Les chercheurs ont découvert comment les cerveaux transforment les signaux basés sur le temps en mémoires stables en utilisant des changements synaptiques combinés à court et à long terme. Researchers found how brains turn time-based signals into stable memories using combined short- and long-term synaptic changes.

Des chercheurs de l'Université de Tianjin et des collaborateurs internationaux ont identifié un mécanisme cérébral qui convertit les séquences d'activité neuronale au fil du temps en modèles spatiaux, permettant ainsi un traitement et un stockage efficaces de l'information. Researchers at Tianjin University and international collaborators have identified a brain mechanism that converts sequences of neural activity over time into spatial patterns, enabling efficient information processing and storage. L'étude, publiée dans le PNAS, montre que les changements synaptiques à long et à court terme travaillent ensemble pour transformer des entrées dynamiques – comme une mélodie – en représentations stables, améliorant la mémoire et la résistance au bruit sans élargir les réseaux neuraux. The study, published in PNAS, shows that long-term and short-term synaptic changes work together to transform dynamic inputs—like a melody—into stable representations, enhancing memory and noise resistance without enlarging neural networks. Appuyés par des modèles de calcul et des données électrophysiologiques provenant de néocortices humains et de souris, les résultats révèlent un « code de collaboration » pour le traitement temporel, offrant des indications pour développer des systèmes d'intelligence artificielle plus efficaces et plus interprétables. Supported by computational models and electrophysiological data from mouse and human neocortices, the findings reveal a "collaboration code" for temporal processing, offering insights for developing more efficient, interpretable artificial intelligence systems.