Un des r´esultats les plus flagrants est l’augmentation des projections en interface avec l’environnement (projections `a partir des groupes d’entr´ee et vers les groupes de sortie), voir section 10.1.1. Puisque le nombre de projections est fix´e au cours d’une ´execution d’´evolution, le nombre de projections internes au r´eseau (d’un groupe interne vers un autre groupe interne) a donc tendance `a diminuer, lorsque le degr´e moyen de connexion est ´elev´e (voir section 10.1.2).
D’autre part, la taille de la composante fortement connexe g´eante au sein du r´eseau interne augmente au fil de l’´evolution (section 10.2). A partir de la taille de la com-posante g´eante th´eorique des r´eseaux al´eatoires, correspondant `a la g´en´eration initiale, l’´evolution va favoriser l’augmentation des noeuds impliqu´es dans le traitement sensiro-moteur, pour aboutir `a un traitement impliquant l’ensemble des ressources disponibles. Comme le nombre de nœuds dans la CFCG augmente, et que le nombre de liens diminue, la densit´e de liens de la CGFC diminue au cours de l’´evolution. Et pourtant, les r´eseaux ´evolu´es ont de meilleures performances que les r´eseaux al´eatoires. Il semble donc que le nombre de nœuds participant aux calculs, plus que le nombre de liens, soit important pour l’augmentation des performances des individus au cours de l’´evolution.
L’efficacit´e globale du r´eseau reste relativement stable entre la g´en´eration initiale et la g´en´eration finale (section 10.3). Ce r´esultat signifie que les r´eseaux ´evolu´es, au niveau interne, conservent la mˆeme efficacit´e que les r´eseaux al´eatoires, bien qu’ils disposent de moins de liens. Ce r´esultat est surprenant, mais on peut supposer que l’´evolution est capable de mieux r´epartir les liens entre les nœuds, de mani`ere `a conserver cette efficacit´e. D’autre part, une augmentation de l’efficacit´e locale (avec une efficacit´e globale identique) aurait signifi´e l’´emergence de propri´et´es petit-monde, par l’apparition de la propri´et´e de transitivit´e au sein du r´eseau. Cependant, il semble que la mani`ere d’´evaluer le r´eseau, ´etant bas´ee sur une propri´et´e globale (le comportement de l’individu), ne favorise pas l’´emergence d’une structure particuli`ere au niveau local (voir section 12.3.2).
Contrairement `a ce que nous avions imagin´e, il ne semble pas apparaˆıtre une structure modulaire au cours de l’´evolution (section 10.4), hormis pour les r´eseaux avec un degr´e moyen < k >= 5. A premi`ere vue, il est possible que la modularit´e n’apparaisse que dans
ce cas du fait que l’´evolution a besoin d’une densit´e de liens suffisamment grande pour faire ´emerger une structure modulaire. Comme nous n’avons pas pu tester des degr´es
moyens sup´erieurs `a < k >= 5 car les calculs auraient ´et´e trop coˆuteux, nous ne pouvons
pas confirmer cette hypoth`ese. Nous reviendrons dans la discussion sur ce cas particulier (voir section 12.3.2).
Chapitre 11
R´esultats sur la dynamique
Dans ce chapitre, les r´esultats concernant la dynamique des r´eseaux ´evolu´es sont pr´esent´es dans l’ordre dans lequel les diff´erents traitements ont ´et´e effectu´es. Dans un premier temps, nous avons ´etabli le protocole de stimulation permettant de v´erifier, sur un grand nombre de pr´esentations, les diff´erences au niveau de la dynamique entre l’´etat au repos et la pr´esentation d’un stimulus “´ecologique”, c.`a.d la pr´esentation d’un animal issu de l’environnement (section 11.1). Ensuite, nous avons ´etudi´e les diagrammes temps-fr´equence (section 11.2) au niveau des PA dans l’ensemble du r´eseau (section 11.2.1), puis au niveau des signaux continus obtenus pour chacun des groupes (section 11.2.2). Nous avons ensuite souhait´e voir comment les groupes de neurones interagissaient entre eux. Ainsi, nous avons ´etudi´e les cross-corr´elogrammes entre les groupes de neurones, et d´efini une m´ethode afin de pouvoir visualiser le comportement de l’ensemble des cross-corr´elogrammes obtenus (section 11.3). Enfin, la derni`ere partie sur les r´esultats donne un exemple de la mani`ere dont diff´erents stimuli sont repr´esent´es au sein du syst`eme (section 11.4).
