La connectivité latérale locale suffit à reproduire une organisation topographique de type cortical dans les réseaux neuronaux profonds

Pourquoi les cartes de type cérébral en IA comptent

Nos cerveaux arrangent les neurones ayant des fonctions similaires les uns à côté des autres, formant des cartes ordonnées pour des éléments tels que les contours, les visages et les lieux. Cette organisation apparaît chez de nombreuses espèces et dans plusieurs régions cérébrales, pourtant les scientifiques débattent encore de son origine et de son mode de formation. Cette étude se demande si une règle de câblage simple — permettre aux neurones voisins de communiquer entre eux — peut amener des réseaux artificiels à développer spontanément des cartes similaires, et si cette organisation confère un avantage pratique aux ordinateurs, par exemple une perception plus robuste dans un environnement bruyant.

Des motifs à la surface du cerveau

Chez les primates, le cortex visuel n’est pas un amas désordonné de cellules. Il est plutôt disposé comme un patchwork où les neurones voisins ont tendance à préférer des caractéristiques d’image similaires. Les régions précoces portent des cartes d’orientation des lignes et de couleur ; les régions plus avancées contiennent des zones spécialisées pour les visages, les corps, les scènes ou les objets du quotidien. Les théories classiques proposent que cet ordre a évolué pour maintenir des connections courtes et efficaces, mais elles supposent souvent des règles d’apprentissage spéciales ou des objectifs ajoutés difficiles à justifier biologiquement. Les auteurs se concentrent plutôt sur un trait anatomique plus basique, largement observé dans le cortex : des connexions latérales courtes reliant des neurones proches, souvent plus fortes entre cellules déjà réagissant de manière similaire.

Construire une feuille corticale virtuelle

Les chercheurs partent d’un modèle de vision profond standard, ResNet18, et réorganisent ses unités de sorte que chacune occupe une position fixe sur une « feuille corticale » bidimensionnelle. Dans chaque couche, ils ajoutent des connexions latérales locales dont l’intensité décroît avec la distance, imitant la façon dont les neurones corticaux proches s’influencent plus que les lointains. Ces liaisons latérales ne sont pas entraînées par descente de gradient ; seuls les poids feedforward habituels le sont. Le modèle apprend ensuite une tâche unique — la reconnaissance d’objets sur un large jeu d’images — en utilisant la rétropropagation standard, sans aucun terme supplémentaire récompensant directement des cartes lisses ou un câblage court.

Des cartes de type cérébral, des contours aux visages

Même avec cette configuration simple, une topographie riche émerge. Dans les couches précoces, les unités forment des cartes lisses d’orientation, de fréquence spatiale et de couleur qui ressemblent à celles enregistrées dans le cortex visuel primaire. Les unités voisines répondent plus de manière similaire que les unités éloignées, et les directions le long desquelles l’orientation et la fréquence spatiale varient tendent à se croiser à angle droit, faisant écho aux données animales détaillées. Lorsque la première couche est rendue plus biologiquement réaliste en supprimant le partage des poids, le modèle retrouve aussi des caractéristiques emblématiques comme les motifs en « pinwheel » des cartes d’orientation. Dans les couches plus profondes, des amas sensibles à des catégories telles que visages, corps et scènes apparaissent en bandes allongées sur la feuille simulée, parallèles aux organisations connues dans le cortex temporal ventral humain. Le modèle reproduit même des divisions plus larges, comme des trajectoires séparées pour les entités animées versus inanimées et pour les objets réels de petite versus grande taille.

Régions cérébrales non explorées et économie de câblage

L’étude va au-delà des points chauds familiers pour sonder des régions dont la fonction est moins bien définie. À l’aide de données d’imagerie cérébrale à haute résolution, les auteurs identifient une zone intermédiaire du cortex humain située entre les aires sélectives pour les visages et pour les lieux. Dans leur modèle, les unités dont l’activité correspond le mieux à cette zone se situent à des positions intermédiaires entre les amas sélectifs pour visages et pour scènes, ce qui suggère que la topographie artificielle se généralise à des territoires encore inexplorés. Ils estiment aussi la longueur effective des connexions entre unités fortement actives à travers les couches. De manière surprenante, les réseaux à connexions latérales aboutissent à une longueur de câblage globale bien plus courte que le réseau non‑topographique d’origine et qu’un modèle antérieur explicitement optimisé pour minimiser le câblage, ce qui implique qu’un apprentissage réaliste peut favoriser des architectures économiques dès lors que l’architecture inclut une structure latérale locale.

Une vision robuste grâce au travail local d’équipe

Une des découvertes les plus intrigantes est fonctionnelle : les cartes regroupées rendent le modèle plus difficile à tromper. Lorsque des images sont délibérément perturbées par de fortes attaques adversariales — de minuscules modifications de pixels conçues pour tromper le classificateur — les réseaux avec connexions latérales locales conservent une précision supérieure au modèle de référence, en particulier lorsque les connexions latérales couvrent un voisinage plus large. Les auteurs interprètent les amas comme des ensembles d’unités similaires qui moyennent le bruit, à l’instar des méthodes d’ensemble en apprentissage automatique. Cela suggère que la topographie peut être plus qu’un câblage ordonné : elle pourrait aussi soutenir une perception stable et fiable en permettant à des groupes de neurones proches de coopérer.

Ce que cela signifie pour les cerveaux et les machines

Ce travail montre que l’ajout simple de connexions latérales locales réalistes à un réseau profond suffit à produire des cartes de type cortical à plusieurs échelles, sans règles d’apprentissage spéciales que les neurones seraient peu susceptibles d’implémenter. En même temps, cette organisation améliore la robustesse et réduit le câblage total, laissant entendre que l’évolution a pu favoriser la topographie à la fois pour l’efficacité et pour une perception fiable. Pour la neuroscience, le modèle offre une recette de circuit unifiée capable d’expliquer des cartes visuelles diverses ; pour l’intelligence artificielle, il indique des architectures qui sont non seulement plus proches du cerveau mais aussi plus résilientes face à des entrées bruyantes ou adversariales.

Citation: Qian, X., Dehghani, A.O., Farahani, A.B. et al. Local lateral connectivity is sufficient for replicating cortex-like topographical organization in deep neural networks. Nat Commun 17, 4042 (2026). https://doi.org/10.1038/s41467-026-70065-3

Mots-clés: topographie corticale, connectivité latérale, réseaux neuronaux profonds, cortex visuel, robustesse aux attaques adversariales