Théorie des systèmes d’apprentissage complémentaires (CLS) de la mémoire – James L. McClelland, Bruce McNaughton et Randall O’Reilly

La question de savoir comment le cerveau parvient à acquérir continuellement de nouvelles connaissances sans effacer de manière catastrophique le répertoire des compétences et souvenirs préalablement consolidés constitue l’une des énigmes les plus vertigineuses des sciences cognitives et de la neurobiologie. Durant les années 1980 et le début des années 1990, l’essor des modèles connexionnistes et des réseaux de neurones artificiels a mis en lumière une vulnérabilité théorique majeure : l’apprentissage séquentiel par rétropropagation du gradient provoquait systématiquement un effondrement complet des poids synaptiques anciens au profit des stimuli récents, un phénomène formalisé sous le terme d’interférence ou d’oubli catastrophique. Cette impasse computationnelle contrastait de manière flagrante avec la remarquable plasticité du cerveau des mammifères, capable d’enregistrer instantanément un épisode autobiographique singulier tout en maintenant intactes des structures sémantiques et conceptuelles échafaudées au fil de décennies d’expérience.

C’est précisément pour surmonter cette aporie fondamentale que James L. McClelland, Bruce L. McNaughton et Randall C. O’Reilly ont formulé, dans leur article fondateur de 1995 publié au sein de la Psychological Review, la théorie des systèmes d’apprentissage complémentaires (Complementary Learning Systems ou CLS). S’appuyant sur une synthèse magistrale entre données neuropsychologiques lésionnelles, électrophysiologie cellulaire et modélisation connexionniste formelle, les auteurs ont proposé une division computationnelle du travail mnésique entre deux structures cérébrales interdépendantes : le complexe hippocampique, optimisé pour l’encodage rapide, parcimonieux et contextuel d’épisodes uniques, et le néocortex, voué à l’assimilation lente, statistique et distribuée des invariants régissant notre environnement. En posant que le cerveau résout le dilemme de la stabilité et de la plasticité par l’interaction dynamique de ces deux architectures aux dynamiques temporelles orthogonales, la théorie CLS a posé les jalons d’un nouveau paradigme.

Trois décennies après sa formulation princeps, le cadre théorique CLS demeure le socle conceptuel incontournable pour appréhender la consolidation mnésique des systèmes, la réactivation neuronale lors des phases de sommeil, ainsi que la conception d’algorithmes modernes d’intelligence artificielle luttant contre l’oubli continu. Cet article propose une exploration approfondie et exhaustive de la théorie CLS : depuis ses racines historiques et mathématiques jusqu’à ses prolongements contemporains à l’intersection des neurosciences computationnelles et de l’apprentissage machine de pointe, en disséquant minutieusement l’architecture fonctionnelle de l’hippocampe, les propriétés de généralisation du manteau néocortical, et la symphonie électrophysiologique qui orchestre leur dialogue incessant.

1. Introduction aux fondements de la théorie des systèmes d’apprentissage complémentaires (CLS)

1.1 Contexte historique et émergence du modèle en 1995

L’émergence de la théorie des systèmes d’apprentissage complémentaires en 1995 s’inscrit au cœur d’un moment charnière de l’histoire des sciences cognitives. À la fin des années 1980, le paradigme connexionniste connaissait une renaissance spectaculaire sous l’impulsion du groupe de recherche sur le traitement distribué en parallèle (Parallel Distributed Processing ou PDP), mené notamment par David Rumelhart et James McClelland. Ces réseaux de neurones multicouches, entraînés par l’algorithme de rétropropagation du gradient, démontraient une aptitude remarquable à extraire des régularités statistiques complexes, à modéliser l’acquisition du langage et à opérer des inférences inductives robustes grâce à des représentations internes distribuées. Cependant, un écueil empirique et théorique majeur est rapidement venu ébranler l’enthousiasme de la communauté computationnelle : l’incapacité radicale de ces réseaux à gérer l’apprentissage séquentiel.

Les travaux fondateurs de McCloskey et Cohen (1989), confirmés et approfondis par Ratcliff (1990), ont mis en évidence le phénomène d’interférence catastrophique. Lorsqu’un réseau de neurones artificiels standard, ayant appris à maîtriser un ensemble de patrons (par exemple, des tables d’arithmétique ou des classifications catégorielles), était soumis à une nouvelle série de données sans que les anciennes ne lui soient continuellement représentées en simultané, les modifications des poids synaptiques requises pour assimiler les nouvelles informations écrasaient immédiatement et intégralement les configurations de connectivité antérieures. Le réseau « oubliait » instantanément ce qu’il savait faire, subissant une amnésie globale foudroyante. Ce comportement constituait une réfutation brutale de la plausibilité biologique de ces modèles unifiés, car aucun être humain n’oublie soudainement l’intégralité de la syntaxe de sa langue maternelle lorsqu’il apprend le lexique d’un nouvel idiome ou retient le prénom d’une nouvelle connaissance.

C’est dans ce contexte de crise paradigmatique qu’est survenue la publication de l’article de McClelland, McNaughton et O’Reilly en 1995, intitulé Why there are complementary learning systems in the hippocampus and neocortex: Insights from the successes and failures of connectionist models of learning and memory. Cet article historique a opéré une convergence sans précédent entre trois disciplines jusque-là cloisonnées : la modélisation informatique par réseaux distribués, la neuropsychologie humaine (marquée par les études sur les amnésies organiques suite à des résections temporales) et la neurobiologie cellulaire et électrophysiologique des circuits hippocampiques chez le rongeur. Les auteurs ont démontré que l’interférence catastrophique n’était pas un simple artefact algorithmique d’un modèle mal paramétré, mais la conséquence mathématique inéluctable d’un compromis fondamental imposé à tout système apprenant unitaire. Pour dépasser cette aporie, la nature n’avait pas cherché à concevoir un réseau synaptique parfait, mais avait élaboré deux systèmes distincts et coopératifs.

1.2 Définition globale et principes directeurs de l’architecture biprocessus

Le postulat central de la théorie CLS repose sur une division computationnelle rigoureuse du travail cognitif entre deux structures cérébrales majeures des mammifères : la formation hippocampique, située dans la profondeur du lobe temporal médian, et le manteau néocortical, qui constitue la quasi-totalité de la surface cérébrale. Chacune de ces structures obéit à des contraintes de conception radicalement opposées, optimisées pour des objectifs informationnels distincts. La théorie soutient qu’aucune matrice synaptique unique ne peut satisfaire simultanément à l’exigence d’un apprentissage épisodique instantané (encodage en un seul essai d’un événement contextualisé unique) et à l’exigence d’un apprentissage sémantique robuste (découverte graduelle de structures taxonomiques et de régularités statistiques récurrentes au sein de l’environnement).

D’un côté, le complexe hippocampique est conceptualisé comme un réseau d’apprentissage rapide. Il est doté d’une plasticité synaptique immédiate à seuil bas, capable de capturer l’instantanéité d’un événement biographique en créant des représentations hautement clairsemées et indépendantes les unes des autres. Ce système évite l’interférence en orthogonalisant activement les traces mnésiques, de sorte que l’apprentissage d’un fait nouveau n’altère en rien la configuration des faits contigus. D’un autre côté, le néocortex fonctionne comme un système d’apprentissage lent. Ses connexions synaptiques se modifient par incréments infinitésimaux, sous l’effet de taux d’apprentissage délibérément bas, ce qui lui confère la stabilité requise pour extraire la moyenne statistique des expériences vécues sur le long terme. Les représentations néocorticales sont hautement distribuées et chevauchantes, ce qui favorise l’analogie, la catégorisation conceptuelle et l’induction prédictive.

La clé de voûte de cette architecture réside dans leur interaction dynamique à travers le temps. L’hippocampe ne stocke pas définitivement les connaissances ; il agit comme un index spatio-temporel et un tuteur biologique temporaire pour le néocortex. Par un processus de réactivation récurrente et autonome — particulièrement actif pendant les phases de repos et de sommeil —, l’hippocampe « rejoue » de manière entrelacée les épisodes nouvellement acquis aux réseaux corticaux. Ce rejeu progressif injecte les données fraîches au milieu des réactivations de savoirs anciens, permettant au néocortex d’ajuster ses poids distribués sans subir de perturbations destructrices. Ainsi, la biprocessualité CLS formalise une solution biologique élégante au problème insoluble de l’apprentissage machine séquentiel.

1.3 Importance paradigmatique dans les neurosciences de la mémoire

L’introduction du modèle CLS a constitué une véritable révolution épistémologique au sein des neurosciences contemporaines. Jusqu’au milieu des années 1990, le débat sur l’architecture de la mémoire oscillait principalement entre des approches strictement localisationnistes — visant à assigner une fonction cognitive fermée à chaque noyau anatomique — et des approches phénoménologiques descriptives issues de la psychologie cognitive, classifiant la mémoire en tiroirs distincts (mémoire épisodique, mémoire sémantique, mémoire de travail, etc.) sans en expliciter les mécanismes computationnels sous-jacents. La théorie CLS a transcendé ces dichotomies en substituant à une vision statique et anatomique une dynamique de réseaux interactifs régie par des principes algorithmiques formels.

En établissant un pont explicite entre la plasticité synaptique dépendante des récepteurs NMDA et les grands syndromes d’amnésie humaine, McClelland, McNaughton et O’Reilly ont donné un soubassement mécaniste à la théorie standard de la consolidation mnésique, initialement formulée de manière intuitive par des cliniciens comme Théodule Ribot au XIXe siècle ou formalisée plus tard par Larry Squire. Pour la première fois, la consolidation n’était plus appréhendée comme un simple « durcissement » biochimique passif d’une trace locale, mais comme une réorganisation systémique distribuée, résultant d’un dialogue computationnel actif entre deux systèmes d’apprentissage aux constantes de temps asynchrones. Cette perspective a permis de modéliser avec une précision mathématique inégalée la cinétique de transfert de l’information au sein du cerveau.

En outre, le paradigme CLS a profondément réorienté la méthodologie de recherche en sciences cognitives en consacrant la modélisation connexionniste comme un outil d’investigation neurobiologique de premier ordre. Il ne s’agissait plus seulement de concevoir des simulations informatiques pour émuler des tâches cognitives isolées, mais d’utiliser la simulation mathématique pour dériver des prédictions empiriques falsifiables quant aux propriétés électrophysiologiques des circuits neuronaux. Les hypothèses avancées par le modèle de 1995 concernant les rôles distincts du gyrus denté et de la région CA3 de l’hippocampe dans le traitement de l’information ont anticipé de plusieurs années les validations expérimentales obtenues ultérieurement par l’optogénétique, l’imagerie par résonance magnétique fonctionnelle à ultra-haut champ et l’enregistrement unitaire de neurones chez l’animal vigile.

2. Le dilemme de la stabilité et de la plasticité : genèse du modèle CLS

2.1 Le problème de l’interférence catastrophique dans les réseaux de neurones

Au cœur de la genèse de la théorie CLS se trouve l’une des énigmes les plus profondes de l’apprentissage computationnel : le dilemme de la stabilité et de la plasticité, formalisé de manière pionnière par Stephen Grossberg dans le cadre de la théorie de la résonance adaptative (Adaptive Resonance Theory). Ce dilemme énonce qu’un système apprenant adaptatif doit satisfaire deux exigences intrinsèquement antagonistes. D’une part, il doit faire preuve d’une plasticité suffisante pour incorporer immédiatement des informations nouvelles et imprévues émanant d’un environnement en constante mutation. D’autre part, il doit préserver une stabilité structurelle interne pour éviter que les nouveaux apprentissages ne corrompent ou n’effacent le savoir cumulé, qui garantit son adaptation et sa survie à long terme.