Nous pr´esentons ici les r´esultats bruts, puis nous interpr´eterons l’ensemble des r´esultats dans la section 11.5.
11.1 Protocole de stimulation
Afin de d´eterminer en quoi les individus ´evolu´es sont plus adapt´es `a l’environnement que les individus al´eatoires, nous avons ´etudi´e le fonctionnement dynamique des r´eseaux ´evolu´es. Pour cela, les r´eseaux issus de l’´evolution sont test´es en utilisant des stimuli per-ceptifs emprunt´es `a l’environnement. Ainsi, les stimuli qu’un r´eseau re¸coit sont pertinents pour l’individu, puisque celui-ci a ´et´e selectionn´e pour faire face `a ces stimuli au cours de l’´evolution. Les propri´et´es dynamiques des r´eseaux sont ´etudi´ees lors de deux phases diff´erentes, correspondant `a la pr´esentation d’un stimulus sensoriel ou `a un fonctionne-ment au repos.
Le r´eseau est initialis´e par une activation simultan´ee de tous les neurones des groupes d’entr´ee. L’activation se propage aux couches internes, puis on laisse l’activit´e se r´eguler pendant 100 ms (non repr´esent´ees sur les graphiques). On laisse ensuite le r´eseau tourner `a vide pendant 1000ms. Le protocole consiste en 10 r´ep´etitions de 2 phases (not´ees phase
0 1 0 1 ...
Phase
Fig. 11.1 – Illustration du protocole de stimulation du r´eseau, dans la condition input.
Repr´esentation sch´ematique de l’alternance des phases d’activit´e (phase 0) et de repos (phase 1), en haut, et diagramme de trains de PA dans le temps, correspondant `a tous les neurones internes du r´eseau, en bas.
0 et phase 1), chaque phase durant 1000ms.
Dans le cas o`u le r´eseau est stimul´e (condition input), la phase 0 correspond `a la
pr´esentation d’un motif bimodal, c.`a.d que le groupe de vision central re¸coit un motif correspondant `a la forme de l’animal, et les deux groupes auditifs recoivent un motif correspondant au son ´emis par l’animal. Cette stimulation correspond `a la pr´esence d’un animal en face du robot virtuel. La phase 0 alterne avec la phase 1, pendant laquelle le r´eseau tourne sans stimulation.
La figure 11.1 est un diagramme de trains de PA, o`u les instants d’´emission de PA
de l’ensemble des neurones internes sont repr´esent´es. Chaque barre repr´esente l’´emission d’un PA, `a un certain temps (en abscisse), par un certain neurone (en ordonn´ee). Les phases 0 et 1, en condition input sont indiqu´ees au-dessus du diagramme. On voit, dans les 1000 premi`eres millisecondes, l’activit´e de fond du r´eseau, avec une activit´e relativement d´esordonn´ee. La pr´esentation du stimulus (phase 0) induit une nette diff´erence par rapport `a l’activit´e pr´ec´edente. D’autre part, la suppression de la pr´esentation du stimulus (phase 1) induit un retour `a une activit´e de fond. Cependant, l’activit´e de fond des neurones semble plus r´eguli`ere qu’avant la premi`ere pr´esentation du stimulus.
Dans la condition void (non repr´esent´ee graphiquement), le r´eseau tourne `a vide pen-dant toute la dur´ee de la simulation. Cette condition sera oppos´ee `a la condition input.