Thèse Sciences Cognitives - Olivier Nerot

108
Mémorisation par forçage des dynamiques chaotiques dans les modèles connexionnistes récurrents
1. Simplification des dynamiques apprises
Comme cela a été proposé dans les premiers principes dégagés lors de l’étude de
l’utilisation d’un système à dynamique chaotique (2.3.3 Synthèse d’un modèle
préliminaire, p.58), certaines expériences tendent à montrer que le phénomène de
reconnaissance se traduit dans les systèmes naturels par une diminution de l’attracteur
cérébral. Nous avons vu, de plus, que la complexification de la dynamique s’il n’y a pas
reconnaissance peut être expliqué par un phénomène de couplage d’un processus non
linéaire à un signal extérieur (1 Complexification des dynamiques, p.99).
Le modèle proposé ici, suppose que le système cherche à anticiper les perturbations
induites par la modification de son environnement. Il cherche donc à forcer les
dynamiques de ses neurones modifiées par son environnement, et à suivre les
dynamiques forçantes. Il suffirait donc que ces dynamiques forçantes soient de plus
faible complexité que les dynamiques libres cérébrales, pour que puisse être observée
une diminution de la complexité des dynamiques apprises. Il semblerait que ce soit bien
le cas : les premiers étages de traitement de l’information réalisent bien souvent des
filtrages préliminaires qui tendent à simplifier les dynamiques qui sont ensuite transmises
au système central : la cochlée sépare un signal sonore par paquets de fréquences, la
rétine prétraite l’image reçue, et bien souvent les capteurs physiques se spécialisent en
transmettant ainsi une information appauvrie. De cette façon, l’environnement est présegmenté.
Pour reprendre l’exemple du système ‘ressort+masse’, présenté précédemment, le
système devrait chercher, lors de l’apprentissage, à modifier ses paramètres pour que
l’extrémité libre du ressort suive le signal forçant, qui est une simple sinusoïde : il y
aurait bien simplification des dynamiques du système.
2. Vers une maximisation de l’autonomie
Ce modèle de mémoire dans un système cherche à minimiser l’influence externe sur
les dynamiques internes du système, puisque, si l’apprentissage par cœur est atteint, le
système suit fidèlement les modifications extérieures, sans avoir recours à celles-ci.
Dans le cas d’un système dynamique défini par son état X, les variables de contrôle
U 40 , et de loi f, nous définirons l’autonomie d’un système par :
( , , )
L f XU
If( X)
=
I ( U)
Cette influence If(x) représente la sensibilité de f à une variation des états X. Une idée
pour la mesurer (dans les cas où f est ‘bien choisie’), peut être par exemple d’employer :
+ T
æ 1
ö
If( X)
= åçlim
J f , X( Xi). dXi÷
T®¥
i è T ò
,
2 -T
ø
40 Nous entendons par paramètre de contrôle, tout paramètre participant à l’évolution du système, ne faisant
par partie des paramètres internes du système. Ils contrôlent le système, car c’est une intervention
extérieure qui modifie son évolution, et la contrôle.
DEUXIEME PARTIE : DEVELOPPEMENT
f