Thèse Sciences Cognitives - Olivier Nerot

74
Mémorisation par forçage des dynamiques chaotiques dans les modèles connexionnistes récurrents
modifier la dynamique de tels réseaux, soit par des modifications internes (évolution des poids
synaptiques), ou externes (entrées du réseau, via la modification des seuils q i ).
Cette dernière interprétation est à l’origine de notre modèle, où les entrées extérieures
forcent les xi, modifiant les dynamiques du réseau autour des sites de forçage. Après s’être limité
à l’étude des dynamiques de tels réseaux, ce travail ouvre la voie à l’étude de l’apprentissage
dans les réseaux à dynamiques chaotiques. Il conclut en effet par la nécessité d’étudier les
mécanismes probables d’encodage par les dynamiques chaotiques, et la faisabilité d’une théorie
de l’information prenant comme support les attracteurs des dynamiques chaotiques.
3.3.4 Doyon, Cessac, Quoy
Le réseau développé s’inspire des précédents, et correspond à un réseau hopfieldien, à
connexions non-symétriques, à connectivité diluée 27 :
x ( t+ 1)
= sa ( w x () t -q)
i ij j i
j=
1
Et où sont étudiées les dynamiques moyennes du réseau :
PREMIERE PARTIE : ANALYSE
k
å
net
N
Nå i=
1
i
1 m () t = x () t
Cette architecture simple est biologiquement plausible, et conforte les hypothèses de
Freeman [[180]], qui suppose qu’il y a diminution de la dimension fractale des dynamiques
cérébrales, lors de la reconnaissance. Les résultats de Doyon et Quoy [[68]][[161]] démontrent
rigoureusement qu’un simple apprentissage hebbien dans ce type de réseau permet de faire
diminuer la dimension fractale de l’activité moyenne du réseau lors de l’apprentissage d’une
entrée apprise.
Ce résultat est d’un grand intérêt car il démontre qu’un apprentissage hebbien, inspiré du
biologique, appliqué à un réseau artificiel, permet de retrouver des phénomènes observés dans
les réseaux biologiques, à savoir la diminution de la dimension fractale lors de la reconnaissance.
Ce résultat est donc très encourageant quant à la faisabilité d’une modélisation des capacités de
mémoire des systèmes cognitifs biologiques.
3.3.5 Babloyantz Destexthe
Les réseaux de neurones à délais présentés dans [[9]], s’inspirent directement de
modèles neurophysiologiques, et sont hétérogènes, composés de deux types de neurones : les
neurones excitateurs x, et les neurones inhibiteurs y. Il existe donc quatre types de connexions
synaptiques (E-E (1),E-I (2),I-E (3),I-I (4)), qui se retrouvent dans les équations d’évolution du
modèle :
27 Ce qui signifie que deux neurones quelconques du réseau sont reliés, selon une probabilité qui donne le
taux de dilution du réseau.