PhD Student (2026-10 / 2029-09): Apprentissage auto-supervisé bio-inspiré de la dynamique du contrôle d’une tâche d’interception dans les cortex visuel et moteur

Main publications

• Alexis Gleyo, Laurent U Perrinet (2026). Bio-plausible statistical regularizer for spiking LeJEPA. Flash talk at SNUFA 2026 online workshop (5-6 Nov 2026).

  Cite URL

Mots clés en francais (6)

• processus prédictifs
• modélisation des systèmes dynamiques
• apprentissage auto-supervisé
• perception visuelle
• controle moteur
• boucle sensori-motrice

Résumé

En conditions naturelles, les animaux effectuent des mouvements d’interception rapides pour capturer des proies en mouvement. Ce comportement nécessite d’anticiper le déplacement des proies et il repose sur la capacité du cerveau à compenser les délais neuronaux intrinsèques aux systèmes visuels et moteurs. Cependant, nous n’avons qu’une connaissance partielle sur la façon dont les aires visuelles et motrices interagissent pour relever ce défi. Dans cette thèse, nous étudierons les mécanismes computationnels qui sous-tendent la coordination entre les cortex visuels et moteurs au cours d’une tâche de capture d’un objet physique chez un modèle émergent de primate non humain, le marmouset. Notre objectif sera de comprendre comment la propagation de l’activité au sein de, et entre, ces cartes sous-tend le traitement “en temps réel” des informations visuo-motrices nécessaires au contrôle spatial et temporel de la capture. Grâce au projet MarmoCatch, nous utiliserons les enregistrements neuronaux dans les aires corticales visuelles et motrices à des échelles microscopiques et mésoscopiques en utilisant les enregistrements électrophysiologiques laminaires et l’imagerie optique de composés sensibles au potentiel. L’ensemble de ces données comportementales et neuronales sera analysé à l’aide de méthodes classiques de décodage combinées à des méthodes plus innovantes de réduction des données multidimensionnelles complexes à des systèmes dynamiques interprétables. En parallèle, nous développerons un modèle d’inférence probabiliste de l’anticipation visuo-motrice en étroite coordination avec les données biologiques. À l’aide de ce modèle, nous réaliserons ensuite des prédictions de comment le système réagit à des perturbations introduites dans la tâche, que nous testerons. En résumé, cette thèse va apporter de nouvelles connaissances sur la façon dont le cerveau réalise une fonction vitale, à savoir attraper des objets en mouvement, malgré l’incertitude, le bruit et les délais inhérents à la tâche.

Calendrier

La première année sera consacrée à l’analyse des données neuronales et comportementales à l’aide de méthodes classiques de décodage, ainsi qu’à l’exploration de techniques de réduction dimensionnelle pour extraire des dynamiques interprétables à partir de jeux de données multidimensionnels. En parallèle, le développement du modèle d’inférence probabiliste de l’anticipation visuo-motrice sera initié afin d’établir un cadre théorique pour l’étude des mécanismes computationnels sous-jacents à la coordination visuo-motrice.

L’accent sera mis durant la deuxième année sur la validation et l’affinement du modèle d’inférence probabiliste, en le testant contre les données empiriques et en introduisant des perturbations contrôlées dans la tâche pour évaluer ses prédictions. Une analyse computationnelle approfondie permettra de comparer les résultats du modèle avec les dynamiques neuronales observées, tout en intégrant des méthodes avancées de modélisation pour améliorer sa robustesse et son interprétabilité. La dernière année sera dédiée à l’analyse complète des données, en combinant décodage classique et modélisation dynamique pour consolider les résultats théoriques. Le modèle final sera utilisé pour générer des prédictions sur le comportement du système en réponse à des perturbations, et ces prédictions seront confrontées aux données expérimentales. La synthèse des résultats computationnels sera intégrée dans la rédaction de la thèse, avec un focus sur les implications théoriques pour la compréhension des mécanismes d’anticipation visuo-motrice.

Research experience

• 2025-04 / 2025-07: research internship, BISCUIT team, LORIA (UMR 7503) — robustness of population coding in spiking neural networks to hardware failures.
• 2024-05 / 2024-07: research internship, BISCUIT team, LORIA (UMR 7503) — density function estimation from neural gases, studying the effect of the neural-gas topology on kernel density estimation.
• 2023-06 / 2023-07: research internship, BIRD team, LORIA (UMR 7503) — generative adversarial networks and synthetic data: review and implementation of quality metrics for synthetic datasets generated from personal data.
• 2023-03 / 2023-05: TER project (LDD3 Mathematics and Magistère) — spectra and pseudo-spectra of matrices: proofs, numerical analyses in Python and a statistical study of pseudo-spectra properties.

Skills

• Programming languages: C, C++, Python, OCaml, Java, SQL, MATLAB & Simulink.
• English: Cambridge Certificate of Advanced English (C1), grade B.