Thèse Sciences Cognitives - Olivier Nerot
Thèse Sciences Cognitives - Olivier Nerot
Thèse Sciences Cognitives - Olivier Nerot
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
40<br />
Mémorisation par forçage des dynamiques chaotiques dans les modèles connexionnistes récurrents<br />
D’autre<br />
Figure 2-9 : L'attracteur de Lorenz<br />
Les états successifs {X,Y,Z} du système de Lorenz sont représentés dans leur espace<br />
part, la nature d’état, et permettent de visualiser l’attracteur du système. Le zoom montre que deux<br />
bimodale de trajectoires proches peuvent bifurquer, illustrant ainsi la sensibilité qux conditions<br />
l’attracteur est initiales de ce système.<br />
caractéristique, et permet de bien visualiser que le système fait des sauts d’une boucle à l’autre,<br />
de façon qui semble imprédictible. Autre intérêt de cet objet, il contient clairement la cause de son<br />
instabilité apparente : les trajectoires peuvent être aussi proches que l’on veut, puis se séparer au<br />
bout d’un certain temps (zoom de la Figure 2-9). En dernier lieu, ce système est simple, ne faisant<br />
appel qu’à des opérations classiques d’addition et de multiplication, ce qui ajoute encore à son<br />
efficacité. Il permet ainsi de conceptualiser ce continuum entre système prédictibles, systèmes<br />
non prédictibles, et systèmes aléatoires.<br />
Ainsi, le système de Lorenz permet de se représenter simplement la plupart des<br />
propriétés caractéristiques des dynamiques chaotiques. Utilisons-le pour mettre en avant les<br />
avantages que représentent ces dynamiques pour leur usage dans les modèles connexionnistes,<br />
et comme source d’inspiration pour de nouveaux supports de l’encodage.<br />
1. Utilisation d’attracteurs<br />
La notion d’attracteur est liée au connexionisme depuis les premiers modèles de<br />
Hopfield : l’évolution du réseau conduit celui-ci vers des points fixes, et le paysage des<br />
bassins d’attraction représente d’une certaine façon la mémoire du système. De cette<br />
façon, chaque input (état initial du réseau) est associé à un concept fixe (état final du<br />
réseau).<br />
PREMIERE PARTIE : ANALYSE