RÉSEAUX DE NEURONES

Carte mentale

Élargissez votre recherche dans Universalis

Quelques exemples d'applications des réseaux de neurones

Modélisation statique

On peut trouver de nombreux exemples d'utilisations des réseaux de neurones pour la modélisation de phénomènes statiques. Ainsi, dans le domaine des « relations structure-activité » (ou Q.S.A.R. pour quantitative structure-activity relations), les réseaux de neurones permettent de prévoir une propriété d'une molécule (caractérisée par un nombre réel) à partir de descripteurs chimiques de cette molécule (qui sont eux-mêmes des nombres réels). Par exemple, il est possible de prédire la solubilité dans l'eau, le point d'ébullition, le coefficient de partage eau-octanol, ou toute autre propriété caractérisée par un nombre, en fonction de descripteurs tels que la masse moléculaire, le moment dipolaire, la charge portée par les divers atomes, le « volume » de la molécule, etc. Certains de ces descripteurs sont mesurables, d'autres sont calculés par des méthodes semi-empiriques. On peut imaginer de nombreuses extensions de cette approche : prédiction de propriétés pharmacologiques de molécules, formulation de mélanges, prédiction de propriétés mécaniques ou optiques de matériaux, etc.

Modélisation dynamique

La propriété d'approximation universelle parcimonieuse qui est celle des réseaux de neurones peut avantageusement être mise à profit pour la modélisation dynamique non linéaire de processus très divers.

On distingue habituellement :

– les modèles « boîtes noires », qui sont établis uniquement à partir des mesures effectuées sur le processus étudié, sans intervention d'autres connaissances ;

– les modèles de connaissances, dont l'expression mathématique, comprenant un petit nombre de paramètres ajustables, résulte d'une analyse (physique, chimique, biologique, économique, etc.) du processus.

Les réseaux de neurones sont souvent utilisés comme des modèles boîtes noires. Néanmoins, ils peuvent aussi mettre en œuvre des connaissances, constituant ainsi un excellent compromis entre les modèles boîtes noires et les modèles de connaissances : on les appelle alors modèles neuronaux de connaissances.

Les modèles dynamiques boîtes noires

Pour réaliser un modèle dynamique, il convient d'utiliser un réseau bouclé, qui est lui-même un système dynamique. Comme pour les réseaux statiques, l'apprentissage est l'estimation des paramètres du réseau. On cherche à obtenir un réseau qui reproduise aussi fidèlement que possible le comportement qu'aurait le processus en l'absence de bruit ou de perturbations, même si l'apprentissage a été effectué en présence de ceux-ci. Des résultats théoriques prouvent que cet objectif est en principe accessible, et de nombreux exemples (modélisation de processus industriels, modélisation de robots) montrent qu'il est effectivement atteint.

Les modèles neuronaux de connaissances

Une des caractéristiques particulièrement avantageuses des réseaux de neurones est la possibilité d'introduire, dans la conception même du réseau, des connaissances mathématiques résultant de l'analyse du processus. De telles connaissances sont très souvent disponibles, et il serait déraisonnable de ne pas en tirer profit. Ainsi, on bénéficie à la fois de l'intelligibilité des modèles de connaissance et des capacités d'adaptation des réseaux de neurones : loin de constituer des boîtes noires, ces derniers sont alors de véritables modèles neuronaux de connaissances. Citons parmi les applications d'une telle approche la modélisation du fonctionnement d'une colonne à distiller et la modélisation du mouvement de poissons pour la création d'images de synthèse.

Commande de processus

Commander un processus, c'est déterminer les commandes à lui appliquer, afin de lui assurer un comportement donné en dépit de perturbations.

Ainsi, commander un véhicule autonome, c'est envoyer aux actionneurs du volant, de l'accélérateur et du frein les signaux de commande nécessaires pour que le véhicule suive une trajectoire définie à l'avance, avec un profil de vitesse prédéterminé, en dépit de perturbations telles que la pente de la route, son dévers, les bourrasques de vent, des dérapages éventuels, etc. L'utilisation des réseaux de neurones dans ce contexte découle directement de leur aptitude à réaliser des fonctions non linéaires : il s'agit ici de trouver la relation non linéaire qui existe entre la consigne (par exemple la vitesse que doit avoir le véhicule) et la commande qu'il faut envoyer au processus (par exemple la pression à exercer sur le circuit de freinage).

