Thèse Sciences Cognitives - Olivier Nerot

38
Mémorisation par forçage des dynamiques chaotiques dans les modèles connexionnistes récurrents
Ici, c’est la géométrie des
populations de neurones qui
vérifient l’une des propriétés
précédentes qui encode
l’information. Ce type
d’encodage est le plus riche,
et semble être le plus proche
des connaissances neurophysiologiques
actuelles,
puisqu’il permet naturellement
de définir des notions de
modularité dans le réseau, et
même de mobilité de ces
modules. Le problème est que
ce type d’encodage se fait en
segmentant un espace d’état
comportant des variables
spatiales et temporelles, de
Figure 2-8 : Encodage par les populations
grande dimension. Il est ainsi difficile de savoir précisément dans quel état est le réseau.
Nous privilégierons cette troisième approche de l’encodage, qui semble actuellement la
plus en accord avec les données neurophysiologiques actuelles. En effet, il a été montré
récemment que les synchronismes observés dans les premiers étages visuels lors de la
perception de bandes inclinées, sont regroupés par populations qui vérifient une
géométrie précise dépendant de l’inclinaison perçue [[212]]. De plus, les images
fonctionnelles cérébrales (PET-scanner, MEG, etc...) peuvent être interprétées en terme
de synchronisation : sans activité cérébrale, les dynamiques individuelles des neurones
sont désynchronisées, engendrant ainsi une activité globale moyenne stable et faible. En
effet, tout comme la somme de deux sinusoïdes est nulle, si celles-ci sont déphasées de
p
2 , la moyenne des activités neuronales est atténuée, car les activités neuronales
individuelles s’annulent les unes les autres. Mais, tout comme la somme de deux
sinusoïdes est maximale pour un déphasage nul, l’activité globale d’une population
neuronale est maximale lorsque les activités individuelles sont en phase. De cette façon
apparaissent des pics d’activité, par rapport aux zones désynchronisées, dans les
régions de populations neuronales synchronisées. Ainsi, les images fonctionnelles
cérébrales indiquent les populations neuronales synchronisées, validant ainsi l’hypothèse
d’une activité mentale fondée sur les synchronismes de populations neuronales. Cela
conduit à dire que les activités isophases sont synchronisées, et les activités
isofréquences sont synchronisables. Ceci nous a poussé à étudier dans nos modèles à la
fois les paysages d’isofréquence (Figure 7-4, p.148) et d’isophase (Figure 7-14, p.158).
Comme nous le verrons dans les paragraphes à venir, le ‘grand nombre’ d’isofréquences
dans les dynamiques chaotiques permet une bonne ‘synchronisabilité’ potentielle de
populations neuronales.
2.2.5 Des dynamiques au chaos
Lors du développement de nos modèles, nous avons été rapidement confrontés à des
dynamiques chaotiques (Chap.7, Dynamiques observées, p.143) : fallait-il les éliminer en les
considérant nuisible pour notre étude, car l’encodage par les synchronismes décrit précédemment
deviennent plus délicats, ou au contraire fallait-il tenter de les utiliser ? Plusieurs arguments nous
poussèrent à les conserver. Tout d’abord, leur caractère émergent. Selon la définition donnée, les
propriétés des dynamiques chaotiques peuvent être considérées comme émergentes, puisque la
sensibilité aux conditions initiales, l’aspect attractif, ne sont pas explicitement contenus dans les
PREMIERE PARTIE : ANALYSE