Thèse Sciences Cognitives - Olivier Nerot

32
Mémorisation par forçage des dynamiques chaotiques dans les modèles connexionnistes récurrents
de la méconnaissance a priori que le concepteur a de son système 11 . Ainsi l’intérêt que
nous trouvons dans la nature émergente d’une propriété résulte plus d’une certaine
approche épistémologique que d’une caractéristique véritable de cette propriété. Notre
méthode consistera donc à observer les propriétés du système a posteriori, en postulant
que la même méthode doit être appliquée à leur comparaison aux ‘propriétés naturelles’
; ceci, en admettant que la plupart de nos comportements sont émergents, car ils
résultent d’une observation a posteriori, et non d’une loi spécifique à chacun d’entre eux
[[61]].
2. Support d’information distribuée
Une des notions qui découle de l’utilisation d’un modèle connexionniste est celle de
distribution de l’information : une information n’est plus encodée par la valeur d’un
neurone, mais par l’organisation de la population neuronale. Cette modification de la
nature de l’encodage amène trois éléments principaux, confortant l’approche choisie
dans cette thèse :
a. Unification mémoires/organes de traitement
La comparaison des machines de Turing au système cérébral fit longtemps partie
des arguments suffisants de l’intelligence artificielle : le cerveau était une machine,
traitant de l’information externe, grâce à des capteurs, et agissant sur son
environnement, via des effecteurs. Le cerveau pouvait être assimilé à un organe de
traitement de l’information. Les modèles connexionnistes remettent en cause ce point
de vue en rassemblant la partie de traitement et le support de la mémoire dans un
même système. Ce point de vue, relevé par [[4]], permet de voir l’un des principaux
avantages du connexionnisme : le neurone est à la fois support et intermédiaire de
traitement, il est paramètre et fonction. Cette vision s’accorde avec l’idée d’un
système plongé dans son environnement, selon l’hypothèse du tout dynamique,
présentée précédemment.
b. Récupération par le contenu
Pour retrouver une information enregistrée, l’encodage par représentant scalaire
fixe nécessite la connaissance de l’emplacement du représentant pour aller lire sa
valeur (par exemple, contenu de la mémoire 0x6AC4). Dans le cas d’un système
distribué, il suffit de « décrire ce qui est cherché », pour que le système le retrouve (si
un apprentissage efficace a été réalisé). Cette constatation courante peut être
complétée par trois autres qui s’inscrivent dans l’approche utilisée dans cette thèse.
Premièrement, la « description de ce qui est cherché » peut être vue comme une
perturbation du système : on modifie ses entrées pour modifier son comportement.
Cette constatation permet de s’approcher de la notion de clôture du système, qui sera
abordée lors de la description de notre modèle. En effet, une des voies envisageables
pour l’apprentissage peut être de chercher à minimiser la perturbation induite par
l’environnement.
11 Il suffit ainsi de concevoir un système au hasard, sans rien chercher à connaître a priori, pour pouvoir
qualifier chacune de ses propriétés d’émergente.
PREMIERE PARTIE : ANALYSE