Thèse Sciences Cognitives - Olivier Nerot

148
Mémorisation par forçage des dynamiques chaotiques dans les modèles connexionnistes récurrents
même réseau, les périodes peuvent aller de 1 (neurone oscillant entre deux états), à
des périodes beaucoup plus longues (parfois plusieurs centaines d’itérations).
La deuxième caractéristique qui nous semble importante est que ce type de
réseau possède naturellement une organisation locale des dynamiques, et que cellesci
se synchronisent en petits groupes de clusters. Ce type de réseau possède des
caractéristiques de modularisation potentielle.
Nous avons testé plusieurs dizaines de réseaux de ce type, en choisissant une
répartition aléatoire des poids, à une même température, et tous possèdent cette
même propriété : de petits groupes neuronaux s’organisent autour de fréquences
spécifiques.
Figure 7-4 : Clustering fréquentiel
Pour différentes valeurs de fréquence, les zones où cette fréquence est maximale varient.
Ainsi à chaque fréquence est associée un cluster préférentiel.
A ce niveau de l’étude, ces résultats semblent suffisants pour tenter de les
rapprocher du modèle cherché, où des modules neuronaux s’organisent et se
synchronisent. Malheureusement, dans tous les essais réalisés, les clusters obtenus
étaient de petite taille, de l’ordre de grandeur du voisinage neuronal.
Ceci peut être expliqué simplement par le fait que, si un neurone oscille à une
certaine fréquence, il entraîne obligatoirement les neurones qui lui sont connectés à
cette fréquence, mais, pour que le neurone ne sature pas, il faut que celui possède
des rétroactions négatives qui le maintiennent sur une dynamique. Or, ces
configurations des poids sont rares dans un réseau où les poids sont choisis au
hasard. Ainsi, il y a de grande chance que des groupes neuronaux saturent, isolant
les clusters où l’architecture permet de maintenir une dynamique.
TROISIEME PARTIE : RESULTATS