On trouve de nombreuses applications des réseaux de neurones dans le domaine de la commande de processus très divers, notamment en génie des procédés ainsi qu'en robotique. Par exemple, la société S.A.G.E.M., en collaboration avec l'École supérieure de physique et de chimie industrielles de la Ville de Paris, a réalisé en 1995 le pilotage d'un véhicule 4 × 4 entièrement autonome. Le volant, l'accélérateur et le frein sont commandés par des réseaux de neurones, de telle manière que le véhicule reste sur une trajectoire déterminée, avec un profil de vitesse déterminé, en tout-terrain, indépendamment des perturbations possibles (glissement, terrain en dévers, vent...). Le véhicule est équipé pour cela de capteurs proprioceptifs (permettant de connaître l'angle du volant, la pression dans le circuit de freinage, l'angle du papillon d'admission, la vitesse de rotation des roues) et extéroceptifs (permettant de connaître la position du véhicule dans son environnement).

Classification

Lorsqu'on cherche à résoudre un problème de classification, on a affaire à des formes ou à des entités, décrites par des nombres, susceptibles d'appartenir à des catégories, ou classes, différentes. La tâche d'un classifieur consiste à attribuer une classe à une forme inconnue qui lui est présentée ou – caractéristique très importante – à refuser de lui attribuer une classe si la forme inconnue est trop éloignée de celles qui sont utilisées pour l'apprentissage.

Pour jouer son rôle de classifieur, le réseau de neurones doit approcher une fonction qui est le code de la classe de l'objet dont les descripteurs sont présentés à l'entrée du réseau. Ainsi, pour un problème à deux classes, la sortie désirée est égale à + 1 si l'objet à classer appartient à l'une des classes, et à 0 s'il appartient à l'autre classe. Alors, la sortie du réseau de neurones, après apprentissage, fournit une estimation de la probabilité d'appartenance de l'objet à l'une des classes.

Les réseaux de neurones ne se contentent donc pas de prendre la décision d'attribuer un objet à une classe. Ils fournissent une information beaucoup plus riche, à partir de laquelle il est possible de prendre une décision nuancée ; cela permet notamment de combiner cette probabilité avec des informations provenant, par exemple, d'autres systèmes de classification, utilisant d'autres algorithmes ou d'autres représentations des formes.

À titre d'exemple de systèmes complexes utilisant les réseaux de neurones en collaboration avec d'autres techniques, citons l' [...]

1  2  3  4  5
pour nos abonnés,
l’article se compose de 8 pages

Médias de l’article

Représentation graphique

Représentation graphique
Crédits : Encyclopædia Universalis France

dessin

Neurone à fonction sigmoïde

Neurone à fonction sigmoïde
Crédits : Encyclopædia Universalis France

dessin

Réseau non bouclé

Réseau non bouclé
Crédits : Encyclopædia Universalis France

dessin

Réseau bouclé et sa forme canonique

Réseau bouclé et sa forme canonique
Crédits : Encyclopædia Universalis France

diaporama

Afficher les 7 médias de l'article


Écrit par :

Classification

Autres références

«  RÉSEAUX DE NEURONES  » est également traité dans :

RÉSEAUX DE NEURONES (biologie)

  • Écrit par 
  • Jean-Gaël BARBARA
  •  • 2 495 mots
  •  • 3 médias

Dans la recherche neurobiologique contemporaine, on assigne de plus en plus fréquemment à de petits groupes de quelques dizaines de neurones interconnectés des fonctions critiques dans l’élaboration d’un mouvement, d’une perception, ou d’un apprentissage. Ces petits ensembles matériels et fonctionnels de cellules sont nommés réseaux de neurones – à ne pas […] Lire la suite

ANTHROPOLOGIE COGNITIVE

  • Écrit par 
  • Arnaud HALLOY
  •  • 5 804 mots

Dans le chapitre « Le connexionnisme »  : […] L’émergence des modèles connexionnistes dans le courant des années 1980 est venu renforcer la réalité psychologique des schémas et modèles culturels en leur conférant une réalité neurophysiologique. Très succinctement, les modèles connexionnistes décrivent les phénomènes mentaux et comportementaux comme le produit émergeant d’activation et de création de réseaux de neurones. Ils se distinguent ai […] Lire la suite

APPRENTISSAGE PROFOND ou DEEP LEARNING

  • Écrit par 
  • Jean-Gabriel GANASCIA
  •  • 2 649 mots
  •  • 1 média

Dans le chapitre « Différents types d’apprentissage machine »  : […] On distingue usuellement au moins trois types d’apprentissage machine : l’apprentissage par renforcement, l’apprentissage supervisé et l’apprentissage non supervisé. L’apprentissage par renforcement suppose que, lors de ses pérégrinations, un agent (entité qui agit de façon autonome) reçoit des récompenses ou des punitions en fonction des actions qu’il exécute. Il s’agit alors d’établir automatiq […] Lire la suite

