{"id":588,"date":"2026-09-04T11:08:20","date_gmt":"2026-09-04T11:08:20","guid":{"rendered":"http:\/\/french.arabpsychology.com\/theories\/theorie-resonance-adaptative-art-grossberg-carpenter\/"},"modified":"2026-09-04T11:08:20","modified_gmt":"2026-09-04T11:08:20","slug":"theorie-resonance-adaptative-art-grossberg-carpenter","status":"publish","type":"psych_article","link":"https:\/\/french.arabpsychology.com\/?psych_article=theorie-resonance-adaptative-art-grossberg-carpenter","title":{"rendered":"Th\u00e9orie de la r\u00e9sonance adaptative (ART) – Stephen Grossberg & Gail Carpenter"},"content":{"rendered":"

Au croisement des neurosciences computationnelles, de la psychologie cognitive et de l’intelligence artificielle th\u00e9orique, peu de constructions conceptuelles \u00e9galent la profondeur, la rigueur formelle et la port\u00e9e explicative de la Th\u00e9orie de la R\u00e9sonance Adaptative<\/strong> (Adaptive Resonance Theory<\/em> ou ART). Con\u00e7ue et d\u00e9velopp\u00e9e \u00e0 partir de la fin des ann\u00e9es 1970 par Stephen Grossberg<\/a>, puis enrichie par une collaboration f\u00e9conde et durable avec la math\u00e9maticienne Gail Carpenter<\/a> au sein du d\u00e9partement des syst\u00e8mes cognitifs et neuronaux de l’Universit\u00e9 de Boston, l’architecture ART constitue une r\u00e9ponse magistrale \u00e0 l’une des \u00e9nigmes les plus fondamentales des sciences de l’esprit : comment un syst\u00e8me biologique ou artificiel peut-il continuer \u00e0 apprendre de mani\u00e8re autonome tout au long de sa vie sans effacer de fa\u00e7on catastrophique ses acquis ant\u00e9rieurs ?<\/p>\n

Tandis que le connexionnisme contemporain et l’apprentissage profond (Deep Learning<\/em>) reposent largement sur des optimisations statistiques d\u00e9nu\u00e9es de plausibilit\u00e9 biologique directe, tels que la r\u00e9tropropagation du gradient \u00e0 travers des architectures statiques en couches denses, la th\u00e9orie ART propose une refonte radicale du paradigme de traitement de l’information. L’intuition fondamentale de Grossberg r\u00e9side dans le fait que le cerveau n’est pas un simple syst\u00e8me passif traitant l’information de bas en haut (bottom-up<\/em>), mais un moteur pr\u00e9dictif et dynamique o\u00f9 les attentes descendantes (top-down<\/em>) rencontrent les flux sensoriels ascendants. C’est de l’ad\u00e9quation r\u00e9sonante entre ces deux flux vectoriels que naissent la perception consciente, la cat\u00e9gorisation stable et la consolidation de la m\u00e9moire \u00e0 long terme.<\/p>\n

Ce trait\u00e9 exhaustif se propose d’explorer minutieusement l’ensemble du corpus th\u00e9orique et algorithmique de l’ART. De la formalisation du dilemme stabilit\u00e9-plasticit\u00e9 aux variantes contemporaines comme le Fuzzy ARTMAP<\/em> ou le mod\u00e8le laminaire LAMINART<\/em>, en passant par les dynamiques membranaires d’inhibition lat\u00e9rale et les implications pour la conscience ph\u00e9nom\u00e9nale, nous examinerons comment l’\u00e9difice math\u00e9matique de Grossberg et Carpenter demeure, des d\u00e9cennies apr\u00e8s sa formulation, un mod\u00e8le d’une modernit\u00e9 \u00e9clatante et une alternative incontournable aux impasses de la bo\u00eete noire computationnelle.<\/p>\n

1. Introduction et fondements \u00e9pist\u00e9mologiques de la th\u00e9orie de la r\u00e9sonance adaptative<\/h2>\n

1.1 Origines historiques et collaboration entre Stephen Grossberg et Gail Carpenter<\/h3>\n

L’\u00e9mergence de la th\u00e9orie de la r\u00e9sonance adaptative s’inscrit dans un contexte scientifique particuli\u00e8rement effervescent au sein des laboratoires de l’Universit\u00e9 de Boston durant les d\u00e9cennies 1970 et 1980. \u00c0 cette \u00e9poque, l’intelligence artificielle \u00e9tait scind\u00e9e entre le paradigme symbolique classique, domin\u00e9 par les syst\u00e8mes experts manipulant des r\u00e8gles logiques discr\u00e8tes, et un connexionnisme renaissant mais encore balbutiant, incapable de formaliser math\u00e9matiquement des dynamiques neuronales en temps r\u00e9el non supervis\u00e9es. Stephen Grossberg, fort d’une formation pluridisciplinaire d’exception combinant math\u00e9matiques pures, physique th\u00e9orique et psychologie comportementale, avait d\u00e9j\u00e0 pos\u00e9 d\u00e8s la fin des ann\u00e9es 1960 les bases de mod\u00e8les diff\u00e9rentiels non lin\u00e9aires d\u00e9crivant les membranes neuronales et les r\u00e9seaux r\u00e9currents \u00e0 shunting.<\/p>\n

La rencontre et la collaboration intellectuelle avec Gail Carpenter, math\u00e9maticienne sp\u00e9cialis\u00e9e dans les syst\u00e8mes dynamiques non lin\u00e9aires et la th\u00e9orie des bifurcations, ont constitu\u00e9 le catalyseur d\u00e9cisif pour transformer ces intuitions neurophysiologiques en architectures algorithmiques rigoureusement d\u00e9montr\u00e9es. Carpenter a apport\u00e9 une structure math\u00e9matique impeccable, permettant de formaliser les th\u00e9or\u00e8mes de convergence, d’analyser la stabilit\u00e9 asymptotique des espaces vectoriels de poids et de concevoir des protocoles de mise \u00e0 jour discrets et continus d’une redoutable efficacit\u00e9 computationnelle.<\/p>\n

Ensemble, Grossberg et Carpenter partageaient l’ambition d\u00e9lib\u00e9r\u00e9e de combler le foss\u00e9 historique s\u00e9parant la psychologie cognitive exp\u00e9rimentale — qui \u00e9tudie les temps de r\u00e9action, les illusions perceptives, l’attention s\u00e9lective et la m\u00e9moire — des neurosciences computationnelles et biophysiques, centr\u00e9es sur les potentiels d’action, la dynamique synaptique et la cytoarchitectonie corticale. L’ART n’a pas \u00e9t\u00e9 con\u00e7ue comme un simple algorithme de partitionnement de donn\u00e9es (clustering<\/em>), mais comme un mod\u00e8le neuro-computationnel global, capable d’unifier les observations comportementales macroscopiques et les m\u00e9canismes \u00e9lectrophysiologiques microscopiques au sein d’un m\u00eame ensemble d’\u00e9quations diff\u00e9rentielles coupl\u00e9es.<\/p>\n

1.2 Paradigme computationnel et rupture avec le connexionnisme classique<\/h3>\n

D\u00e8s sa formalisation initiale dans l’article fondateur de 1976 de Grossberg, la th\u00e9orie de la r\u00e9sonance adaptative s’est positionn\u00e9e en rupture \u00e9pist\u00e9mologique avec le connexionnisme dominant. Alors que la communaut\u00e9 de l’apprentissage automatique s’orientait massivement vers la red\u00e9couverte et l’adoption quasi universelle de l’algorithme de r\u00e9tropropagation du gradient (backpropagation<\/em>) popularis\u00e9 par Rumelhart, Hinton et Williams, Grossberg et Carpenter ont formul\u00e9 des critiques s\u00e9v\u00e8res et pr\u00e9monitoires \u00e0 l’encontre de cette approche. Pour les fondateurs de l’ART, la r\u00e9tropropagation pr\u00e9sente des tares r\u00e9dhibitoires : elle requiert un superviseur omniscient calculant continuellement un signal d’erreur global, repose sur une sym\u00e9trie math\u00e9matique artificielle des connexions synaptiques avant et arri\u00e8re, et impose un arr\u00eat complet du processus d’apprentissage pour \u00e9viter l’effacement des cat\u00e9gories d\u00e9j\u00e0 assimil\u00e9es.<\/p>\n

L’ART s’est donc construite sur le postulat de l’auto-organisation autonome. Dans ce paradigme, un r\u00e9seau neuronal doit \u00eatre capable d’op\u00e9rer en temps r\u00e9el, dans un environnement non stationnaire, sans faire de distinction artificielle entre une phase d’entra\u00eenement fig\u00e9e et une phase d’inf\u00e9rence passive. Le syst\u00e8me doit classifier, \u00e9valuer, adapter ou rejeter des stimuli sensoriels \u00e0 la vol\u00e9e, en g\u00e9n\u00e9rant ses propres crit\u00e8res de coh\u00e9rence interne.<\/p>\n

Cette vision consacre l’\u00e9mergence d’un cadre formel unifi\u00e9 o\u00f9 la perception n’est pas une simple transformation g\u00e9om\u00e9trique passive d’un vecteur d’entr\u00e9e vers un espace latent, mais un dialogue actif et bidirectionnel. L’apprentissage n’est plus une descente de gradient lente et aveugle sur une surface d’erreur complexe, mais un processus de recherche d’hypoth\u00e8ses et de stabilisation r\u00e9sonante dirig\u00e9 par des structures de contr\u00f4le attentionnel et des m\u00e9canismes d’orientation intrins\u00e8ques.<\/p>\n

