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.

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'utilisation par la poste française de machines de tri automatique faisant intervenir des réseaux de neurones pour la reconnaissance du code postal. Plus spectaculaire encore, les réseaux de neurones sont employés industriellement pour la lecture automatique du montant écrit en toutes lettres (en écriture cursive) sur les chèques bancaires et postaux.

Tous les exemples cités sont relatifs à la reconnaissance automatique d'images. Bien entendu, les formes que les réseaux de neurones peuvent classer ne sont pas nécessairement de cette nature. Par exemple, l'Institut national de la recherche sur les transports et leur sécurité (I.N.R.E.T.S.) a développé pour la R.A.T.P. un système de contrôle non destructif des rails du métro parisien : un capteur à courants de Foucault, fixé sous la voiture à proximité immédiate du rail fournit des signaux dont la forme dépend de l'état de celui-ci. Un réseau de neurones est chargé de discriminer les signaux normaux des signaux anormaux, et parmi ces derniers, de distinguer différents types d'anomalies.

Les problèmes de classification ne se posent pas uniquement pour la reconnaissance des formes. Ainsi, la Caisse des dépôts et consignations a mis au point un réseau de neurones pour l'évaluation de la solvabilité financière des collectivités locales. L'apprentissage a été effectué à partir de données économiques, démographiques et fiscales concernant trois cent cinquante villes françaises, et le réseau de neurones généralise à l'ensemble des trente-six mille communes françaises. Il a permis d'établir une carte du territoire, où chaque ville est représentée par un code de couleur, du jaune (situation financière très saine) au bleu foncé (commune peu solvable).

Prenons un dernier exemple dans le domaine socio-politique. La législation sur les dépenses de campagne électorale oblige les candidats à déclarer de manière précise les sommes engagées au cours de leur campagne, et leur ventilation. À partir des données relatives aux élections législatives de 1993, il a été possible d'évaluer la probabilité d'élection en fonction de la dépense effectuée, et en fonction de la ventilation de ces dépenses dans les différents postes. Il s'agit donc d'un problème à deux classes (« élu » ou « battu »), les réseaux de neurones permettant d'évaluer la probabilité d'appartenance à l'une des classes en fonction d'un ou de plusieurs descripteurs.

Cette application est de nature un peu différente des précédentes qui consistaient à affecter une « forme » existante à une classe, étant entendu que, vraisemblablement, on ne saurait jamais avec certitude à quelle classe la forme appartenait réellement. Ici, la situation est différente, puisque l'on sait avec certitude, dès que les résultats des élections sont connus, à quelle classe appartient le candidat. On cherche donc ici à réaliser une prévision par simulation : afin d'optimiser ses chances d'élection, un candidat peut estimer sa probabilité de succès en fonction de la stratégie qu'il met en œuvre pour dépenser ses fonds de campagne de telle ou telle manière. Il peut donc en déduire la stratégie la mieux adaptée à sa situation. Ce type d'outil d'aide à la décision constitue un débouché important pour les réseaux de neurones.

Motivées initialement par le rêve de créer des machines dont le fonctionnement fût inspiré de celui des systèmes nerveux vivants, les recherches sur les réseaux de neurones ont fait de ceux-ci des éléments essentiels de la boîte à outils de tout ingénieur qui doit interpréter des données, prédire des comportements, reconnaître automatiquement des formes, détecter des pannes, etc. Ils connaissent aussi des applications nombreuses dans les domaines bancaire, économique, voire sociologique. Indépendamment de toute connotation biologique, les réseaux de neurones doivent être considérés comme des méthodes statistiques puissantes qui permettent de modéliser tout phénomène mesurable. Si l'on dispose, en plus des mesures, de connaissances physiques, chimiques, biologiques, économiques, sociologiques sur le processus étudié, il est possible de les intégrer dans la structure des réseaux de neurones. Ils permettent ainsi de tirer le meilleur parti possible des données et des connaissances acquises.