L’histoire des neurosciences computationnelles et des sciences cognitives modernes est jalonn\u00e9e de tentatives audacieuses visant \u00e0 combler le gouffre ontologique s\u00e9parant les dynamiques biophysiques du cerveau de l’exp\u00e9rience ph\u00e9nom\u00e9nologique de l’esprit. D\u00e8s la seconde moiti\u00e9 du vingti\u00e8me si\u00e8cle, alors que la m\u00e9taphore de l’ordinateur num\u00e9rique imposait une conception d\u00e9sincarn\u00e9e et purement symbolique de la pens\u00e9e, un homme a entrepris un programme scientifique sans \u00e9quivalent par son ampleur, sa rigueur math\u00e9matique et sa fid\u00e9lit\u00e9 aux r\u00e9alit\u00e9s neurobiologiques. Stephen Grossberg, n\u00e9 en 1939, a consacr\u00e9 plus de six d\u00e9cennies \u00e0 l’\u00e9dification d’une th\u00e9orie g\u00e9n\u00e9rale unifi\u00e9e du cerveau et du comportement, posant les fondations conceptuelles de ce qui allait devenir le connexionnisme contemporain et l’ing\u00e9nierie neuromorphique.<\/p>\n
L\u00e0 o\u00f9 les mod\u00e8les computationnels classiques traitaient le syst\u00e8me nerveux central comme un agr\u00e9gat de portes logiques ex\u00e9cutant des algorithmes s\u00e9quentiels de type von Neumann, Grossberg a appr\u00e9hend\u00e9 le cerveau comme un syst\u00e8me dynamique non lin\u00e9aire continu, auto-organis\u00e9 et profond\u00e9ment plastique. Face aux \u00e9nigmes de l’apprentissage en temps r\u00e9el, \u00e0 la stabilit\u00e9 mn\u00e9sique au sein d’un environnement fluctuant, \u00e0 la vision spatiale et aux interactions subtiles entre \u00e9motions et cognition, il a formul\u00e9 des principes d’une port\u00e9e universelle. Ses \u00e9quations diff\u00e9rentielles membranaires, formalis\u00e9es d\u00e8s les ann\u00e9es 1950 et 1960, ont anticip\u00e9 de plusieurs d\u00e9cennies les d\u00e9couvertes neurobiologiques majeures portant sur la dynamique des synapses, la s\u00e9gr\u00e9gation fonctionnelle des aires corticales et les m\u00e9canismes oscillatoires de la conscience.<\/p>\n
Ce panorama approfondi retrace le parcours intellectuel, th\u00e9orique et institutionnel de Stephen Grossberg. \u00c0 travers l’analyse m\u00e9ticuleuse de ses contributions majeures \u2014 depuis l’\u00e9laboration de la th\u00e9orie de la r\u00e9sonance adaptative (Adaptive Resonance Theory ou ART<\/a>) jusqu’aux architectures sophistiqu\u00e9es du contr\u00f4le moteur, de la perception auditive et des bases de la conscience subjective \u2014, cette \u00e9tude met en lumi\u00e8re l’architecture monumentale d’une \u0153uvre scientifique monumentale. Elle d\u00e9montre comment la d\u00e9marche grossbergienne, guid\u00e9e par une volont\u00e9 constante de relier la microstructure des r\u00e9cepteurs membranaires aux macrostructures du comportement \u00e9cologique, constitue une boussole essentielle face aux impasses th\u00e9oriques de l’intelligence artificielle contemporaine.<\/p>\n Stephen Grossberg na\u00eet le 31 d\u00e9cembre 1939 \u00e0 Woodside, dans le quartier du Queens \u00e0 New York, au sein d’une famille issue de l’immigration juive d’Europe centrale et orientale. \u00c9voluant dans une atmosph\u00e8re urbaine marqu\u00e9e par les bouleversements de la Seconde Guerre mondiale, le jeune Grossberg fait montre tr\u00e8s t\u00f4t d’une curiosit\u00e9 intellectuelle insatiable et d’une pr\u00e9cocit\u00e9 intellectuelle singuli\u00e8re dans les domaines des math\u00e9matiques, de la physique et des humanit\u00e9s. Fascin\u00e9 par l’organisation de la nature et les lois abstraites r\u00e9gissant les ph\u00e9nom\u00e8nes physiques, il d\u00e9vore durant son adolescence les trait\u00e9s classiques de m\u00e9canique, d’analyse math\u00e9matique et de philosophie des sciences. Cette curiosit\u00e9 multidisciplinaire s’accompagne d’une interrogation persistante sur la gen\u00e8se de la pens\u00e9e humaine : comment un ensemble de structures mat\u00e9rielles, soumises aux lois ordinaires de la thermodynamique et de la chimie, peut-il engendrer des abstractions math\u00e9matiques, de l’intentionnalit\u00e9 et des perceptions organis\u00e9es ?<\/p>\n \u00c0 la fin des ann\u00e9es 1950, Grossberg int\u00e8gre le prestigieux Dartmouth College<\/a>, haut lieu des \u00e9tudes humanistes et scientifiques de la Nouvelle-Angleterre. C’est durant son cursus \u00e0 Dartmouth, d\u00e8s 1957, \u00e0 l’\u00e2ge de dix-sept ans seulement, qu’il conna\u00eet une \u00e9piphanie intellectuelle d\u00e9terminante. En observant les \u00e9tudiants s’exercer \u00e0 des tests de m\u00e9morisation de listes verbales et en analysant les courbes d’apprentissage publi\u00e9es par les psychologues exp\u00e9rimentaux de l’\u00e9poque, il ressent un d\u00e9saccord profond avec les explications m\u00e9canistes et purement descriptives fournies par la litt\u00e9rature. Il d\u00e9couvre intuitivement que les processus d’apprentissage s\u00e9quentiel et les ph\u00e9nom\u00e8nes d’interf\u00e9rence proactive et r\u00e9troactive ne peuvent \u00eatre compris que si l’on formalise rigoureusement la dynamique temporelle continue des assembl\u00e9es neuronales. Rejetant les repr\u00e9sentations statiques, il entreprend d’\u00e9crire, dans ses carnets d’\u00e9tudiant, les premi\u00e8res \u00e9bauches d’\u00e9quations diff\u00e9rentielles non lin\u00e9aires destin\u00e9es \u00e0 d\u00e9crire l’\u00e9volution temporelle des traces de m\u00e9moire \u00e0 court terme et \u00e0 long terme.