1.3 Objectifs th\u00e9oriques et ambition neuro-cognitive globale<\/h3>\n

L’ambition ultime de Grossberg \u00e0 travers l’ART d\u00e9passe largement la r\u00e9solution de probl\u00e8mes d’ing\u00e9nierie statistique : il s’agit d’\u00e9lucider les principes universels d’organisation neuronale qui permettent \u00e0 l’esprit humain d’\u00e9merger de la mati\u00e8re c\u00e9r\u00e9brale. Pour atteindre cet objectif, le cadre ART articule une mod\u00e9lisation multi-\u00e9chelle m\u00e9ticuleuse. \u00c0 l’\u00e9chelle microscopique, il int\u00e8gre la cin\u00e9tique des potentiels membranaires, les ph\u00e9nom\u00e8nes de saturation des canaux ioniques et la plasticit\u00e9 synaptique d\u00e9pendante de l’activit\u00e9. \u00c0 l’\u00e9chelle m\u00e9soscopique, il d\u00e9crit l’interaction entre colonnes corticales, champs r\u00e9cepteurs, circuits laminaires et noyaux thalamiques. \u00c0 l’\u00e9chelle macroscopique, il rend compte de ph\u00e9nom\u00e8nes cognitifs complexes tels que l’amor\u00e7age attentionnel, la compl\u00e9tion de formes visuelles, la cat\u00e9gorisation conceptuelle et la prise de d\u00e9cision contextuelle.<\/p>\n

Au c\u0153ur de cette architecture se trouve une proposition th\u00e9orique audacieuse concernant la nature m\u00eame de la conscience : le postulat selon lequel tous les \u00e9tats conscients sont des \u00e9tats neuronaux r\u00e9sonants. Grossberg affirme que les signaux purement ascendants ne parviennent jamais \u00e0 la conscience tant qu’ils n’ont pas \u00e9t\u00e9 valid\u00e9s, compl\u00e9t\u00e9s et synchronis\u00e9s par des attentes descendantes prototypiques. D\u00e8s lors que cette boucle de r\u00e9troaction s’\u00e9tablit et s’amplifie, un \u00e9tat de r\u00e9sonance \u00e9lectrophysiologique synchrone s’installe, permettant l’\u00e9mergence ph\u00e9nom\u00e9nale de la perception et d\u00e9clenchant la plasticit\u00e9 synaptique durable.<\/p>\n

Cette approche th\u00e9orique offre une \u00e9l\u00e9gance conceptuelle rare, car elle r\u00e9sout simultan\u00e9ment le probl\u00e8me computationnel de la stabilit\u00e9 des repr\u00e9sentations et le probl\u00e8me philosophique et neurophysiologique de la liaison perceptive (binding problem<\/em>) et de l’acc\u00e8s \u00e0 la conscience, fondant ainsi l’une des \u00e9coles les plus coh\u00e9rentes des sciences cognitives contemporaines.<\/p>\n

2. Le dilemme stabilit\u00e9-plasticit\u00e9 : c\u0153ur conceptuel de la th\u00e9orie ART<\/h2>\n

2.1 D\u00e9finition et formulation formelle du dilemme<\/h3>\n

Le fondement logique sur lequel repose l’ensemble de l’\u00e9difice ART est le c\u00e9l\u00e8bre dilemme stabilit\u00e9-plasticit\u00e9<\/strong> (Stability-Plasticity Dilemma<\/em>). Ce principe pose une question fondamentale : comment un syst\u00e8me d’apprentissage adaptatif autonome peut-il demeurer suffisamment plastique pour absorber continuellement de nouvelles informations, tout en \u00e9tant suffisamment stable pour ne pas d\u00e9grader ou effacer de mani\u00e8re irr\u00e9versible les connaissances d\u00e9j\u00e0 consolid\u00e9es ?<\/p>\n

D’un point de vue formel, consid\u00e9rons un syst\u00e8me apprenant soumis \u00e0 une s\u00e9quence temporelle infinie de vecteurs d’entr\u00e9e. La plasticit\u00e9 exige que pour tout nouveau vecteur pr\u00e9sentant une nouveaut\u00e9 statistique ou s\u00e9mantique significative, la matrice des poids synaptiques du r\u00e9seau puisse \u00eatre modifi\u00e9e pour int\u00e9grer cette structure. Inversement, la stabilit\u00e9 impose que si le syst\u00e8me est confront\u00e9 de nouveau \u00e0 un vecteur rencontr\u00e9 bien plus t\u00f4t dans la s\u00e9quence temporelle, sa r\u00e9ponse cat\u00e9gorielle demeure inchang\u00e9e et son comportement reste optimal, sans que les milliers d’\u00e9tapes d’apprentissage interm\u00e9diaires n’aient \u00e9rod\u00e9 la trace mn\u00e9sique originelle.<\/p>\n

Ce d\u00e9fi est universel dans tout syst\u00e8me adaptatif non supervis\u00e9. En l’absence de contraintes structurelles sp\u00e9cifiques, la plasticit\u00e9 m\u00e8ne in\u00e9vitablement \u00e0 l’instabilit\u00e9 dynamique : chaque nouvel apprentissage \u00e9crase le pr\u00e9c\u00e9dent, un ph\u00e9nom\u00e8ne connu sous le nom d’oubli catastrophique (catastrophic forgetting<\/em>). \u00c0 l’inverse, si l’on cherche \u00e0 garantir la stabilit\u00e9 en figeant les taux d’apprentissage ou les configurations synaptiques, le syst\u00e8me devient rigide, incapable de s’adapter aux mutations de son environnement.<\/p>\n

2.2 Vuln\u00e9rabilit\u00e9 des r\u00e9seaux standards face \u00e0 l’amn\u00e9sie catastrophique<\/h3>\n

Les r\u00e9seaux de neurones artificiels conventionnels, qu’il s’agisse des perceptrons multicouches entra\u00een\u00e9s par r\u00e9tropropagation, des r\u00e9seaux de neurones convolutifs ou des cartes auto-organisatrices de Kohonen (SOM), \u00e9chouent de mani\u00e8re spectaculaire face au dilemme stabilit\u00e9-plasticit\u00e9 lorsqu’ils sont soumis \u00e0 un apprentissage s\u00e9quentiel en ligne. Dans un perceptron multicouche classique, les connaissances ne sont pas stock\u00e9es dans des modules discrets, mais sont distribu\u00e9es de mani\u00e8re holistique \u00e0 travers l’ensemble des matrices de poids synaptiques interconnectant les couches neuronales.<\/p>\n

Lorsqu’un tel r\u00e9seau est expos\u00e9 \u00e0 un nouveau domaine de donn\u00e9es sans que les anciennes donn\u00e9es ne soient continuellement r\u00e9inject\u00e9es dans le lot d’entra\u00eenement (mini-batch<\/em>), la descente de gradient stochastique ajuste les poids dans la direction dict\u00e9e par la fonction de perte imm\u00e9diate. Ce r\u00e9alignement vectoriel d\u00e9truit imm\u00e9diatement et aveugl\u00e9ment les minima locaux soigneusement sculpt\u00e9s pour les t\u00e2ches pr\u00e9c\u00e9dentes. Ce ph\u00e9nom\u00e8ne d’amn\u00e9sie catastrophique rend ces architectures structurellement inaptes \u00e0 un apprentissage tout au long de la vie (continual learning<\/em>) v\u00e9ritablement autonome.<\/p>\n

M\u00eame les cartes de Kohonen, bien que non supervis\u00e9es, souffrent de cette instabilit\u00e9 fondamentale : le voisinage d’apprentissage topologique continue de d\u00e9former la grille des neurones en r\u00e9ponse aux nouvelles densit\u00e9s de probabilit\u00e9 de l’espace d’entr\u00e9e, provoquant une d\u00e9rive lente mais in\u00e9luctable des centro\u00efdes historiques et conduisant \u00e0 la perte irr\u00e9versible de la m\u00e9moire des \u00e9v\u00e9nements pass\u00e9s.<\/p>\n

2.3 R\u00e9solution architecturale propos\u00e9e par Grossberg et Carpenter<\/h3>\n

La solution magistrale apport\u00e9e par Grossberg et Carpenter ne r\u00e9side pas dans un simple artifice d’optimisation math\u00e9matique ou une r\u00e9gularisation de type p\u00e9nalit\u00e9 $L_2$<\/span>, mais dans une r\u00e9organisation architecturale compl\u00e8te du traitement neuronal. L’ART r\u00e9sout le dilemme en d\u00e9couplant dynamiquement les fonctions de traitement de l’information et les fonctions de contr\u00f4le attentionnel.<\/p>\n

Le syst\u00e8me combine une voie de traitement ascendant — qui g\u00e9n\u00e8re des hypoth\u00e8ses cat\u00e9gorielles — et une voie de filtrage descendant — qui projette le prototype attendu sur l’espace d’entr\u00e9e sensoriel. Une boucle de r\u00e9troaction descendante agit comme un bouclier protecteur : si le stimulus d’entr\u00e9e correspond suffisamment au prototype m\u00e9moris\u00e9 (selon un crit\u00e8re strict de similarit\u00e9 r\u00e9gul\u00e9 par un param\u00e8tre appel\u00e9 vigilance<\/strong>), le r\u00e9seau entre en r\u00e9sonance et affine localement le prototype sans modifier les autres repr\u00e9sentations. Les traces mn\u00e9siques non pertinentes demeurent math\u00e9matiquement isol\u00e9es et prot\u00e9g\u00e9es de toute alt\u00e9ration.<\/p>\n

