate spinal cord. However, the connectivity of CSF-cNs remains completely uncharacterized. To understand how CSF-cNs modulate locomotion in vertebrates, we combined genetics, imaging, optogenetics, electrophysiology, and behavior analysis to map the functional connectivity of these sensory neurons and test their function in the zebrafish larva. Our results demonstrate that CSF-cNs target several elements thought to be part of the locomotor central pattern generator in zebrafish, including glutamatergic spinal neurons involved in slow and fast swimming. We show that CSF-cNs can modulate the duration and occurrence of spontaneous locomotor events in a state dependent manner and tune the frequency of evoked fast escape responses. Altogether our work dissecting sensorimotor integration in the spinal cord bridged single cell function in vivo to behavior in zebrafish and should contribute to a better understanding of the role of sensory feedback during locomotion in vertebrates.

Les neurones sensoriels réagissent à des stimuli externes en émettant des séquences de potentiels d’action (“spikes”). Ces spikes transmettent collectivement de l’information sur le stimulus en formant des motifs spatio-temporels qui constituent le code neural. On observe expérimentalement que ces motifs se produisent de façon irrégulière, mais avec une structure qui peut être mise en évidence par l’utilisation de descriptions probabilistes et de méthodes statistiques. Cependant, la caractérisation statistique des données expérimentales présente plusieurs contraintes majeures: en dehors de celles qui sont inhérentes aux statistiques empiriques comme la taille de l’échantillonnage, ‘le’ modèle statistique sous-jacent est inconnu. Dans cette thèse, nous abordons le problème d’un point de vue complémentaire à l’approche expérimentale. Nous nous intéressons à des modèles neuro-mimétiques permettant d’étudier la statistique collective des potentiels d’action et la façon dont elle dépend de l’architecture et l’histoire du réseau ainsi que du stimulus. Nous considérons tout d’abord un modèle de type Intègre-et-Tire à conductance incluant synapses électriques et chimiques. Nous montrons que la statistique des potentiels d’action est caractérisée par une distribution non stationnaire et de mémoire infinie, compatible avec les probabilités conditionnelles (left interval-specification), qui est non-nulle et continue, donc une distribution de Gibbs. Nous présentons ensuite une méthode qui permet d’unifier les modèles dits d’entropie maximale spatio-temporelle (dont la mesure invariante est une distribution de Gibbs dans le sens de Bowen) et les modèles neuro-mimétiques, en fou / Sensory neurons respond to external stimulus using sequences of action potentials (“spikes”). They convey collectively to the brain information about the stimulus using spatio-temporal patterns of spikes (spike trains), that constitute a “neural code”. Since spikes patterns occur irregularly (yet highly structured) both within and over repeated trials, it is reasonable to characterize them using statistical methods and probabilistic descriptions. However, the statistical characterization of experimental data presents several major constraints: apart from those inherent to empirical statistics like finite size sampling, ‘the’ underlying statistical model is unknown. In this thesis we adopt a complementary approach to experiments. We consider neuromimetic models allowing the study of collective spike trains statistics and how it depends on network architecture and history, as well as on the stimulus. First, we consider a conductance-based Integrate-and-Fire model with chemical and electric synapses. We show that the spike train statistics is characterized by non-stationary, infinite memory, distribution consistent with conditional probabilities (Left interval specifications), which is continuous and non null, thus a Gibbs distribution. Then, we present a novel method that allows us to unify spatio-temporal Maximum Entropy models (whose invariant measure are Gibbs distributions in the Bowen sense) and neuro-mimetic models, providing a solid ground towards biophysical explanation of spatio-temporal correlations observed in experimental data. Finally, using these tools, we discuss the stimulus response of retinal ganglion cells, and the possible generalization of the co

Cette thèse s'intéresse aux mécanismes permettant de faciliter l'acquisition autonome de comportements chez les êtres vivants et propose d'utiliser ces mécanismes dans le cadre de tâches robotiques. Des réseaux de neurones artificiels sont utilisés pour modéliser certaines structures cérébrales, à la fois afin de mieux comprendre le fonctionnement de ces structures dans le cerveau des mammifères et pour obtenir des algorithmes robustes et adaptatifs de contrôle en robotique.Les travaux présentés se basent sur un modèle de l'hippocampe permettant d'apprendre des relations temporelles entre des événements perceptifs. Les neurones qui forment le substrat de cet apprentissage, appelés cellules de transition, permettent de faire des prédictions sur les événements futurs que le robot pourrait rencontrer. Ces transitions servent de support à la construction d'une carte cognitive, située dans le cortex préfrontal et/ou pariétal. Cette carte peut être apprise lors de l'exploration d'un environnement inconnu par un robot mobile et ensuite utilisée pour planifier des chemins lui permettant de rejoindre un ou plusieurs buts.Outre leur utilisation pour la construction d'une carte cognitive, les cellules de transition servent de base à la conception d'un modèle d'apprentissage par renforcement. Une implémentation neuronale de l'algorithme de Q-learning, utilisant les transitions, est réalisée de manière biologiquement