<\/p>\n L’influence des math\u00e9matiques pures et de la physique fondamentale s’av\u00e8re centrale dans la constitution de son appareil m\u00e9thodologique. Plut\u00f4t que d’adopter les statistiques descriptives qui dominaient la psychologie acad\u00e9mique am\u00e9ricaine d’apr\u00e8s-guerre, Grossberg se tourne vers le calcul diff\u00e9rentiel, la topologie et la physique statistique. Il consid\u00e8re que le cerveau doit \u00eatre trait\u00e9 avec la m\u00eame exigence \u00e9pist\u00e9mologique qu’un syst\u00e8me physique complexe, gouvern\u00e9 par des \u00e9quations d’\u00e9tat, des champs de forces d’interaction et des attracteurs dynamiques. Cette rigueur le conduit \u00e0 poursuivre ses \u00e9tudes doctorales \u00e0 l’Universit\u00e9 Rockefeller<\/a> \u00e0 New York, une institution d’\u00e9lite o\u00f9 se c\u00f4toient math\u00e9maticiens, biophysiciens et neurobiologistes de tout premier ordre. Sous la tutelle bienveillante mais exigeante de savants form\u00e9s aux fronti\u00e8res de la biologie mol\u00e9culaire et des math\u00e9matiques appliqu\u00e9es, Grossberg parfait son formalisme. Il y soutient une th\u00e8se de doctorat r\u00e9volutionnaire en 1967, qui jette les bases formelles de ce qu’il nommera la psychologie math\u00e9matique neuronale, bravant le scepticisme d’une communaut\u00e9 scientifique encore largement inf\u00e9od\u00e9e aux dogmes b\u00e9havioristes.<\/p>\n L’\u00e9mergence intellectuelle de Stephen Grossberg s’inscrit dans une p\u00e9riode de crise \u00e9pist\u00e9mologique au sein des sciences du comportement. \u00c0 la fin des ann\u00e9es 1950 et au d\u00e9but des ann\u00e9es 1960, le b\u00e9haviorisme orthodoxe, incarn\u00e9 par des figures telles que B.F. Skinner, r\u00e8gne en ma\u00eetre incontest\u00e9 sur les d\u00e9partements de psychologie am\u00e9ricains. Cette approche r\u00e9duit l’organisme \u00e0 une bo\u00eete noire, postulant que la science du comportement doit se limiter \u00e0 l’observation corr\u00e9lative des stimuli environnementaux et des r\u00e9ponses motrices observables. Pour Grossberg, cette posture rel\u00e8ve d’un renoncement m\u00e9thodologique inacceptable : elle ignore volontairement les \u00e9tats internes du syst\u00e8me nerveux, \u00e9vacue la dynamique temporelle continue des repr\u00e9sentations mentales et se montre incapable d’expliquer comment des processus internes autonomes r\u00e9gissent l’attention s\u00e9lective, l’attente perceptive ou la motivation.<\/p>\n Dans le m\u00eame temps, la naissance de la r\u00e9volution cognitive et de l’intelligence artificielle symbolique, sous l’impulsion de pionniers comme Allen Newell, Herbert Simon et Marvin Minsky, propose une rupture avec le b\u00e9haviorisme en introduisant la m\u00e9taphore de l’ordinateur num\u00e9rique issu des travaux de John von Neumann et d’Alan Turing. Si Grossberg salue la r\u00e9habilitation des \u00e9tats mentaux internes op\u00e9r\u00e9e par le cognitivisme, il r\u00e9cuse cat\u00e9goriquement la pertinence de l’architecture de von Neumann pour comprendre l’esprit biologique. Pour lui, l’analogie entre le cerveau et la machine s\u00e9quentielle \u2014 s\u00e9parant strictement le processeur central, la m\u00e9moire adressable passive et les unit\u00e9s d’entr\u00e9e-sortie \u2014 constitue une impasse biologique profonde. Le syst\u00e8me nerveux ne manipule pas des symboles discrets selon des tables de v\u00e9rit\u00e9 logiques ; il op\u00e8re de mani\u00e8re massivement parall\u00e8le, analogique, synchrone et asynchrone, dans un r\u00e9seau o\u00f9 le calcul et la m\u00e9moire sont indiscernables au sein des m\u00eames structures synaptiques et membranaires.<\/p>\n Refusant \u00e0 la fois le r\u00e9ductionnisme aveugle du b\u00e9haviorisme et l’id\u00e9alisme d\u00e9sincarn\u00e9 du computationalisme symbolique, Grossberg formule l’ambition d’\u00e9tablir des lois formelles unifi\u00e9es reliant le comportement macroscopique, mesurable en psychologie, aux micro-processus neurobiologiques et biophysiques observables par la physiologie. Sa d\u00e9marche vise \u00e0 d\u00e9duire math\u00e9matiquement les architectures de r\u00e9seau n\u00e9cessaires \u00e0 partir d’exigences fonctionnelles comportementales : comment un organisme peut-il voir sans \u00eatre aveugl\u00e9 par les variations de luminosit\u00e9 ? Comment peut-il apprendre de nouvelles informations sans effacer irr\u00e9versiblement ses apprentissages pass\u00e9s ? Cette posture \u00e9pist\u00e9mologique, d’une originalit\u00e9 radicale, inverse la d\u00e9marche descriptive habituelle des neurosciences : au lieu d’accumuler des donn\u00e9es anatomiques isol\u00e9es, Grossberg d\u00e9montre math\u00e9matiquement quelles architectures neuronales doivent imp\u00e9rativement exister pour rendre compte de la survie adaptative et du comportement autonome des \u00eatres vivants.