Dans les architectures neuronales connexionnistes unifiées formées par rétropropagation, cette tension se traduit inéluctablement par ce que Michael McCloskey et Neal J. Cohen ont qualifié en 1989 d’interférence catastrophique (catastrophic interference). Lorsque ces réseaux apprennent un ensemble de motifs A, les poids synaptiques distribués convergent vers un minimum d’erreur dans l’espace multidimensionnel des états de connectivité, formant ainsi un bassin d’attraction stable. Si l’on soumet ensuite à ce même réseau un ensemble de motifs B sans lui réexposer les motifs A, les gradients d’erreur induits par les patrons B imposent une réaffectation brutale des mêmes coefficients synaptiques. La nouvelle trajectoire d’optimisation modifie sans discernement les connexions qui encodaient précisément les invariants de la tâche A. En conséquence, les représentations antérieures sont instantanément anéanties.

Ce dysfonctionnement dramatique découle directement de la nature non locale et homogène des représentations distribuées dans les réseaux connexionnistes classiques. Contrairement à une mémoire d’ordinateur de type von Neumann, où chaque donnée est inscrite à une adresse physique discrète et immuable, un réseau de neurones stocke la connaissance dans la totalité de la matrice synaptique. Chaque synapse participe simultanément à l’encodage d’une multitude de souvenirs différents. Dès lors que l’apprentissage est séquentiel et que l’algorithme cherche à minimiser l’erreur immédiate sur les stimuli présents, la réécriture synaptique devient inévitablement destructrice. McClelland et ses collègues ont compris que ce problème n’était pas imputable à un défaut superficiel des fonctions de transfert ou de la méthode de descente de gradient, mais qu’il révélait une incompatibilité mathématique fondamentale inhérente à l’apprentissage séquentiel au sein d’un réseau homogène.

2.2 Contraintes d’apprentissage : représentations partagées contre représentations séparées

Pour disséquer ce dilemme, les auteurs de la théorie CLS ont minutieusement analysé la nature topologique des représentations internes nécessaires aux différentes formes de cognition. Leur démonstration a établi qu’il existe un conflit irréconciliable entre la structure des représentations requises pour la généralisation sémantique et celle imposée par la rétention épisodique. Pour extraire des concepts généraux, comprendre des structures linguistiques ou induire des lois physiques à partir de l’observation quotidienne, un système computationnel a impérativement besoin de représentations distribuées chevauchantes (overlapping distributed representations). Dans ce type de codage, deux entités sémantiquement proches (par exemple, un canari et un moineau) activent des sous-ensembles neuronaux largement partagés au sein de la couche cachée.

Ce chevauchement représentationnel constitue le moteur même de l’induction : les propriétés apprises à propos du moineau (il possède des ailes, il vole, il a des plumes) sont automatiquement transférées et extrapolées au canari en vertu de la co-activation des unités neuronales communes. Plus l’environnement est riche et structuré, plus la superposition des patrons d’activité permet de capturer les axes de variance et les covariances sous-jacentes du monde réel. Cependant, cette propriété de partage synaptique, si précieuse pour la catégorisation, s’avère létale dès lors qu’il s’agit de discriminer des événements contingents présentant une similarité superficielle élevée. Si vous stationnez votre véhicule au niveau 3 d’un parking souterrain le lundi, et au niveau 2 du même parking le mardi, des représentations distribuées chevauchantes fusionneront ces deux épisodes en une configuration moyenne indifférenciée, vous rendant incapable de retrouver votre voiture le mardi soir.

Pour mémoriser sans confusion des épisodes biographiques singuliers, le système mnésique exige au contraire des représentations orthogonales, clairsemées et strictement disjointes (sparse orthogonal representations). L’objectif est ici de minimiser délibérément le chevauchement d’activation entre des scènes similaires, de manière à attribuer à chaque événement une signature neuronale unique et non ambiguë. Or, il est formellement impossible pour une seule et même matrice synaptique d’opérer simultanément selon ces deux logiques géométriques diamétralement opposées : un réseau ne peut pas à la fois forcer le chevauchement pour découvrir des similitudes cachées et annuler le chevauchement pour individualiser des souvenirs contingents. La séparation physique et algorithmique en deux modules neuronaux distincts apparaît dès lors comme la seule solution géométrique et computationnelle viable.

2.3 La réponse adaptative de l’évolution biologique

Face à cette impasse physique et mathématique, la sélection naturelle a façonné, au fil de la phylogenèse des vertébrés supérieurs et tout particulièrement des mammifères, une organisation neuro-architecturale modulaire hautement spécialisée. L’évolution biologique a convergé vers la co-existence et la coopération étroite de deux structures cérébrales majeures : le complexe hippocampique (paléocortex et archicortex hautement différenciés) et le manteau néocortical expansé. Cette dualité anatomique ne relève nullement d’une redondance accidentelle ou d’une scorie de l’histoire évolutive, mais d’une réponse adaptative optimale dictée par les impératifs de la survie dans un milieu imprévisible.

Dans un environnement naturel compétitif, un organisme animal doit pouvoir répondre à deux pressions écologiques fondamentales aux échelles temporelles disparates. D’une part, il doit être capable d’un apprentissage contextuel immédiat en un seul essai (one-shot learning) : identifier l’emplacement précis d’une source d’eau éphémère, mémoriser la topographie d’un abri après un passage unique, ou associer l’odeur fugace d’un prédateur à un lieu déterminé sous peine de mort immédiate. L’hippocampe a été sélectionné pour remplir cet office de capture ultrarapide d’épisodes singuliers, en créant des représentations hautement différenciées et indexées spatialement, sans risquer de corrompre le reste de la mémoire de l’animal.

D’autre part, la survie de l’organisme exige l’élaboration d’un modèle interne stable et cohérent du monde : comprendre le cycle des saisons, prédire le comportement général des congénères ou des proies, naviguer dans une taxonomie implicite des fruits comestibles versus vénéneux. Cette compréhension statistique du monde ne peut découler de la seule somme brute d’épisodes isolés ; elle requiert une intégration lente et pondérée d’innombrables observations étalées sur des mois ou des années. Le néocortex a donc évolué pour assurer cette synthèse conservative, en amortissant les fluctuations statistiques et en protégeant les acquis fondamentaux contre les caprices de l’expérience immédiate. L’avènement du dialogue hippocampo-néocortical a ainsi conféré aux mammifères un avantage sélectif colossal, en unifiant la mémoire vive de l’immédiateté contextuelle et la sagesse lente des régularités sémantiques.

3. L’hippocampe : un système d’apprentissage rapide et épisodique

3.1 Architecture computationnelle de la formation hippocampique

L’hippocampe ne constitue pas une masse neuronale uniforme, mais un assemblage stéréotypé de sous-champs anatomiques distincts reliés par un circuit unidirectionnel canonique hautement polarisé, souvent désigné sous le terme de boucle trisynaptique. Les informations hautement traitées en provenance de l’ensemble des aires d’association du néocortex convergent d’abord vers le cortex parahippocampique et périrhinal, avant d’aborder la principale porte d’entrée de l’hippocampe : le cortex entorhinal (EC). Depuis les couches II et III du cortex entorhinal, l’information pénètre dans le circuit proprement dit par l’intermédiaire de deux voies majeures : la voie perforante, qui projette massivement sur les cellules granulaires du gyrus denté (DG) ainsi que sur la région CA3, et la voie temporo-ammonique, qui projette directement sur le champ CA1.

Le traitement au sein de la boucle trisynaptique s’amorce lorsque les axones de la voie perforante activent le gyrus denté. Les cellules granulaires du DG émettent à leur tour d’épaisses fibres non myélinisées, les fibres moussues (mossy fibers), qui établissent des synapses géantes extrêmement puissantes mais rares avec les dendrites des neurones pyramidaux du champ CA3. Les neurones pyramidaux de CA3 projettent ensuite leurs axones, les collatérales de Schaffer, sur les neurones pyramidaux de CA1. Enfin, le champ CA1 envoie des projections efférentes massives vers le sous-iculum, qui redistribue l’activité neuronale résultante vers les couches profondes du cortex entorhinal (couches V et VI), fermant ainsi la boucle par un retour vers les mêmes régions corticales qui avaient initié le signal. Cette architecture en boucle permet une comparaison computationnelle continue entre les signaux d’entrée néocorticaux et les traces internes auto-générées.

Sur le plan cellulaire et biophysique, la formation hippocampique se caractérise par des propriétés de plasticité synaptique exceptionnellement puissantes et véloces, principalement médiées par la potentialisation à long terme (LTP) et la dépression à long terme (LTD) dépendantes des récepteurs NMDA. Contrairement au néocortex où les modifications synaptiques nécessitent des milliers de stimulations répétées à basse fréquence, les synapses de l’hippocampe présentent des seuils d’induction de plasticité très bas, permettant à un seul train d’ondes thêta ou à un événement perceptif bref d’engendrer un remaniement structurel stable des épines dendritiques. De surcroît, le gyrus denté constitue l’un des rares sanctuaires du cerveau adulte où persiste une neurogenèse active chez les mammifères, l’incorporation continue de neurones immatures hautement excitables jouant un rôle clé dans la modulation dynamique de la flexibilité cognitive et l’évitement de l’encombrement mnésique.

3.2 Mécanismes de séparation et de complétion de motifs (pattern separation et completion)

Sur le plan algorithmique, l’hippocampe réalise deux opérations mathématiques majeures, complémentaires et pourtant opposées, qui constituent le cœur de son efficacité computationnelle : la séparation de motifs (pattern separation) et la complétion de motifs (pattern completion). La séparation de motifs est l’opération qui consiste à transformer des ensembles d’entrées neuronales fortement chevauchantes et similaires en configurations de sorties distinctes et hautement décorrélées. Cette fonction est principalement assignée au gyrus denté, agissant en conjonction avec ses projections vers la zone CA3. Le gyrus denté contient un nombre de cellules granulaires bien plus élevé (environ un facteur 10 chez le rongeur, et encore supérieur chez l’humain) que le nombre d’axones d’entrée du cortex entorhinal, réalisant une expansion dimensionnelle spatiale majeure (expansion recoding).

Couplée à une puissante inhibition par rétroaction exercée par des interneurones GABAergiques (notamment les cellules à panier), cette expansion fait en sorte qu’une fraction infime de neurones du gyrus denté (souvent estimée à moins de 2 à 5 %) ne décharge à un instant donné. Ce codage hautement parcimonieux (sparse coding) garantit que même si deux événements du monde réel partagent 90 % de leurs attributs sensoriels, les populations de cellules granulaires recrutées pour les encoder présenteront un chevauchement quasi nul. Lorsque ces cellules granulaires activent CA3 via les puissantes synapses des fibres moussues, elles imposent à CA3 des patrons de décharge complètement découplés, empêchant toute confusion ou fusion accidentelle entre des traces mnésiques distinctes.

À l’inverse, la complétion de motifs est le processus algorithmique qui permet au réseau de reconstituer et de restituer la trace intégrale d’un souvenir à partir d’un indice de récupération partiel, incomplet ou bruité. Cette fonction est physiquement sous-tendue par l’anatomie unique du sous-champ CA3, qui constitue un réseau récurrent auto-associatif. Les neurones pyramidaux de CA3 émettent des branches axonales collatérales massives qui reviennent faire synapse sur leurs propres corps cellulaires et sur ceux de leurs voisins, formant une toile dense de connexions récurrentes synaptiquement modifiables selon une règle d’apprentissage hébbienne. Lorsque le réseau est exposé à un fragment d’un souvenir passé via la voie directe perforante, la dynamique récurrente de CA3 amplifie le signal par réverbération interne et entraîne le système vers le bassin d’attraction correspondant au souvenir complet. Des mécanismes de contrôle précis, modulés par les rythmes électrophysiologiques, gèrent la bascule dynamique entre ce mode de rappel auto-associatif et le mode d’encodage séparateur.