Si, en revanche, le stimulus s’\u00e9carte trop du prototype projet\u00e9, le syst\u00e8me inhibe temporairement la cat\u00e9gorie inad\u00e9quate et active un sous-syst\u00e8me d’orientation autonome. Ce dernier force le r\u00e9seau \u00e0 rechercher une autre cat\u00e9gorie existante compatible ou, \u00e0 d\u00e9faut, \u00e0 recruter un neurone vierge pour coder instantan\u00e9ment ce nouveau concept. Par cette s\u00e9gr\u00e9gation dynamique et g\u00e9om\u00e9trique des prototypes dans l’espace des poids, l’ART garantit une plasticit\u00e9 infinie face \u00e0 la nouveaut\u00e9 tout en assurant une stabilit\u00e9 absolue des connaissances d\u00e9j\u00e0 acquises.<\/p>\n

3. Architecture fondamentale et dynamique synaptique des r\u00e9seaux ART<\/h2>\n

3.1 Structure bicouche : champs d’entr\u00e9e F1 et de cat\u00e9gorisation F2<\/h3>\n

L’architecture de base d’un r\u00e9seau ART repose sur l’interaction entre deux couches principales de neurones fortement interconnect\u00e9es, d\u00e9sign\u00e9es conventionnellement par les champs $F_1$<\/span><\/strong> et $F_2$<\/span><\/strong>, coupl\u00e9es \u00e0 un sous-syst\u00e8me d’orientation et de contr\u00f4le attentionnel.<\/p>\n

Le champ $F_1$<\/span><\/strong>, ou champ de traitement sensoriel et de comparaison, re\u00e7oit directement le vecteur d’entr\u00e9e externe. Sa fonction est triple : il agit comme un registre de m\u00e9moire \u00e0 court terme (Short-Term Memory<\/em> ou STM) pour le stimulus, effectue des pr\u00e9traitements cruciaux tels que la normalisation du contraste et la suppression du bruit de fond, et sert de th\u00e9\u00e2tre g\u00e9om\u00e9trique pour la confrontation entre le signal sensoriel brut et les attentes descendantes issues du niveau sup\u00e9rieur.<\/p>\n

Le champ $F_2$<\/span><\/strong>, ou champ de cat\u00e9gorisation et de reconnaissance, est constitu\u00e9 d’un ensemble de n\u0153uds de d\u00e9cision dont chacun repr\u00e9sente une cat\u00e9gorie ou un prototype conceptuel distinct. C’est au sein de $F_2$<\/span> que s’op\u00e8re la compression de l’information : le r\u00e9seau y abstrait la variabilit\u00e9 continue de l’espace sensoriel pour la convertir en repr\u00e9sentations cat\u00e9gorielles discr\u00e8tes. Les connexions entre $F_1$<\/span> et $F_2$<\/span> ne sont pas unidirectionnelles mais strictement r\u00e9ciproques, formant un circuit r\u00e9entrant hautement dynamique o\u00f9 chaque niveau contraint et \u00e9claire en permanence l’activit\u00e9 de l’autre.<\/p>\n

3.2 Poids adaptatifs et m\u00e9moire \u00e0 long terme (Bottom-Up et Top-Down)<\/h3>\n

La m\u00e9moire \u00e0 long terme (Long-Term Memory<\/em> ou LTM) d’un r\u00e9seau ART est mat\u00e9rialis\u00e9e par deux matrices de poids synaptiques distinctes et asym\u00e9triques : les poids ascendants (bottom-up<\/em>), not\u00e9s $W^{bu}$<\/span> ou $z_{ij}$<\/span>, reliant chaque neurone $i$<\/span> de $F_1$<\/span> \u00e0 chaque neurone $j$<\/span> de $F_2$<\/span>, et les poids descendants (top-down<\/em>), not\u00e9s $W^{td}$<\/span> ou $z_{ji}$<\/span>, reliant chaque neurone $j$<\/span> de $F_2$<\/span> aux neurones $i$<\/span> de $F_1$<\/span>.<\/p>\n

Les vecteurs de poids ascendants fonctionnent comme des filtres adaptatifs d’activation. Ils mesurent le degr\u00e9 d’appartenance d’un vecteur d’entr\u00e9e \u00e0 l’espace d’influence de chaque cat\u00e9gorie de $F_2$<\/span>. Ces poids sont g\u00e9n\u00e9ralement normalis\u00e9s de fa\u00e7on \u00e0 \u00e9viter que les vecteurs d’entr\u00e9e de forte magnitude n’activent artificiellement toutes les cat\u00e9gories au d\u00e9triment des motifs plus subtils.<\/p>\n

\u00c0 l’inverse, les vecteurs de poids descendants encodent la structure interne intime du prototype appris par le n\u0153ud $j$<\/span>. Ils repr\u00e9sentent l’arch\u00e9type, la pr\u00e9diction sensorielle parfaite que le syst\u00e8me a synth\u00e9tis\u00e9e au cours de ses exp\u00e9riences pass\u00e9es. L’\u00e9volution temporelle de ces traces de m\u00e9moire \u00e0 long terme est r\u00e9gie par des \u00e9quations diff\u00e9rentielles de type Hebbien modul\u00e9es par l’activit\u00e9 r\u00e9sonante. En l’absence de r\u00e9sonance, la d\u00e9riv\u00e9e temporelle des poids est strictement nulle ($\\frac{dz}{dt} = 0$<\/span>), ce qui pr\u00e9serve int\u00e9gralement la m\u00e9moire. Lorsque la r\u00e9sonance est atteinte, les poids convergent rapidement vers une version \u00e9pur\u00e9e et statistiquement significative du stimulus pr\u00e9sent.<\/p>\n

3.3 Dynamique d’inhibition lat\u00e9rale et comp\u00e9tition du type Winner-Take-All<\/h3>\n

Le champ de cat\u00e9gorisation $F_2$<\/span> est structur\u00e9 par un r\u00e9seau r\u00e9current non lin\u00e9aire d’inhibition lat\u00e9rale. Grossberg a mod\u00e9lis\u00e9 ces interactions en s’appuyant sur les \u00e9quations biophysiques de membrane cellulaire de type Hodgkin-Huxley, traduites sous forme de syst\u00e8mes diff\u00e9rentiels comp\u00e9titifs dits \u00e0 shunting on-center off-surround<\/em>.<\/p>\n

Lorsqu’un vecteur d’activation brute est projet\u00e9 depuis $F_1$<\/span> vers $F_2$<\/span>, chaque neurone de $F_2$<\/span> commence \u00e0 s’activer proportionnellement \u00e0 la similarit\u00e9 entre le signal d’entr\u00e9e et son filtre ascendant. Imm\u00e9diatement, la dynamique intra-couche entre en jeu : chaque neurone envoie un signal excitateur auto-renfor\u00e7ant \u00e0 lui-m\u00eame (on-center<\/em>) tout en diffusant un signal fortement inhibiteur vers l’ensemble des autres neurones concurrents de la couche (off-surround<\/em>).<\/p>\n

Cette comp\u00e9tition non lin\u00e9aire f\u00e9roce conduit \u00e0 l’\u00e9crasement ultra-rapide des activations minoritaires et \u00e0 l’\u00e9mergence d’un \u00e9quilibre stable o\u00f9 un seul neurone — le neurone ayant re\u00e7u l’excitation initiale la plus intense — demeure actif \u00e0 saturation, tandis que tous les autres sont r\u00e9duits au silence absolu. Il s’agit du principe du vainqueur unique (Winner-Take-All<\/em> ou WTA), qui permet au r\u00e9seau de prendre une d\u00e9cision cat\u00e9gorielle discr\u00e8te, non ambigu\u00eb et math\u00e9matiquement stable en un temps extr\u00eamement court.<\/p>\n

4. Les m\u00e9canismes op\u00e9rationnels : r\u00e9sonance, vigilance et recherche d’hypoth\u00e8ses<\/h2>\n

4.1 Le param\u00e8tre de vigilance et le test de similarit\u00e9<\/h3>\n

Le m\u00e9canisme central r\u00e9gissant la prise de d\u00e9cision et la finesse de granulation dans l’ART repose sur le param\u00e8tre de vigilance<\/strong>, universellement d\u00e9sign\u00e9 par la lettre grecque $rho$<\/span> (rho), dont la valeur est rigoureusement born\u00e9e dans l’intervalle semi-ouvert $[0, 1]$<\/span>. La vigilance constitue le seuil d’exigence critique impos\u00e9 par le syst\u00e8me pour accepter qu’un motif sensoriel soit classifi\u00e9 sous une cat\u00e9gorie d\u00e9j\u00e0 existante.<\/p>\n

Lorsqu’un neurone gagnant $J$<\/span> est s\u00e9lectionn\u00e9 dans le champ $F_2$<\/span>, il projette instantan\u00e9ment son vecteur de prototype descendant $Z_J$<\/span> sur le champ $F_1$<\/span>. Le champ $F_1$<\/span> effectue alors une op\u00e9ration d’intersection ou de filtrage entre le vecteur d’entr\u00e9e r\u00e9el $I$<\/span> et le vecteur d’attente $Z_J$<\/span>, produisant un vecteur d’activit\u00e9 modifi\u00e9e $X = I \\cap Z_J$<\/span>. Le sous-syst\u00e8me d’orientation calcule alors en temps r\u00e9el la fraction de concordance vectorielle, d\u00e9finie par le rapport entre la norme du vecteur filtr\u00e9 et la norme du vecteur d’entr\u00e9e initial :<\/p>\n

$$\\text{Similarit\u00e9} = \\frac{|I \\cap Z_J|}{|I|}$$<\/span><\/p>\n

Cette fraction repr\u00e9sente la proportion du stimulus d’entr\u00e9e qui a \u00e9t\u00e9 valid\u00e9e et confirm\u00e9e par le prototype descendant. Le test de vigilance s’\u00e9nonce alors sous la forme d’une in\u00e9galit\u00e9 fondamentale : si $\\frac{|I \\cap Z_J|}{|I|} ge \\rho$<\/span>, le test est r\u00e9ussi, signifiant que la discordance est jug\u00e9e acceptable. Si en revanche $frac{|I cap Z_J|}{|I|} < rho$, le syst\u00e8me rejette cat\u00e9goriquement le prototype. Une valeur de$<\/span>rho$ proche de $1$ impose une exigence extr\u00eame, for\u00e7ant le syst\u00e8me \u00e0 discriminer les variations les plus infimes et \u00e0 cr\u00e9er des cat\u00e9gories hautement sp\u00e9cialis\u00e9es. \u00c0 l’inverse, une valeur faible de $rho$<\/span> incite le r\u00e9seau \u00e0 une vaste g\u00e9n\u00e9ralisation, regroupant sous un m\u00eame prototype des motifs aux diff\u00e9rences substantielles.<\/p>\n