<\/p>\n Apr\u00e8s de br\u00e8ves \u00e9tapes au Massachusetts Institute of Technology (MIT) en tant que professeur assistant de math\u00e9matiques appliqu\u00e9es, o\u00f9 il affine la formalisation de ses r\u00e9seaux r\u00e9currents, Grossberg rejoint l’Universit\u00e9 de Boston<\/a> en 1975. C’est au sein de cette institution qu’il va d\u00e9ployer pleinement sa vision institutionnelle et b\u00e2tir l’un des p\u00f4les d’excellence les plus influents au monde dans le domaine de la mod\u00e9lisation c\u00e9r\u00e9brale. Conscient que les d\u00e9partements universitaires traditionnels \u2014 cloisonn\u00e9s entre psychologie exp\u00e9rimentale, math\u00e9matiques pures, informatique et physiologie \u2014 sont structurellement inadapt\u00e9s \u00e0 l’\u00e9tude unifi\u00e9e de l’esprit et du cerveau, il con\u00e7oit une structure acad\u00e9mique in\u00e9dite capable de briser ces barri\u00e8res disciplinaires.<\/p>\n En 1982, Grossberg fonde le Center for Adaptive Systems<\/em> (CAS), con\u00e7u comme un laboratoire de recherche d’avant-garde r\u00e9unissant math\u00e9maticiens, mod\u00e9lisateurs th\u00e9oriques et psychophysiciens. Sous sa direction, le CAS devient un p\u00f4le d’attraction plan\u00e9taire pour les chercheurs refusant le paradigme symbolique dominant de l’IA classique. Quelques ann\u00e9es plus tard, en 1991, il pousse cette logique institutionnelle \u00e0 son terme en cr\u00e9ant le Department of Cognitive and Neural Systems<\/em> (CNS) \u00e0 l’Universit\u00e9 de Boston. Ce d\u00e9partement universitaire, le premier du genre au monde, propose un cursus doctoral complet o\u00f9 les \u00e9tudiants re\u00e7oivent une formation conjointe et exigeante en dynamique non lin\u00e9aire, en neurophysiologie sensorimotrice, en psychologie exp\u00e9rimentale et en simulation num\u00e9rique sur supercalculateurs. Le CNS forme une g\u00e9n\u00e9ration exceptionnelle de chercheurs qui essaimeront dans les universit\u00e9s d’\u00e9lite et les centres de recherche industrielle du monde entier.<\/p>\n Le rayonnement de Grossberg d\u00e9passe largement le cadre de Boston. D\u00e8s le milieu des ann\u00e9es 1980, constatant la r\u00e9surgence spectaculaire de l’int\u00e9r\u00eat pour les r\u00e9seaux de neurones artificiels, il s’investit pour donner une voix unifi\u00e9e et une assise institutionnelle p\u00e9renne \u00e0 ce champ \u00e9mergent. En 1987, il est l’un des p\u00e8res fondateurs de l’International Neural Network Society<\/a> (INNS), dont il devient le premier pr\u00e9sident \u00e9lu. Il fonde conjointement la prestigieuse revue acad\u00e9mique Neural Networks<\/em>, dont il est le r\u00e9dacteur en chef fondateur aux c\u00f4t\u00e9s de pionniers tels que Shun-ichi Amari et Teuvo Kohonen. \u00c0 travers ces institutions, Grossberg impose l’id\u00e9e que l’\u00e9mulation des fonctions c\u00e9r\u00e9brales exige une compr\u00e9hension symbiotique entre la rigueur math\u00e9matique et les contraintes de l’\u00e9volution biologique, positionnant son laboratoire comme le contrepoids th\u00e9orique rigoureux face aux approches purement empiriques et statistiques issues des d\u00e9partements d’informatique.<\/p>\n Au c\u0153ur de l’\u00e9difice conceptuel \u00e9labor\u00e9 par Stephen Grossberg se trouve le refus syst\u00e9matique de consid\u00e9rer le neurone biologique comme un interrupteur binaire statique. Le mod\u00e8le canonique introduit par Warren McCulloch et Walter Pitts en 1943, bien qu’historiquement fondateur, postulait que le neurone additionne lin\u00e9airement des entr\u00e9es synaptiques pond\u00e9r\u00e9es avant d’appliquer une fonction de seuil abrupte pour produire un signal bool\u00e9en (0 ou 1). Pour Grossberg, cette simplification outranci\u00e8re oblit\u00e8re les propri\u00e9t\u00e9s computationnelles les plus fondamentales des tissus vivants. En r\u00e9alit\u00e9, la membrane cellulaire est une structure continue gouvern\u00e9e par des flux ioniques r\u00e9gis par les lois de l’\u00e9lectrochimie et de la thermodynamique, dont les potentiels d’action et les potentiels gradu\u00e9s s’inscrivent dans un temps physique continu.<\/p>\n S’appuyant sur les travaux fondamentaux d’Alan Hodgkin et Andrew Huxley relatifs \u00e0 l’excitabilit\u00e9 membranaire, Grossberg d\u00e9rive une classe g\u00e9n\u00e9rale d’\u00e9quations diff\u00e9rentielles non lin\u00e9aires connue sous le nom d’\u00e9quations de d\u00e9rivation synaptique (shunting differential equations<\/em>). Dans ce formalisme continu, le taux de variation du potentiel de membrane $x_i$<\/span> d’un neurone ou d’une assembl\u00e9e neuronale $i$<\/span> ne d\u00e9pend pas d’une simple sommation arithm\u00e9tique, mais d’une dynamique multiplicative o\u00f9 les conductances d’entr\u00e9e modulent directement la distance du potentiel \u00e0 ses potentiels d’inversion excitateurs et inhibiteurs. Une forme g\u00e9n\u00e9rale s’\u00e9crit math\u00e9matiquement sous la dynamique suivante :<\/p>\n $$\\frac{dx_i}{dt} = -A_i x_i + (B_i – x_i) I_i^{\\text{exc}} – (x_i + C_i) I_i^{\\text{inh}}$$<\/span><\/p>\n Dans cette formulation \u00e9l\u00e9gante, le terme $-A_i x_i$<\/span> repr\u00e9sente la constante de d\u00e9gradation passive vers le potentiel de repos. Le terme $(B_i – x_i) I_i^{\\text{exc}}$<\/span> traduit l’influence des signaux excitateurs $I_i^{\\text{exc}}$<\/span>, pond\u00e9r\u00e9e par la distance au potentiel de saturation excitateur sup\u00e9rieur $B_i$<\/span>. Inversement, le terme $-(x_i + C_i) I_i^{\\text{inh}}$<\/span> exprime l’action des signaux inhibiteurs $I_i^{\\text{inh}}$<\/span>, modul\u00e9e par l’\u00e9cart au potentiel d’hyperpolarisation inf\u00e9rieur $-C_i$<\/span>.