Études de la prise de décision dynamique en milieu naturel et artificiel: Une approche interdisciplinaire et intégrative

Le comportement humain est régi en grande partie par des interactions en temps réel avec un environnement complexe et en évolution continue. La dynamique de cet environnement ne nous permet pas toujours d’effectuer des délibérations minutieuses suivies d’une planification des actions, mais nous oblige plutôt à prendre des décisions, à la volée, sur des options dont les bénéfices et les risques changent au cours du temps. Comment le cerveau accomplit-il cet exploit? Quels sont les mécanismes et principes qu’il utilise pour contrôler et adapter notre comportement aux contraintes d’un environnement qui ne cessent d’évoluer? Serait-il possible de traduire ces principes biologiques en systèmes autonomes artificiels capables elles aussi d’un comportement robuste dans ce même environnement complexe et dynamique? L’équipe multidisciplinaire réunie dans cette proposition vise à aborder ces questions en étudiant les processus de prise de décision dynamique via une combinaison unique d’expertises, alliant les neurosciences, les mathématiques et l’intelligence artificielle. En particulier, nous utiliserons des méthodes mathématiques avancées pour interpréter l’activité neuronale enregistrée chez des singes et des humains pendant qu’ils prennent des décisions dans un contexte dynamique. Ces analyses s’appuieront sur des ensembles de données déjà disponibles, incluant des enregistrements multi-électrodes dans le cortex et les noyaux gris centraux, et des enregistrements non-invasifs en magnétoencéphalographie (MEG). En utilisant le cadre mathématique des systèmes dynamiques non-linéaires, ces études permettront de mieux comprendre les processus neuronaux qui sous-tendent la prise de décision dynamique. De plus, l’estimation des interactions à longue-distance pendant cette tâche nous permettra de caractériser le flux de l’information au sein des réseaux impliqués. Ces analyses seront utilisées pour développer de nouveaux modèles computationnels qui simulent les mécanismes neuronaux. En parallèle, nous chercherons à définir des principes computationnels et algorithmes d’apprentissage par renforcement qui sous-tendent la capacité du cerveau à s’adapter et à améliorer son comportement. À long terme, ces principes et lois d’apprentissage peuvent être traduits en algorithmes de contrôle de systèmes artificiels autonomes capables de gérer les complexités et les incertitudes inhérentes à un environnement naturel.