IV.1.Le modèle TRN de réseau récurrent temporel

IV.1.1.Traitement de la structure sérielle

Nous avons vu que de nombreux modèles neurocomputationnels ont été proposés pour répondre aux problèmes du traitement sériel. Le modèle étudié reprend les principes généraux comme l’utilisation de connexions récurrentes. Le problème le plus souvent posé par ces modèles est l’ajustement des poids synaptiques, en fonction de la tâche qui doit être apprise. Une solution est apportée par les modèles Acteur-Critique, qui s’appuient sur l’apprentissage par différence temporelle. Une alternative consiste en l’évaluation d’une population de réseaux, dont les poids des connexions sont tirés au hasard. Cette méthode a été retenue dans notre cas, et aussi par d’autres dans le cas de l’apprentissage de séquences (Beiser et Houk, 1998). Notre étude atteste que l’architecture récurrente peut être à même de reconnaître des séquences sensori-motrices ou auditives, issues de différentes échelles d’un Continuum Temporel. Il est probable que le cerveau se fonde sur deux principes : 1) l’évolution permet de guider comment assigner les poids de façon à pouvoir répondre aux plus grands nombres de tâches, 2) un apprentissage permet d’obtenir les meilleures performances pour une tâche donnée, à partir d’une architecture générique dédiée au traitement de séquences.