plausible en s'inspirant des ganglions de la base. Cette architecture fournit une stratégie de navigation alternative à la planification par carte cognitive, avec un apprentissage plus lent, et correspondant à une stratégie automatique de bas-niveau. Des expériences où les deux stratégies sont utilisées en coopération sont réalisées et des lésions du cortex préfrontal et des ganglions de la base permettent de reproduire des résultats expérimentaux obtenus chez les rats.Les cellules de transition peuvent apprendre des relations temporelles précises permettant de prédire l'instant où devrait survenir un événement. Dans un modèle des interactions entre l'hippocampe et le cortex préfrontal, nous montrons comment ces prédictions peuvent expliquer certains enregistrements in-vivo dans ces structures cérébrales, notamment lorsqu'un rat réalise une tâche durant laquelle il doit rester immobile pendant 2 secondes sur un lieu but pour obtenir une récompense. L'apprentissage des informations temporelles provenant de l'environnement et du comportement permet de détecter des régularités. A l'opposé, l'absence d'un événement prédit peut signifier un échec du comportement du robot, qui peut être détecté et utilisé pour adapter son comportement en conséquence. Un système de détection de l'échec est alors développé, tirant parti des prédictions temporelles fournies par l'hippocampe et des interactions entre les aspects de modulation comportementale du cortex préfrontal et d'apprentissage par renforcement dans les ganglions de la base. Plusieurs expériences robotiques sont conduites dans lesquelles ce signal est utilisé pour moduler le comportement d'un robot, dans un premier temps de manière immédiate, afin de mettre fin aux actions du robot qui le mènent à un échec et envisager d'autres stratégies. Ce signal est ensuite utilisé de manière plus permanente pour moduler l'apprentissage des associations menant à la sélection d'une action, afin que les échecs répétés d'une action dans un contexte particulier fassent oublier cette association.Finalement, après avoir utilisé le modèle dans le cadre de la navigation, nous montrons ses capacités de généralisation en l'utilisant pour le contrôle d'un bras robotique. Ces travaux constituent une étape importante pour l'obtention d'un modèle unifié et générique permettant le contrôle de plates-formes robotiques variés et pouvant apprendre à résoudre des tâches de natures différentes. / This thesis takes interest in the mechanisms facilitating the autonomous acquisition of behaviors in animals and proposes to use these mechanisms in the frame of robotic tasks. Artificialneural networks are used to model cerebral structures, both to understand how these structureswork and to design robust and adaptive algorithms for robot control.The work presented here is based on a model of the hippocampus capable of learning thetemporal relationship between perceptive events. The neurons performing this learning, calledtransition cells, can predict which future events the robot could encounter. These transitionssupport the building of a cognitive map, located in the prefrontal and/or parietal cortex. The mapcan be learned by a mobile robot exploring an unknown environment and then be used to planpaths in order to reach one or several goals.Apart from their use in building a cognitive map, transition cells are also the basis for thedesign of a model of reinforcement learning. A biologically plausible neural implementation ofthe Q-learning algorithm, using transitions, is made by taking inspiration from the basal ganglia.This architecture provides an alternative strategy to the cognitive map planning strategy. Thereinforcement learning strategy requires a longer learning period but corresponds more to an automatic low-level behavior. Experiments are carried out with both strategies used in cooperationand lesions of the prefrontal cortex and basal ganglia allow to reproduce experimental resultsobtained with rats.Transition cells can learn temporally precise relations predicting the exact timing when anevent should be perceived. In a model of interactions between the hippocampus and prefrontalcortex, we show how these predictions can explain in-vivo recordings in these cerebral structures, in particular when rat is carrying out a task during which it must remain stationary for 2seconds on a goal location to obtain a reward. The learning of temporal information about theenvironment and the behavior of the robot allows the system to detect regularity. On the contrary, the absence of a predicted event can signal a failure in the behavior of the robot, whichcan be detected and acted upon in order to modulate the failing behavior. Consequently, a failure detection system is developed, taking advantage of the temporal predictions provided by thehippocampus and the interaction between behavior modulation functions in the prefrontal cortexand reinforcement learning in the basal ganglia. Several robotic experiments are conducted, inwhich the failure signal is used to modulate, immediately at first, the behavior of the robot inorder to stop selecting actions which lead to failures and explore other strategies. The signal isthen used in a more lasting way by modulating the learning of the associations leading to theselection of an action so that the repeted failures of an action in a particular context lead to thesuppression of this association.Finally, after having used the model in the frame of navigation, we demonstrate its generalization capabilities by using it to control a robotic arm in a trajectory planning task. This workconstitutes an important step towards obtaining a generic and unified model allowing the controlof various robotic setups and the learning of tasks of different natures.