Architecture des réseaux de neurones: que de choix! (1/3)

Public ciblé : Tout public, lycéen·ne·s

Petite introduction :

Cet article, faisant partie d'une série de 3 articles, a été écrit en collaboration avec André Garenne. Maitre de conférences à l’Université de Bordeaux. André Garenne fait partie de l’équipe transdisciplinaire Mnemosyne qui est rattachée à l’Inria Bordeaux, au LABRI et à l’institut des maladies neurodégénératives (CNRS). 

Il existe autant de réseaux de neurones potentiels que de problèmes que l'on souhaite résoudre. Entre les différents réseaux existants, ceux dont nous entendons le plus souvent parler, il est souvent difficile de s'y retrouver ! Il est possible de classer les réseaux de neurones artificiels (RNA) de plusieurs façons, par exemple en s’intéressant en premier au modèles mathématiques ou algorithmiques sous-jacents comme ce sera évoqué plus loin. Mais nous avons choisi de les classer ici en fonction des objectifs de leur utilisation.

Les grandes familles de RNA

Les RNA ont été initialement imaginés pour mimer (et comprendre) le fonctionnement du cerveau en s’appuyant sur le « paradigme neuronal » dans lequel le neurone est un intégrateur relais qui est capable d’émettre un signal de sortie si les signaux d’entrée qui lui sont appliqués sont adéquats (notion de seuil). Les signaux concernés, aussi bien entrée qu’en sortie, sont les potentiel d’action neuronaux ou spikes et sont censés véhiculer l’information dans le système nerveux. Construire un réseau de neurones c’est donc construire un graphe de connexions entre des unités neuronales, généralement reliés entre eux par des synapses pondérées et de poids variable et permettant de coder, de véhiculer et de traiter l’information sous la forme de signaux discrets. L’apport de l’informatique a été principalement de permettre la simulation de ces réseaux qui peut rapidement s’avérer très coûteuse en puissance de calcul.

Les RNA ont connu globalement deux voies de développement à travers deux grands types d’application :

(i) Les neuroscientifiques se sont appliqués à les utiliser pour tester les hypothèses de fonctionnement concernant les réseaux de neurones biologiques en essayant de mimer leur connectivité et leur dynamique. C’est ce que nous appellerons la modélisation neurobiologique. Dans ce cas, le chercheur n’est intéressé que par la possibilité de comprendre un processus biologique associé au traitement de l’information mais cela peut également concerner des effets pharmacologiques ou des pathologies associées au système nerveux central. Les modèles mathématiques de ces réseaux neuronaux sont apparus au début du XXème siècle avec les travaux de Lapicque et sont arrivés à maturité avec le modèle de Hodgkin-Huxley dans les années 50 et ses modèles dérivés constituent la base de travail des neurobiologistes en modélisation. Nous désignerons ces neurones de Neurones impulsionnels dans les articles suivants.

(ii) D’autres chercheurs et ingénieurs se sont en revanche emparés de la puissance de traitement des graphes formés par les RNA afin de réaliser des tâches habituellement non accessibles à l’ordinateur de façon purement algorithmique. Dans ce cas, le principal objectif est donc moins de chercher à comprendre comment le vivant traite l’information que de s’en inspirer de façon plus ou moins lointaine pour créer des logiciels capables de réaliser des tâches de classification, reconnaissance, coordination sensori-motrice pour des robots etc.

Nous parlerons de la famille des neurones artificiels classiques.

Les frontières entre ces deux grands axes sont assez fluctuantes. Par exemple le connexionnisme apparu dans les années 80 se revendique comme étant un outil de compréhension des mécanismes psycho-physiologiques tout en intégrant l’utilisation de RNA dont le fonctionnement est plutôt adapté à l’ingénierie qu’à la modélisation du vivant.

Que retenir??

D’un côté, nous avons les réseaux neuronaux utilisant des neurones impulsionnels permettant de modéliser et comprendre le vivant. Ils sont de ce fait plus biologiquement plausible. De l’autre côté, nous trouvons des réseaux de neurones artificiels plus classiques et que nous avons déjà présenté dans l'article précédent "Reprenons les bases : Neurone artificiel, Neurone biologique", et qui sont utilisés, entre autres, comme outil d’ingénierie (reconnaissance d’image, Traduction, etc.).

Il est important de souligner que cette classification n’a pas vocation à être une vérité absolue, mais plus une porte d’entrée vers le domaine très dense des réseaux de neurones.

Pour en savoir plus sur les réseaux les articulations et modalités d’utilisation des modèles de réseaux de neurones que nous venons d’évoquer, rendez-vous aux prochains articles !

Etes vous d'accord avec cette classification? qu'en pensez vous? vous souhaitez partager des sources sur le sujet, laissez nous un commentaire !

Pour citer cet article : 

Ikram Chraibi Kaadoud & André Garenne. Architecture des réseaux de neurones: que de choix (1/3)! Publication sur le blog de https://scilogs.fr/intelligence-mecanique, 2018