Épreuve de contrôle - L2C2 - CNRS

Intelligence artificielle et évolution : modélisation neurobiologique
265
plupart des propriétés d’apprentissage des réseaux de neurones font référence
à la notion classique d’apprentissage en psychologie, où l’on considère que
toutes les connaissances d’un individu sont le fruit de ses expériences, de son
interaction avec l’environnement.
De toutes les interactions entre un RNA, un AE et un environnement, c’est
la relation permettant de construire un RNA à partir d’un chromosome, correspondant
au développement (cf. figure 1), qui est la plus complexe à modéliser.
La relation entre la génétique et la constitution du cerveau sont d’une telle
complexité que tout modèle ne peut être qu’incomplet. L’architecture du cerveau
et les propriétés électrophysiologiques des neurones sont le résultat d’interactions
multiples entre des milliers de protéines. La simulation de toute la chaîne de
réaction aboutissant à la constitution d’un système nerveux, telle que les études
en biochimie et en biologie cellulaire permettent de l’imaginer, est largement en
dehors de portée des simulations actuelles. Nous ne rentrerons pas ici dans le
détail correspondant aux différents codages des propriétés d’un RNA sur un chromosome,
et nous invitons le lecteur interessé par ce sujet à se reporter à l’article de
Yao, qui fait une revue relativement exhaustive des différents codages existants.
Algorithmes évolutionnistes et réseaux de neurones
Les algorithmes évolutionnistes et les réseaux de neurones peuvent être
vus comme deux techniques d’intelligence artificielle, partant toutes deux
d’une inspiration biologique, et pouvant être utilisées en optimisation. De
nombreuses études ont comparé leurs performances respectives sur un même
problème (Kitano, 1990 ; Seiffert, 2001 ; Soula et al., 2005). Sur le modèle du
perceptron multi-couches (cf. section 3), on peut apprendre un ensemble de
motifs perceptifs en optimisant les poids du réseau soit grâce à un AE, soit
par la méthode de rétropropagation du gradient d’erreur. La comparaison des
performances d’apprentissage montrent que, si la taille du réseau est grande,
l’AE donne de bons résultats plus rapidement que l’algorithme d’apprentissage
(Seiffert, 2001).
Épreuve de contrôle
On peut utiliser les deux techniques de manière conjointe, pour exploiter
les propriétés respectives de l’évolution et de l’apprentissage. En effet, les
avantages de ces techniques sont différents. Les AE sont capables de trouver
la zone où se trouve l’optimum global, par une recherche dans tout l’espace
des solutions, mais sans forcément parvenir rapidement à atteindre le point
optimal dans la zone. En revanche, les algorithmes d’optimisation par descente
en gradient sont capables d’affiner une solution en partant d’un point proche
(cf. figure 5). Ainsi, en combinant les deux techniques, on peut tout d’abord
faire une recherche globale grâce à un AE, puis une fois qu’une solution proche
de l’optimum globale est trouvée, l’affiner par un algorithme d’apprentissage
connexioniste.