3.3 Propriétés fonctionnelles : rapidité, spécificité et faible interférence

L’intégration fonctionnelle de cette circuiterie confère à la formation hippocampique un ensemble de propriétés computationnelles qui correspondent point par point aux nécessités de la mémoire déclarative épisodique. La première de ces propriétés est la rapidité extrême d’encodage : l’hippocampe est capable d’un apprentissage en un seul essai (one-shot learning). Face à une configuration inédite du monde extérieur, la cascade synaptique traversant le cortex entorhinal, le gyrus denté, CA3 et CA1 modifie les poids synaptiques en l’espace de quelques centaines de millisecondes, gravant instantanément un instantané fonctionnel de l’état cortical global.

La deuxième propriété fondamentale est la haute spécificité contextuelle et spatio-temporelle. Les neurones hippocampiques ne se contentent pas d’enregistrer des entités isolées (comme un visage ou un objet) ; ils réalisent une liaison conjonctive (conjunctive binding) qui fusionne au sein d’un format relationnel unifié l’ensemble des dimensions de l’expérience vécue : la nature des stimuli présents (« quoi »), leur localisation géospatiale (« où ») et leur indexation temporelle (« quand »). Cette capacité est magnifiquement illustrée par les cellules de lieu (place cells) découvertes par John O’Keefe, qui ne déchargent que lorsque l’animal se trouve dans une zone précise de son environnement spatial, et dont les champs récepteurs se réorganisent instantanément (phénomène de remapping) dès que le contexte environnemental ou motivationnel subit une altération notable.

Enfin, la troisième propriété cardinale de ce système est sa très faible susceptibilité à l’interférence proactive ou rétroactive à court terme. Grâce à la sparsité extrême imposée par le gyrus denté et à l’orthogonalisation des états dans CA3, l’incorporation d’un nouvel épisode n’altère pas les poids synaptiques alloués aux épisodes antérieurs. Néanmoins, cette formidable indépendance a un coût computationnel : la trace hippocampique n’est pas conçue pour une rétention passive indéfinie. En raison de la saturation synaptique inéluctable consécutive à l’accumulation continue de nouveaux souvenirs et au renouvellement cellulaire lié à la neurogenèse, les traces mnésiques au sein des circuits hippocampiques sont intrinsèquement dynamiques, fragiles et temporaires, nécessitant un relais vers une structure de stockage plus vaste et plus stable.

4. Le néocortex : un système d’apprentissage lent et statistique

4.1 Structure laminaire et connectivité étendue du néocortex

En miroir de la spécialisation aiguë de la formation hippocampique, le manteau néocortical présente une organisation anatomique et cytologique d’une tout autre échelle, optimisée pour le traitement généralisé, l’intégration multimodale et la sédimentation conservative du savoir. Couvrant la vaste majorité du volume cérébral chez l’être humain, le néocortex se distingue par une organisation laminaire remarquable et quasi uniforme à travers ses différentes aires, structurée en six couches horizontales superposées (couches I à VI). Ces couches ne constituent pas des strates étanches, mais sont traversées verticalement par des microcolonnes fonctionnelles, composées d’une centaine de neurones fortement interconnectés, qui représentent les briques computationnelles de base du calcul cortical.

Contrairement aux circuits hippocampiques caractérisés par des projections directes, linéaires et hautement polarisées le long de la boucle trisynaptique, le néocortex déploie une connectivité horizontale récurrente à longue portée d’une densité prodigieuse. Les axones des cellules pyramidales des couches II et III courent sur plusieurs millimètres, voire centimètres, reliant des colonnes corticales distantes et assurant une communication continue entre les cortex sensoriels primaires, les aires associatives unimodales et les carrefours hétéromodaux majeurs tels que le lobe temporal antérieur, le cortex pariétal inférieur et le cortex préfrontal. Cette connectivité distribuée offre un substrat physique idéal pour la fusion d’informations hétérogènes et la formation d’assemblées neuronales étendues couvrant l’ensemble du manteau cérébral.

Sur le versant fonctionnel et plastique, le néocortex obéit à une règle d’apprentissage radicalement conservatrice. La plasticité synaptique corticale n’est pas conçue pour basculer sous l’effet d’une décharge unique ; elle est régie par des taux d’apprentissage (learning rates) extrêmement faibles. L’ajustement de la force synaptique y est graduel, progressif et dépendant de la répétition d’occurrences corrélées à travers de multiples contextes spatio-temporels. Cette inertie synaptique délibérée immunise le cortex contre le bruit sensoriel fortuit, les anomalies transitoires de l’environnement et l’écrasement immédiat des connaissances préalables, instaurant un filtre passe-bas fondamental qui ne laisse s’inscrire que les régularités structurelles récurrentes.

4.2 Extraction d’invariants et apprentissage statistique de l’environnement

L’objectif computationnel suprême du néocortex dans l’architecture CLS est l’extraction d’invariants et la découverte de la structure statistique sous-jacente du monde physique, biologique et social. Dès la naissance, le cerveau est bombardé d’un flux sensoriel continu, chaotique et multidimensionnel. Pour survivre, l’agent cognitif ne peut se contenter d’archiver la succession temporelle de ces stimuli bruts ; il doit construire une théorie interne explicative de son environnement en découvrant les lois de causalité, les relations de parenté, les taxonomies d’objets et les régularités sémantiques qui demeurent invariantes malgré les métamorphoses de la stimulation sensorielle immédiate.

Le néocortex réalise cette prouesse par le biais d’un apprentissage statistique non supervisé et auto-supervisé continu. En ajustant imperceptiblement ses matrices synaptiques en fonction des co-occurrences perceptives et des probabilités conditionnelles observées de manière répétée, le réseau cortical identifie les caractéristiques partagées par de multiples exemplaires du monde réel. C’est ainsi qu’émerge, par exemple, le concept abstrait d’« oiseau » : non pas comme une copie exacte d’un pigeon croisé un mardi à midi, mais comme un agrégat statistique stabilisé combinant la présence de plumes, d’un bec, la capacité de voler, d’émettre des chants et de pondre des œufs. Les corrélations fortes entre ces attributs sculptent progressivement la géométrie interne du réseau cortical.

Cette extraction d’invariants conduit à la formation d’espaces sémantiques métriques complexes au sein desquels la proximité géométrique des vecteurs d’activation neuronale reflète fidèlement la proximité fonctionnelle ou catégorielle des objets du monde réel. Des entités partageant des structures causales similaires convergent vers des régions voisines au sein de l’espace des états corticaux, tandis que les attributs divergents sont dissociés le long d’axes de variance orthogonaux. Le néocortex n’enregistre donc pas des photographies du réel ; il forge des modèles génératifs capables d’estimer en permanence la structure la plus probable du stimulus en cours et d’anticiper son évolution future.

4.3 Représentations distribuées chevauchantes et généralisation

La conséquence algorithmique directe de cette dynamique corticale est l’utilisation exclusive de représentations hautement distribuées et chevauchantes. Au sein du manteau néocortical, un concept n’est jamais hébergé par un neurone isolé ou un module microscopique étanche (l’hypothèse réfutée du « neurone grand-mère »), mais par une large assemblée de cellules dispersées à travers plusieurs aires associatives, où chaque neurone individuel participe simultanément au codage d’une multitude de concepts distincts. Ce principe de codage en population génère un chevauchement spatial massif entre les représentations d’entités qui partagent des propriétés fonctionnelles ou structurales.

C’est précisément ce chevauchement représentationnel qui confère au néocortex son extraordinaire pouvoir de généralisation inductive et de raisonnement analogique. Lorsqu’un sujet est confronté à un objet radicalement inédit (par exemple, une espèce animale exotique récemment découverte comme l’okapi), le réseau cortical active immédiatement l’assemblée neuronale correspondant aux traits déjà connus de l’animal : la forme générale d’un ongulé, la présence de sabots, le pelage d’un mammifère herbivore. Par simple propagation spontanée de l’activation le long des synapses partagées, le néocortex déduit instantanément et sans effort que cet animal est probablement inoffensif, qu’il se nourrit de végétaux et qu’il possède une physiologie de mammifère, sans qu’aucun apprentissage direct sur l’okapi n’ait été préalablement nécessaire.

Enfin, cette organisation confère au système cognitif une remarquable résilience mécanique et fonctionnelle, connue en informatique connexionniste sous l’expression de dégradation progressive (graceful degradation). Dans un système à stockage localisé ou symbolique discret, la destruction de l’unité de mémoire efface purement et simplement la donnée correspondante. Dans un réseau distribué néocortical, la perte accidentelle d’un pourcentage notable de synapses ou de corps cellulaires (par accident vasculaire cérébral, traumatisme ou sénescence) n’entraîne pas la disparition foudroyante d’un pan entier de la mémoire, mais une diminution douce, diffuse et graduelle de la précision globale du système, les représentations restantes parvenant à reconstituer l’essentiel de l’information grâce aux redondances synaptiques distribuées.

5. Le dialogue hippocampo-néocortical et la consolidation des souvenirs

5.1 Dynamique d’interaction à double sens : encodage et réactivation

L’articulation entre l’hippocampe et le néocortex ne constitue pas une simple juxtaposition structurelle, mais un système cybernétique interactif dynamique fonctionnant en cycle continu d’aller-retour. Cette dynamique repose sur une voie de communication anatomique bidirectionnelle massive transitant par les cortex parahippocampique, périrhinal et entorhinal, agissant comme des interfaces de compression et de décompression de signal entre les aires sensorielles et associatives néocorticales et les circuits profonds de l’archicortex.

Lors de la phase initiale d’encodage durant l’éveil actif, un événement de la vie courante provoque un embrasement coordonné et distribué de millions de neurones à travers diverses régions corticales : les aires visuelles occipitales traitent les couleurs et les formes, les aires auditives temporales décodent les voix et les bruits de fond, tandis que les cortex somatosensoriels et limbiques enregistrent la texture thermique et la tonalité affective de la scène. Ces multiples flux de données sont progressivement condensés au fur et à mesure qu’ils cheminent vers le cortex entorhinal, qui injecte cette signature condensée au sein de la boucle hippocampique. L’hippocampe, agissant comme un « index » de haut niveau, capture cette configuration instantanée et lie l’ensemble des éléments disparates par le biais de modifications synaptiques rapides au sein de CA3 et CA1.

Dans cette première étape, l’hippocampe ne stocke pas le contenu sensoriel complet de l’événement en haute définition ; il en capture le pointeur relationnel central. La véritable alchimie de la mémoire se déploie dans un second temps : la phase de réactivation. Lorsque le sujet n’est plus engagé dans l’action immédiate, ou lorsqu’un stimulus sensoriel partiel vient déclencher la complétion de motifs dans CA3, l’hippocampe s’active de manière autonome et inverse le sens du flux d’information. Les projections efférentes émergeant de CA1 et du sous-iculum vers les couches profondes du cortex entorhinal viennent stimuler en retour les réseaux néocorticaux initiaux. L’hippocampe réinjecte la configuration d’activation originale au sein du manteau cortical, contraignant ce dernier à rejouer la symphonie neuronale initiale en l’absence des stimuli environnementaux d’origine.

5.2 Processus d’apprentissage entrelacé (interleaved learning)

La simple rétro-injection de données épisodiques fraîches de l’hippocampe vers le néocortex ne suffirait pas à prévenir l’effondrement mnésique si elle était appliquée de manière abrupte ou massive. Si l’hippocampe forçait le néocortex à apprendre le souvenir récent d’un seul bloc, par des salves de plasticité violentes et isolées, le problème initial de l’interférence catastrophique réapparaîtrait au niveau cortical : les nouvelles traces effaceraient les invariants conceptuels patiemment forgés. Pour contourner cet écueil fatal, la théorie CLS postule la nécessité absolue d’un processus computationnel rigoureusement régulé : l’apprentissage entrelacé (interleaved learning).

