NeuroAI: pollinisation croisée entre les Neurosciences et l’Intelligence Artificielle
Présentation
NeuroAI incarne la pollinisation croisée entre les Neurosciences et l’Intelligence Artificielle. D’une part, l’équipe exploite les progrès récents spectaculaires des outils d’IA afin de modéliser plus précisément le traitement cérébral — par exemple, la vision ou les simulations mentales —, d’identifier des motifs dans de vastes ensembles de données fMRI, EEG et MEG, et de les relier aux caractéristiques des stimuli, à la perception, à la cognition, au comportement ou au bien-être. D’autre part, les modèles d’IA récents demeurent des « boîtes noires », encore limitées en termes de généralisation et présentant un coût computationnel considérable (énergie, matériel, données, etc.). Par conséquent, un autre objectif du groupe est de s’inspirer du fonctionnement du cerveau pour concevoir des IA plus interprétables, robustes et frugales — par exemple en intégrant des spikes, des représentations visuelles plus proches de celles de l’humain ou encore une architecture cognitive, vraisemblablement utilisée par le cerveau et connue sous le nom de global workspace.
Projets
Évaluation objective de l’audition et des prothèses auditives via les neurosciences et l’IA
Le Global Latent Workspace: vers des modèles IA plus flexibles
Cobots avec Conversation, Cognition et Perception
Régler les modèles de fondation sur les fréquences cérébrales
L’hypothèse du cerveau Riemannien: vers une géométrie de la cognition façonnée par l’expérience
Une perspective de codage prédictif sur la dynamique cérébrale…
Publications (sélection)
- Béthune, L., et al. (2025). Follow the Energy, Find the Path: Riemannian Metrics from Energy-Based Models. NeuRIPS.
- Ferrante, M., et al. (2025). Evidence for compositionality in fMRI visual representations via Brain Algebra. Communications Biology.
- Schwenk, J.C.B., & Alamia, A. (2025). A hierarchical multiscale model of forward and backward alpha-band traveling waves in the visual system. PLOS Computational Biology.
- Rançon, U., Masquelier, T., Cottereau, B.R. (2025). Temporal recurrence as a general mechanism to explain neural responses in the auditory system. Communications Biology.
- Hammouamri, I., et al. (2024). Learning Delays in Spiking Neural Networks using Dilated Convolutions with Learnable Spacings. ICLR.
- Devillers, B., Maytié, L., & VanRullen, R. (2024). Semi-supervised multimodal representation learning through a global workspace. IEEE Transactions on Neural Networks and Learning Systems.
- Alamia, A., et al. (2024). Oscillatory traveling waves provide evidence for predictive coding abnormalities in schizophrenia. Biological Psychiatry.
- Boutin, V., et al. (2024). Latent Representation Matters: Human-like Sketches in One-shot Drawing Tasks. NeuRIPS.
- Delorme, A. (2023). EEG is better left alone. Scientific Reports.
- Truong, D., et al. (2023). Deep learning applied to EEG data with different montages using spatial attention. IEEE BIBM.
Financements