4.2 Le cycle d’inhibition, r\u00e9initialisation (Reset) et recherche d’hypoth\u00e8ses<\/h3>\n

Dans l’\u00e9ventualit\u00e9 o\u00f9 le prototype projet\u00e9 \u00e9choue au test de similarit\u00e9 ($frac{|I cap Z_J|}{|I|} < rho$), le sous-syst\u00e8me d'orientation d\u00e9tecte une inad\u00e9quation critique entre le percept r\u00e9el et l'attente cognitive. Cette d\u00e9tection d\u00e9clenche instantan\u00e9ment un signal de r\u00e9initialisation non sp\u00e9cifique (Reset Wave<\/em>) dirig\u00e9 vers le champ de cat\u00e9gorisation $F_2$<\/span>.<\/p>\n

Ce signal de r\u00e9initialisation a un effet physiologique cibl\u00e9 : il inhibe puissamment et de mani\u00e8re prolong\u00e9e le neurone gagnant $J$<\/span> qui vient d’\u00e9chouer au test. Il est capital de souligner que cette inhibition n’alt\u00e8re en rien les poids synaptiques de $J$<\/span> ; elle neutralise simplement son activit\u00e9 \u00e9lectrique pour la dur\u00e9e de la pr\u00e9sentation du stimulus courant. Le vecteur d’entr\u00e9e $I$<\/span> demeure quant \u00e0 lui inchang\u00e9 dans le champ $F_1$<\/span>.<\/p>\n

Priv\u00e9 du neurone $J$<\/span>, le champ $F_2$<\/span> r\u00e9enclenche imm\u00e9diatement sa dynamique comp\u00e9titive d’inhibition lat\u00e9rale parmi les neurones restants. Un second candidat \u00e9merge, projette \u00e0 son tour son prototype descendant sur $F_1$<\/span>, et subit le test de vigilance. Ce cycle de recherche d’hypoth\u00e8ses en s\u00e9rie parall\u00e8le se poursuit jusqu’\u00e0 ce que l’une des deux conditions suivantes soit satisfaite : soit une cat\u00e9gorie existante r\u00e9ussit le test de vigilance, soit toutes les cat\u00e9gories existantes sont rejet\u00e9es et le syst\u00e8me s\u00e9lectionne un neurone jusqu’alors inactif (non engag\u00e9). Ce dernier initialise instantan\u00e9ment ses poids synaptiques pour capturer le nouveau motif sans jamais perturber les m\u00e9moires ant\u00e9rieures.<\/p>\n

4.3 L’\u00e9tat de r\u00e9sonance adaptative et la consolidation mn\u00e9sique<\/h3>\n

Lorsque le test de vigilance est valid\u00e9 avec succ\u00e8s, la dynamique du syst\u00e8me subit une m\u00e9tamorphose qualitative : la recherche d’hypoth\u00e8ses prend fin et le r\u00e9seau entre dans un \u00e9tat stationnaire hautement synchronis\u00e9 appel\u00e9 \u00e9tat de r\u00e9sonance adaptative<\/strong>. Dans cet \u00e9tat, les signaux ascendants port\u00e9s par $F_1$<\/span> et les signaux descendants projet\u00e9s par $F_2$<\/span> s’amplifient mutuellement dans une boucle de r\u00e9troaction ferm\u00e9e.<\/p>\n

L’activit\u00e9 neuronale dans $F_1$<\/span> se stabilise sur le motif de compromis $X = I \\cap Z_J$<\/span>, \u00e9liminant le bruit de fond non pertinent du signal d’entr\u00e9e qui n’\u00e9tait pas attendu par la cat\u00e9gorie, tout en consolidant les traits distinctifs invariants. Cette synchronisation \u00e9lectrophysiologique a pour cons\u00e9quence fonctionnelle majeure d’ouvrir la fen\u00eatre temporelle de la plasticit\u00e9 synaptique.<\/p>\n

Chez Grossberg et Carpenter, la mise \u00e0 jour des poids n’a lieu que et uniquement que<\/em> pendant l’\u00e9tat de r\u00e9sonance. Les traces de m\u00e9moire \u00e0 long terme (LTM) sont alors mises \u00e0 jour selon une dynamique diff\u00e9rentielle qui rapproche doucement le prototype $Z_J$<\/span> du vecteur r\u00e9sonant $X$<\/span>. D\u00e8s que le stimulus externe dispara\u00eet, la r\u00e9sonance s’\u00e9teint, la plasticit\u00e9 synaptique se verrouille instantan\u00e9ment, et les nouvelles connaissances sont d\u00e9finitivement grav\u00e9es dans la structure g\u00e9om\u00e9trique du r\u00e9seau, pr\u00eates \u00e0 servir de guides pour les cat\u00e9gorisations futures.<\/p>\n

5. Taxonomie des mod\u00e8les ART classiques : ART 1 et ART 2<\/h2>\n

5.1 ART 1 : Traitement rigoureux des motifs binaires<\/h3>\n

Publi\u00e9 en 1987, le mod\u00e8le ART 1<\/strong> constitue l’impl\u00e9mentation canonique initiale de la th\u00e9orie, d\u00e9di\u00e9e exclusivement au traitement de vecteurs d’entr\u00e9e discrets et bool\u00e9ens ($I_i in {0, 1}$<\/span>). Malgr\u00e9 sa restriction apparente aux signaux binaires, ART 1 a permis d’\u00e9tablir les th\u00e9or\u00e8mes math\u00e9matiques fondamentaux r\u00e9gissant la stabilit\u00e9 et la convergence absolue de la famille ART.<\/p>\n

L’architecture d’ART 1 repose sur une r\u00e9gulation d’inhibition et d’excitation connue sous le nom de R\u00e8gle de correspondance des deux tiers<\/strong> (2\/3 Rule<\/em>). Cette r\u00e8gle stipule qu’un neurone de la couche $F_1$<\/span> ne peut d\u00e9charger de mani\u00e8re supraliminaire que s’il re\u00e7oit au moins deux signaux excitateurs simultan\u00e9s parmi trois sources possibles : le signal d’entr\u00e9e sensoriel direct, le signal d’amor\u00e7age descendant en provenance de $F_2$<\/span>, et un signal de gain asp\u00e9cifique de contr\u00f4le. C’est ce m\u00e9canisme \u00e9l\u00e9gant qui permet au champ $F_1$<\/span> de distinguer fonctionnellement une entr\u00e9e sensorielle r\u00e9elle d’une simple attente attentionnelle descendante (qui, isol\u00e9e, pr\u00e9-active les neurones sans d\u00e9clencher d’illusion perceptive motrice).<\/p>\n

Carpenter et Grossberg ont formellement d\u00e9montr\u00e9 que pour tout ensemble arbitraire et fini de motifs d’entr\u00e9e binaires pr\u00e9sent\u00e9 dans n’importe quel ordre de mani\u00e8re r\u00e9p\u00e9t\u00e9e, le r\u00e9seau ART 1 converge vers un \u00e9tat de stabilit\u00e9 totale en un nombre fini d’it\u00e9rations, sans jamais osciller ind\u00e9finiment ni subir de d\u00e9rive catastrophique de ses prototypes.<\/p>\n

5.2 ART 2 : Extension au traitement des signaux continus et analogiques<\/h3>\n

La transposition des principes de l’ART aux donn\u00e9es continues, analogiques et \u00e0 niveaux de gris ($I_i in \\mathbb{R}^+$<\/span>) s’est av\u00e9r\u00e9e un d\u00e9fi math\u00e9matique d’une complexit\u00e9 bien sup\u00e9rieure, r\u00e9solu magistralement avec la publication du mod\u00e8le ART 2<\/strong> en 1987. Dans un domaine analogique, une simple conjonction bool\u00e9enne (op\u00e9rateur logique ET) ne peut plus \u00eatre utilis\u00e9e pour comparer le signal et l’attente, car les variations arbitraires d’illumination, de gain d’amplification ou de contraste \u00e9nerg\u00e9tique risqueraient de saturer les neurones et de d\u00e9truire la structure topologique de l’information.<\/p>\n

Pour surmonter cet obstacle, la structure interne du champ $F_1$<\/span> dans ART 2 a \u00e9t\u00e9 profond\u00e9ment complexifi\u00e9e. Elle est subdivis\u00e9e en plusieurs sous-couches imbriqu\u00e9es — g\u00e9n\u00e9ralement not\u00e9es $w$<\/span>, $x$<\/span>, $u$<\/span>, $v$<\/span>, $p$<\/span> et $q$<\/span> — qui ex\u00e9cutent en temps r\u00e9el une cascade d’op\u00e9rations non lin\u00e9aires :<\/p>\n