Dans le schéma entrelacé, la réactivation d’un souvenir nouveau n’intervient jamais de façon isolée ; elle est méticuleusement intercalée, alternée et mélangée avec la réactivation spontanée de multiples souvenirs anciens et de structures sémantiques préexistantes. Au cours des périodes de réverbération neuronale, l’hippocampe et les réseaux corticaux eux-mêmes font ressurgir à la fois le fait contingent fraîchement encodé et une constellation de représentations déjà acquises qui lui sont sémantiquement apparentées ou contextuellement divergentes. Les modifications synaptiques au sein du néocortex se font ainsi par ajustements infinitésimaux (en appliquant un taux d’apprentissage infime $epsilon$), intégrant l’expérience nouvelle comme une légère perturbation marginale au milieu d’un flot de données canoniques.

Ce mécanisme garantit que les surfaces de décision néocorticales et les bassins d’attraction façonnés par des années d’expérience ne se déforment que d’une fraction imperceptible à chaque cycle de réactivation. Le souvenir nouveau est lentement « dissous » et « tissé » au sein du réseau sémantique préexistant, jusqu’à ce que ses éléments universels soient incorporés dans la structure générale sans qu’aucune rupture de continuité du savoir antérieur ne se produise. L’apprentissage entrelacé démontre ainsi comment la biprocessualité permet au cerveau de réaliser l’intégration harmonieuse de nouvelles données dans un réseau distribué continu sans jamais subir le moindre choc catastrophique.

5.3 Autonomisation progressive de la trace mnésique néocorticale

La conséquence ultime de cette dynamique de réactivation entrelacée étalée dans le temps est l’autonomisation progressive de la trace mnésique vis-à-vis de son échafaudage hippocampique initial, processus classiquement désigné sous le terme de consolidation des systèmes (systems consolidation). Au début de la vie d’un souvenir, l’hippocampe est strictement indispensable pour assurer la cohésion de la trace. Si l’on déconnecte l’hippocampe quelques heures ou quelques jours après l’événement, les différentes composantes néocorticales du souvenir (visuelle, auditive, émotionnelle), n’ayant pas encore développé de connexions synaptiques horizontales directes suffisamment robustes, se défont instantanément, rendant tout rappel impossible.

Toutefois, à mesure que l’hippocampe réactive de manière itérative la configuration corticale cible, les connexions cortico-corticales directes reliant entre elles les populations neuronales distribuées à travers les différentes aires sensorielles et associatives se renforcent mutuellement selon les règles de la plasticité hébbienne (« les neurones qui déchargent ensemble se connectent ensemble »). Après des milliers de réactivations réparties sur des semaines, des mois, voire des années, ce réseau horizontal cortico-cortical devient autosuffisant. Il acquiert la capacité intrinsèque d’entretenir et de récupérer la totalité du motif mnésique sous l’effet d’un stimulus de rappel partiel, sans nécessiter la médiation de l’index hippocampique.

Ce transfert d’autonomie ne constitue pas un simple déménagement physique où le souvenir serait découpé d’un point A pour être collé intact en un point B ; il s’accompagne d’une profonde transformation qualitative de la nature même du souvenir. En devenant purement corticale, la trace mnésique subit une sémantisation graduelle. Elle perd l’acuité phénoménologique vive, le contexte spatio-temporel précis et les détails idiosyncrasiques de son enregistrement originel pour se muer en une connaissance abstraite, généralisée et schématique de l’événement. Le souvenir épisodique singulier s’est métamorphosé en un élément permanent de la mémoire sémantique du sujet.

6. Preuves neuropsychologiques et données lésionnelles à l’appui du modèle

6.1 Le cas princeps du patient H.M. et les syndromes amnésiques

La théorie des systèmes d’apprentissage complémentaires puise une part déterminante de sa légitimité empirique dans l’analyse minutieuse des syndromes amnésiques consécutifs à des lésions cérébrales chez l’être humain, dont l’archétype clinique absolu demeure le cas historique du patient H.M. (Henry Molaison). Opéré en 1953 par le neurochirurgien William Scoville pour tenter de juguler une épilepsie réfractaire et invalidante, H.M. subit une résection bilatérale massive du lobe temporal médian, incluant les deux tiers antérieurs de l’hippocampe, le cortex entorhinal, périrhinal et l’amygdale. Les observations cliniques pionnières conduites par Brenda Milner ont révélé un tableau neuropsychologique d’une netteté saisissante qui a bouleversé la compréhension de l’architecture de l’esprit.

D’une part, H.M. manifestait une amnésie antérograde globale et absolue : dès le réveil de son opération chirurgicale, il devint totalement incapable d’encoder de manière durable le moindre souvenir d’un événement survenu après l’intervention. Qu’il s’agisse de mémoriser un nouveau visage, une liste de mots, un fait d’actualité ou de localiser son nouveau lieu de résidence, toute nouvelle information déclarative disparaissait de sa conscience après quelques dizaines de secondes, dès que son attention était détournée. D’autre part, son profil d’amnésie rétrograde présentait une caractéristique fondamentale hautement révélatrice : un gradient temporel prononcé, rigoureusement conforme à la loi de Ribot énoncée un siècle plus tôt. Les souvenirs des événements ayant précédé immédiatement l’opération (sur une période de un à trois ans) étaient complètement annihilés, tandis que ses souvenirs d’enfance et de jeunesse, ainsi que ses connaissances générales sur le monde acquises durant ses vingt premières années de vie (vocabulaire, histoire, géographie), étaient exceptionnellement préservés.

Le cas H.M. apportait également une démonstration éclatante de la dissociation entre la mémoire déclarative dépendante de l’hippocampe et la mémoire procédurale non déclarative : il était capable d’apprendre des tâches motrices complexes, comme le dessin en miroir, avec une courbe d’apprentissage normale de jour en jour, tout en soutenant avec conviction qu’il n’avait jamais vu le dispositif expérimental de sa vie. Pour les concepteurs de la théorie CLS, ce profil constituait la preuve clinique indiscutable de la biprocessualité : la lésion bilatérale de l’hippocampe avait anéanti le système d’apprentissage rapide indispensable à l’acquisition d’épisodes nouveaux et à la rétention des souvenirs récents non encore consolidés, tout en laissant indemne le néocortex où résidaient, parfaitement stabilisés par des années de dialogue entrelacé, les invariants sémantiques et les souvenirs autobiographiques anciens totalement autonomisés.

6.2 Démence sémantique versus amnésie hippocampique : la double dissociation

Si l’amnésie hippocampique de type H.M. fournissait une première démonstration de la dépendance temporelle du stockage mnésique, la validation formelle de la théorie CLS en tant qu’architecture à deux systèmes indépendants exigeait la mise en évidence d’une double dissociation neurobiologique. Cette validation clinique spectaculaire est venue de l’étude comparative entre l’amnésie du lobe temporal médian et une pathologie neurodégénérative d’individualisation plus tardive : la démence sémantique (DS), une variante focale de la dégénérescence lobaire fronto-temporale caractérisée par une atrophie précoce et prédominante du lobe temporal antérieur (ATL) bilatéral avec une préservation relative de la formation hippocampique au début de la maladie.

Les patients atteints de démence sémantique présentent un profil clinique rigoureusement inverse à celui d’H.M. ou des patients au stade débutant de la maladie d’Alzheimer. Dans la démence sémantique, le stock des concepts s’effondre de manière progressive et dévastatrice : les patients perdent la signification des mots, l’usage des objets du quotidien et les attributs fondamentaux des animaux ou des entités familières (ils ne savent plus si un canard a des pattes ou des roues, ou ne reconnaissent plus le mot « zèbre » qu’ils désignent simplement comme un « animal » ou une « chose »). Cependant, et de façon remarquable, leur mémoire épisodique pour les événements autobiographiques récents demeure remarquablement intacte. Ils peuvent raconter avec une abondance de détails contextuels ce qu’ils ont fait la veille, où ils ont garé leur voiture ou ce qu’ils ont mangé le matin même, pourvu que l’évaluation ne repose pas sur une conceptualisation sémantique verbale trop altérée.

De surcroît, le gradient temporel de leur amnésie rétrograde est inversé par rapport à la loi de Ribot : ils se souviennent bien mieux de leurs épisodes de vie récents (des semaines ou mois écoulés) que de leurs épisodes de vie très anciens, car les épisodes récents sont encore hébergés et soutenus de façon fonctionnelle par un hippocampe encore sain, alors que les souvenirs anciens, sémantisés et tributaires de l’intégrité du manteau cortical temporal antérieur détruit, sont irrémédiablement perdus. Cette double dissociation éclatante — perte de la mémoire épisodique récente avec préservation sémantique chez l’amnésique hippocampique, versus perte sémantique avec préservation épisodique récente dans la démence sémantique — a fourni l’une des preuves les plus élégantes et indiscutables de la réalité empirique de la bipartition computationnelle postulée par la théorie CLS.

6.3 Études de neuro-imagerie fonctionnelle et électrophysiologie humaine

L’essor fulgurant des technologies d’imagerie cérébrale fonctionnelle non invasive (IRMf) et de l’électrophysiologie intracrânienne chez des patients épileptiques candidats à la chirurgie a apporté, à partir de la fin des années 1990, des confirmations dynamiques in vivo inaccessibles à l’époque des premières formalisations de la théorie CLS. Les protocoles longitudinaux en IRMf ont permis de suivre la trace d’un apprentissage sur des fenêtres temporelles allant de plusieurs semaines à plusieurs mois, démontrant de manière empirique la migration progressive de l’engagement hémodynamique au fil de la consolidation.

Ces études longitudinales (par exemple, les travaux pionniers de Takashima et al., 2006, ou de Gais et al., 2007) ont invariablement mis en lumière le même profil cinétique : lors des sessions de rappel immédiat consécutives à un apprentissage de paires de stimuli ou de scènes visuelles complexes, le signal BOLD (Blood Oxygen Level Dependent) enregistre une activation massive et prépondérante de la formation hippocampique, accompagnée d’un couplage fonctionnel modeste au sein du néocortex. En revanche, lorsque les mêmes sujets sont testés sur le rappel de ces mêmes stimuli plusieurs mois plus tard, l’activité de l’hippocampe décline de façon drastique, tandis que l’on observe un recrutement puissant et concerté des aires corticales d’association, notamment le cortex préfrontal médial (mPFC), le précunéus et les cortex temporaux latéraux, confirmant l’autonomisation fonctionnelle du réseau néocortical.

Sur le plan électrophysiologique, les enregistrements intracrâniens par stéréotaxie (sEEG) chez l’être humain ont fourni des données cruciales quant à la nature des mécanismes oscillatoires qui sous-tendent ce transfert d’information. Ils ont notamment révélé une cohérence de phase spectaculaire entre les oscillations à haute fréquence de l’hippocampe et les rythmes corticaux lors des phases de consolidation post-apprentissage. Les oscillations lentes du cortex guident et coordonnent temporellement les fuseaux de sommeil thalamiques et les ondulations hippocampiques, établissant des fenêtres d’opportunité synaptique où la transmission de données entre les deux structures atteint son efficacité maximale, matérialisant ainsi dans le milliseconde par milliseconde le dialogue computationnel prévu par le modèle de McClelland, McNaughton et O’Reilly.

7. Modélisation computationnelle et réseaux de neurones formels dans le cadre CLS

7.1 Implémentation algorithmique de la structure hippocampique

L’une des forces majeures qui distinguent la théorie CLS des modèles conceptuels antérieurs réside dans sa transcription mathématique et computationnelle explicite sous la forme d’un modèle neuronal fonctionnel, développé initialement dans les simulations d’O’Reilly et McClelland en 1994, puis raffiné dans leur publication de 1995. L’architecture computationnelle de l’hippocampe artificiel est conçue comme un réseau neuronal multicouche simulant de manière individualisée les étapes physiologiques de la boucle trisynaptique : le cortex entorhinal (EC), le gyrus denté (DG), et les sous-champs CA3 et CA1.

