Thèse Sciences Cognitives - Olivier Nerot

60
Mémorisation par forçage des dynamiques chaotiques dans les modèles connexionnistes récurrents
synchronisation, et, après reconnaissance, de désynchroniser le système, afin d’éviter
toute persévération (Figure 2-23).
Selon ce modèle, le chaos ne serait pas une source d’encodage de l’environnement
du système, mais une nature du système étudié : l’environnement modifie les
dynamiques neuronales, qui en induisent d’autres grâce aux associations réalisées
auparavant via l’apprentissage. Le chaos ne serait alors que la manifestation de la
complexité des dynamiques induites. Cette approche est en accord avec l’hypothèse du
tout dynamique, dans laquelle un système percevant est en interaction dynamique avec
son environnement. L’apprentissage aurait alors pour rôle de diminuer la complexité des
dynamiques induites dans le système par l’environnement, afin d’en minimiser l’aspect
perturbateur. Le chaos dans ce cas caractériserait le comportement du réseau, mais ne
serait pas le but recherché par celui-ci : engendrer du chaos serait la nature du cerveau,
mais ni sa fonction, ni son rôle. Il n’y aurait pas d’algorithme superviseur fabriquant et
modifiant les dynamiques chaotiques cérébrales, selon un schéma d’encodage précis.
On peut retrouver cette idée derrière plusieurs études, par exemple celles de Chang et
Freeman [[36]] ou Amit [[4]], qui ne cherchent pas à analyser le chaos neuronal par ses
mesures pour en déterminer les principes, mais qui constatent plutôt la présence de
chaos dans leurs modèles, sans chercher à en trouver les principes d’encodage 21 , ni les
mesures caractéristiques de ces dynamiques.
Dans le cadre d’un travail récemment exposé par Chang et Freeman [[36]], ceux-ci
constatent que le chaos émerge dans le système olfactif du lapin, lorsque le percept
n’est pas reconnu, mais que des synchronismes apparaissent dans le réseau après
apprentissage. Ils tentent donc dans ces travaux de trouver l’apprentissage qui
permettrait de segmenter le paysage perceptif via les synchronismes du réseau. Cette
approche est similaire aux interprétations faites précédemment. En effet, ils ne voient
dans le chaos qu’une dynamique transitoire lors de la reconnaissance, qui a pour seule
signification celle de manifester une non-reconnaissance du percept. De plus, le stimulus
est associé à une perturbation car il modifie les dynamiques synchronisées du système,
ce qui permet, durant la phase d’apprentissage, de tester le maximum de synchronismes
possibles. Une fois le percept appris, il est alors reconnu grâce aux phases des
dynamiques neuronales, qui permettent de reconstruire et de prévoir la dynamique si
celle-ci est présentée de nouveau. Par contre, ils ne font pas mention du rôle de
dépersévération dans le réseau des dynamiques chaotiques.
D’autre part, un apprentissage de ce type peut être interprété en terme de fibres
isochrones, puisque si les fibres sont serrées, une perturbation amènera le système à
cheval sur plusieurs fibres, ne permettant pas de synchronisation. Par contre, après
apprentissage, l’élargissement des fibres isochrones maximise la probabilité d’amener le
nouvel état du système sur une seule fibre, en synchronisant ainsi les dynamiques d’une
population neuronale.
Malheureusement, dans les deux cas (celui de Chang et Freeman, et le nôtre), l’état
actuel des connaissances sur les règles d’apprentissage ne permet pas de trouver un
algorithme pouvant vérifier le schéma d’encodage précédent, mais l’étude de ces règles
21 Il est d’ailleurs intéressant de noter que l’un des articles clef de Skarda et Freeman [[180]] décrit la façon
dont le chaos donne du sens au monde (How brains make chaos in order to make sense of the world), et non
pas la façon dont le monde donne du sens au chaos.
PREMIERE PARTIE : ANALYSE