Global Temporal Dynamic

Paysage dynamique temporel global de la subversion médiée par un agent pathogène .....

Discussion

Les recherches décrites ici sont motivées par la dynamique temporelle des systèmes neuronaux vivants et en particulier par les capacités temporelles de l'homme et des animaux supérieurs. Nos cerveaux peuvent réagir à des signaux variables dans le temps, générer des modèles variables dans le temps, traiter des informations (penser) au fil du temps, représenter des concepts et des images mentalement pour des intervalles de temps arbitraires et avoir des états différents d'activité continue et autonome ( réveillé, excité, endormi). De plus, il semble que nous ayons automatiquement des compétences et une dynamique liées au temps, telles que la reconnaissance des tendances spatio-temporelles au fur et à mesure qu'elles se produisent; coordination du traitement interne dans le cerveau, malgré l'absence d'horloge de contrôle apparente; et la présence d'une activité dynamique auto-entretenue dans de nombreuses zones du cerveau, par le biais d'oscillations (par exemple, neurones respiratoires) ou d'une autre activité continue plus complexe ("activité spontanée"). Cette gamme étendue de capacités temporelles et d'activité variable dans le temps indique un réseau neuronal dynamique dans le temps qui sous-tend ces processus. À ce jour, de nombreux modèles neuronaux montrent des capacités de cartographie de motifs mais manquent de la dynamique et du comportement temporel des systèmes qu'ils sont censés modéliser.

Nous avons exploré une série de paradigmes concernant l’activité dynamique dans les réseaux de neurones. Nous avons montré comment un modèle simple de réseau de neurones peut développer des attracteurs dynamiques, une activité autonome et le chaos. Le contrôle du paramètre g, un multiplicateur de poids, permet de moduler la dynamique avec une progression d'un simple attracteur à point fixe vers le chaos. Une fois que nous générons des modèles d'activité chaotiques dans un réseau de neurones, nous pouvons appliquer un modèle de stimulus et verrouiller le réseau dans un attracteur à cycle limite. Ce scénario constitue un moyen potentiel d’effectuer la reconnaissance de formes et la classification des signaux. Les systèmes dynamiques pouvant avoir des frontières de bassin compliquées pour leurs attracteurs, il y a lieu de s'attendre à une augmentation des performances et des capacités de généralisation de ce type d'approche.

Le développement de multiples attracteurs dans un réseau de neurones peut être accompli via une méthode d'accroissement avec des perturbations de poids. Dans le réseau résultant, un ensemble d'états initiaux évoquent chacun leur propre attracteur. Les tâches de calcul dans la classification des modèles et la mémoire associative pourraient être accomplies à travers différents états initiaux évoquant différents attracteurs dynamiques.

Dans les réseaux binaires dynamiques, l’exploration des bassins d’attracteurs et la flexibilité de ces bassins d’attraction ont montré que les capacités d’attracteurs étaient considérablement supérieures au nombre de mémoires du réseau de Hopfield statique (0,15n). Avec seulement cinq neurones dans un réseau binaire dynamique, des milliers de classes de bassins - divisions de motifs en différents bassins - peuvent être réalisées.

Pour former un attracteur spécifique dans un réseau de neurones, un réseau de neurones avec des retards de temps a été formé pour générer une trajectoire en boucle fermée. Le réseau formé génère cette trajectoire malgré des conditions de départ bruyantes et des segments initiaux différents. Le résultat est un générateur de signaux et de chemins robuste pour les applications de communication et de contrôle.

Les trains d'impulsions ajoutent une nouvelle dimension au traitement spatiotemporel dans les systèmes neuronaux biologiques. Les schémas temporels des impulsions nerveuses et des synchronies entre ensembles de neurones sont des codes supposés pour le traitement et la représentation de l'information. L'activité de déclenchement des neurones et des ensembles de neurones pourrait refléter des attracteurs transitoires et dynamiques superposés à la structure de train d'impulsions du traitement neuronal biologique.

Le problème général de la reconnaissance et de la génération de signaux spatio-temporels semble pouvoir être résolu avec des réseaux de neurones dynamiques, bien que de nombreuses recherches restent à faire. La capacité à générer et à former une activité auto-entretenue, basée sur des attracteurs oscillants dynamiques, est illustrée dans les résultats préliminaires décrits ici.