- 1. Historique
- 2. Quelques définitions
- 3. L'approximation parcimonieuse, une propriété fondamentale des réseaux de neurones
- 4. Réseaux de neurones et régression non linéaire
- 5. L'apprentissage des réseaux de neurones formels
- 6. Quelques exemples d'applications des réseaux de neurones
- 7. Bibliographie
RÉSEAUX DE NEURONES
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.[...]
La suite de cet article est accessible aux abonnés
- Des contenus variés, complets et fiables
- Accessible sur tous les écrans
- Pas de publicité
Déjà abonné ? Se connecter
Écrit par
- Gérard DREYFUS : Professeur à l'E.S.P.C.I.
Classification
Médias
Représentation graphique
Encyclopædia Universalis France
Neurone à fonction sigmoïde
Encyclopædia Universalis France
Réseau non bouclé
Encyclopædia Universalis France
Autres références
-
ANTHROPOLOGIE COGNITIVE
- Écrit par Arnaud HALLOY
- 5 810 mots
...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 ainsi assez radicalement des modèles « classiques » qui envisagent le cerveau à l’image d’un ordinateur qui traiterait... -
APPRENTISSAGE PROFOND ou DEEP LEARNING
- Écrit par Jean-Gabriel GANASCIA
- 2 645 mots
- 1 média
...techniques variées fondées sur la logique ou la statistique et s’inspirant de modèles psychologiques, physiologiques ou éthologiques. Parmi celles-ci, des techniques anciennes reposant sur un modèle très approximatif du tissu cérébral – les réseaux de neurones formels – ont obtenu depuis les années... -
AUTOMATISATION
- Écrit par Jean VAN DEN BROEK D'OBRENAN
- 11 882 mots
- 12 médias
...fin des années 1980, les travaux scientifiques aboutissant au concept d'une logique « non classique », la logique floue, d'une part, et au concept des réseaux de neurones, adaptés à la modélisation et à la commande des processus non linéaires, d'autre part, trouvèrent des applications dans l'automatisation... -
AUTO-ORGANISATION
- Écrit par Henri ATLAN
- 6 255 mots
- 1 média
...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 chacune des opérations élémentaires simulant de... - Afficher les 25 références
