C AHIERS DE
TOPOLOGIE ET GÉOMÉTRIE DIFFÉRENTIELLE CATÉGORIQUES
A. C. E HRESMANN J-P. V ANBREMEERSCH
Outils mathématiques pour modéliser les systèmes complexes
Cahiers de topologie et géométrie différentielle catégoriques, tome 33, no3 (1992), p. 225-236
<http://www.numdam.org/item?id=CTGDC_1992__33_3_225_0>
© Andrée C. Ehresmann et les auteurs, 1992, tous droits réservés.
L’accès aux archives de la revue « Cahiers de topologie et géométrie différentielle catégoriques » implique l’accord avec les conditions générales d’utilisation (http://www.numdam.org/conditions). Toute utilisation commerciale ou impression systématique est constitutive d’une infraction pénale. Toute copie ou impression de ce fichier doit contenir la présente mention de copyright.
Article numérisé dans le cadre du programme
Outils mathématiques
pour modéliser
les systèmes complexes
A. C. Ehresmann
etJ-P. Vanbremeersch1
CAHIERS DE TOPOLOGIE ET GEOMETRIE DIFFERENTIELLE
CATEGORIQUES
VOLUME XXXIII
e"
trimestre 1992ABSTRACT : The authors have
developped
a model forcomplex evolutionary
systems with memory, such asbiological
or neu-ral systems, based on category
theory,
inparticular
fibrations,sketches and
completions.
It isexposed
in a series of papers[5-8]
intended in part for non-mathematicians. Her e the mathematical basis is
presented,
inparticular
the construction of theglobal
land-scape, the introduction of "Semantics"
through shape categories
and the internalization of
stratégies.
The concreteterminology
comes fr om the
application
to neural systems.Les
"systèmes
évolutifs avec mémoire" que nous avons étudiés dans unesérie d’articles
(en par ticulier [5-8] auxquels
nousrenvoyons) représentent
un modèle
mathématique
pour dessystèmes
naturels autonomes, avec une hiérarchie de composants etd’organes
derégulation
internesplus
ou moinscomplexes, qui changent
au cours dutemps
enpréservant
leur structureglobale,
etcapables
d’utiliser leursexpériences précédentes
pour appren- dre às’adapter
à leur environnement. Ce lmodèle est basé sur la theorie descatégories qui
nous semble offrir de lneilleurs outils que des théoriesplus "classiques"
pourcomprendre
lacomplexité
dessystèmes biologiques
ou
sociologiques
et pourexpliquer l’émergence
de processuscognitifs
d’ordresupérieur.
Les articles antérieurs ont été
rédigés
pour desnon-mathématiciens,
avecde nombreux
exemples,
et desapplications
surtout auxsystèmes
neuronauxqui
ont servi deprototype
pour notre travail. Dans le "dictionnaire"ci-joint,
1 Université de Picardie Jules Verne
nous n’avons pas la
place
derappeler
cesapplications (qui
fontcependant
tout l’intérêt de la
théorie ! ) ;
nous nous limitons à donner lesprincipales
définitions et
théorème,
de sorte à montrerquel
rôlepeuvent jouer
dans cesproblèmes
"concrets" des notions telles que lesiibrations,
la construction duprototype
d’uneesquisse [4] (
pour la"complexification" )
ou d’unecatégorie quotient ( pour
le"paysage global" ),
la"shape-category" (pour
la forlmatioll d’une mémoireprocédurale
etsémantique).
1 Dictionnaire
surla complexité
Système
évolutif. Il est modélisé par une fibration scindée K au-dessus d’ul ordre totalfigurant
lacatégorie Temps.
La fibreIi
t au-dessus de"l’instant" t
représente
l’état dusystèrne
en t, le foncteur de l’état en t vers l’état en t’ > t est la transition de t à. t’.Chaque
fibre est munie d’unobjet initial,
noté0, préservé
par les transitions. Si unobjet
en t estappliqué
sur le 0 par la transition de t vers
t’,
on ditqu’il
a été"suphrimé"
en t’.Patterns. Un
diagramme
b detype
I dans unecatégorie
K sera aussiappelé pattern cl’objets
liés dansK,
et noté(Bi)1,
oùB1 == B(1)
pour tout sommet i deI ;
les liens dupattern
sont lesimages
des flèches de I. Si B a unecolilite,
elle seraappelée
le recollernent dupattern.
Parexemple
dansun
système neuronal,
la formation d’une assemblée de neuronessynchrones
au sens de Hebb
[9]
sera modélisée par le recollement dupattern
que formentses neurones et les synapses entre eux
(cf. [7-8]).
Système hiérarchique.
C’est unsystème
évolutif IÉ danslequel chaque
ca-tégorie 1(t
esthiérarchique
au sens suivant : On a unepartition
de l’ensemble desobjets
en un nombre fini de"niveaux",
notés0, 1,
... , de sorte que toutobjet
B du niveau ii + 1 soit le recollement d’au moins unpattern d’objets
liés du niveau n. Comme
chaque objet Bi
de cepattern
est lui-même colimite d’unpattern
du niveau n -1,
etc ... onpeut
associer à B tout un arbre depatterns
de niveaux décroissantsjusqu’au
niveau0,
reliés "horizontalement"(i.e.,
àchaque niveau)
par les liens des patterns unissant leurs sommet, cequ’on exprime
en disantque B
est colimitep-itérée d’objets
de niveau n-p poui tout p n.Centre de
régulation
et la fibration deschamps.