    \n
  • Normalisation vectorielle euclidienne continue par division par la norme $L_2$<\/span>, assurant l’invariance par rapport \u00e0 l’\u00e9chelle d’\u00e9nergie globale ;<\/li>\n
  • Filtrage passe-haut et suppression non lin\u00e9aire du bruit de fond \u00e0 l’aide de fonctions d’activation \u00e0 seuil de saturation ;<\/li>\n
  • Combinaison lin\u00e9aire pond\u00e9r\u00e9e entre l’activit\u00e9 sensorielle normalis\u00e9e et le signal de r\u00e9troaction descendant issu de $F_2$<\/span>.<\/li>\n<\/ul>\n

    Gr\u00e2ce \u00e0 cette machinerie sophistiqu\u00e9e, ART 2 est capable d’extraire des prototypes stables \u00e0 partir de flux de donn\u00e9es physiques complexes, tels que des spectrogrammes acoustiques, des profils d’\u00e9missions radar ou des signatures thermiques, avec une robustesse math\u00e9matique absolue face aux fluctuations continues d’amplitude.<\/p>\n

    5.3 ART 2-A et ART 3 : Optimisations algorithmiques et dynamiques chimiques<\/h3>\n

    Face \u00e0 la lourdeur computationnelle de la r\u00e9solution des \u00e9quations diff\u00e9rentielles continues de $F_1$<\/span> dans ART 2, Carpenter et Grossberg ont d\u00e9velopp\u00e9 en 1991 une variante simplifi\u00e9e et ultrarapide : ART 2-A<\/strong>. Ce mod\u00e8le discret \u00e9mule fid\u00e8lement les \u00e9tats d’\u00e9quilibre asymptotiques de la dynamique d’ART 2 en rempla\u00e7ant l’int\u00e9gration temporelle continue par une s\u00e9quence directe d’op\u00e9rations vectorielles alg\u00e9briques de normalisation, de seuillage et de produit scalaire. ART 2-A a permis d’acc\u00e9l\u00e9rer la vitesse de calcul d’un facteur de l’ordre de cent \u00e0 mille, ouvrant la voie \u00e0 des applications industrielles massives et au traitement de signaux en temps r\u00e9el sur des processeurs standards.<\/p>\n

    Parall\u00e8lement, Stephen Grossberg a explor\u00e9 une tout autre dimension avec ART 3<\/strong> (1990), qui r\u00e9introduit une plausibilit\u00e9 neurochimique de haut niveau. Dans ART 3, la transmission synaptique n’est plus mod\u00e9lis\u00e9e comme une simple multiplication alg\u00e9brique constante, mais int\u00e8gre la dynamique biochimique des neurotransmetteurs : la lib\u00e9ration v\u00e9siculaire quantique, l’inactivation post-synaptique, la d\u00e9pl\u00e9tion des r\u00e9servoirs pr\u00e9-synaptiques et les cin\u00e9tiques de recapture.<\/p>\n

    Dans cette architecture, le signal de r\u00e9initialisation (reset<\/em>) n’est plus un commutateur logique abstrait, mais d\u00e9coule directement de l’\u00e9puisement localis\u00e9 des stocks de neurom\u00e9diateurs dans les synapses actives lors d’une discordance perceptive. ART 3 a ainsi pos\u00e9 les bases de la compr\u00e9hension computationnelle des cascades de signalisation neuromodulatrices (ac\u00e9tylcholine, noradr\u00e9naline) dans l’attention s\u00e9lective et la r\u00e9organisation corticale.<\/p>\n

    6. L’apprentissage supervis\u00e9 et les architectures ARTMAP<\/h2>\n

    6.1 Architecture et fonctionnement coupl\u00e9 de Fuzzy ARTMAP<\/h3>\n

    Si les architectures ART 1 et ART 2 ont r\u00e9solu avec brio la cat\u00e9gorisation non supervis\u00e9e, l’industrie et les sciences cognitives exigeaient \u00e9galement des syst\u00e8mes d’apprentissage supervis\u00e9 capables de mapper avec pr\u00e9cision des espaces d’entr\u00e9e continus de haute dimension sur des classes de sortie cibles pr\u00e9d\u00e9termin\u00e9es. Cette perc\u00e9e a \u00e9t\u00e9 r\u00e9alis\u00e9e avec l’introduction en 1991 et 1992 des architectures ARTMAP<\/strong> et Fuzzy ARTMAP<\/strong>.<\/p>\n

    L’architecture Fuzzy ARTMAP est un syst\u00e8me d’une remarquable puissance conceptuelle, form\u00e9 par l’interconnexion symbiotique de deux modules de type Fuzzy ART<\/em> distincts : le module $\\text{ART}_a$<\/span>, qui re\u00e7oit les vecteurs d’entr\u00e9e de caract\u00e9ristiques, et le module $\\text{ART}_b$<\/span>, qui re\u00e7oit les vecteurs de classes ou d’\u00e9tiquettes cibles. Ces deux sous-r\u00e9seaux sont coupl\u00e9s par une structure de contr\u00f4le interm\u00e9diaire appel\u00e9e le champ de cartographie inter-ART<\/strong> (Inter-ART Map Field<\/em>, not\u00e9 $F^{ab}$<\/span>).<\/p>\n

    Le module $\\text{ART}_a$<\/span> apprend de mani\u00e8re autonome \u00e0 partitionner l’espace d’entr\u00e9e en hyper-rectangles de prototypes, tandis que $\\text{ART}_b$<\/span> encode l’espace des sorties. La couche $F^{ab}$<\/span> \u00e9tablit quant \u00e0 elle des liens associatifs unilat\u00e9raux entre les n\u0153uds gagnants de $\\text{ART}_a$<\/span> et ceux de $\\text{ART}_b$<\/span>. Gr\u00e2ce \u00e0 l’incorporation des op\u00e9rateurs de la th\u00e9orie des ensembles flous de Zadeh — notamment la conjonction floue par l’op\u00e9rateur minimum ($wedge$<\/span>) et la norme floue $L_1$<\/span> —, Fuzzy ARTMAP traite simultan\u00e9ment l’incertitude analogique et la discr\u00e9tisation logique avec une parfaite stabilit\u00e9 math\u00e9matique.<\/p>\n

    6.2 Le m\u00e9canisme de vigilance adaptative (Match Tracking)<\/h3>\n

    L’innovation algorithmique majeure qui conf\u00e8re \u00e0 Fuzzy ARTMAP son efficacit\u00e9 pr\u00e9dictive exceptionnelle est le processus de poursuite de correspondance<\/strong> (Match Tracking<\/em>). Ce m\u00e9canisme r\u00e9sout de fa\u00e7on \u00e9l\u00e9gante le conflit inh\u00e9rent entre la capacit\u00e9 de g\u00e9n\u00e9ralisation et l’exactitude de la classification supervis\u00e9e.<\/p>\n

    Initialement, le module $\\text{ART}_a$<\/span> fonctionne avec un seuil de vigilance de base tr\u00e8s bas ($\\rho_a \\approx 0$<\/span>), ce qui lui permet de maximiser la g\u00e9n\u00e9ralisation et de former de tr\u00e8s larges cat\u00e9gories englobantes. Lorsqu’un motif $A$<\/span> est pr\u00e9sent\u00e9, $\\text{ART}_a$<\/span> s\u00e9lectionne son neurone le plus proche et transmet sa pr\u00e9diction \u00e0 travers le champ $F^{ab}$<\/span> vers $\\text{ART}_b$<\/span>. Si la cat\u00e9gorie pr\u00e9dite correspond exactement \u00e0 l’\u00e9tiquette cible $B$<\/span> impos\u00e9e par le superviseur, la pr\u00e9diction est valid\u00e9e et l’apprentissage synaptique a lieu.<\/p>\n

    Si, en revanche, le module pr\u00e9dit une classe erron\u00e9e, une discordance se produit au niveau du champ de cartographie $F^{ab}$<\/span>. Instantan\u00e9ment, le syst\u00e8me d\u00e9clenche le protocole de Match Tracking<\/em> : le param\u00e8tre de vigilance $\\rho_a$<\/span> du module d’entr\u00e9e est automatiquement relev\u00e9 d’une fraction infinit\u00e9simale $epsilon$<\/span> au-dessus de la similarit\u00e9 r\u00e9elle mesur\u00e9e pour le motif courant :<\/p>\n

    $$\\rho_a = \\frac{|A wedge Z_J|}{|A|} + \\epsilon$$<\/span><\/p>\n

    Cette \u00e9l\u00e9vation cibl\u00e9e et temporaire de la vigilance invalide imm\u00e9diatement le neurone fautif dans $\\text{ART}_a$<\/span> et d\u00e9clenche une recherche d’hypoth\u00e8ses d’une granularit\u00e9 plus fine. Le r\u00e9seau cherche alors (ou cr\u00e9e) une sous-cat\u00e9gorie plus sp\u00e9cifique capable de discriminer la singularit\u00e9 de l’exemple, incarnant \u00e0 la perfection le principe de parcimonie (Rasoir d’Occam) : le syst\u00e8me g\u00e9n\u00e9ralise autant que possible, mais raffine ses fronti\u00e8res d\u00e9cisionnelles d\u00e8s qu’une erreur pr\u00e9dictive est commise.<\/p>\n

    6.3 Performances pr\u00e9dictives et auto-organisation en contexte non stationnaire<\/h3>\n

    Les propri\u00e9t\u00e9s computationnelles qui \u00e9mergent de l’architecture Fuzzy ARTMAP surpassent sur de nombreux aspects les m\u00e9thodologies d’apprentissage conventionnelles. L’une de ses caract\u00e9ristiques les plus distinctives est sa capacit\u00e9 d’apprentissage rapide en un seul passage<\/strong> (Fast One-Shot Learning<\/em>). Alors qu’un r\u00e9seau \u00e0 r\u00e9tropropagation du gradient n\u00e9cessite des milliers d’\u00e9poques d’entra\u00eenement pour converger laborieusement, Fuzzy ARTMAP peut atteindre des performances asymptotiques optimales d\u00e8s la premi\u00e8re pr\u00e9sentation des donn\u00e9es.<\/p>\n

