Picard, Matthieu
(2025).
« Apprentissage bio-inspiré dans les réseaux de neurones récurrents » Mémoire.
Montréal (Québec, Canada), Université du Québec à Montréal, Maîtrise en informatique.
Fichier(s) associé(s) à ce document :
Résumé
Ce mémoire se penche sur la synergie entre divers paradigmes d’apprentissage biologique et algorithmique. En mettant l’accent sur la complémentarité et le potentiel de divers mécanismes d’apprentissage biologiques à être formalisés mathématiquement dans un modèle, nous cherchons à éclairer leur capacité à offrir des alternatives à l’algorithme de la rétropropagation (RP) dans les réseaux de neurones profonds (RN). Pour ce faire, nous explorons l’intersection entre ces paradigmes, en mettant l’accent sur les mécanismes d’apprentissage Hebbien et anti-Hebbien et la plasticité synaptique à temps dépendant (STDP), pour étudier les dynamiques internes d’un système de neurones récurrents les intégrant. Notre objectif est d’établir s’il est possible de créer un système artificiel étant au moins partiellement analogue à sa contrepartie biologique dans son fonctionnement dynamique et son apprentissage (entre deux neurones) présentant des propriétés d’apprentissage (globales). Tout en reconnaissant l’efficacité de la rétropropagation, qui a permis des avancées significatives en intelligence artificielle (IA) pour la génération et la classification de données multimodales, pour le traitement du langage naturel et pour l’apprentissage par renforcement, cette recherche souligne ses limites qui sont l’objet de nombreuse recherche de pointe. Notre travail adopte une approche à la fois théorique et expérimentale afin d’évaluer comment ces principes, plus biologiquement plausibles et inspirés du fonctionnement du cerveau et de sa topologie dynamique que les méthodes courantes, peuvent offrir des processus d’apprentissage plus rapides et adaptables. Pour le volet expérimental, nous proposons un algorithme d’apprentissage bio-inspiré pour les réseaux de neurones récurrents (bio-RNN). Nos résultats suite à son implémentation montrent que le modèle proposé est initialement performant et rapide dans l’apprentissage, suggérant une piste intéressante de recherche. Cependant, cet avantage disparait rapidement lorsqu’on alloue un temps d’entraînement raisonnable et notre méthode demeure bien en deçà des performances de la rétropropagation en termes de précision et de rappel absolus sur des tâches complexes. Nous sommes néanmoins parvenus, à travers nos expériences, à démontrer que l’intégration des principes Hebbiens dans les architectures neuronales récurrentes dynamiques est faisable et prometteuse, soulignant la nécessité de poursuivre nos recherches pour mieux comprendre et affiner ces méthodes alternatives.
| Type: |
Mémoire accepté
|
| Informations complémentaires: |
Fichier numérique reçu et enrichi en format PDF/A. |
|
Directeur de thèse: |
Blondin Massé, Alexandre |
| Mots-clés ou Sujets: |
Rétropropagation / Intelligence artificielle / Réseaux de neurones récurrents / Algorithmes d'apprentissage / Calcul bio-inspiré / Apprentissage hebbien / Neurosciences |
| Unité d'appartenance: |
Faculté des sciences > Département d'informatique |
| Déposé par: |
Service des bibliothèques
|
| Date de dépôt: |
17 nov. 2025 15:40 |
| Dernière modification: |
17 nov. 2025 15:40 |
| Adresse URL : |
http://archipel.uqam.ca/id/eprint/19250 |
RECHERCHER
PARCOURIR
LIBRE ACCÈS