<\/p>\n Ce formalisme diff\u00e9rentiel continu change radicalement la nature des calculs neuronaux. En introduisant des termes de saturation intrins\u00e8ques, les \u00e9quations de Grossberg r\u00e9solvent de mani\u00e8re \u00e9l\u00e9gante le probl\u00e8me fondamental de la plage dynamique (dynamic range problem<\/em>) : le neurone ne sature jamais face \u00e0 des entr\u00e9es arbitrairement massives et pr\u00e9serve sa sensibilit\u00e9 diff\u00e9rentielle aux petites variations du signal. En appliquant la th\u00e9orie des syst\u00e8mes dynamiques non lin\u00e9aires \u2014 incluant la th\u00e9orie des bifurcations, les cycles limites et les principes de stabilit\u00e9 de Lyapunov \u2014 \u00e0 l’ensemble du syst\u00e8me nerveux, Grossberg \u00e9rige un pont analytique d’une coh\u00e9rence absolue entre la cin\u00e9tique des canaux membranaires et les ph\u00e9nom\u00e8nes psychologiques globaux d’int\u00e9gration temporelle et de choix perceptif.<\/p>\n L’une des contributions analytiques les plus retentissantes de Grossberg concerne la caract\u00e9risation syst\u00e9matique des r\u00e9seaux comp\u00e9titifs r\u00e9currents structur\u00e9s selon une topologie de type centre excitateur et p\u00e9riph\u00e9rie inhibitrice, d\u00e9sign\u00e9e en anglais sous le terme on-center\/off-surround<\/em>. Inspir\u00e9 par les travaux neurophysiologiques d’Haldan Keffer Hartline sur la r\u00e9tine du limule et de Georg von B\u00e9k\u00e9sy sur les syst\u00e8mes sensoriels, Grossberg formule d\u00e8s 1970 le th\u00e9or\u00e8me de normalisation et de conservation de l’\u00e9nergie informationnelle dans les couches corticales interconnect\u00e9es. Il d\u00e9montre que l’inhibition r\u00e9currente lat\u00e9rale est une n\u00e9cessit\u00e9 math\u00e9matique absolue pour emp\u00eacher l’explosion de l’activit\u00e9 nerveuse tout en \u00e9vitant l’affadissement du signal dans le bruit de fond thermique.<\/p>\n Dans un r\u00e9seau r\u00e9current de type shunting on-center\/off-surround<\/em>, chaque n\u0153ud $i$<\/span> excite localement sa propre population tout en envoyant des projections inhibitrices \u00e0 l’ensemble des n\u0153uds p\u00e9riph\u00e9riques $j \\neq i$<\/span>. L’\u00e9quation diff\u00e9rentielle d\u00e9crivant cette comp\u00e9tition s’\u00e9nonce comme :<\/p>\n $$\\frac{dx_i}{dt} = -A x_i + (B – x_i) \\left[ f(x_i) + I_i \\right] – (x_i + C) \\left[ \\sum_{j \\neq i} g(x_j) + \\sum_{j \\neq i} J_j \\right]$$<\/span><\/p>\n Gr\u00e2ce \u00e0 cette dynamique multiplicative non lin\u00e9aire, le r\u00e9seau op\u00e8re une op\u00e9ration de normalisation automatique en temps r\u00e9el. Grossberg prouve rigoureusement que si la fonction de transfert du signal $f(x)$<\/span> est choisie convenablement \u2014 notamment \u00e0 travers une fonction sigmo\u00efde ou une fonction seuill\u00e9e supra-lin\u00e9aire \u2014, le r\u00e9seau poss\u00e8de la capacit\u00e9 unique d’effectuer un compromis optimal entre le stockage du patron d’entr\u00e9e (m\u00e9moire de travail \u00e0 court terme) et la s\u00e9lection du signal dominant selon un principe de comp\u00e9tition impitoyable du type winner-take-all<\/em> (le gagnant rafle tout).<\/p>\n Les implications psychophysiques de ces r\u00e9seaux sont immenses. Ils expliquent d’embl\u00e9e la mise en valeur des contrastes visuels, l’accentuation des bordures perceptives et l’apparition des bandes de Mach sans faire appel \u00e0 des calculs matriciels abstraits. De plus, ces structures r\u00e9solvent l’\u00e9nigme de l’invariance perceptive sous des niveaux d’illumination globaux variables : le syst\u00e8me r\u00e9agit au contraste relatif et au rapport spatial des intensit\u00e9s plut\u00f4t qu’aux luminances absolues, garantissant la constance de la clart\u00e9. La comp\u00e9tition r\u00e9currente locale pr\u00e9serve ainsi la sensibilit\u00e9 dynamique du r\u00e9seau, permettant \u00e0 l’observateur de distinguer des d\u00e9tails subtils aussi bien dans la p\u00e9nombre que sous la lumi\u00e8re \u00e9clatante du soleil m\u00e9ridien.