Pour reproduire le comportement du gyrus denté, les auteurs ont implémenté un mécanisme de codage hautement clairsemé fondé sur une variante d’apprentissage compétitif non supervisé appelée k-Winners-Take-All (k-WTA). Dans cette formulation mathématique, un sous-ensemble d’unités seulement — les $k$ neurones recevant l’entrée excitatrice la plus forte — est autorisé à décharger, tandis que toutes les autres unités de la couche sont réduites au silence par une inhibition globale simulant l’action des interneurones GABAergiques. Cette contrainte impose un taux de sparsité d’environ 1 à 2 %, forçant une séparation géométrique drastique des motifs d’entrée. Les connexions entre le gyrus denté et CA3 utilisent une règle d’apprentissage hébbienne modifiée, garantissant que les synapses des fibres moussues agissent comme des inducteurs décorrélés puissants sur la couche auto-associative.

Le sous-champ CA3 est modélisé comme une couche de neurones entièrement connectés à eux-mêmes par une matrice de poids récurrents symétriques ou asymétriques selon le paradigme des réseaux de Hopfield améliorés. La mise à jour synaptique des connexions récurrentes répond à une dynamique d’attracteur régie par une formulation hébbienne classique :

$$\Delta w_{ij} = \eta \cdot (x_i – \theta) \cdot (x_j – \theta)$$

où $eta$ représente le taux d’apprentissage et $\theta$ un seuil d’activation moyen. Enfin, la projection de CA3 vers CA1 et la boucle de retour vers les couches profondes du cortex entorhinal sont entraînées par des algorithmes combinant l’apprentissage hébbien et la correction d’erreur locale, permettant au réseau de traduire la représentation abstraite et orthogonale de CA3 en un patron d’activation corticale cohérent et interprétable par les aires sensorielles néocorticales.

7.2 Architecture et équations du réseau cortical

L’implémentation du versant néocortical au sein du modèle CLS adopte une philosophie algorithmique profondément différente de celle de l’hippocampe. Le néocortex est modélisé sous la forme d’un réseau connexionniste multicouche à propagation avant (feedforward) et rétro-propagation locale, ou à travers des réseaux d’attracteurs récurrents faiblement couplés, dont les unités possèdent des fonctions d’activation non linéaires continues (telles que la fonction sigmoïde logistique ou la tangente hyperbolique) :

$$y_i = \frac{1}{1 + e^{-\sum_j w_{ij} x_j}}$$

Dans ce modèle cortical, les couches cachées sont dimensionnées pour forcer une compression dimensionnelle modérée, empêchant le réseau de mémoriser les exemples par simple assignation individuelle et le contraignant à trouver des représentations distribuées compactes et efficaces.

La mise à jour des poids synaptiques $w_{ij}$ du réseau cortical s’effectue au moyen de règles d’apprentissage supervisées ou auto-supervisées par correction d’erreur, fondées sur la descente de gradient de l’erreur quadratique moyenne globale $E$ :

$$\Delta w_{ij} = -\epsilon \frac{\partial E}{\partial w_{ij}} = \epsilon \cdot \delta_i \cdot x_j$$

Le paramètre le plus déterminant de cette formalisation est le taux d’apprentissage $epsilon$ (learning rate). Dans le néocortex simulé, $epsilon$ est fixé à une valeur délibérément minuscule (souvent inférieure de plusieurs ordres de grandeur à celle utilisée dans l’hippocampe). Les simulations d’O’Reilly et McClelland ont démontré que cette lenteur n’est pas un handicap mais une nécessité absolue : elle permet aux poids synaptiques d’intégrer l’espérance mathématique des variations de l’environnement sur un très grand nombre d’itérations, neutralisant le bruit stochastique.

Pour analyser la topologie des connaissances ainsi acquises par le néocortex artificiel, les auteurs ont fréquemment utilisé des méthodes d’analyse en composantes principales (ACP) ou de positionnement multidimensionnel (MDS) appliquées aux patrons d’activation de la couche cachée. Ces analyses géométriques ont démontré que le réseau cortical organise spontanément ses représentations internes sous forme d’arbres hiérarchiques et de topologies continues où la distance euclidienne entre deux vecteurs neuronaux capture avec une précision remarquable la taxonomie sémantique du domaine d’entraînement (par exemple, regroupant spontanément les animaux versus les plantes, puis les oiseaux versus les mammifères), sans qu’aucune étiquette explicite de catégorie supérieure n’ait été fournie au réseau lors de son apprentissage.

7.3 Simulations des interactions et reproduction des courbes d’amnésie

L’accomplissement le plus marquant de la modélisation formelle CLS de 1995 a consisté à simuler in silico l’interaction dynamique entre le module hippocampique et le module cortical, apportant une démonstration computationnelle rigoureuse de la résolution de l’interférence catastrophique et de la genèse des courbes d’amnésie clinique. Dans les simulations informatiques conduites par McClelland et ses collaborateurs, le réseau global a d’abord été soumis à un entraînement simulant l’acquisition progressive d’un socle de connaissances sémantiques de base par apprentissage entrelacé.

Dans une expérience critique, un nouveau fait arbitraire (par exemple, « le manchot est un oiseau mais il nage et ne vole pas ») a été introduit dans le système. Lorsque ce fait était présenté directement et exclusivement au réseau néocortical isolé avec un taux d’apprentissage élevé, le réseau subissait une interférence catastrophique : pour minimiser rapidement l’erreur sur le manchot, la descente de gradient modifiait violemment les poids synaptiques partagés, conduisant le réseau à prédire soudainement que tous les oiseaux nagent et ne volent plus. En revanche, lorsque le fait était d’abord encodé instantanément dans le module hippocampique, puis que celui-ci procédait à un rejeu entrelacé autonome — réinjectant de manière répétée le cas du manchot au milieu de réactivations aléatoires de l’ensemble du corpus de faits anciens déjà consolidés avec un $epsilon$ minuscule —, le néocortex parvenait à intégrer l’exception sans altérer le prototype général de l’oiseau.

De façon plus impressionnante encore, les auteurs ont simulé des résections lésionnelles du module hippocampique à différents moments de la phase de consolidation post-apprentissage. En coupant les connexions du module hippocampique virtuel immédiatement après l’apprentissage initial, ils ont constaté que le système était totalement incapable de rappeler l’information nouvelle : il manifestait une amnésie rétrograde sévère pour les faits récents. En revanche, lorsque cette lésion virtuelle était opérée de manière différée, après plusieurs centaines de cycles de rejeu entrelacé, la performance du néocortex isolé demeurait parfaite. Ces simulations ont généré des courbes de rétention quantitativement identiques au gradient temporel de l’amnésie de Ribot observé chez le patient H.M., apportant la preuve mathématique que la consolidation systémique est le corollaire algorithmique direct de l’apprentissage entrelacé au sein d’une architecture biprocessus.

8. Le rôle du sommeil et du repos dans le rejeu neuronal (replay)

8.1 Ondulations à haute fréquence (sharp-wave ripples) et sommeil lent profond

Si la théorie de 1995 avait rigoureusement postulé la nécessité d’un rejeu hors ligne (offline replay) pour assurer l’apprentissage entrelacé sans perturber l’éveil, les fondements neurobiologiques précis de ce processus ont bénéficié d’une avancée spectaculaire grâce aux découvertes électrophysiologiques réalisées sur les rongeurs durant le sommeil à ondes lentes (NREM ou Slow-Wave Sleep). Les travaux séminaux de Wilson et McNaughton (1994), suivis par les recherches pionnières de György Buzsáki, ont révélé la présence d’événements oscillatoires transitoires d’une intensité et d’une rapidité phénoménales au sein du champ CA3 et CA1 : les complexes d’ondes aiguës et d’ondulations à haute fréquence (sharp-wave ripples ou SWR).

Ces ondulations (150–250 Hz), qui surviennent principalement pendant les périodes de sommeil lent profond et de repos passif, constituent le substrat électrophysiologique par excellence du rejeu mnésique hippocampo-néocortical. Durant ces brefs épisodes d’environ 50 à 100 millisecondes, les assemblées de cellules de lieu qui avaient déchargé séquentiellement le long d’un parcours spatial pendant l’éveil actif se réactivent spontanément dans un ordre identique, mais selon une cinétique temporelle compressée d’un facteur 10 à 20. Ce rejeu neuronal compressé peut s’effectuer dans le sens chronologique direct (forward replay) ou dans le sens chronologique inversé (reverse replay), ce dernier jouant un rôle déterminant dans l’attribution de signaux de renforcement et la mise à jour des fonctions de valeur.

La puissance computationnelle de ce phénomène réside dans sa coordination systémique à grande échelle. Loin d’être confiné à la formation hippocampique, le déclenchement des ondulations SWR s’insère au millimètre près dans une symphonie oscillatoire tripartite unissant l’hippocampe, le thalamus et le néocortex. Les oscillations lentes néocorticales (< 1 Hz) génèrent des états d'excitabilité globale (« états UP »), au sein desquels sont nichés les fuseaux de sommeil thalamocorticaux (sleep spindles, 11–16 Hz). Les ondulations SWR de l’hippocampe sont temporellement verrouillées de manière précise au creux des cycles des fuseaux de sommeil néocorticaux, maximisant l’afflux calcique postsynaptique dans les dendrites corticales et ouvrant ainsi des fenêtres d’induction de plasticité synaptique (LTP) qui scellent le transfert d’information vers le cortex.

8.2 Le sommeil paradoxal (REM) et la restructuration synaptique

Si le sommeil à ondes lentes est incontestablement le théâtre privilégié de la transmission unidirectionnelle brute des informations de l’hippocampe vers le néocortex, le sommeil paradoxal (Rapid Eye Movement ou REM) joue un rôle computationnel complémentaire et hautement sophistiqué dans la restructuration et l’intégration sémantique au sein de l’architecture CLS. L’environnement neurochimique du sommeil REM se distingue radicalement de celui du sommeil lent : il est caractérisé par un déferlement massif d’acétylcholine au sein du système nerveux central, atteignant des concentrations équivalentes voire supérieures à celles de l’éveil actif, tandis que le tonus monoaminergique (noradrénaline et sérotonine) est presque entièrement aboli.

Cette configuration pharmacologique modifie en profondeur la dynamique de circulation de l’information entre les sous-systèmes mnésiques. Selon les modèles neurobiologiques contemporains (comme ceux formulés par Hasselmo ou Walker), un taux élevé d’acétylcholine bloque la transmission synaptique excitatrice le long des collatérales de Schaffer et des voies de sortie hippocampiques, tout en facilitant la plasticité synaptique intrinsèque au sein du néocortex lui-même. En conséquence, pendant le sommeil paradoxal, le dialogue hippocampo-néocortical direct est provisoirement suspendu ; le néocortex fonctionne en boucle fermée, libéré de l’ancrage rigide des épisodes récents dicté par l’hippocampe.

Ce fonctionnement en circuit autonome permet au manteau néocortical d’opérer des recombinaisons synaptiques créatives, de réactiver des associations faibles et distantes, et de tester de nouvelles configurations de connectivité entre des concepts disparates sans risquer d’altérer l’exactitude des faits contingents fraîchement encodés. C’est durant cette phase que les traces sémantisées subissent une intégration conceptuelle profonde, favorisant la résolution d’énigmes et la découverte d’analogies cachées. Parallèlement, des mécanismes d’homéostasie synaptique globale, formalisés par Giulio Tononi et Chiara Cirelli dans leur hypothèse de renormalisation synaptique, opèrent une dépression synaptique à l’échelle du réseau pour élaguer les connexions bruitées et recalibrer le coût énergétique global du cerveau.

8.3 Rejeu à l’éveil calme et consolidation hors ligne

L’une des réévaluations empiriques les plus marquantes apportées à la théorie CLS au cours des deux dernières décennies a été la découverte que la réactivation neuronale et la consolidation des systèmes ne sont pas l’apanage exclusif des phases de sommeil profond. Des enregistrements électrophysiologiques chez l’animal et des études d’imagerie fonctionnelle chez l’humain ont démontré de manière irréfutable que des complexes d’ondulations SWR et des motifs de rejeu neuronal hautement coordonnés se manifestent également durant l’éveil, lors de phases de repos passif, d’immobilité calme ou d’attente non stimulante (quiet wakefulness).

