Machine à état liquide

Une machine à état liquide^[1] (MEL, liquid state machine en anglais, LSM) est un genre particulier de réseau de neurones dopé. Une MEL consiste en un large ensemble d'unités (appelées nœuds, ou neurones). Chaque nœud reçoit une entrée dépendant du temps, aussi bien depuis une source externe (les entrées) que depuis d'autres nœuds. Les nœuds sont aussi connectés aléatoirement les uns aux autres. La partie récurrente de ces liens, ainsi que les entrées qui dépendent du temps, génèrent un motif d'activation spatio-temporel des nœuds. Ces activations spatio-temporelles sont lues par les unités via des discriminants linéaires.

Machine à état liquide

Type	Réseau de neurones artificiels

modifier - modifier le code - modifier Wikidata

L'ensemble de nœuds connectés de façon récurrente va finir par réussir à calculer une grande variété de fonctions non linéaires des entrées. Si on se donne un nombre assez grand de telles fonctions non linéaires, alors il est théoriquement possible d'obtenir des combinaisons linéaires (en utilisant les unités de lecture) qui vont permettre de calculer n'importe quelles opérations mathématiques nécessaires à la réalisation de certaines tâches, comme la reconnaissance de la parole ou la vision automatique.

Le terme liquide dans le nom de cette méthode vient de l'analogie avec le fait de lâcher une pierre dans un réservoir d'eau (ou d'un autre liquide). La pierre qui chute va générer des ondes de choc dans le liquide. Le signal d'entrée (le mouvement de la pierre en train de tomber) a ainsi été converti en un motif spatio-temporel de déplacement du liquide (les ondes de choc).

Les MEL ont été mises en avant comme une façon d'expliquer certains aspects du cerveau. Certains défendent les MEL comme étant une amélioration de la théorie des réseaux neuronaux artificiels parce que :

1. Les circuits ne sont pas conçus pour effectuer une tâche précise.
2. Les signaux d'entrées continus et dépendant du temps sont pris en compte de façon "naturelle".
3. Les calculs sur de diverses échelles de temps peuvent être effectués par le même réseau.
4. Et le même réseau peut être utilisé pour calculer différentes opérations.

Certains critiquent aussi les MEL telles qu'elles sont utilisées en neuroscience computationnelle parce que :

1. Les MEL n'expliquent pas comment le cerveau fonctionne. Au mieux elles ne font qu'imiter certaines de ses fonctions.
2. Il n'y a aucun moyen d'ouvrir un réseau qui fonctionne bien et d'espérer apprendre comment ou quelles opérations sont calculées (une MEL agit comme une boite noire).
3. Il n'y a pas assez de contrôle sur le processus d'apprentissage des MEL.

Approximation d'une fonction universelle

Si un réservoir a une mémoire évanescente et une séparabilité de ses entrées, alors on peut en fait prouver qu'une telle machine à état liquide permet d'approcher une fonction universelle, à l'aide du théorème de Stone-Weierstrass^[2].

Références

• (en) Cet article est partiellement ou en totalité issu de l’article de Wikipédia en anglais intitulé « Liquid state machine » (voir la liste des auteurs).

1. François Rhéaume, Une méthode de machine à état liquide pour la classification de séries temporelles (thèse de doctorat), Québec, Université de Laval, 2012 (lire en ligne)
2. (en) Wolfgang Maass et Henry Markram, « On the Computational Power of Recurrent Circuits of Spiking Neurons », Journal of Computer and System Sciences, vol. 69, n^o 4,‎ 2004, p. 593–616 (DOI 10.1016/j.jcss.2004.04.001)

Voir aussi

Bibliographie

• (en) Jean-Pierre Barbot et Laurent Larger « Systèmes à retards, synchronisation & contrôle » (2013) (lire en ligne, consulté le 11 juillet 2023)
  — cnrs, DYCOEC : GdR n^o 2984 (Université de Rouen)
• Matthieu Gilson, Entraînement de réseaux de neurones récurrents à pulses appliqué à la modélisation d'un tissu neuronal biologique (mémoire de maîtrise), École Polytechnique de Montréal, 2003 (lire en ligne), p. 8
• (en) Wolfgang Maass, Thomas Natschläger et Henry Markram, « Real-time computing without stable states: a new framework for neural computation based on perturbations », Neural Comput, vol. 14, n^o 11,‎ novembre 2002, p. 2531–60 (PMID 12433288, DOI 10.1162/089976602760407955)
• (en) Wolfgang Maass, Thomas Natschläger et Henry Markram, « Computational Models for Generic Cortical Microcircuits », Computational Neuroscience: a Comprehensive Approach, n^o 18,‎ 2004, p. 575–605
• (en) Chrisantha Fernando et Sampsa Sojakka « Pattern Recognition in a Bucket » (2005) (DOI 10.1007/978-3-540-39432-7_63)
  — School of Cognitive and Computer Sciences , University of Sussex, European Conference on Artificial Life (Brighton)
  — « (ibid.) », dans Advances in Artificial Life, coll. « Lecture Notes In Computer Science » (n^o 2801) (ISBN 978-3-540-20057-4 et 978-3-540-39432-7), p. 588-597

Articles connexes

• Carte autoadaptative
• Gaz neuronal
• Réseau de neurones artificiels
• Réseau à état d'écho (Echo State Network, ESN) : concept similaire dans les réseaux neuronaux récurrents.
• Calcul par réservoir : le cadre formel.

• Portail des probabilités et de la statistique
• Portail de l'informatique théorique