CONCLUSION LOCALE

Plusieurs règles d'apprentissage ont pu être testées dans le cadre de cette étude. La règle qui a finalement été choisie, et fait l'objet de développements importants dans cette thèse tend à renforcer, grâce à une mesure ``en temps réel'' de la covariance entre les signaux d'activation, les liens qui relient les relais successifs du circuit d'activation interne. Il est important de noter que la prise en compte du délai de transmission est fondamentale pour obtenir ce renforcement du circuit.

On peut noter également que les modifications synaptique portent sur un nombre très faible de connexions. Cette sélection sur les liens s'opère de façon naturelle dans la mesure où la distribution des covariances entre neurones semble suivre une loi de puissance où une très grande majorité de valeurs sont proches de 0.

Dans ces conditions, l'apprentissage tend systématiquement à renforcer les quelques liens correspondant à une covariance significativement élevée entre afférent et efférent. Ces modifications, très peu nombreuses, produisent néanmoins des changements importantes sur la dynamique du réseau. D'une part, l'amplitude des signaux individuels tend à augmenter fortement. D'autre part, dans le cas d'un régime initialement chaotique, la période résiduelle tend à se renforcer, ce qui aboutit dans la plupart des cas au passage vers un régime cyclique.

Lorsque le système est contraint par un motif statique, la réduction de dynamique observée est spécifique à ce motif. Lors de la présentation d'un autre motif, non corrélé au premier, le système se maintient sur un régime chaotique. Néanmoins, on peut constater une certaine persistance du régime dynamique associé au motif appris, dans la mesure où des motifs faiblement corrélés au motif appris tendent également à réduire la dynamique sur un cycle limite. Il apparaît qu'un temps d'apprentissage optimal doit être trouvé pour produire des réductions de dynamique à la fois robustes (la dynamique se réduit en présence d'une version bruitée du motif appris) et spécifiques (pas de réduction de dynamique pour des motifs non-corrélés).

En effectuant l'apprentissage à la fois sous la contrainte d'un motif statique conditionnant et d'un motif dynamique périodique, il est possible d'obtenir, sous la contrainte d'un motif conditionnant seul, le comportement périodique appris. Ce comportement périodique n'est pas analogue à la séquence de motifs présentés (les valeurs d'activation de ``redessinent'' pas le motif), mais réalisent plutôt un codage de ce motif sous la forme d'une activité spatio-temporelle spécifique périodique (ou proche de la périodicité). Ce comportement de réduction de la dynamique en présence d'un motif comditionnant est très proche des comportements mis en évidence par Freeman dans le cadre d'observations neurophysiologiques.

Il est important de noter qu'au sein de ce système, plusieurs asociations entre motifs conditionnants et régimes périodiques associés peuvent être réalisées sans nuire à la spécificité de la réponse produite. À partir d'une seule matrice des poids, il est possible de reconstruire plusieurs régimes périodiques différenciés en présence des motifs conditionnants associés, et de maintenir un régime chaotique ``indifférencié'' pour tout motif conditionnant non-appris.

Il est à présent possible d'envisager une utilisation des propriétés de l'apprentissage mises en évidence dans ce système simple. Dans le chapitre suivant, le système est intégré dans un modèle plus complexe, capable d'extraire de la structure spatio-temporelle produite par la dynamique une information permettant de reconstruire explicitement le motif appris. On peut néanmoins noter que les propriétés d'apprentissage de ce nouveau modèle reposent fondamentalement sur celles qui ont été montrées dans ce chapitre.