L’analyse comparative des réseaux neuronaux révèle des méthodes révolutionnaires qui imitent le cerveau humain, transformant notre compréhension de l’intelligence artificielle. Ces découvertes ont des implications majeures pour des secteurs variés, de la santé à l’industrie, suscitant un intérêt croissant pour leurs applications éthiques et sociétales.
Réseaux de neurones artificiels:
Un réseau neuronal artificiel est un groupe d’algorithmes et de méthodes mises en places pour tenter d’approcher le fonctionnement du cerveau humain par le biais d’unités de calculs (neurone) tentant de s’approcher le plus possible des neurones biologiques.
Figure 2.6 : Fonctionnement d’un neurone biologique
La plupart du temps, ces réseaux de neurones sont optimisés par des méthodes d’apprentissages tels que les algorithmes génétiques. Ils seront utilisés ensuite pour effectuer une simulation de réactions cognitives indépendantes des idées propres au développeur, ceci pouvant enchainer sur du raisonnement logique formel (ou « Deep Learning »).
Figure 2.7 : Représentation classique d’un réseau neuronal
Le développement des réseaux de neurones et les avancées dans ce secteur sont fortement liés à nos connaissances actuelles en neurosciences, en biologie et en cybernétique.[2.6]
Nous avons donc eu une forte évolution de la représentation des neurones dans les réseaux neuronaux au fil du temps :
Le neurone formel :
Modèle de Mc Culloch et Walter Pitts : (1949)
C’est en 1950, après la publication de l’article «What the frog’s eye tells the frog’s brain », que les neurologues Warren Mc Culloch et Walter Pitts constituèrent un modèle simple de neurone biologique appelé neurone formel. C’est un circuit électronique numérique (binaire)
Si la somme binaire dépasse un certain seuil le neurone est activé (transmission aux neurones suivant) Sinon il reste à l’état de repos.
-Pour l’activation il utilise la règle de Hebb.
Modèle de John Hopfield : (1982)
-Neurone comme élément analogique en prend en considération.
-La règle de Hebb est utilisé par l’activation.
La loi de Hebb, numériquement, est la suivante :
𝑝
1 k k
𝜔𝑖j = 𝑝 ∑ 𝑥𝑖
k=1
𝑥j
Où 𝜔𝑖j est le poids de la connexion entre les neurones i et j, p le nombre de patterns appris, et le kième input pour le neurone i (de même pour le neurone j). Dans le modèle de Hopfield, si i = j, la connexion 𝜔𝑖j est égale à 0. La connexion Wij est symétrique (𝜔𝑖j = 𝜔j𝑖).
Le neurone virtuel:
Un neurone en robotique est représenté sous cette forme :
Figure 2.8 : Le neurone virtuel
On voit le neurone (le cercle central) qui réalise l’intégration des signaux, des entrées notées xn. A chaque entrée correspond un poids. Ce poids est utilisé dans le traitement de l’information ; en effet, le neurone réalise la somme pondérée de toutes les entrées : N = x1 * w1 + x2 * w2 + … + xn * wn.
On fait ensuite passer la valeur N à travers une fonction H. H peut être une fonction de seuil, tel que H(N) peut prendre les valeurs 0 ou 1 par exemple, suivant les valeurs de N, ou peut encore être une fonction plus compliquée.
Le neurone est l’unité de base des réseaux neuronaux, c’est lui qui « réalise les calculs ». Mais seul, il est inutile. C’est pour cela qu’on associe plusieurs neurones dans des réseaux de neurones.
Un réseau de neurones est formé de la liaison de plusieurs neurones agencés en couches, comme présenté sur cette figure :
Figure 2.9 : Forme d’un réseau de neurones multi-couches
On voit donc un réseau formé de trois couches de neurones. La première couche est constituée de 3 neurones et s’appelle la couche d’entrée. Tous les neurones de cette couche prennent leurs entrées de trois variables x0, x1 et x2. Leurs sorties sont reliées aux neurones de la couche secondaire, la couche cachée.
Les neurones de la couche cachée prennent leurs entrées des neurones de la couche d’entrée et leurs sorties sont combinées pour calculer la sortie finale du réseau S.
Résumé sur les réseaux neuronaux:
- Un « réseau neuronal » est constitué de plusieurs neurones (des unités de calculs simples) reliés entre eux. Ces neurones sont agencés en couches.
- L’association des neurones permet de simuler une fonction (en faire une approximation) à plusieurs paramètres, c’est-à-dire de calculer des valeurs de sortie voulues à partir de valeurs d’entrée.
- Plus il y a de neurones, plus le réseau peut mémoriser de paires {valeurs d’entrées / valeurs de sortie}.
- Un réseau peut apprendre cette fonction, si on lui présente des exemples. Un exemple étant un échantillon de valeurs d’entrées et les valeurs de sorties que l’on veut faire calculer au réseau quand on lui présente ces entrées. Il peut apprendre en temps réel de nouveaux exemples si on lui présente les bons échantillons.
Il peut ainsi simuler une intelligence humaine (par le mécanisme d’action-réaction : à un état correspondent des actions appropriées).
Questions Fréquemment Posées
Qu’est-ce qu’un réseau neuronal artificiel?
Un réseau neuronal artificiel est un groupe d’algorithmes et de méthodes mises en place pour tenter d’approcher le fonctionnement du cerveau humain par le biais d’unités de calculs (neurone).
Comment fonctionne un neurone dans un réseau de neurones?
Le neurone réalise la somme pondérée de toutes les entrées et fait passer la valeur à travers une fonction H, qui peut être une fonction de seuil ou une fonction plus compliquée.
Quelle est l’importance de la loi de Hebb dans les réseaux neuronaux?
La loi de Hebb est utilisée pour l’activation des neurones, permettant ainsi de déterminer le poids de la connexion entre les neurones en fonction des patterns appris.