<\/p>\n D\u00e8s 1949, Donald Hebb avait postul\u00e9 dans son ouvrage canonique que la coactivation persistante d’un neurone pr\u00e9synaptique et d’un neurone postsynaptique entra\u00eenait une augmentation durable de l’efficacit\u00e9 synaptique. Si cette intuition \u00e9tait visionnaire, elle souffrait d’un d\u00e9faut math\u00e9matique r\u00e9dhibitoire : une r\u00e8gle d’apprentissage strictement hebbienne, non born\u00e9e, conduit in\u00e9vitablement \u00e0 une croissance exponentielle incontr\u00f4l\u00e9e des poids synaptiques, plongeant les r\u00e9seaux de neurones dans une instabilit\u00e9 fonctionnelle permanente. Conscient de cette aporie, Stephen Grossberg reformule et g\u00e9n\u00e9ralise le postulat de Hebb entre 1968 et 1971 \u00e0 travers un ensemble rigoureux d’\u00e9quations diff\u00e9rentielles coupl\u00e9es, r\u00e9gissant les traces synaptiques \u00e0 long terme (Long-Term Memory<\/em> ou LTM).<\/p>\n Grossberg mod\u00e9lise l’efficacit\u00e9 de la transmission synaptique $z_{ij}$<\/span> reliant le neurone pr\u00e9synaptique $i$<\/span> au neurone postsynaptique $j$<\/span> en int\u00e9grant non seulement les taux de d\u00e9charge, mais \u00e9galement la lib\u00e9ration, l’\u00e9puisement et la reconstitution des m\u00e9diateurs chimiques neurotransmetteurs. L’\u00e9quation diff\u00e9rentielle fondamentale de l’apprentissage associatif grossbergien, souvent qualifi\u00e9e de loi d’apprentissage conditionn\u00e9 ou d’apprentissage comp\u00e9titif r\u00e9gul\u00e9, s’exprime comme suit :<\/p>\n $$\\frac{dz_{ij}}{dt} = \\epsilon_j (t) \\left[ -D_{ij} z_{ij} + f(x_i) g(y_j) \\right]$$<\/span><\/p>\n Dans ce cadre, la plasticit\u00e9 synaptique n’est autoris\u00e9e que si un signal d’apprentissage postsynaptique $\\epsilon_j (t)$<\/span> est actif, signal qui peut \u00eatre modul\u00e9 par des facteurs motivationnels ou attentionnels globaux. Le terme $-D_{ij} z_{ij}$<\/span> impose un oubli passif ou une normalisation hom\u00e9ostatique qui emp\u00eache l’emballement des coefficients, tandis que le terme $f(x_i) g(y_j)$<\/span> mesure la corr\u00e9lation effective entre le signal axonal pr\u00e9synaptique et la d\u00e9polarisation postsynaptique.<\/p>\n Cette formulation math\u00e9matique englobe de mani\u00e8re synth\u00e9tique la m\u00e9moire \u00e0 court terme (STM, repr\u00e9sent\u00e9e par les activit\u00e9s membranaires $x_i$<\/span>) et la m\u00e9moire \u00e0 long terme (LTM, inscrite dans les poids chimiques $z_{ij}$<\/span>). Grossberg d\u00e9montre comment ce couplage diff\u00e9rentiel rend compte avec une exactitude troublante des ph\u00e9nom\u00e8nes classiques du conditionnement pavlovien et op\u00e9rant : acquisition, extinction, r\u00e9instinctualisation spontan\u00e9e, inhibition latente et blocage kaminien. En ancrant le conditionnement psychologique dans la dynamique biochimique continue des r\u00e9cepteurs membranaires, il b\u00e2tit une th\u00e9orie physique et computationnelle de l’engramme mn\u00e9sique qui transcende les s\u00e9parations arbitraires entre biologie cellulaire et psychologie de l’apprentissage.<\/p>\n Au milieu des ann\u00e9es 1970, Stephen Grossberg formule l’un des probl\u00e8mes les plus profonds et les plus universels de l’apprentissage biologique et artificiel : le dilemme de la stabilit\u00e9 et de la plasticit\u00e9 (stability-plasticity dilemma<\/em>). Ce probl\u00e8me s’\u00e9nonce sous une forme faussement simple mais redoutable : comment un syst\u00e8me d’apprentissage autonome peut-il demeurer suffisamment plastique pour int\u00e9grer de nouvelles connaissances et s’adapter \u00e0 des environnements in\u00e9dits, tout en restant suffisamment stable pour ne pas alt\u00e9rer, \u00e9craser ou effacer de mani\u00e8re catastrophique les souvenirs d\u00e9j\u00e0 consolid\u00e9s ?<\/p>\n Grossberg met en \u00e9vidence que les r\u00e9seaux de neurones conventionnels reposant sur des algorithmes d’optimisation globale ou de r\u00e9troaction uniforme sont intrins\u00e8quement vuln\u00e9rables \u00e0 ce qu’on nommera plus tard l’oubli catastrophique (catastrophic forgetting<\/em>). Si l’on entra\u00eene un r\u00e9seau multicouche standard sur une t\u00e2che A, puis sur une t\u00e2che B, les ajustements successifs des poids synaptiques n\u00e9cessaires pour minimiser l’erreur sur la t\u00e2che B d\u00e9truisent irr\u00e9m\u00e9diablement les configurations synaptiques encodant la t\u00e2che A. Or, les organismes vivants ne connaissent pas cette fragilit\u00e9 : un adulte peut apprendre le visage d’une nouvelle personne sans oublier instantan\u00e9ment les visages de ses proches, et un oiseau peut m\u00e9moriser un nouveau point d’eau sans effacer la carte cognitive de son territoire.<\/p>\n Pour r\u00e9soudre cette contradiction apparente au sein des syst\u00e8mes auto-organis\u00e9s, Grossberg introduit en 1976 l’hypoth\u00e8se de la r\u00e9sonance adaptative. Selon cette th\u00e9orie r\u00e9volutionnaire, l’apprentissage synaptique stable ne s’effectue pas de mani\u00e8re passive ou ouverte sous la dict\u00e9e du flux sensoriel ascendant. Il requiert un processus actif de validation interne o\u00f9 les donn\u00e9es ascendantes (bottom-up<\/em>) sont confront\u00e9es \u00e0 des prototypes ou attentes descendantes (top-down<\/em>). C’est uniquement lorsqu’un \u00e9tat de coh\u00e9rence mutuelle et de synchronisation dynamique est atteint \u2014 ce que Grossberg nomme un \u00e9tat de r\u00e9sonance \u2014 que les barri\u00e8res de la plasticit\u00e9 synaptique s’ouvrent, permettant l’enregistrement p\u00e9renne des informations. La r\u00e9sonance agit ainsi comme un verrou thermodynamique et informationnel, prot\u00e9geant le substrat m\u00e9moriel contre la dissolution anarchique caus\u00e9e par le flux incessant des stimuli environnementaux.