    De plus, Fuzzy ARTMAP brille de fa\u00e7on incomparable dans les environnements non stationnaires affect\u00e9s par des d\u00e9rives conceptuelles (concept drift<\/em>). Face \u00e0 un flux de donn\u00e9es dont la distribution de probabilit\u00e9 sous-jacente mute brutalement au fil du temps, Fuzzy ARTMAP alloue dynamiquement de nouveaux n\u0153uds pour capturer les nouveaux r\u00e9gimes op\u00e9rationnels tout en verrouillant et en pr\u00e9servant l’int\u00e9grit\u00e9 fonctionnelle des r\u00e9gimes historiques.<\/p>\n

    Un avantage d\u00e9terminant r\u00e9side enfin dans la transparence structurelle absolue du mod\u00e8le. Contrairement aux bo\u00eetes noires ind\u00e9chiffrables de l’apprentissage profond, chaque n\u0153ud prototype cr\u00e9\u00e9 par $\\text{ART}_a$<\/span> correspond g\u00e9om\u00e9triquement \u00e0 un hyper-rectangle dans l’espace des descripteurs, ce qui permet d’extraire de fa\u00e7on directe et imm\u00e9diate des bases de r\u00e8gles symboliques parfaitement intelligibles par l’expert humain, sous la forme canonique :<\/p>\n

    $$\\mathbf{SI} (x_1 in [a_1, b_1] \\mathbf{ET} x_2 in [a_2, b_2] dots \\mathbf{ET} x_n in [a_n, b_n]) \\mathbf{ALORS} \\text{Classe} = K$$<\/span><\/p>\n

    7. Extensions avanc\u00e9es et variantes modernes de la famille ART<\/h2>\n

    7.1 Fuzzy ART et codage compl\u00e9mentaire (Complement Coding)<\/h3>\n

    L’application directe des op\u00e9rateurs de la logique floue aux r\u00e9seaux ART a historiquement r\u00e9v\u00e9l\u00e9 une vuln\u00e9rabilit\u00e9 g\u00e9om\u00e9trique pernicieuse appel\u00e9e le probl\u00e8me de la prolif\u00e9ration des cat\u00e9gories. Lorsqu’un motif $A$<\/span> est continuellement int\u00e9gr\u00e9 dans un prototype $Z_J$<\/span> via l’op\u00e9rateur flou minimum ($Z_J \\leftarrow Z_J wedge A$<\/span>), la norme du vecteur de poids $Z_J$<\/span> ne peut que d\u00e9cro\u00eetre ou rester constante de fa\u00e7on monotone ($|Z_J wedge A| le |Z_J|$<\/span>). Cette \u00e9rosion progressive r\u00e9duit la taille effective de la zone de r\u00e9sonance et conduit in\u00e9vitablement le syst\u00e8me \u00e0 multiplier inutilement le recrutement de nouveaux neurones.<\/p>\n

    Pour r\u00e9soudre d\u00e9finitivement ce probl\u00e8me g\u00e9om\u00e9trique, Carpenter, Grossberg et David Rosen ont introduit la technique fondamentale du codage compl\u00e9mentaire<\/strong> (Complement Coding<\/em>). Cette m\u00e9thode consiste \u00e0 concat\u00e9ner \u00e0 chaque vecteur d’entr\u00e9e $a in [0, 1]^n$<\/span> son compl\u00e9mentaire logique bit \u00e0 bit $a^c = 1 – a$<\/span>, formant un vecteur d’entr\u00e9e \u00e9tendu $A in [0, 1]^{2n}$<\/span> :<\/p>\n

    $$A = (a, a^c) = (a_1, a_2, dots, a_n, 1-a_1, 1-a_2, dots, 1-a_n)$$<\/span><\/p>\n

    La cons\u00e9quence math\u00e9matique de cette transformation est spectaculaire : la norme $L_1$<\/span> du vecteur \u00e9tendu devient une constante g\u00e9om\u00e9trique absolue pour tout stimulus de l’espace :<\/p>\n

    $$|A| = |a| + |a^c| = \\sum_{i=1}^n a_i + \\sum_{i=1}^n (1 – a_i) = n$$<\/span><\/p>\n

    Dans cette g\u00e9om\u00e9trie enrichie, chaque vecteur de poids de prototype descendant s’interpr\u00e8te rigoureusement comme un hyper-rectangle $n$<\/span>-dimensionnel<\/strong> d\u00e9limit\u00e9 par deux vecteurs sommets : un point inf\u00e9rieur $u$<\/span> et un point sup\u00e9rieur $v$<\/span>. La taille de l’hyper-rectangle, mesur\u00e9e par la somme des longueurs de ses ar\u00eates, est inversement proportionnelle au seuil de vigilance $rho$<\/span>. Le codage compl\u00e9mentaire conf\u00e8re ainsi au r\u00e9seau une immunit\u00e9 totale contre l’\u00e9rosion des prototypes, tout en fournissant une interpr\u00e9tation g\u00e9om\u00e9trique d’une limpidit\u00e9 parfaite.<\/p>\n

    7.2 Default ARTMAP, Topographic ART et Distributed ART (dART)<\/h3>\n

    L’\u00e9volution th\u00e9orique du cadre ART a vu na\u00eetre une multitude d’extensions destin\u00e9es \u00e0 surmonter les limitations sp\u00e9cifiques des architectures initiales :<\/p>\n

      \n
    • Default ARTMAP<\/strong>, formul\u00e9 par Carpenter et ses collaborateurs au d\u00e9but des ann\u00e9es 2000, simplifie drastiquement le param\u00e9trage algorithmique des r\u00e9seaux Fuzzy ARTMAP. En fixant par d\u00e9faut les hyperparam\u00e8tres critiques et en introduisant une r\u00e8gle de mise \u00e0 jour sym\u00e9trique, Default ARTMAP \u00e9limine la sensibilit\u00e9 historique de l’ART \u00e0 l’ordre s\u00e9quentiel de pr\u00e9sentation des donn\u00e9es, tout en garantissant des performances d’\u00e9talonnage optimales sans n\u00e9cessiter d’ajustements heuristiques fastidieux.<\/li>\n
    • Distributed ART (dART)<\/strong> marque quant \u00e0 lui une rupture th\u00e9orique avec le paradigme du vainqueur unique (Winner-Take-All<\/em>). dART permet \u00e0 une distribution continue et parall\u00e8le de neurones de coexister et de contribuer simultan\u00e9ment \u00e0 la r\u00e9sonance et \u00e0 la pr\u00e9diction dans le champ $F_2$<\/span>, r\u00e9alisant ainsi une synth\u00e8se \u00e9l\u00e9gante entre la robustesse des repr\u00e9sentations distribu\u00e9es de type connexionniste et la stabilit\u00e9 absolue de l’ART face au dilemme amn\u00e9sique.<\/li>\n
    • Topographic ART (TopoART)<\/strong> int\u00e8gre quant \u00e0 lui des connexions lat\u00e9rales topologiques au sein de la couche de cat\u00e9gorisation, \u00e0 l’instar des r\u00e9seaux de neurones \u00e0 croissance dynamique (Growing Neural Gas<\/em>). TopoART pr\u00e9serve fid\u00e8lement les voisinages topologiques complexes au sein des espaces de vari\u00e9t\u00e9s non lin\u00e9aires, ce qui le rend particuli\u00e8rement redoutable pour la filtration du bruit en continu et le regroupement spatialis\u00e9 de donn\u00e9es topologiques complexes.<\/li>\n<\/ul>\n

      7.3 Architectures hi\u00e9rarchiques profondes : Deep ART et Fusion ART<\/h3>\n

      Face \u00e0 l’av\u00e8nement des architectures profondes en intelligence artificielle, la th\u00e9orie ART a \u00e9t\u00e9 \u00e9tendue vers des structures multiniveaux complexes. Les r\u00e9seaux Deep ART<\/strong> empilent hi\u00e9rarchiquement plusieurs modules ART successifs de sorte que le champ de cat\u00e9gorisation $F_2$<\/span> du niveau inf\u00e9rieur serve de champ d’entr\u00e9e sensoriel $F_1$<\/span> pour le niveau imm\u00e9diatement sup\u00e9rieur.<\/p>\n

      Cette disposition laminaire permet une abstraction s\u00e9mantique progressive : les couches pr\u00e9coces extraient des primitives locales invariantes aux translations mineures (comme des segments de contours ou des textures locales), tandis que les couches profondes synth\u00e9tisent des configurations structurales globales et des concepts taxonomiques hautement abstraits, tout en conservant les boucles de r\u00e9troaction descendantes indispensables \u00e0 la stabilisation de l’apprentissage \u00e0 chaque niveau de la hi\u00e9rarchie.<\/p>\n

      Parall\u00e8lement, Fusion ART<\/strong>, conceptualis\u00e9 par Ah-Hwee Tan, g\u00e9n\u00e9ralise le couplage inter-ART \u00e0 un nombre arbitraire de canaux d’entr\u00e9e h\u00e9t\u00e9rog\u00e8nes. Un module Fusion ART synchronise en temps r\u00e9el des flux d’informations multimodaux — combinant simultan\u00e9ment la vision artificielle, les spectrogrammes sonores, les retours proprioceptifs et les descriptions textuelles symboliques — au sein d’un m\u00eame \u00e9tat r\u00e9sonant global unifi\u00e9. Dans les environnements contemporains, ces mod\u00e8les sont de plus en plus int\u00e9gr\u00e9s aux frameworks d’ing\u00e9nierie logicielle bas\u00e9s sur le calcul tensoriel parall\u00e8le (PyTorch, JAX), d\u00e9montrant leur viabilit\u00e9 computationnelle \u00e0 grande \u00e9chelle.<\/p>\n

