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