Dès que le cerveau cesse de s’engager dans le traitement actif de stimuli sensoriels immédiats ou dans l’exécution de comportements orientés vers un but précis, l’activité métabolique bascule spontanément vers le réseau du mode par défaut (Default Mode Network ou DMN). Ce réseau anatomique étendu, qui englobe le cortex préfrontal médial, le cortex cingulaire postérieur, le précunéus et les lobes temporaux médians, présente une synchronisation fonctionnelle étroite avec l’hippocampe. Les états d’éveil calme permettent ainsi l’orchestration continue d’un apprentissage entrelacé tout au long de la journée diurne : chaque pause de repos suivant une session d’apprentissage dense déclenche une cascade immédiate de réactivations hors ligne qui amorce la stabilisation des représentations corticales bien avant la première nuit de sommeil.

Cette consolidation hors ligne à l’éveil présente des implications considérables pour les sciences de l’éducation et l’optimisation des rythmes cognitifs humains. Elle fournit une explication neurobiologique rigoureuse à l’effet d’espacement (spacing effect), découvert empiriquement par Hermann Ebbinghaus à la fin du XIXe siècle, qui démontre qu’un apprentissage fragmenté par des intervalles temporels réguliers produit une rétention infiniment supérieure à un apprentissage massé continu. En ménageant des périodes d’inactivité cognitive relative entre les sessions de travail, le sujet permet au dialogue hippocampo-néocortical d’exécuter des cycles d’apprentissage entrelacé in silico, évitant l’encombrement synaptique de l’hippocampe et favorisant l’assimilation progressive de la matière nouvelle au sein de la structure néocorticale préexistante.

9. Révisions et extensions contemporaines de la théorie CLS

9.1 La mise à jour de Kumaran, Hassabis et McClelland (2016)

Deux décennies après la publication originelle de 1995, le paysage des neurosciences et de l’intelligence artificielle s’étant considérablement métamorphosé, Dharshan Kumaran, Demis Hassabis et James L. McClelland ont publié en 2016 dans la revue Trends in Cognitive Sciences une mise à jour théorique majeure : What Learning Systems do Intelligent Agents Need? Complementary Learning Systems Theory Updated. Tout en réaffirmant avec force la validité des principes cardinaux de la division biprocessus du travail mnésique, les auteurs ont enrichi et flexibilisé le modèle à la lumière des découvertes récentes concernant l’apprentissage par renforcement profond et la plasticité hippocampique.

La première révision fondamentale concerne les capacités computationnelles de l’hippocampe lui-même. Dans la formulation classique de 1995, l’hippocampe était conceptualisé de manière quasi unilatérale comme une matrice de mémorisation brute d’instances individuelles, un système rigide et orthogonalisé dépourvu de toute capacité d’abstraction. Le modèle de 2016 a battu en brèche cette vision réductrice en reconnaissant que la formation hippocampique peut elle-même développer des représentations généralisées, des cartes cognitives relationnelles et des codages structurels à des échelles d’abstraction variées. En s’appuyant notamment sur la dynamique des cellules de grille (grid cells) du cortex entorhinal et sur les connexions récurrentes de CA3, l’hippocampe apparaît désormais capable d’inférences transmutatives immédiates et d’apprentissage par généralisation rapide, sans attendre le transfert lent vers le néocortex.

La seconde révision conceptuelle majeure a porté sur la dynamique de modulation du taux d’apprentissage cortical ($epsilon$). Alors que le modèle original postulait un apprentissage néocortical strictement uniforme et constant, le cadre étendu intègre formellement les concepts d’erreur de prédiction (prediction errors) et de surprise épistémique issus de l’apprentissage par renforcement (reinforcement learning). Lorsque les attentes formulées par le modèle interne néocortical sont violemment contredites par une observation environnementale hautement significative ou affectivement saillante, des vagues de neuromodulateurs (tels que la dopamine ou l’acétylcholine) peuvent accroître temporairement et localement la plasticité synaptique du néocortex, autorisant une vitesse d’intégration accélérée sans pour autant sacrifier la stabilité globale de l’ensemble synaptique.

9.2 L’intégration accélérée via les schémas préexistants

L’une des remises en question les plus significatives de la contrainte absolue de lenteur néocorticale a émergé des travaux expérimentaux remarquables menés par Dorothy Tse, Richard Morris et leurs collaborateurs, publiés dans la revue Science en 2007 et 2011. En utilisant des protocoles d’apprentissage spatial et gustatif chez le rongeur, les chercheurs ont démontré qu’une information entièrement nouvelle (l’association d’une saveur inédite avec un emplacement spatial déterminé) pouvait être intégrée et consolidée de manière définitive au sein du néocortex en l’espace de seulement 24 à 48 heures — une vitesse vertigineuse comparativement aux semaines ou mois habituellement requis par la consolidation des systèmes standard.

Cette assimilation ultrarapide n’intervient toutefois pas dans le vide cognitif : elle est strictement conditionnée à l’existence préalable d’un « schéma mental » (schema) déjà solidement consolidé au sein du néocortex. Si l’animal a passé plusieurs semaines à apprendre la topographie générale de l’environnement et les règles relationnelles régissant la distribution de la nourriture, le schéma néocortical préexistant agit comme un cadre d’accueil structurel. L’information nouvelle n’est plus traitée comme une perturbation statistique déstabilisante imposant un réajustement itératif des poids distribués ; elle vient simplement s’insérer, tel un maillon manquant, dans un « emplacement vacant » prédéfini par l’architecture du schéma.

Des recherches neurobiologiques ultérieures ont révélé que cette intégration néocorticale accélérée est orchestrée par le cortex préfrontal médian (mPFC), agissant comme un arbitre de congruence de haut niveau. Lorsque le mPFC détecte que la nouvelle donnée transmise par l’hippocampe est compatible avec un schéma sémantique déjà stocké dans les réseaux corticaux postérieurs, il envoie un signal facilitateur qui court-circuite le long processus de réactivation entrelacée étalé dans le temps. L’information s’intègre alors directement et de manière pérenne dans les assemblées néocorticales, démontrant que la lenteur corticale dans le cadre CLS n’est pas une fatalité biophysique universelle mais une stratégie adaptative régulée par le degré de nouveauté et la congruence sémantique du signal.

9.3 Distinction fonctionnelle le long de l’axe longitudinal de l’hippocampe

Un autre pan substantiel des raffinements contemporains apportés au modèle CLS découle de la reconnaissance de l’hétérogénéité fonctionnelle et anatomique le long de l’axe longitudinal (antéro-postérieur chez l’être humain, dorso-ventral chez le rongeur) de la formation hippocampique. Dans les formalisations mathématiques originelles, l’hippocampe était traité comme une entité computationnelle monolithique et homogène opérant une séparation de motifs rigoureuse et standardisée sur toute son étendue. Les données neurophysiologiques et d’imagerie à ultra-haut champ accumulées depuis ont balayé cette vision unitaire au profit d’un gradient continu de granularité représentationnelle.

À l’extrémité dorsale (ou postérieure chez l’humain), les cellules de lieu présentent des champs récepteurs microscopiques, d’une extrême précision spatiale et d’une densité de codage hautement sélective. C’est dans ce segment anatomique que la séparation de motifs (pattern separation) atteint son paroxysme computationnel : l’hippocampe dorsal est voué à l’encodage ultrafin des coordonnées topographiques, des détails géométriques élémentaires et des contingences contextuelles strictes, assurant l’individualité absolue des épisodes singuliers sans le moindre chevauchement.

À l’opposé, vers l’extrémité ventrale (ou antérieure chez l’humain), les propriétés électrophysiologiques changent radicalement. Les champs récepteurs des cellules de lieu s’élargissent de façon exponentielle, couvrant des zones considérables de l’environnement, tandis que les connexions avec l’amygdale basolatérale, l’insula et le cortex préfrontal médial deviennent prédominantes. L’hippocampe ventral n’est pas optimisé pour la précision métrique, mais pour l’extraction de schémas globaux, la tonalité affective et la valence motivationnelle de l’expérience. Cette partie de l’hippocampe opère de facto une généralisation rapide et un apprentissage structurel de bas niveau, comblant le fossé computationnel historique entre la séparation absolue de l’hippocampe classique et la généralisation distribuée du néocortex.

10. Comparaison critique avec les théories mémorielles concurrentes

10.1 Théorie de la trace multiple (MTT) de Nadel et Moscovitch

L’essor de la théorie CLS et de son modèle de consolidation standard des systèmes a suscité, dès la fin des années 1990, des débats passionnés au sein de la communauté neuropsychologique internationale, conduisant à la formulation de cadres théoriques alternatifs dont le plus influent est sans conteste la théorie de la trace multiple (Multiple Trace Theory ou MTT), énoncée par Lynn Nadel et Morris Moscovitch en 1997. La divergence fondamentale entre le cadre CLS classique et la MTT réside dans le destin temporel de la trace mnésique hippocampique pour les souvenirs purement épisodiques et autobiographiques.

Tandis que la théorie CLS standard soutient que le néocortex parvient ultimement, par le jeu de réactivations entrelacées, à stocker de manière totalement autonome l’ensemble des composantes stables d’un souvenir (aboutissant à un désengagement graduel et complet de l’hippocampe), Nadel et Moscovitch affirment que l’hippocampe demeure perpétuellement indispensable à la restitution d’un souvenir épisodique véritable, quelle que soit son ancienneté. Selon la MTT, chaque fois qu’un souvenir autobiographique est rappelé au cours de la vie d’un individu, un nouvel engramme hippocampique (une trace multiple) est généré et relié aux traces plus anciennes. Les souvenirs anciens résistent mieux aux lésions partielles de l’hippocampe non pas parce qu’ils ont migré définitivement vers le néocortex, mais parce qu’ils bénéficient d’une redondance de multiples traces réparties le long de l’axe hippocampique.

Les débats empiriques entre partisans de la théorie CLS et partisans de la MTT se sont focalisés sur la qualité phénoménologique des souvenirs réactivés par les patients amnésiques porteurs de lésions hippocampiques complètes. Si ces patients parviennent à restituer des faits biographiques anciens sous une forme sémantisée (« Je sais que je me suis marié en 1975 dans telle ville »), ils s’avèrent incapables de revivre mentalement l’événement avec sa richesse phénoménologique subjective d’origine, son voyage mental dans le temps (chronesthesia) et ses détails sensoriels vivaces (Tulving, 2002). Les partisans de la théorie CLS ont répondu à cette critique en soulignant que la sémantisation néocorticale n’est pas un échec de la consolidation, mais son aboutissement computationnel logique : le néocortex n’a jamais été programmé pour stocker l’unicité microscopique d’une scène, mais pour en pérenniser les invariants signifiants.

10.2 Théorie de la transformation de la trace (Trace Transformation Theory)

En réponse aux confrontations stimulantes entre le modèle standard de consolidation défendu par CLS et les observations soutenant la théorie des traces multiples, une synthèse dialectique a émergé sous l’impulsion de Gordon Winocur, Morris Moscovitch et d’autres neuroscientifiques : la théorie de la transformation de la trace (Trace Transformation Theory ou TTT). Cette conceptualisation contemporaine réconcilie de façon brillante les principes d’optimisation computationnelle de McClelland et les données cliniques relatives à la pérennité hippocampique.

La théorie de la transformation de la trace postule qu’au fil du temps et des réactivations récurrentes, la trace mnésique initiale ne subit pas un simple transfert topographique passif d’une structure à une autre, mais se dédouble et évolue vers deux représentations qualitatives profondément divergentes qui coexistent en parallèle au sein du cerveau. D’une part, la trace hippocampique originelle persiste aussi longtemps que l’accès aux détails épisodiques vivaces, contextualisés et perceptuellement riches est maintenu. Cette trace demeure instable, plastique et vulnérable aux agressions cérébrales.

