Thèse Sciences Cognitives - Olivier Nerot

Mémorisation par forçage des dynamiques chaotiques dans les modèles connexionnistes récurrents
3. MODELES CONNEXIONNISTES DYNAMIQUES
3.1 Introduction
Une fois le choix posé de l’utilisation de modèles connexionnistes pour l’encodage par les
dynamiques, et après avoir déterminé le rôle souhaité de ces dynamiques, il reste l’insoluble
problème du choix du réseau : en effet, ces dernières années, la profusion des modèles a entraîné
une certaine confusion 24 .
Afin de clarifier le problème, nous nous limiterons dans notre propos aux modèles
possédant des capacités de comportement dynamique, et les classerons en deux groupes : ceux
dont les éléments possèdent une dynamique propre, et ceux dont le comportement dynamique
provient de leur architecture, le caractère dynamique pouvant être considéré comme émergent,
puisque c’est l’organisation de niveau supérieur (l’architecture) du réseau qui permet d’avoir une
dynamique entretenue. Il s’ensuivra naturellement un classement équivalent portant sur les
architectures en tentant de déterminer lesquelles engendrent des comportements dynamiques.
A partir de ce classement, nous essaierons de synthétiser la liste des paramètres
principaux influençant les dynamiques, afin d’obtenir le modèle le plus général possible, pour les
implanter dans l’outil informatique(Chap. 6 Développement informatique du modèle, p.128), et en
tester le comportement dans un second temps, en tentant de quantifier l’influence des paramètres
sur les dynamiques neuronales (7Dynamiques observées et expérimentées143), et leur rôle
possible dans le modèle théorique proposé (Chap.5, Un modèle connexionniste de la mémoire,
p.95).
3.2 Modèles à comportement dynamique
3.2.1 Modèle de neurone sans dynamique propre
1. Modèle non linéaire à seuil
Ce modèle est le plus utilisé et le plus commun à l’ensemble des réseaux actuellement
MODELES CONNEXIONNISTES DYNAMIQUES 65