Thèse Sciences Cognitives - Olivier Nerot
Thèse Sciences Cognitives - Olivier Nerot
Thèse Sciences Cognitives - Olivier Nerot
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Mémorisation par forçage des dynamiques chaotiques dans les modèles connexionnistes récurrents<br />
5.3.2 Pour l'architecture<br />
5.3.3 Bilan<br />
1. Récurrence locale<br />
Afin d’observer un comportement dynamique libre, à partir de neurones sans<br />
dynamique propre, il est nécessaire que l’architecture soit récurrente, afin de créer des<br />
rétroactions qui les entretiennent. Plusieurs résultats nous encouragèrent à limiter ces<br />
récurrences à un proche voisinage neuronal.<br />
Tout d’abord, la thèse de Bruno Cessac [[32]] montre que les propriétés dynamiques d’un<br />
réseau récurrent sont conservées, même pour de très faibles taux de connections<br />
récurrentes. D’autre part, la majorité des connections synaptiques d’un neurone<br />
biologique sont contenues dans un cube d’un centimètre de coté.<br />
De plus, la notion de récurrence locale permet d’interpréter la transmission d’information<br />
en termes de diffusions dans le réseau, car il existe une notion de distance entre deux<br />
neurones du réseau. Dans un réseau totalement récurrent, tous les neurones sont à une<br />
distance 1 les uns des autres : aucune diffusion n’est observable. Cette architecture offre<br />
donc la possibilité de vérifier le principe de modularisation fonctionnelle autour des sites<br />
de forçage.<br />
Dans plusieurs de nos réseaux, cette diffusion est très visible (Figure 7-21 Figure 7-22<br />
Figure 7-23 p.163).<br />
2. Séquentiel ou parallèle<br />
Il s’est posé le choix du mode d’itération, séquentiel ou parallèle. Dans le cas<br />
séquentiel, à chaque itération, un seul neurone évolue, choisi au hasard, ou appartenant<br />
à une liste pré-établie ; dans le cas parallèle, l’ensemble des neurones du réseau<br />
modifient leur état en même temps.<br />
Bien qu’il existe des résultats montrant que ces deux règles d’itérations n’engendrent pas<br />
le même type de comportement, nous nous sommes limités à l’étude du mode parallèle<br />
pour trois raisons. La première est une simple considération biologique : il n’existe pas<br />
d’évidence biologique d’une désynchronisation des itérations neuronales. La deuxième<br />
tient aux temps de calculs. Comme nous comptions simuler le plus grand nombre<br />
possible de neurones dans un seul réseau, nous avons utilisé l’ordinateur parallèle du<br />
TIMC, qui itère tous ses processeurs en parallèle. Désynchroniser les itérations<br />
neuronales aurait compliquer et ralenti encore les calculs. Et enfin, comme nous nous<br />
intéressions aux dynamiques de populations neuronales, à leurs synchronismes locaux, il<br />
était essentiel de voir les dynamiques évoluer en parallèle.<br />
Ainsi, nous nous sommes restreints à l’étude de dynamiques neuronales à itérations<br />
synchrones.<br />
Le modèle de neurone utilisé, en vue de l’obtention des propriétés présentées dans le<br />
modèle théorique de mémoire, sera donc, dans le cas le plus général, du type de celui présenté<br />
dans la Figure 5-14.<br />
UN MODELE CONNEXIONNISTE DE LA MEMOIRE 123