D’autre part, en interaction avec le néocortex et en parfaite adéquation avec les prédictions mathématiques de l’apprentissage entrelacé du modèle CLS, une trace sémantisée, schématisée et hautement résistante se forge au sein des réseaux corticaux. Cette trace corticale conserve le squelette conceptuel, le sens général et la signification de l’événement (ce que la psychologie cognitive nomme le gist), mais s’est émancipée des détails contingents de l’épisode. Ainsi, la TTT démontre que la transformation de la trace n’est pas un transfert géographique à somme nulle, mais un processus dynamique de parallélisation représentationnelle, validant la mécanique computationnelle CLS tout en reconnaissant les limites intrinsèques de la sémantisation corticale pour l’expression de la mémoire épisodique vive.

10.3 Théories constructivistes et prédictives du cerveau

Un autre cadre théorique majeur éclairant la théorie CLS sous un jour critique et novateur est constitué par les théories du cerveau prédictif (predictive processing) et le principe de l’énergie libre formalisés par Karl Friston et ses collaborateurs. Dans cette optique épistémologique, le cerveau n’est plus envisagé comme un réceptacle passif qui archiverait fidèlement des enregistrements véridiques du passé, mais comme une machine d’inférence active (active inference) dont la finalité biologique exclusive est de minimiser en permanence la surprise sensorielle et les erreurs de prédiction issues de sa confrontation au monde.

Dans ce paradigme prédictif, l’architecture CLS trouve une interprétation computationnelle d’une fascinante modernité. Le néocortex agit comme le dépositaire du modèle génératif a priori du cerveau : par son apprentissage lent et statistique, il encode les lois fondamentales, les causes cachées et les régularités structurelles qui permettent de générer des prédictions descendantes (top-down) continues quant au flux sensoriel entrant. De son côté, la formation hippocampique opère comme un détecteur et un compresseur d’erreurs de prédiction résiduelles. Lorsqu’un événement environnemental s’écarte brutalement des prédictions générées par le néocortex, le signal d’erreur remonte la hiérarchie et est capturé de manière instantanée par l’hippocampe sous forme de souvenir épisodique spécifique.

Cette perspective unifie également la mémoire et la prospection temporelle (la capacité d’imaginer le futur ou d’envisager des scénarios contrefactuels). Comme l’ont démontré Schacter, Addis et d’autres chercheurs à travers le concept de système constructif épisodique, la mémoire n’a pas été façonnée par la sélection naturelle pour regarder passivement vers le passé, mais pour simuler des trajectoires comportementales d’avenir. Les souvenirs stockés selon le modèle CLS constituent les briques modulaires qu’un système prédictif assemble, recombine et projette mentalement pour anticiper les opportunités et les dangers de l’action future, élevant l’architecture de McClelland, McNaughton et O’Reilly au rang de composant central de la cognition prospective.

11. Impact et applications de la théorie CLS dans l’intelligence artificielle

11.1 Architectures de mémoire épisodique pour l’apprentissage profond (Deep Learning)

L’intelligence artificielle contemporaine, et tout particulièrement le champ de l’apprentissage profond (Deep Learning), est redevable de manière directe et fondamentale à la théorie des systèmes d’apprentissage complémentaires. Lors de la résurgence spectaculaire des réseaux neuronaux profonds au début des années 2010, les chercheurs se sont heurtés exactement au même obstacle théorique que celui identifié par McCloskey et Cohen en 1989 : l’interférence catastrophique lors de l’apprentissage par renforcement à partir de flux de données continus.

La rupture historique opérée par la société DeepMind en 2015 avec son algorithme Deep Q-Network (DQN), qui a surpassé les performances humaines sur l’ensemble des jeux vidéo rétro de l’environnement Atari 2600 (Mnih et al., 2015), reposait structurellement sur l’implémentation directe d’un mécanisme inspiré de la théorie CLS : l’Experience Replay. Pour stabiliser l’apprentissage du réseau néocortical profond (le réseau de politique d’action), les transitions d’expérience de l’agent (état, action, récompense, état suivant) étaient instantanément archivées dans un tampon de mémoire épisodique non-paramétrique simulant l’hippocampe. Lors de la phase d’optimisation synaptique, l’algorithme tirait au sort de petits lots (mini-batches) de transitions passées de façon aléatoire et les réinjectait de façon entrelacée dans la descente de gradient du réseau profond, brisant les corrélations temporelles des données séquentielles et éliminant purement et simplement l’oubli catastrophique.

Au-delà de DQN, l’architecture CLS a directement inspiré la création de modules de mémoire externe explicite différentiable, tels que les machines de Turing neuronales (Neural Turing Machines ou NTM) de Graves et al. (2014) et les ordinateurs neuronaux différentiables (Differentiable Neural Computers ou DNC). Ces architectures découplent formellement le contrôleur computationnel récurrent (homologue du néocortex) d’une matrice de mémoire adressable par le contenu (homologue de l’hippocampe), permettant au réseau d’apprendre des algorithmes de manipulation de données complexes en un seul essai sans perturber les poids généraux de son unité centrale de calcul.

11.2 Stratégies d’apprentissage continu (Continual and Lifelong Learning)

L’apprentissage continu tout au long de la vie (Lifelong Learning ou Continual Learning) constitue l’un des verrous technologiques les plus critiques pour le déploiement d’agents autonomes, de robots humanoïdes et de systèmes d’intelligence artificielle générale évoluant dans des environnements dynamiques et ouverts. L’incapacité des modèles d’apprentissage machine standards à acquérir de nouvelles compétences séquentielles sans dégrader radicalement les compétences acquises antérieurement a poussé les ingénieurs à puiser massivement dans le réservoir conceptuel de la théorie CLS.

Trois grandes familles de stratégies algorithmiques directement issues du cadre CLS ont ainsi vu le jour :

• La consolidation synaptique et la régularisation computationnelle : Des approches telles que l’Elastic Weight Consolidation (EWC, Kirkpatrick et al., 2017) ou la Synaptic Intelligence (Zenke et al., 2017) s’inspirent des mécanismes de protection biochimique des épines dendritiques néocorticales consolidées. En calculant la matrice d’information de Fisher, ces algorithmes estiment l’importance cruciale de chaque poids synaptique pour les tâches passées et appliquent une pénalité quadratique freinant toute modification des synapses capitales lors de l’apprentissage des tâches subséquentes, garantissant une stabilité synaptique sélective.
• Le rejeu génératif (Generative Replay ou Pseudo-Rehearsal) : Plutôt que de stocker l’intégralité des données réelles dans une mémoire épisodique volumineuse soumise à des contraintes de confidentialité et de capacité, des modèles génératifs profonds (tels que les réseaux antagonistes génératifs ou GANs, et les auto-encodeurs variationnels) agissent comme un système de consolidation interne. Ils génèrent synthétiquement des pseudo-échantillons statistiques représentatifs des distributions de données anciennes, qu’ils mélangent de manière entrelacée aux données actuelles, répliquant fidèlement le dialogue de sommeil lent postulé par McClelland.
• Les architectures neuromorphiques hybrides : Sur le plan matériel (hardware), l’ingénierie neuromorphique développe des puces intégrant des memristors et des mémoires non volatiles à changement de phase fonctionnant à de très faibles voltages, couplées à des matrices de calcul analogique distribué, instanciant physiquement dans le silicium la complémentarité entre mémoires rapides volatiles et mémoires lentes conservatrices.

11.3 Apprentissage en quelques exemples (Few-Shot and Meta-Learning)

Un autre défi titanesque de l’intelligence artificielle réside dans la disparité spectaculaire d’efficacité d’échantillonnage entre l’humain et la machine : alors qu’un grand modèle de langage ou un réseau de vision artificielle requiert des millions, voire des milliards d’exemples annotés pour stabiliser ses représentations, un enfant humain est capable d’assimiler et de généraliser un concept visuel à partir d’un seul exemplaire (one-shot learning) ou d’une poignée d’occurrences (few-shot learning). Là encore, la transposition computationnelle de la théorie CLS s’est avérée décisive.

Dans les cadres récents de méta-apprentissage algorithmique (« apprendre à apprendre »), les chercheurs conçoivent des systèmes hiérarchiques à double échelle de temps qui émulent directement la synergie hippocampo-néocorticale. Un module d’apprentissage rapide (souvent un réseau récurrent à mémoire épisodique ou un réseau avec modulation rapide de poids, simulant l’hippocampe) s’adapte instantanément aux spécificités contingentes d’une tâche nouvelle distribuée sous forme de quelques exemples. Simultanément, un module d’apprentissage lent (le méta-optimiseur, simulant le néocortex) extrait à travers des milliers de tâches distinctes les représentations génériques invariantes et initialise les paramètres du réseau rapide pour maximiser sa flexibilité cognitive immédiate.

Des modèles tels que Model-Agnostic Meta-Learning (MAML) de Finn et al., ou les réseaux à mémoires associatives hybrides développés par Santoro et al. (Meta-Learning with Memory-Augmented Neural Networks), ont concrétisé mathématiquement cette dynamique. En conditionnant les représentations lentes et hautement distribuées par des indices épisodiques ponctuels encodés de façon orthogonale, ces algorithmes confèrent aux agents artificiels une robustesse et une capacité d’adaptation contextuelle qui constituent une avancée déterminante vers l’avènement d’une intelligence artificielle polyvalente et résiliente.

12. Synthèse épistémologique et horizons futurs pour la recherche sur la mémoire

12.1 Bilan conceptuel de l’apport de McClelland, McNaughton et O’Reilly

Trente ans après sa parution au sein de la Psychological Review, la théorie des systèmes d’apprentissage complémentaires de James L. McClelland, Bruce L. McNaughton et Randall C. O’Reilly s’impose comme l’un des accomplissements théoriques les plus éclatants et influents de l’histoire des sciences cognitives contemporaines. Son mérite épistémologique historique réside dans le fait d’avoir formulé un modèle mathématique prédictif rigoureux qui a su anticiper de plusieurs décennies des découvertes neurobiologiques majeures qui étaient impensables avec l’appareillage instrumental de 1995 : l’existence des ondes de rejeu compressé durant le sommeil lent profond, le rôle capital de la synchronisation inter-régionale dans la consolidation, la nature computationnelle de la séparation de motifs dans le gyrus denté, ou encore la sémantisation graduelle des engrammes cortico-corticaux.

Au-delà de ses succès prédictifs locaux, la théorie CLS a scellé de manière définitive la légitimité du connexionnisme biologique comme langage d’unification universel entre les neurosciences moléculaires, la physiologie des systèmes et la psychologie cognitive. Elle a démontré avec éclat que les apparentes imperfections de l’esprit humain — la lenteur proverbiale de l’apprentissage scolaire, la nécessité impérieuse du sommeil, l’amnésie infantile, la déformation graduelle de nos souvenirs autobiographiques anciens — ne sont nullement des faiblesses architecturales ou des tares évolutives, mais le tribut mathématique incontournable payé par un système biologique d’une perfection inouïe qui parvient à concilier l’inconciliable : la plasticité d’un enregistreur de l’éphémère et la stabilité d’un architecte de l’éternel.

La doctrine de la complémentarité computationnelle a survécu avec une solidité inébranlable à l’avalanche de données empiriques issues de l’optogénétique, de l’imagerie multimodale et du séquençage génomique unicellulaire. Loin d’avoir été invalidée par ces technologies nouvelles, elle s’en est trouvée enrichie, démontrant une résilience théorique qui la classe aux côtés des grands modèles unificateurs de la science cognitive moderne, tels que la théorie de la détection du signal ou la théorie du codage prédictif.

