La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Introduction. Réseau de neurones artificiel Abstraction du système nerveux central humain – Traitement parallèle de linformation Par opposition à un automate.

Présentations similaires


Présentation au sujet: "Introduction. Réseau de neurones artificiel Abstraction du système nerveux central humain – Traitement parallèle de linformation Par opposition à un automate."— Transcription de la présentation:

1 Introduction

2 Réseau de neurones artificiel Abstraction du système nerveux central humain – Traitement parallèle de linformation Par opposition à un automate sériel comme un ordinateur – Capacité dapprentissage et dadaptation Principe de traitement très simples et identiques pour tous les éléments Mais comportement de groupe complexe! Applications – Résolution de problèmes difficiles – Modélisation biologique

3 Réseau de neurones biologique Quand un pigeon devient expert en art! (Watanabe et al. 1995) – Experience : Pigeon dans une boîte de Skinner Exposition aux tableaux de deux artistes (Chagall / Van Gogh) Récompense pour bec à la vue dun tableau de lun des artistes (e.g. Van Gogh)

4

5 Les pigeons utilisés ont pu distinguer Van Gogh de Chagall avec 95% de précision pour les tableaux dentraînement Précision de 85% pour les tableaux non vus auparavant! Mémoire oui, mais avec… – Identification de traits essentiels et/ou généralisation – Absence apparente dun processus réfléchi Force majeure des réseaux de neurones! (artificiels et biologiques)

6 Niveaux de traitement dans le système nerveux central humain Molécules 0.1 m Synapses 1 m Neurones 100 m Réseaux locaux 1mm Régions 1cm Sous-Systèmes 10cm SNC 1m

7 Circuits locaux dans le cortex visuel LGN inputs Cell types

8 Neurone biologique Sortie impulsive : 1 – Le neurone répond 0 – Le neurone ne répond pas (Sans nécessairement être inactif)

9 Synapse biologique Agent principal du comportement neuronal Connexion typique le long dun arbre dendritique Force de connexion variable + ou - Plasticité à court terme Utilisation de mécanismes électrochimiques Origine corrélationnelle?

10 Types de synapses Électrique (rare) 3.5 nm pré-post distance Continuité cytoplasmique (e.g. muscle cardiaque, capteurs sensoriels) Courant ionique Propagation instantanée Transmission bidirectionnelle Chimique nm pré-post distance Discontinuité cytoplasmique Vésicules présynoptiques et récepteurs postsynaptiques Transmetteur chimique Délai synaptique.3 ms Transmission unidirectionnelle

11 Synapse dendritique

12 TransmitterChannel-typIon-currentAction Acetylecholinnicotin. Receptor Na + and K + excitateur GlutamateAMPA / Kainate Na + and K + excitateur GABAGABA A -ReceptorCl - inhibiteur GlycineCl - inhibiteur Acetylecholinmuscarin. Rec. -metabotropic, Ca 2+ Release Glutamate NMDA Na +, K +, Ca 2+ Dépend de la tension bloqué au potentiel de repos Neurotransmetteurs

13 Plusieurs types – Amino Acides : Glutamate, GABA – Amines biogéniques : Dopamine, Histamine – Neuropeptides … LHRH, Proctolin – Endorphines, acetylcholine, etc. NMDA, GABA A sonr frèquents au niveau des récepteurs Certains sont excitateurs et d`autres inhibiteurs Neurotransmetteurs

14 De lentité biologique au modèle Neurone -> Nœud Synapse -> Arc pondéré

15 Modélisation simplifiée Entrée Poids synaptiques Sommateur linéaire Fonction dactivation État interne v Sortie y x1x1 x2x2 xmxm w2w2 wmwm w1w1 w0w0 x 0 = +1 Biais Hypothèses : Synapses synchrones Pas de pertes Sortie non impulsive

16 16 Fonctions dactivation communes Linformation de phase est perdue Plusieurs fonctions existent Lefficacité dépend de lapplication Simplifications des séquences dimpulsions La fréquence des impulsions remplace linformation individuelle

17 Fréquence des impulsions biologiques La valeur moyenne dépend de plusieurs facteurs – Pertes (leakage), saturation, sources de bruit Généralement modelé avec une fonction sigmoïde

18 Topologies de base En général, les réseaux récurrents utilisent des règles dapprentissage dinspiration biologique et les réseaux multicouches des règles tirées de lingénierie Unités de sortie Unités cachées Unités dentrée Réseau multicoucheRéseau récurrent Unités cachées Unités dentrée/sortie

19 Taxonomie +BSB, BAM, etc.

20 Réside dans la présence et force de connexions inter-neuronales (synapses) Mais : – Différents types de neurones – Différents types de topologies de réseaux Comment trouver les bons poids? Savoir du RNA

21 Plasticité synaptique

22 Spike-timing Dependent Synaptic Plasticity (STDP) From Bi and Poo J. Neurosci. 18, (1998) La précédence des impulsions pré et post synaptiques influe sur la plasticité synaptique. Plus conforme à la règle de Hebb (ajout de la causalité temporelle) Popularité croissante dans les modèles artificiels

23 Pourquoi aller aussi loin ? Un modèle simple de mémoire associative : 1.On considère/forme un ensemble orthogonal de N vecteurs à mémoriser 2.On définit lensemble des N vecteur-réponses désirés 3.On calcule la matrice 4.La fonction de rappel dun stimulus quelconque est alors Ça fonctionne, non? Mais que se passe-t-il lorsque les entrées sont corrélées, bruitées ou non linéairement séparables ?


Télécharger ppt "Introduction. Réseau de neurones artificiel Abstraction du système nerveux central humain – Traitement parallèle de linformation Par opposition à un automate."

Présentations similaires


Annonces Google