      8. Fondements biophysiques et correspondances neuroanatomiques<\/h2>\n

      8.1 Circuits corticaux laminaires et mod\u00e8le LAMINART<\/h3>\n

      L’une des contributions neurobiologiques les plus abouties de Stephen Grossberg est le d\u00e9veloppement du mod\u00e8le LAMINART<\/strong>, qui transpose les principes fonctionnels de l’ART au sein de la cytoarchitectonie laminaire exacte du n\u00e9ocortex des mammif\u00e8res, en particulier dans les aires visuelles pr\u00e9coces ($V1$<\/span>, $V2$<\/span>) et sup\u00e9rieures ($V4$<\/span>, cortex inf\u00e9rotemporal IT).<\/p>\n

      Le mod\u00e8le LAMINART explicite comment les six couches histologiques horizontales du cortex c\u00e9r\u00e9bral impl\u00e9mentent physiquement les boucles d’interaction r\u00e9sonantes :<\/p>\n

        \n
      • Les signaux sensoriels ascendants en provenance du corps genouill\u00e9 lat\u00e9ral du thalamus p\u00e9n\u00e8trent principalement dans la couche IV<\/strong> de l’aire $V1$<\/span>, qui agit comme l’\u00e9tage de normalisation et d’amplification d’entr\u00e9e ;<\/li>\n
      • La couche II\/III<\/strong> contient les circuits r\u00e9currents horizontaux d’inhibition et d’excitation lat\u00e9rale, r\u00e9alisant la s\u00e9lection comp\u00e9titive et le regroupement perceptif de contours ;<\/li>\n
      • Les couches V et VI<\/strong> constituent l’\u00e9tage de contr\u00f4le descendant : la couche VI projette des axones de r\u00e9troaction inhibitrice et excitatrice r\u00e9gul\u00e9e vers la couche IV, mat\u00e9rialisant physiquement la r\u00e8gle de correspondance des deux tiers.<\/li>\n<\/ul>\n

        Ce circuit micro-anatomique sophistiqu\u00e9 explique avec une fid\u00e9lit\u00e9 \u00e9lectrophysiologique remarquable comment le cerveau parvient \u00e0 accomplir simultan\u00e9ment la compl\u00e9tion perceptive de fronti\u00e8res invisibles et la segmentation contextuelle de surfaces sans que les signaux descendants n’induisent de fausses perceptions hallucinatoires chez l’animal \u00e9veill\u00e9.<\/p>\n

        8.2 R\u00f4le du thalamus, de l’hippocampe et du complexe amygdalien<\/h3>\n

        La th\u00e9orie ART offre \u00e9galement un cadre th\u00e9orique robuste pour comprendre les interactions fonctionnelles macroscopiques entre le n\u00e9ocortex et les structures sous-corticales majeures du cerveau des vert\u00e9br\u00e9s.<\/p>\n

        Le sous-syst\u00e8me d’orientation et de r\u00e9initialisation de l’ART trouve son corr\u00e9lat neuroanatomique direct dans le noyau r\u00e9ticulaire du thalamus<\/strong> et le circuit trisynaptique de la formation hippocampique<\/strong>. L’hippocampe agit comme un d\u00e9tecteur universel de nouveaut\u00e9 et de non-concordance contextuelle. Lorsqu’une discordance majeure est d\u00e9tect\u00e9e entre les signaux sensoriels projet\u00e9s par le cortex entorhinal et les attentes mn\u00e9siques du gyrus dentel\u00e9 et de la zone $CA3$<\/span>, l’hippocampe g\u00e9n\u00e8re une d\u00e9charge synchronis\u00e9e de r\u00e9initialisation qui force le n\u00e9ocortex \u00e0 interrompre son hypoth\u00e8se erron\u00e9e et \u00e0 recruter de nouveaux r\u00e9seaux neuronaux.<\/p>\n

        Sur le plan \u00e9motionnel et motivationnel, Grossberg et ses collaborateurs ont d\u00e9velopp\u00e9 les mod\u00e8les CogEM<\/strong> (Cognitive-Emotional-Motor<\/em>) et MOTIVATOR<\/strong>, qui \u00e9tendent l’ART en int\u00e9grant le complexe amygdalien<\/strong>, le cortex orbitofrontal et le striatum. Dans ce cadre, les stimuli sensoriels r\u00e9sonnent non seulement avec des cat\u00e9gories cognitives, mais \u00e9galement avec des repr\u00e9sentations internes de pulsions hom\u00e9ostatiques (drive representations<\/em>) au sein de l’amygdale, formalisant math\u00e9matiquement comment la valeur \u00e9motionnelle conditionn\u00e9e guide directement l’attention s\u00e9lective et la s\u00e9lection des comportements adaptatifs.<\/p>\n

        8.3 Oscillations gamma\/th\u00eata et synchronisation temporelle<\/h3>\n

        Les pr\u00e9dictions th\u00e9oriques de l’ART ont re\u00e7u des confirmations exp\u00e9rimentales directes et spectaculaires gr\u00e2ce \u00e0 l’\u00e9lectrophysiologie moderne et \u00e0 la magn\u00e9toenc\u00e9phalographie (MEG). La dynamique de r\u00e9sonance adaptative postule que l’alignement r\u00e9ussi entre les attentes descendantes et les entr\u00e9es ascendantes doit se manifester par une synchronisation oscillatoire \u00e0 haute fr\u00e9quence des populations de neurones impliqu\u00e9es.<\/p>\n

        Ce ph\u00e9nom\u00e8ne correspond rigoureusement aux oscillations dans la bande gamma (30 \u00e0 80 Hz)<\/strong> observ\u00e9es dans le cortex \u00e9veill\u00e9 lors des t\u00e2ches de reconnaissance perceptive, d’attention soutenue et d’int\u00e9gration visuelle. Lorsque le r\u00e9seau est en qu\u00eate active d’une cat\u00e9gorie et subit des cycles de r\u00e9initialisation r\u00e9p\u00e9t\u00e9s, l’activit\u00e9 est asynchrone et d\u00e9sordonn\u00e9e ; d\u00e8s que le prototype ad\u00e9quat est verrouill\u00e9, une synchronisation de phase quasi instantan\u00e9e dans la bande gamma \u00e9merge entre les aires corticales communicantes.<\/p>\n

        De surcro\u00eet, le cycle d’inhibition et de recherche d’hypoth\u00e8ses s’inscrit physiologiquement au sein du rythme plus lent des oscillations th\u00eata (4 \u00e0 8 Hz)<\/strong> d’origine hippocampique. Ces ondes th\u00eata agissent comme une horloge d’empaquetage temporel (time packaging<\/em>), r\u00e9gulant et d\u00e9coupant les fen\u00eatres temporelles au cours desquelles les boucles gamma de r\u00e9sonance ont l’opportunit\u00e9 de s’\u00e9tablir, de tester leur conformit\u00e9 avec la vigilance et de d\u00e9clencher la consolidation synaptique.<\/p>\n

        Ces m\u00e9canismes sont directement corr\u00e9l\u00e9s aux composantes majeures des potentiels \u00e9voqu\u00e9s cognitifs (ERP) mesur\u00e9s par \u00e9lectroenc\u00e9phalographie : le signal de r\u00e9initialisation de l’ART correspond pr\u00e9cis\u00e9ment \u00e0 la c\u00e9l\u00e8bre onde P300<\/strong> (associ\u00e9e \u00e0 la d\u00e9tection de la nouveaut\u00e9 et \u00e0 la mise \u00e0 jour du contexte mental), tandis que le test de discordance pr\u00e9coce \u00e0 l’\u00e9chelle sensorielle correspond \u00e0 la Mismatch Negativity (MMN)<\/strong> et \u00e0 l’onde N200<\/strong>.<\/p>\n

        9. Attention visuelle, perception et int\u00e9gration Bottom-Up \/ Top-Down<\/h2>\n

        9.1 La r\u00e8gle de correspondance 2\/3 et l’amor\u00e7age attentionnel<\/h3>\n

        L’un des d\u00e9fis les plus redoutables de la psychophysique visuelle consiste \u00e0 comprendre comment l’attention s\u00e9lective peut moduler, amplifier ou focaliser la perception sensorielle sans g\u00e9n\u00e9rer spontan\u00e9ment des hallucinations visuelles. Si une attente descendante \u00e9tait purement excitatrice et supraliminaire, le simple fait de penser intens\u00e9ment \u00e0 un objet dans l’obscurit\u00e9 activerait les repr\u00e9sentations de bas niveau et nous ferait halluciner sa pr\u00e9sence physique.<\/p>\n

        La R\u00e8gle de correspondance des deux tiers<\/strong> de Grossberg r\u00e9sout cette contradiction fondamentale par un m\u00e9canisme de balance synaptique \u00e9l\u00e9gant :<\/p>\n

          \n
        • Un neurone cible de la couche de traitement $F_1$<\/span> re\u00e7oit trois types d’aff\u00e9rences : une voie excitatrice directe du signal d’entr\u00e9e ascendant, une voie excitatrice sp\u00e9cifique issue de la projection descendante de $F_2$<\/span>, et une voie inhibitrice globale non sp\u00e9cifique command\u00e9e par un interneurone activ\u00e9 par $F_2$<\/span> ;<\/li>\n
        • Lorsqu’un signal d’entr\u00e9e ascendant arrive seul en pr\u00e9sence du gain d’attention g\u00e9n\u00e9ral, il excite le neurone (2 signaux excitateurs : entr\u00e9e + gain), d\u00e9passant le seuil critique de d\u00e9charge : le signal est per\u00e7u ;<\/li>\n
        • Lorsqu’une attente descendante est projet\u00e9e sans signal d’entr\u00e9e sensoriel correspondant<\/em>, elle fournit un signal excitateur sp\u00e9cifique \u00e0 la cible, mais active simultan\u00e9ment l’inhibition non sp\u00e9cifique environnante. L’excitation et l’inhibition s’annulent mutuellement au niveau somatique du neurone : l’activit\u00e9 reste sous-liminaire<\/strong>.<\/li>\n<\/ul>\n