12.2 Questions non résolues et paradoxes empiriques persistants

En dépit de son écrasant succès d’estime et expérimental, la théorie CLS est aujourd’hui confrontée à des énigmes irrésolues et à des paradoxes mécanistiques pointus qui constituent autant de frontières passionnantes pour les chercheurs en neurobiologie computationnelle :

• L’arbitrage neuromodulateur dynamique entre encodage et rejeu : Si l’on comprend bien que des taux élevés d’acétylcholine favorisent l’encodage et bloquent le rejeu intrinsèque tandis que des taux bas déclenchent la réactivation autonome, les signaux cellulaires microscopiques précis qui ordonnent à une assemblée neuronale donnée de basculer instantanément de l’état d’indexation à l’état de restitution lors de l’éveil demeurent partiellement opaques. Le rôle de la dopamine, sécrétée par l’aire tegmentale ventrale et le locus coeruleus en réponse à la nouveauté contextuelle, dans le marquage prioritaire des engrammes méritant d’être réactivés la nuit suivante (synaptic tagging and capture) nécessite une intégration formelle plus poussée au sein des équations CLS.
• Le recyclage synaptique et la clairance des engrammes : Si le néocortex assimile en continu des invariants et que l’hippocampe encode quotidiennement des milliers d’épisodes, pourquoi la matrice hippocampique ne s’effondre-t-elle pas sous le poids de la saturation synaptique ? Les mécanismes de clairance active des traces mnésiques — incluant l’élagage microglial, l’action de la neurogenèse adulte dans le gyrus denté qui efface activement d’anciennes traces pour préserver la flexibilité computationnelle future, et la dépression synaptique homéostasique — demeurent à modéliser mathématiquement de manière satisfaisante.
• La frontière poreuse entre sémantique et épisodique : La frontière conceptuelle stricte entre l’index hippocampique contextuel et le réseau néocortical abstrait s’estompe sous le scalpel de la neuro-imagerie moderne. La découverte d’assemblées neuronales hippocampiques répondant à des concepts abstraits indépendamment de tout contexte immédiat questionne la pureté orthogonale du système rapide et appelle une redéfinition théorique continue de la granularité représentationnelle.

12.3 Vers un modèle neurocomputationnel unifié de l’esprit humain

L’horizon ultime de la théorie des systèmes d’apprentissage complémentaires réside dans son extension audacieuse au-delà de l’axe bipartite classique hippocampe-néocortex, en vue de bâtir un modèle computationnel holistique embrassant l’intégralité du système nerveux central. Le cerveau des mammifères ne se résume pas à cette seule dualité : des structures sous-corticales massives telles que les ganglions de la base (et tout particulièrement le striatum), le cervelet, le thalamus et l’amygdale constituent autant de systèmes d’apprentissage complémentaires additionnels qui dialoguent en permanence avec la boucle mnésique déclarative.

Une théorie CLS élargie (dite « quadri-processus » ou « pan-corticale ») modélise désormais l’interaction orchestrée entre quatre dynamiques synaptiques spécialisées :

• L’hippocampe pour l’apprentissage épisodique, rapide, relationnel et fondé sur des instances uniques.
• Le néocortex pour l’apprentissage sémantique, lent, statistique et générateur de modèles structurés du monde.
• Les ganglions de la base pour l’apprentissage par renforcement, modélisant la sélection des actions par boucle d’évaluation de la valeur temporelle (TD-learning) médiée par la dopamine phasique.
• Le cervelet pour l’apprentissage supervisé prédictif ultrarapide fondé sur la correction d’erreurs sensorimotrices en temps réel via les fibres grimpantes et moussues.

Enfin, la convergence émergente entre cette théorie computationnelle globale, la manipulation optogénétique causale des engrammes (permettant aujourd’hui chez l’animal d’activer, d’inhiber ou d’implanter artificiellement des souvenirs spécifiques durant les phases de réactivation) et le développement de prothèses neurales bidirectionnelles ouvre des perspectives thérapeutiques vertigineuses. La compréhension fine du dialogue hippocampo-néocortical laisse entrevoir la possibilité historique de compenser les dysfonctionnements synaptiques chez les patients souffrant de la maladie d’Alzheimer au moyen d’interfaces cérébro-électroniques stimulant artificiellement le rejeu d’ondes aiguës durant le sommeil, ou d’accélérer l’apprentissage humain en optimisant computationnellement les fenêtres de consolidation synaptique. Par cette quête inlassable, l’intuition fondatrice de McClelland, McNaughton et O’Reilly continue de guider l’exploration de l’abîme fascinant de la mémoire humaine, où chaque souvenir est une fragile étincelle réverbérée au sein d’une cathédrale de synapses.

Références

• Buzsáki, G. (1989). Two-stage model of memory trace formation: A role for « noisy » brain states. Neuroscience, 31(3), 551–570. https://doi.org/10.1016/0306-4522(89)90423-5
• Finn, C., Abbeel, P., & Levine, S. (2017). Model-agnostic meta-learning for fast adaptation of deep networks. In International Conference on Machine Learning (ICML) (pp. 1126–1135). PMLR. https://arxiv.org/abs/1703.03400
• Friston, K. (2010). The free-energy principle: a unified brain theory?. Nature Reviews Neuroscience, 11(2), 127–138. https://doi.org/10.1038/nrn2787
• Gais, S., Albouy, G., Boly, M., Dang-Vu, T. T., Darsaud, A., Desseilles, M., Rauchs, G., Schabus, M., Sterpenich, V., Vandewalle, G., Phillips, C., & Luxen, A. (2007). Sleep transforms the cerebral trace of declarative memories. Proceedings of the National Academy of Sciences, 104(47), 18778–18783. https://doi.org/10.1073/pnas.0705454104
• Graves, A., Wayne, G., & Danihelka, I. (2014). Neural turing machines. arXiv preprint arXiv:1410.5401. https://arxiv.org/abs/1410.5401
• Grossberg, S. (1987). Competitive learning: From interactive activation to adaptive resonance. Cognitive Science, 11(1), 23–63. https://doi.org/10.1111/j.1551-6708.1987.tb00862.x
• Hasselmo, M. E. (2006). The role of acetylcholine in learning and memory as formulated in behavioral and computational experiments. Neurobiology of Learning and Memory, 85(1), 1–17. https://doi.org/10.1016/j.nlm.2005.06.002
• Kirkpatrick, J., Pascanu, R., Rabinowitz, N., Veness, J., Desjardins, G., Rusu, A. A., Milan, K., Quan, J., Ramalho, T., Grabska-Barwinska, A., Hassabis, D., Clopath, C., Kumaran, D., & Hadsell, R. (2017). Overcoming catastrophic forgetting in neural networks. Proceedings of the National Academy of Sciences, 114(13), 3521–3526. https://doi.org/10.1073/pnas.1611835114
• Kumaran, D., Hassabis, D., & McClelland, J. L. (2016). What learning systems do intelligent agents need? Complementary learning systems theory updated. Trends in Cognitive Sciences, 20(7), 512–534. https://doi.org/10.1016/j.tics.2016.05.004
• McClelland, J. L., McNaughton, B. L., & O’Reilly, R. C. (1995). Why there are complementary learning systems in the hippocampus and neocortex: Insights from the successes and failures of connectionist models of learning and memory. Psychological Review, 102(3), 419–457. https://doi.org/10.1037/0033-295X.102.3.419
• McCloskey, M., & Cohen, N. J. (1989). Catastrophic interference in connectionist networks: The sequential learning problem. Psychology of Learning and Motivation, 24, 109–165. https://doi.org/10.1016/S0079-7421(08)60536-8
• Milner, B., Squire, L. R., & Kandel, E. R. (1998). Cognitive neuroscience and the study of memory. Neuron, 20(3), 445–468. https://doi.org/10.1016/S0896-6273(00)80987-3
• Mnih, V., Kavukcuoglu, K., Silver, D., Rusu, A. A., Veness, J., Bellemare, M. G., Graves, A., Riedmiller, M., Fidjeland, A. K., Ostrovski, G., Petersen, S., Beattie, C., Sadik, A., Antonoglou, I., King, H., Kumaran, D., Wierstra, D., Legg, S., & Hassabis, D. (2015). Human-level control through deep reinforcement learning. Nature, 518(7540), 529–533. https://doi.org/10.1038/nature14236
• Nadel, L., & Moscovitch, M. (1997). Memory consolidation, retrograde amnesia and the hippocampal complex. Current Opinion in Neurobiology, 7(2), 217–227. https://doi.org/10.1016/S0959-4388(97)80010-4
• O’Keefe, J., & Nadel, L. (1978). The Hippocampus as a Cognitive Map. Oxford: Clarendon Press. https://www.cognitivemap.net/
• O’Reilly, R. C., & McClelland, J. L. (1994). Hippocampal conjunctive encoding, storage, and recall: Avoiding a trade-off. Hippocampus, 4(6), 661–682. https://doi.org/10.1002/hipo.450040605
• Ratcliff, R. (1990). Connectionist models of recognition memory: constraints imposed by learning and forgetting functions. Psychological Review, 97(2), 285–308. https://doi.org/10.1037/0033-295X.97.2.285
• Rumelhart, D. E., McClelland, J. L., & the PDP Research Group. (1986). Parallel Distributed Processing: Explorations in the Microstructure of Cognition. MIT Press. https://mitpress.mit.edu/9780262680530/parallel-distributed-processing/
• Santoro, A., Bartunov, S., Botvinick, M., Wierstra, D., & Lillicrap, T. (2016). Meta-learning with memory-augmented neural networks. In International Conference on Machine Learning (ICML) (pp. 1842–1850). PMLR. https://arxiv.org/abs/1605.06065
• Scoville, W. B., & Milner, B. (1957). Loss of recent memory after bilateral hippocampal lesions. Journal of Neurology, Neurosurgery, and Psychiatry, 20(1), 11–21. https://doi.org/10.1136/jnnp.20.1.11
• Squire, L. R. (1992). Memory and the hippocampus: A synthesis from findings with rats, monkeys, and humans. Psychological Review, 99(2), 195–231. https://doi.org/10.1037/0033-295X.99.2.195
• Takashima, A., Petersson, K. M., Rutters, F., Tendolkar, I., Jensen, O., Zwarts, M. J., McNaughton, B. L., & Fernández, G. (2006). Declarative memory consolidation in humans: A prospective functional magnetic resonance imaging study. Proceedings of the National Academy of Sciences, 103(3), 756–761. https://doi.org/10.1073/pnas.0507774103
• Tononi, G., & Cirelli, C. (2006). Sleep function and synaptic homeostasis. Sleep Medicine Reviews, 10(1), 49–62. https://doi.org/10.1016/j.smrv.2005.05.002
• Tse, D., Langston, R. F., Kakeyama, M., Bethus, I., Spooner, P. A., Wood, E. R., Witter, M. P., & Morris, R. G. (2007). Schemas and memory consolidation. Science, 316(5821), 76–82. https://doi.org/10.1126/science.1135935
• Tse, D., Takeuchi, T., Kakeyama, M., Kajii, Y., Okuno, H., Tohyama, C., Bito, H., & Morris, R. G. (2011). Schema-dependent gene activation and memory encoding in neocortex. Science, 333(6044), 891–895. https://doi.org/10.1126/science.1205274
• Tulving, E. (2002). Episodic memory: From mind to brain. Annual Review of Psychology, 53(1), 1–25. https://doi.org/10.1146/annurev.psych.53.100901.135114
• Wilson, M. A., & McNaughton, B. L. (1994). Reactivation of hippocampal ensemble memories during sleep. Science, 265(5172), 676–679. https://doi.org/10.1126/science.8036517
• Winocur, G., & Moscovitch, M. (2011). Memory transformation and systems consolidation. Journal of the International Neuropsychological Society, 17(5), 766–780. https://doi.org/10.1017/S1355617711000683
• Zenke, F., Poole, B., & Ganguli, S. (2017). Continual learning through synaptic intelligence. In International Conference on Machine Learning (ICML) (pp. 3987–3995). PMLR. https://arxiv.org/abs/1703.04200