<\/p>\n La concr\u00e9tisation algorithmique et architecturale de cette hypoth\u00e8se prend corps dans le mod\u00e8le ART 1<\/a>, d\u00e9velopp\u00e9 conjointement par Stephen Grossberg et Gail Carpenter et publi\u00e9 en 1987. Con\u00e7u sp\u00e9cifiquement pour le traitement et la cat\u00e9gorisation non supervis\u00e9e de vecteurs binaires arbitraires, le r\u00e9seau ART 1 repose sur une architecture bicouche \u00e9l\u00e9gante et sym\u00e9trique, compos\u00e9e d’un champ de comparaison d’entr\u00e9e ($F_1$<\/span>) et d’un champ de reconnaissance cat\u00e9gorielle ($F_2$<\/span>), coupl\u00e9s \u00e0 un sous-syst\u00e8me d’orientation autonome.<\/p>\n Le fonctionnement interne d’ART 1 ob\u00e9it \u00e0 une s\u00e9quence dynamique rigoureusement ordonn\u00e9e :<\/p>\n Ce m\u00e9canisme d’ad\u00e9quation et de r\u00e9initialisation autonome conf\u00e8re \u00e0 ART 1 une puissance th\u00e9orique in\u00e9gal\u00e9e : la vitesse de calcul est instantan\u00e9e (apprentissage en une ou quelques pr\u00e9sentations), et le syst\u00e8me est absolument immunis\u00e9 contre l’oubli catastrophique, illustrant la ma\u00eetrise de Grossberg dans l’ing\u00e9nierie des boucles r\u00e9currentes auto-stabilisatrices.<\/p>\n La publication d’ART 1 a imm\u00e9diatement pos\u00e9 la question de l’universalit\u00e9 du formalisme face \u00e0 des donn\u00e9es continues et analogiques, repr\u00e9sentatives du monde r\u00e9el. En 1987, Gail Carpenter et Stephen Grossberg pr\u00e9sentent l’architecture ART 2<\/em>, qui \u00e9tend les principes de la r\u00e9sonance adaptative aux signaux analogiques \u00e0 valeurs r\u00e9elles, tels que les spectres acoustiques ou les niveaux de gris d’images num\u00e9riques. Pour ce faire, le champ $F_1$<\/span> est profond\u00e9ment restructur\u00e9 : il est d\u00e9compos\u00e9 en plusieurs sous-niveaux r\u00e9alisant des op\u00e9rations successives de normalisation par d\u00e9rivation synaptique, de seuillage non lin\u00e9aire et de filtrage du bruit. Ces transformations permettent \u00e0 ART 2 d’extraire la g\u00e9om\u00e9trie structurelle des vecteurs continus ind\u00e9pendamment de leur amplitude globale, maintenant une s\u00e9gr\u00e9gation cat\u00e9gorielle robuste dans des espaces hautement bruit\u00e9s.<\/p>\n Poursuivant cette qu\u00eate d’exhaustivit\u00e9 biologique, Grossberg propose au d\u00e9but des ann\u00e9es 1990 le mod\u00e8le ART 3<\/em>. Cette it\u00e9ration incorpore directement les dynamiques mol\u00e9culaires de la transmission synaptique chimique, mod\u00e9lisant la lib\u00e9ration quantique de neurotransmetteurs pr\u00e9synaptiques \u00e0 partir de v\u00e9sicules \u00e9puisables, leur recapture et la liaison aux r\u00e9cepteurs postsynaptiques. Dans ART 3, la r\u00e9initialisation neuronale (reset<\/em>) lors d’un d\u00e9calage entre attente descendante et signal ascendant n’est plus m\u00e9di\u00e9e par un op\u00e9rateur algorithmique abstrait, mais d\u00e9coule naturellement de l’inactivation et de la d\u00e9pl\u00e9tion rapide des r\u00e9serves de transmetteurs chimiques au niveau des synapses d\u00e9synchronis\u00e9es. Ce couplage intime entre biochimie synaptique et dynamique de r\u00e9seau permet de simuler des r\u00e9seaux massifs hi\u00e9rarchis\u00e9s sans que les signaux de commande ne requi\u00e8rent de processeur centralisateur externe.<\/p>\n Parall\u00e8lement \u00e0 ces d\u00e9veloppements th\u00e9oriques, la validit\u00e9 empirique du cadre ART n’a cess\u00e9 d’\u00eatre corrobor\u00e9e par les d\u00e9couvertes de la neurophysiologie moderne. D\u00e8s la fin des ann\u00e9es 1990 et tout au long des ann\u00e9es 2000, les techniques d’enregistrement par \u00e9lectrodes multiples chez le primate vigile et l’imagerie par r\u00e9sonance magn\u00e9tique fonctionnelle (IRMf) chez l’humain ont confirm\u00e9 l’existence de boucles de r\u00e9troaction descendantes massives reliant les aires corticales sup\u00e9rieures (telles que le cortex pr\u00e9frontal et les aires associatives temporales) aux aires sensorielles primaires. Ces r\u00e9troactions n’ont pas pour simple fonction de biaiser passivement les r\u00e9ponses, mais mettent en \u0153uvre des m\u00e9canismes d’appariement pr\u00e9dictif et de s\u00e9lection attentionnelle strictement conformes aux pr\u00e9dictions de la r\u00e8gle des deux tiers d’ART, validant de mani\u00e8re \u00e9clatante l’intuition fondatrice de Grossberg.