          Ce neurone sous-liminaire est amorc\u00e9<\/em> (primed<\/em>) : il ne d\u00e9charge pas de potentiel d’action conscient, mais son potentiel de repos est d\u00e9polaris\u00e9, le rendant infiniment plus r\u00e9actif et rapide \u00e0 d\u00e9charger d\u00e8s qu’un stimulus sensoriel coh\u00e9rent franchira la r\u00e9tine. C’est la d\u00e9monstration computationnelle parfaite de l’attention s\u00e9lective volontaire (top-down attention<\/em>) et de l’amor\u00e7age cognitif.<\/p>\n

          9.2 R\u00e9solution des illusions visuelles et compl\u00e9tion de contours illusoires<\/h3>\n

          Le cadre th\u00e9orique d\u00e9velopp\u00e9 par Grossberg dans le cadre du mod\u00e8le BCS\/FCS (Boundary Contour System \/ Feature Contour System<\/em>), directement d\u00e9riv\u00e9 des principes de l’ART, fournit une explication math\u00e9matique et neurobiologique compl\u00e8te \u00e0 la gen\u00e8se des illusions visuelles classiques, telles que le triangle de Kanizsa, les figures d’Ehrenstein ou les contours illusoires de Von der Heydt.<\/p>\n

          Face \u00e0 une figure de Kanizsa, les r\u00e9cepteurs r\u00e9tiniens n’enregistrent physiquement que trois disques noirs tronqu\u00e9s (les fameux pac-men<\/em>) sur fond blanc. Pourtant, le syst\u00e8me visuel humain per\u00e7oit avec une nettet\u00e9 irr\u00e9fragable un triangle blanc central dont les fronti\u00e8res semblent r\u00e9elles et dont la surface appara\u00eet plus lumineuse que le fond environnant. Le mod\u00e8le ART explique ce ph\u00e9nom\u00e8ne par l’action conjointe de deux sous-syst\u00e8mes compl\u00e9mentaires :<\/p>\n

            \n
          • Le syst\u00e8me de fronti\u00e8res (BCS) : les neurones bipolaires et complexes des aires $V1$<\/span> et $V2$<\/span> d\u00e9tectent les discontinuit\u00e9s d’orientation aux angles des entailles. Par des interactions horizontales de collin\u00e9arit\u00e9 \u00e0 longue port\u00e9e (bipole cells<\/em>), ces neurones s’excitent mutuellement \u00e0 travers l’espace vide pour tracer un contour illusoire ferm\u00e9 ;<\/li>\n
          • Le syst\u00e8me de remplissage (FCS) : une fois le contour ferm\u00e9 \u00e9tabli, il agit comme une barri\u00e8re \u00e9tanche \u00e0 la diffusion synaptique. Les signaux d’illumination diffuse (filling-in<\/em>) sont pi\u00e9g\u00e9s \u00e0 l’int\u00e9rieur de ces fronti\u00e8res virtuelles, provoquant l’\u00e9l\u00e9vation ph\u00e9nom\u00e9nale de la brillance per\u00e7ue du triangle.<\/li>\n<\/ul>\n

            La th\u00e9orie ART d\u00e9montre ainsi que les illusions visuelles ne sont pas des dysfonctionnements du cerveau, mais les cons\u00e9quences in\u00e9vitables et n\u00e9cessaires d’un syst\u00e8me con\u00e7u pour extraire des fronti\u00e8res stables et continues \u00e0 partir d’entr\u00e9es sensorielles fragment\u00e9es, bruit\u00e9es et partiellement occult\u00e9es par l’environnement naturel.<\/p>\n

            9.3 Th\u00e9orie de la conscience comme r\u00e9sonance adaptative synchronis\u00e9e<\/h3>\n

            L’aboutissement philosophique et cognitif le plus audacieux de l’\u0153uvre de Stephen Grossberg r\u00e9side dans sa formulation computationnelle de la conscience ph\u00e9nom\u00e9nale : tous les \u00e9tats conscients sont des \u00e9tats neuronaux r\u00e9sonants<\/strong> (Conscious states are resonant states<\/em>).<\/p>\n

            Cette th\u00e9orie apporte une r\u00e9ponse \u00e9l\u00e9gante et rigoureuse au probl\u00e8me classique du retard temporel de la perception consciente mis en \u00e9vidence par les exp\u00e9riences de Benjamin Libet. Les signaux sensoriels bruts atteignent le cortex somatosensoriel ou visuel pr\u00e9coce en quelques dizaines de millisecondes via des voies purement ascendantes ; cependant, cette premi\u00e8re vague d’activit\u00e9 demeure strictement pr\u00e9-consciente et inconsciente. La perception ph\u00e9nom\u00e9nale n’\u00e9merge que 150 \u00e0 300 millisecondes plus tard, lorsque la boucle de r\u00e9troaction descendante est valid\u00e9e par le test de vigilance et que l’onde de r\u00e9sonance synchronis\u00e9e dans la bande gamma englobe les aires hi\u00e9rarchiques sup\u00e9rieures et inf\u00e9rieures.<\/p>\n

            De plus, cette approche r\u00e9sout sur le plan computationnel le redoutable probl\u00e8me de liaison perceptive<\/strong> (Binding Problem<\/em>). Comment le cerveau parvient-il \u00e0 lier la couleur rouge, la forme sph\u00e9rique et le mouvement rapide d’un objet per\u00e7u pour en faire un percept unique et indivisible d’une \u00ab pomme lanc\u00e9e \u00bb, alors que ces caract\u00e9ristiques sont trait\u00e9es par des colonnes corticales anatomiquement disjointes ($V4$<\/span> pour la couleur, $V3$<\/span>\/$MT$<\/span> pour le mouvement, $IT$<\/span> pour la forme) ? La r\u00e9ponse de l’ART est limpide : ces populations neuronales dispers\u00e9es sont instantan\u00e9ment li\u00e9es dans un tout ph\u00e9nom\u00e9nologique coh\u00e9rent d\u00e8s lors qu’elles participent au m\u00eame attracteur dynamique r\u00e9sonant entretenu par les attentes descendantes communes.<\/p>\n

            10. Applications en sciences cognitives, psychologie et neurosciences cliniques<\/h2>\n

            10.1 Mod\u00e9lisation de la reconnaissance de la parole et phon\u00e9tique cognitive (ARTPHONE)<\/h3>\n

            L’application de la th\u00e9orie ART \u00e0 la perception auditive et au langage a donn\u00e9 naissance \u00e0 des architectures d’une grande finesse cognitive, au premier rang desquelles figure le mod\u00e8le ARTPHONE<\/strong> et la th\u00e9orie des champs de masquage<\/strong> (Masking Fields<\/em>). La reconnaissance du langage parl\u00e9 continu repr\u00e9sente un d\u00e9fi redoutable : le flux acoustique est continu, d\u00e9nu\u00e9 de silences syst\u00e9matiques entre les mots, hautement variable en fonction du d\u00e9bit d’\u00e9locution du locuteur, et massivement bruit\u00e9.<\/p>\n

            Le mod\u00e8le ARTPHONE structure la m\u00e9moire \u00e0 court terme auditive sous forme de r\u00e9seaux auto-organisateurs capables d’int\u00e9grer des s\u00e9quences temporelles d’ondes sonores en repr\u00e9sentations spectrales invariantes. Les Masking Fields<\/em> sont des r\u00e9seaux neuronaux sp\u00e9cialis\u00e9s dont les n\u0153uds r\u00e9currents sont r\u00e9gl\u00e9s pour r\u00e9agir pr\u00e9f\u00e9rentiellement \u00e0 des configurations temporelles de dur\u00e9es variables (des phon\u00e8mes individuels aux syllabes et aux mots entiers).<\/p>\n

            Cette architecture rend compte avec une fid\u00e9lit\u00e9 impressionnante de ph\u00e9nom\u00e8nes psychoacoustiques complexes tels que l’effet de restauration phon\u00e9mique<\/strong> : si un phon\u00e8me au sein d’une phrase enregistr\u00e9e est supprim\u00e9 et remplac\u00e9 physiquement par un bruit de toux ou un son blanc pur, un auditeur humain continue d’entendre distinctement le phon\u00e8me manquant. Dans le mod\u00e8le ARTPHONE, les attentes lexicales descendantes en provenance du niveau s\u00e9mantique sup\u00e9rieur viennent projeter le prototype attendu sur la zone de bruit dans $F_1$<\/span>, d\u00e9clenchant la r\u00e9sonance du mot et restaurant ainsi la perception ph\u00e9nom\u00e9nale du phon\u00e8me effac\u00e9.<\/p>\n

            10.2 Troubles neuropsychologiques : schizophr\u00e9nie, autisme et amn\u00e9sie<\/h3>\n

            La rigueur des \u00e9quations de l’ART et sa cartographie pr\u00e9cise des boucles neuroanatomiques ont permis \u00e0 Grossberg et \u00e0 ses collaborateurs cliniciens de proposer des mod\u00e8les \u00e9tiologiques computationnels r\u00e9volutionnaires pour plusieurs pathologies psychiatriques et neurologiques majeures :<\/p>\n