Thèse Sciences Cognitives - Olivier Nerot
Thèse Sciences Cognitives - Olivier Nerot
Thèse Sciences Cognitives - Olivier Nerot
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Mémorisation par forçage des dynamiques chaotiques dans les modèles connexionnistes récurrents<br />
dxi<br />
æ<br />
ö<br />
=-g( xi-u0) -( xi-E1) ç wki s xk( t- t ki)<br />
+ Tgx ( ) ( x E ) w s y ( t t )<br />
dt<br />
è<br />
ø<br />
( 1)<br />
( 2)<br />
å ( ) i ÷- i - 2 å li ( 1 - li )<br />
k<br />
dyi<br />
=-g( yi -u0) -( yi-E1) wki s xk( t-t ki ) -( y -E ) w s y ( t-t<br />
)<br />
dt<br />
( 3)<br />
( 4)<br />
å ( ) i 2 å li ( l li )<br />
k<br />
Les entrées sont additives, et s’ajoutent à l’influence des neurones excitateurs sur les<br />
neurones excitateurs (E-E). Cette étude démontre que des dynamiques chaotiques apparaissent<br />
dans ce réseau lorsque aucune entrée n’est présentée, et que, en fonction de la vitesse de la<br />
dynamique d’entrée, il y a réduction de la dimension fractale. Il apparaît des phénomènes de<br />
synchronisation dépendant de la vitesse des dynamiques d’entrée. Ce modèle nous a inspiré l’idée<br />
de forçage par les dynamiques externes, et la notion d’encodage par synchronisation de<br />
populations neuronales. En effet, il est clairement montré dans cette étude que le site d’entrée<br />
diffuse son activité, en synchronisant des populations voisines.<br />
3.3.6 Freeman<br />
Les travaux de Freeman découlent directement d’une étude neurophysiologique chez le<br />
lapin. Après avoir observé et analysé les dynamiques chaotiques des neurones du système olfactif<br />
du lapin[[180]], il a construit un système artificiel aussi proche que possible, dans lequel il a pu<br />
obtenir des dynamiques proches de celles observées dans le cas biologique.<br />
L’intérêt de l’approche de Freeman réside principalement dans sa méthodologie : après<br />
analyse précise d’un modèle biologique, il le modélise, en interprète les comportements, et tente<br />
de retrouver ces comportements dans ses simulations. Il y a ainsi un aller-retour permanent entre<br />
le biologique et l’artificiel. Freeman fut aussi l’un des premiers à donner au chaos un rôle actif<br />
dans la modélisation de l’activité cérébrale [[180]]. Il y voit deux rôles : l’un est un moyen d’assurer<br />
un accès à l’information préalablement apprise, et l’autre est le moyen d’apprendre de nouveaux<br />
patterns sensitifs.<br />
Après avoir, dans un premier temps, proposé des règles d’apprentissage simples, ayant<br />
pour objet de renforcer les connexions synaptiques de neurones corrélés, il cherche actuellement<br />
à contrôler les dynamiques individuelles des neurones[[218]]. Il semblerait, dans ce dernier article,<br />
qu’il soit confronté aux problèmes de l’apprentissage de dynamique dans les réseaux récurrents,<br />
problème qui a limité aussi nos résultats.<br />
3.3.7 Kohonen logistique<br />
Ce modèle [[63]] s’écarte des approches précédentes, en faisant du chaos un simple<br />
outil permettant de bruiter l’activité du réseau, et de maximiser ainsi les chances de segmentation<br />
valide du paysage des entrées. Les auteurs utilisent le modèle logistique présenté précédemment<br />
(2, p.69), dans un réseau de type Kohonen, avec un apprentissage du type ‘winner takes all’. Leurs<br />
résultats démontrent l’intérêt de ce type de réseau : les segmentations obtenues sont meilleures<br />
que celles d’un réseau de Kohonen classique. Par contre, le chaos reste ici une simple source de<br />
bruitage des états, ce qui correspond aux méthodes utilisées dans les réseaux probabilistes.<br />
Ce modèle n’est pas crédible biologiquement, mais il démontre l’intérêt du chaos dans la<br />
qualité de l’apprentissage réalisé : les classes apprises de cette façon facilitent la généralisation.<br />
MODELES CONNEXIONNISTES DYNAMIQUES 75<br />
l<br />
l