<\/p>\n Si les architectures ART 1 et ART 2 constituent des solutions remarquables pour la cat\u00e9gorisation non supervis\u00e9e, de nombreuses t\u00e2ches cognitives complexes requi\u00e8rent un guidage par des retours d’information environnementaux, propre \u00e0 l’apprentissage supervis\u00e9. Pour r\u00e9pondre \u00e0 cette exigence, Gail Carpenter, Stephen Grossberg et John Reynolds introduisent en 1991 le syst\u00e8me ARTMAP<\/em>. Cette architecture novatrice repr\u00e9sente une \u00e9tape majeure dans l’histoire de l’intelligence computationnelle : elle parvient \u00e0 combiner la flexibilit\u00e9 et la rapidit\u00e9 d’apprentissage de l’ART non supervis\u00e9 avec une capacit\u00e9 pr\u00e9dictive rigoureusement supervis\u00e9e et auto-ajustable.<\/p>\n Le syst\u00e8me ARTMAP repose sur l’interconnexion structurelle de deux modules ART autonomes, d\u00e9sign\u00e9s conventionnellement par $ART_a$<\/span> et $ART_b$<\/span>. Le module $ART_a$<\/span> est charg\u00e9 de regrouper en cat\u00e9gories autonomes les vecteurs de caract\u00e9ristiques d’entr\u00e9e (par exemple, un ensemble de signaux visuels ou spectraux), tandis que le module $ART_b$<\/span> cat\u00e9gorise les cibles de sortie ou les \u00e9tiquettes de classe associ\u00e9es. Ces deux r\u00e9seaux sont reli\u00e9s par un champ interm\u00e9diaire hautement sp\u00e9cialis\u00e9 appel\u00e9 le champ de mise en correspondance intermodale<\/em> (map field<\/em>, not\u00e9 $F_{ab}$<\/span>). Au sein de ce champ, des connexions synaptiques adaptatives s’\u00e9tablissent pour associer une cat\u00e9gorie g\u00e9om\u00e9trique form\u00e9e dans $ART_a$<\/span> \u00e0 une cat\u00e9gorie pr\u00e9dictive consolid\u00e9e dans $ART_b$<\/span>.<\/p>\n Le coup de g\u00e9nie math\u00e9matique de l’architecture ARTMAP r\u00e9side dans son m\u00e9canisme de minimisation autonome des erreurs pr\u00e9dictives, d\u00e9sign\u00e9 sous le terme de suivi de correspondance<\/em> (match tracking<\/em>). Lorsqu’un stimulus d’entr\u00e9e est pr\u00e9sent\u00e9 \u00e0 $ART_a$<\/span>, ce dernier s\u00e9lectionne une cat\u00e9gorie et pr\u00e9dit une classe dans $ART_b$<\/span>. Si cette pr\u00e9diction est confirm\u00e9e par le signal de supervision, le syst\u00e8me renforce ses poids et poursuit sa t\u00e2che. En revanche, si une erreur pr\u00e9dictive survient \u2014 signifiant que la cat\u00e9gorie s\u00e9lectionn\u00e9e par $ART_a$<\/span> a g\u00e9n\u00e9r\u00e9 une r\u00e9ponse erron\u00e9e dans $F_{ab}$<\/span> \u2014, le champ de mise en correspondance d\u00e9clenche imm\u00e9diatement une \u00e9l\u00e9vation infinit\u00e9simale et dynamique du param\u00e8tre de vigilance $\\rho_a$<\/span> du module $ART_a$<\/span> :<\/p>\n $$\\rho_a = \\frac{|I_a \\cap w_J^a|}{|I_a|} + \\delta$$<\/span><\/p>\n Cette l\u00e9g\u00e8re augmentation force instantan\u00e9ment $ART_a$<\/span> \u00e0 rejeter la cat\u00e9gorie fautive trop g\u00e9n\u00e9rale par le m\u00e9canisme de reset<\/em>, et \u00e0 rechercher une sous-cat\u00e9gorie plus fine et discriminante, ou \u00e0 cr\u00e9er un nouveau prototype sp\u00e9cifique. Ce processus garantit un apprentissage incr\u00e9mental extr\u00eamement rapide, souvent en une seule passe (one-shot learning<\/em>), tout en offrant une tra\u00e7abilit\u00e9 totale : \u00e0 l’inverse des repr\u00e9sentations n\u00e9buleuses des r\u00e9seaux profonds actuels, chaque cat\u00e9gorie form\u00e9e dans ARTMAP est directement traduisible sous la forme d’une r\u00e8gle logique explicite (\u00ab Si telles caract\u00e9ristiques sont pr\u00e9sentes, alors telle classe s’ensuit \u00bb), conf\u00e9rant au mod\u00e8le une explicabilit\u00e9 algorithmique intrins\u00e8que.<\/p>\n Afin d’amplifier la robustesse d’ARTMAP face aux incertitudes du monde r\u00e9el et \u00e0 la manipulation de donn\u00e9es mixtes, continues et hautement non lin\u00e9aires, Carpenter, Grossberg et leurs collaborateurs con\u00e7oivent en 1992 le syst\u00e8me Fuzzy ARTMAP<\/em>. Cette d\u00e9clinaison int\u00e8gre de fa\u00e7on magistrale les principes de la th\u00e9orie des ensembles flous, formul\u00e9e par Lotfi Zadeh, directement au sein des \u00e9quations de comparaison du champ $F_1$<\/span>. L’op\u00e9ration d’intersection ensembliste binaire classique ($cap$<\/span>) y est remplac\u00e9e par l’op\u00e9rateur flou de minimum composante par composante ($wedge$<\/span>), d\u00e9fini pour deux vecteurs $p$<\/span> et $q$<\/span> par :<\/p>\n $$(p wedge q)_i = \\min(p_i, q_i)$$<\/span><\/p>\n Dans Fuzzy ARTMAP, les cat\u00e9gories encod\u00e9es par les poids synaptiques descendants peuvent \u00eatre visualis\u00e9es g\u00e9om\u00e9triquement sous la forme d’hyperrectangles multidimensionnels dans l’espace des caract\u00e9ristiques. Chaque hyperrectangle d\u00e9limite la zone de l’espace couverte par un prototype de classe. Gr\u00e2ce \u00e0 une technique indispensable de pr\u00e9-traitement neuronal appel\u00e9e le codage par compl\u00e9ment<\/em> (complement coding<\/em>) \u2014 qui associe \u00e0 chaque vecteur d’entr\u00e9e $a$<\/span> son compl\u00e9ment binaire ou continu $a^c = 1 – a$<\/span> \u2014, le r\u00e9seau normalise la taille relative des entr\u00e9es et pr\u00e9vient un probl\u00e8me g\u00e9om\u00e9trique pernicieux connu sous le nom de prolif\u00e9ration incontr\u00f4l\u00e9e des cat\u00e9gories (category proliferation<\/em>).