Thèse Sciences Cognitives - Olivier Nerot

Mémorisation par forçage des dynamiques chaotiques dans les modèles connexionnistes récurrents
tronquée ou bruitée. Ce principe correspond à l’un de ceux utilisés dans les modèles
hopfieldiens.
Nous nous orienterons donc vers ce type de modèle, sans différentiation de neurones
d’entrée ou de sortie, dans lequel des patterns dynamiques sont présentés au réseau, en
vue d’un rappel ultérieur. Cette approche permet de ne pas postuler a priori d’un
comportement behavioriste du réseau. Nous verrons par la suite que ce choix nous
permet d’interpréter l’entrée en termes de source de perturbations pour les dynamiques
libres du réseau.
2. Architectures récurrentes
L’une des méthodes les plus immédiates, tenant compte de l’état interne du réseau
dans la détermination de sa sortie, consiste à reboucler sur les entrées du réseau
certains de ces états internes. Ce rebouclage permet en général de maintenir une
dynamique interne non stationnaire du réseau, et ainsi, de vérifier l’hypothèse du toutdynamique
(2.2.2 ,p.28).
Ce type d’architecture est biologiquement plausible puisque, dès le début des recherches
neurophysiologiques, l’observation de connexions récurrentes dans les réseaux
biologiques a été observée.
Reste à déterminer l’architecture de ces connexions récurrentes.
Dans leurs thèses, Quoy [[161]] et Cessac [[32]], démontrent qu’une connectivité
partielle, même faible, du réseau permet de conserver ses qualités dynamiques. De plus,
90 % des connections récurrentes du cerveau s’effectuent dans un volume de 1 cm 3
autour du neurone considéré. Nous nous sommes donc rapidement orientés vers des
architectures récurrentes à voisinage local. Ce type d’architecture présente d’autre part
l’intérêt de définir une topologie simple du réseau, conforme aux distances neuronales
(le nombre d’étapes pour que deux neurones échangent leur information est
proportionnel à leur distance). Cette propriété nous a permis d’observer et d’interpréter
une diffusion de l’information dans les réseaux récurrents à voisinage local.
3. Architectures modulaires
Il est possible de compléter l’architecture précédente, en augmentant sa pertinence
biologique, en créant a priori des modules qui s’activent les uns les autres. Dans ce cas,
chaque module est une architecture indépendante, faiblement connectée aux autres
modules du réseau. Il est admis que des populations neuronales spécifiques sont
activées lors de l’évocation d’un concept, et qu’il existe des populations neuronales
faiblement connectées les unes aux autres, créant ainsi des modules.
Cette modularité, étayée par la notion d’encodage par population neuronale, commence
a être étudiée [[166]], soit par l’utilisation a priori de modules fonctionnels [[86]][[87]], soit
par l’étude de l’apparition de modules, ou clusters d’activité, lors de l’apprentissage
[[78]][[85]][[131]].
Malgré l’intérêt que présentent ces architectures, il est nécessaire, dans un premier
temps, d’étudier simplement l’activité d’une seule population neuronale. Nous nous
limiterons donc, dans le cadre de cette thèse, à des architectures à récurrence locale,
régulières, qui définissent un seul module. Par contre nous nous intéresserons fortement
MODELES CONNEXIONNISTES DYNAMIQUES 71