Thèse Sciences Cognitives - Olivier Nerot

Mémorisation par forçage des dynamiques chaotiques dans les modèles connexionnistes récurrents
* Quels sont les paramètres principaux d’une dynamique neuronale ?
* Quelles règles d’apprentissage portent sur ces paramètres ?
* Quels sont les critères d’une plausibilité biologique ?
* Pouvons nous imaginer des règles d’apprentissage vérifiant ces critères ?
La réponse à ces questions nous permettra de dégager quelques modèles, qui seront
simulés et analysés, en effectuant en parallèle un retour au biologique dès que cela s’avère
possible. Nous essayerons de montrer qu’une synthèse entre ces modèles est possible, amenant
un type de réseau dynamique biologiquement plausible, qui sera construit au fur et à mesure du
déroulement de cette thèse.
1.2.1 Analyse
La première partie de cette thèse est consacrée à l’analyse de ces différentes questions,
et tente d’y apporter quelques solutions. Il a fallu tout d’abord définir ce qui caractérise les
dynamiques neuronales, qu’elles soient naturelles ou artificielles, et l’intérêt qu’elles présentent
pour l’encodage d’information. Nous tenterons de justifier leur emploi dans cette thèse et de
rassembler les outils mathématiques utiles à leur analyse (Chap.2, Encodage dynamique,
mémoire et chaos. p23). Cette première approche nous permettra d’entrevoir les méthodes
possibles d’encodage de l’information par les dynamiques neuronales d’un modèle connexionniste
: encodage par synchronisme, par population, par mémorisation des dynamiques ou de leurs
paramètres.
Tout naturellement, une telle étude nous a orientés vers les modèles connexionnistes à
dynamique chaotique, actuellement beaucoup étudiés, en s’appuyant essentiellement sur les
travaux de Blabloyantz et al. [[9]][[10]], Freeman & al. [[180]][[218]][[36]], Renals [[164]], Chapeau-
Blondeau [[40]][[43]]. L’une des premières observations durant cette phase fut de remarquer la
diversité des approches réalisées, tant dans les modèles que dans l’interprétation du rôle du
chaos. Il fut donc nécessaire de synthétiser les méthodes d’encodage de l’information par des
dynamiques chaotiques, et d’en dégager quelques encodages principaux, en accord avec les
connaissances neurophysiologiques actuelles.
Une fois déterminées ces méthodes d’encodage, nous nous intéresserons aux modèles
neuronaux et aux architectures pouvant répondre à nos besoins (Chap. 3, Modèles
connexionnistes dynamiques, p.65). Ce chapitre tentera de hiérarchiser les modèles proposés, afin
de déterminer quels sont les paramètres et les contraintes essentiels du réseau que nous
souhaitons réaliser, et quels sont les modèles pouvant présenter les dynamiques retenues dans le
chapitre précédent. C’est à ce niveau que sera posé le choix d’une architecture récurrente, à
voisinage local. La même analyse sera alors réalisée pour les algorithmes d’apprentissage utilisés
dans les architectures récurrentes [Chap. 4, Apprentissage dans les réseaux récurrents. p79] Ce
chapitre rassemblera les principales idées avancées, et recensera l’ensemble des algorithmes
utilisés dans les modèles connexionnistes récurrents. Malheureusement, les algorithmes
développés à ce jour pour les architectures récurrentes ne sont pas biologiquement plausibles
(non on-line, non locaux). Il nous a donc fallu imaginer et développer de nouvelles règles
répondant à ces contraintes de plausibilité biologique.
PRESENTATION GENERALE 19