AUTOMATISATION

  • Écrit par 
  • Jean VAN DEN BROEK D'OBRENAN
  •  • 11 887 mots
  •  • 12 médias

Dans le chapitre « Réseaux de neurones »  : […] Alors que l'automatique linéaire traite efficacement des processus dynamiques linéaires que l'on peut décrire notamment par des équations différentielles, alors que la logique floue est dédiée aux processus que l'on ne sait décrire que par une expertise linguistique imprécise, les réseaux de neurones ont pour objectif la modélisation et la commande de processus dynamiques non linéaires. En pratiqu […] Lire la suite

AUTO-ORGANISATION

  • Écrit par 
  • Henri ATLAN
  •  • 6 239 mots
  •  • 1 média

Dans le chapitre « Auto-organisation au sens faible »  : […] Des exemples d'auto-organisation au sens faible sont fournis par la plupart des applications du calcul par réseaux neuronaux aux techniques d' intelligence artificielle destinées à fabriquer des machines à apprendre et à mémoire distributive (cf. F. Fogelman-Soulié, 1991 ; T. Kohonen). Ce calcul est effectué en parallèle par un grand nombre d'unités, dites neurones formels, qui effectuent chacun […] Lire la suite

CERVEAU ET BILINGUISME

  • Écrit par 
  • Jean-Marie ANNONI
  •  • 802 mots
  •  • 1 média

Dans le chapitre « Représentation des langues dans le cerveau bilingue »  : […] D’une manière générale, les études actuelles suggèrent que la première et la seconde langue (L 1 et L 2) partagent un réseau neuronal commun à environ 80 p. 100. Ce recouvrement s’applique particulièrement au cas de sujets bilingues naturels, c’est-à-dire ceux qui ont appris les deux langues dans la petite enfance, lorsque les deux langues sont morphologiquement proches. Mais, d’autres cas de fig […] Lire la suite

CERVEAU ET MUSIQUE

  • Écrit par 
  • Séverine SAMSON
  •  • 1 025 mots

Identifier les zones du cerveau qui traitent la musique et préciser leur rôle respectif dans la perception, la mémoire, les émotions et la pratique musicale font l’objet de nombreux travaux en neuroscience de la musique. C’est à partir de l’observation des patients présentant des lésions cérébrales et des études en neuro-imagerie que les scientifiques ont réussi à apporter des preuves solides con […] Lire la suite

COGNITIVES SCIENCES

  • Écrit par 
  • Daniel ANDLER
  •  • 19 242 mots
  •  • 4 médias

Dans le chapitre « Le connexionnisme »  : […] Le connexionnisme se présente quant à lui comme un ensemble de méthodes de modélisation et de simulation de toute une variété de processus cognitifs ; et c'est en cherchant à dégager les traits communs à ces méthodes, et les avantages qu'elles présentent sur les méthodes classiques, que les connexionnistes ont commencé à élaborer une doctrine. À cet égard, leur parcours n'est pas sans rappeler c […] Lire la suite

INTELLIGENCE ARTIFICIELLE (IA)

  • Écrit par 
  • Jean-Gabriel GANASCIA
  •  • 5 076 mots
  •  • 5 médias

Dans le chapitre « Les précurseurs  »  : […] Cette discipline scientifique qu’est l’intelligence artificielle ne surgit pas de nulle part. Elle a emboîté le pas à la cybernétique, science des systèmes complexes et de leur commande, fondée dans les années 1940 et particulièrement active au début des années 1950. Celle-ci aspirait à modéliser la régulation des systèmes biologiques, psychiques, politiques ou sociaux avec des flux d’information […] Lire la suite

ACQUISITION DU LANGAGE CHEZ LES MALENTENDANTS

  • Écrit par 
  • Jacqueline LEYBAERT
  •  • 2 561 mots
  •  • 1 média

Dans le chapitre « Composantes amodales du traitement cérébral et plasticité neuronale »  : […] Depuis la fin des années 1990, une série d’études a montré que la modalité (signée ou parlée) a relativement peu d’impact sur les systèmes neuraux qui soutiennent les traitements phonologique, sémantique et syntaxique. La mise en évidence de réseaux neuronaux similaires dans une tâche de jugement phonologique en LP (juger si les noms de deux dessins riment) et en LS (juger si les signes correspon […] Lire la suite

Voir aussi

Pour citer l’article

Gérard DREYFUS, « RÉSEAUX DE NEURONES », Encyclopædia Universalis [en ligne], consulté le 01 décembre 2021. URL : https://www.universalis.fr/encyclopedie/reseaux-de-neurones-formels/