Thèse Sciences Cognitives - Olivier Nerot

58
Mémorisation par forçage des dynamiques chaotiques dans les modèles connexionnistes récurrents
un jour un classement de ces systèmes selon des critères de capacité computationnelle,
et de connaître les raisons des limites de chaque modèle.
Il semblerait que les fonctions
itérées à dynamiques chao-tiques
(dont font partie certains modèles
connexionnistes) soient parmi les
systèmes de traitement de
l’information les plus puissants
[[177]][[179]]. Il a en effet été
démontré que les fonctions itérées
à dynamique chaotique sont
computa-tionnellement plus riches
que les machines de Turing.
L’approche utilisée par Siegelman
[[179]], consiste à assimiler la
dynamique chaotique à une chaîne
de bits, en découpant l’espace de
phase du système (Figure 2-22),
puis à rapprocher ce message du
ruban d’une machine de Turing.
Cette approche, purement
théorique, et essentielle à la
compréhension des systèmes
étudiés ne peut malheureusement
pas être rapprochée des phénomènes de mémoire que nous étudions ici. Mais il est
essentiel de savoir qu’un système chaotique pourrait être supérieur à une machine de
Turing, ce que Siegelman semble avoir démontré, justifiant ainsi la richesse
fonctionnelle du cerveau, et les limites imposées par une comparaison cerveau /
machine de Turing.
2.3.3 Synthèse d’un modèle préliminaire
Résumons les idées qui ont été présentées dans les pages précédantes, concernant
les rôles possibles du chaos. Nous avons vu que ceux-ci peuvent être interprétés en
termes de :
à Etat transitoire de non-reconnaissance
Le chaos est l’état dynamique du système, antérieur à la reconnaissance, qui maximise les
chances de synchronisation des dynamiques locales, et représente l’état mental du sujet.
à Filtre de nouveauté
Le chaos se manifeste lors de la perception d’un état nouveau, pas encore reconnu. La
perception est alors source de perturbation pour le système.
à Source de dépersévération
Le chaos, par sa sensibilité aux conditions initiales, permet de faire perdre les
synchronismes ayant émergé lors la reconnaissance, évitant que le réseau ne se fige dans
sa reconnaissance.
PREMIERE PARTIE : ANALYSE
Figure 2-22 : Encodage formel d'un attracteur
En segmentant l’espace d’état d’un système dynamique,
et en associant un représentant à chaque sous-domaine,
l’évolution du système engendre une suite, qui peut être
le support de computations, comme le ruban d’une
machine de Turing.