Apprentissage sur le modèle étendu

L'apprentissage tel qu'on l'a vu jusqu'à présent repose sur une couche unique densément connectée. Cette couche récurrente dispose potentiellement d'un grand nombre de configurations spatiales (activations moyennes) et dynamiques (période, circuits d'activation), qui peuvent être atteintes en modifiant les seuils (motifs directeurs $D_m$) ou en imposant une période (motifs dynamiques $I_m(t)$). Cette configuration spatio-temporelle n'est pas inscrite explicitement dans les motifs imposés, mais se construit en interaction avec ces motifs.

L'apprentissage permet alors de renforcer la configuration spatio-temporelle associée à une stimulation ( $D_m, I_m(t)$) donnée. Cette configuration devient persistante, c'est à dire qu'une stimulation partielle (motif conditionnant : $D_m$) tend à reproduire l'intégralité de la configuration apprise (correspondant à ( $D_m, I_m(t)$)).

D'un point de vue fonctionnel, il devient intéressant de placer une telle ``machine à apprendre'' au sein d'une structure lui permettant de communiquer et d'agir sur le monde extérieur. La couche récurrente est connectée à une ou plusieurs autres autres couches, que nous appellerons ``couches primaires''. Chaque couche primaire reçoit un signal (une stimulation) contenant des informations provenant du monde extérieur au sens large (c'est à dire tout ce qui n'est pas le système), et évoluant au cours du temps. Cette couche ``traduit'' les informations sur le monde dans un langage que la couche récurrente peut comprendre : elle projette sur celle-ci un signal dont les caractéristiques sont proches du signal $I_m(t)$ défini au chapitre précédent. Par ailleurs, on autorise une modulation ``interne'' à la couche récurrente, en modifiant les seuils selon les caractéristiques du motif conditionnant $D_m$.

Le point véritablement nouveau est la possibilité d'extraire des informations de la couche récurrente grâce à un signal appelé ``signal retour'', qui se projette sur les couches primaires. Ainsi, les couches primaires ne sont pas de simples relais de transmission, mais se trouvent au cur d'une interaction plus complexe entre un signal interne (en provenance de la couche récurrente) et un signal extérieur [98].

La section 5.1 détaille les caractéristiques du système. La section 5.1.1 propose tout d'abord un formalisme pour un modèle à $K$ populations qui étend le modèle à 2 populations vu page . La section 5.1.2 décrit les paramètres qui permettent de différencier les couches primaires de la couche dynamique, et la section 5.1.3 définit ce qu'est, dans ce cadre, la réponse du réseau.

La section 5.2 fournit un aperçu aussi exhaustif que possible des capacités d'apprentissage du réseau. Les effets d'un apprentissage restreint à chaque classe de liens sont donnés dans la section 5.2.1. Les résultats concernant l'apprentissage de séquences temporelles élémentaires, ainsi qu'une estimation de la capacité du réseau, sont donnés en 5.2.2. Enfin, on étend l'étude de l'apprentissage à des signaux qui se développent dans le temps et dans l'espace, avec ou sans adjonction de bruit, dans la section 5.2.3.

La section 5.3 décrit l'implantation de l'architecture sur un robot mobile en interaction avec son environnement. Après avoir décrit la nature de l'information visuelle (5.3.1) et de l'information motrice (5.3.2), ainsi que l'architecture globale de l'automate (), on met en place l'apprentissage dans le cadre d'un mouvement rotatif imposé (). Le comportement d'adaptation dynamique issu de cet apprentissage est alors décrit dans la section .