<\/p>\n Par la suite, des extensions optimis\u00e9es telles que Default ARTMAP<\/em> ont \u00e9t\u00e9 introduites afin de standardiser les hyperparam\u00e8tres et d’\u00e9liminer les biais li\u00e9s \u00e0 l’ordre s\u00e9quentiel de pr\u00e9sentation des donn\u00e9es d’apprentissage. Dans de multiples bancs d’essai industriels et comp\u00e9titions algorithmiques face aux approches connexionnistes dominantes bas\u00e9es sur la r\u00e9tropropagation du gradient (Backpropagation<\/em>), Fuzzy ARTMAP a d\u00e9montr\u00e9 une sup\u00e9riorit\u00e9 \u00e9clatante en termes de vitesse de convergence (atteignant souvent des vitesses d’apprentissage mille fois sup\u00e9rieures) et d’\u00e9conomie de calcul, tout en se montrant insensible aux pi\u00e8ges des minima locaux qui paralysent fr\u00e9quemment les r\u00e9seaux de neurones descendants conventionnels.<\/p>\n L’universalit\u00e9 fonctionnelle de la brique de calcul ARTMAP a permis \u00e0 Stephen Grossberg d’\u00e9tendre ses conceptions \u00e0 la mod\u00e9lisation des architectures c\u00e9r\u00e9brales complexes responsables de la fusion multimodale et de la m\u00e9moire \u00e9pisodique distribu\u00e9e. Dans le syst\u00e8me nerveux biologique, la compr\u00e9hension d’une sc\u00e8ne complexe n’est jamais le r\u00e9sultat de l’activation d’un canal sensoriel isol\u00e9 ; elle \u00e9merge de l’int\u00e9gration synchrone et coh\u00e9rente de signaux visuels, de stimuli auditifs, de traces proprioceptives et d’indices contextuels spatio-temporels.<\/p>\n Grossberg propose d’organiser des constellations modulaires de r\u00e9seaux ART interconnect\u00e9s en une hi\u00e9rarchie mimant l’organisation anatomique reliant les aires sensorielles secondaires du n\u00e9ocortex aux formations du lobe temporal m\u00e9dian et au complexe hippocampique. Dans ces architectures de niveau sup\u00e9rieur, les sorties cat\u00e9gorielles de modules ART visuels et auditifs convergent vers un r\u00e9seau ART multimodal agissant comme un carrefour associatif. Cette structure permet au syst\u00e8me de r\u00e9aliser des inf\u00e9rences transmodales sophistiqu\u00e9es : la perception d’un son caract\u00e9ristique peut instantan\u00e9ment susciter l’attente descendante d’une forme visuelle sp\u00e9cifique, m\u00eame si celle-ci est temporairement occult\u00e9e dans l’environnement.<\/p>\n Par ailleurs, cette approche computationnelle offre une mod\u00e9lisation rigoureuse de la m\u00e9moire \u00e9pisodique. En articulant la m\u00e9moire de travail \u00e0 court terme et le stockage hi\u00e9rarchique au sein de modules ART coupl\u00e9s, Grossberg et ses \u00e9l\u00e8ves simulent la fa\u00e7on dont le syst\u00e8me hippocampo-cortical lie de mani\u00e8re coh\u00e9rente des \u00e9v\u00e9nements s\u00e9quentiels (le \u00ab quoi \u00bb, le \u00ab o\u00f9 \u00bb et le \u00ab quand \u00bb) au sein d’une trace unifi\u00e9e. Ces mod\u00e8les ont \u00e9t\u00e9 valid\u00e9s sur des t\u00e2ches industrielles de tr\u00e8s haute complexit\u00e9, allant de la reconnaissance automatique de cibles radar multi-capteurs \u00e0 la navigation autonome de robots terrestres, d\u00e9montrant que les principes de r\u00e9sonance et d’appariement adaptatif constituent un mod\u00e8le universel de traitement pour la fusion d’informations massives et h\u00e9t\u00e9rog\u00e8nes.<\/p>\n1. Introduction et gen\u00e8se intellectuelle de Stephen Grossberg (1939-)<\/h2>\n
1.1 Contexte biographique et formation acad\u00e9mique initiale<\/h3>\n
1.2 \u00c9mergence du paradigme de la psychologie math\u00e9matique<\/h3>\n
1.3 Fondation des d\u00e9partements de syst\u00e8mes cognitifs et neuronaux<\/h3>\n
2. Les fondements math\u00e9matiques de la cognition et du comportement<\/h2>\n
2.1 L’\u00e9quation diff\u00e9rentielle non lin\u00e9aire comme socle cognitif<\/h3>\n
2.2 L’inhibition r\u00e9currente et les champs r\u00e9cepteurs antagonistes (On-Center\/Off-Surround)<\/h3>\n
2.3 L’apprentissage associatif et les lois synaptiques membranaires<\/h3>\n
3. La th\u00e9orie de la r\u00e9sonance adaptative (Adaptive Resonance Theory – ART)<\/h2>\n
3.1 Le dilemme de la stabilit\u00e9 et de la plasticit\u00e9<\/h3>\n
3.2 Architecture et m\u00e9canismes fonctionnels du mod\u00e8le ART 1<\/h3>\n
\n
\n $$\\frac{|I \\cap T_J|}{|I|} ge \\rho$$<\/span>
\n une r\u00e9sonance s’\u00e9tablit. Les traces synaptiques ascendantes et descendantes sont alors modifi\u00e9es pour affiner le prototype de la cat\u00e9gorie $J$<\/span>.<\/li>\n3.3 \u00c9volution continue vers ART 2, ART 3 et au-del\u00e0<\/h3>\n
4. Architectures supervis\u00e9es et r\u00e9seaux avanc\u00e9s : ARTMAP et d\u00e9riv\u00e9s<\/h2>\n
4.1 Le syst\u00e8me ARTMAP et la classification pr\u00e9dictive<\/h3>\n
4.2 D\u00e9clinaisons modulaires : Fuzzy ARTMAP et Default ARTMAP<\/h3>\n
4.3 Fusion multimodale et m\u00e9moire \u00e9pisodique distribu\u00e9e<\/h3>\n
5. Mod\u00e9lisation de la vision biologique et de la perception spatiale<\/h2>\n
5.1 La th\u00e9orie du syst\u00e8me de segmentation et de compl\u00e9tion (BCS\/FCS)<\/h3>\n