Urz centt-e derég2cla-
tion
(modélisant
un organe de contrôle et decommande)
dusystème
évolutifIi sera
représenté
par la donnée d’une sous-fibration CR de Ii et d’un sous-ordre fini de
Temps qui
déter mine l’échelle detemps
de CR. Lesobjets
deCR sont
appelés agents.
Considérolls l’état
CRt
de CR en t. Si A en est unagent,
lecliamp
deA est la
catégorie Kt !
A desobjets
au-dessus de A dansht,
dont unobjet
b : B -> A est
appelé aspect
de B pour A.Chaque
flèche ct de A vers un autreagent
A’ dans CR détermine(par composition)
le follcteur communication 0;0 duchamp
de A vers lechamp
de A’. D’où une fibration au-dessus deCRt,
dite
fibration
descttamps
en t.Paysage
de CR. Le paysage du centre derégulation
CR en t est lacatégorie
colimite de cette fibr ation
(considérée
comme foncteur versCat ) ;
sesobjets, appelés perspectives,
sont des classesd’équivalence d’aspects
b reliés par unzig-zag
de communications entreagents.
Ce paysage est muni d’un foncteur distorsion ver sKt .
Les paysages de CR relatifs aux différents instants t forment unsystème
évolutif surTemps,
muni d’unmorphisme
distorsionvers 1(.
Dans
([6], Appendice)
nous avons montré que le paysage en t est solution duproblème
universel de construire unecatégorie
danslaquelle
lesagents
ont la même fibration des
champs
que dansKt.
Et nous avons caractérisé les fibrations deschamps parmi
les fibrations scindées à l’aide de deuxpropriétés simples (intuitivement :
les communications sont aussilarges
quepossible
etchaque agent
reconnaît le "soi" et le"non-soi")
2 Système évolutif
avecmémoire ; Paysage global ([6])
Système
évolutif avec mémoire(SEM).
C’est unsystème
évolutif hiérar-chique
IC muni des données suivantes : - 1. Unsystème
clerégulation
formépar une famille finie
(CRn)n
de centres derégulation,
chacunayant
sa propre échelle detemps
et desagents
d’un certain niveau(deux
d’entre euxpeuvent
êtreparallèles, i.e.,
avoir desagents
de mêmeniveau). -
2. Une sous-filJration formant unsystème hiérarchique Meni, appelé Mémoire,
dont le nombre de niveauxaugmellte lorsque t
croît.Chaque CR,,
a un accès différentielpartiel
à Mem dans son paysage, par l’intermédiaire des
perspectives cor respondant
à des
objets
de Mej2j. - 3. L’ordreTemps
est un sous-ordre de l’ordre surles réels. Par suite l’échelle de
temps
dechaque CRn
est définie par une suite finie de réels t,1 t2 ...tk ... ;
le réel tk - tk-i 1 estappelé
duréede la k-ième
étape
pourCR,,. -
4. Achaque CRn
est associé à chacune deses
étapes
un réeldn
>0, appelé
son délai depropagation,
tel que5dn
soitinférieur à la durée des
étapes
deCRn.
On suppose quedn augmente
avec le niveau deCRn.
Empan
de stabilité d’uncomposé.
Si B est unobjet
de niveaun + 1,
on
appelle
empan de ii-stabilité de B à l’instant t leplus grand
réel bt telqu’il
existe unpattern
B de niveau 11ayant B
pour colimite ent,
et tel que cette colimite soitpréservée
par le foncteur transition de t àt’,
pour tout t’vérifiant t
t’
t + bt.On définit de mêlne
l’empan
dep-stabilité
de B en t, pour tout entierp
n en considérant B comme colimite(11
+ 1 -p)-itérée
depatterns
deniveau p. Cet empan
augmente
avec le niveau de B. Ilreprésente
la duréependant laquelle B
maintient son identitécomplexe
deniveau p (cf [5]).
Paysage
actuel deCR,,.
A un instant t on définit leprésent
actuel deCmi
comme étant le sous-ordre deTeml)s
formé des T entre t -dn
et t . Enassociant à chacun de ces T le paysage de
CRn
en T, on définit un foncteur duprésent
actuel vers Cat. Le payage actuel deCRn
en t sera unecatégorie
cllilite d’un sous-foiicteur de ce foncteurs. Il modélise la mérri.oire de travail de
CRn,
formée desperspectives
observables par lesagents pendant
leurprésent actuel,
avec leur ordre d’arrivée(cf. [7]).
Si lesagents
deCRn
sontde niveau ni, une
perspective
d’unobjet
B n’est observable dans le paysage actuel en t que sil’empan
de(m 2013 Instabilité
de B en t estsupérieur
à ladurée de
l’étape
en cours ; lesperspectives d’oh jets
de niveau Tn - 1 nesont pas observables.
Paysage global.
A uninstant t,
on construit lacatégorie Q
des carrés commutatifs :r
où
An
etArn
sont desagents appartenant
àCRn
etCRrn respectivement,
b etb’ des
aspects
dans les paysages actuels deC’Rn
etCRrn
en t. Cettecatégorie
admet une
sous-catégorie
formée des carrésdégénérés (IdB, a) :
b -> c, oùa :
An -> A’n
est unmorphisme
d’unCRn.
La
catégorie PG, qua,si-quotielt de Q
par cettesous-catégorie (au
sensde Ehresl1lann
[4a],
p.220)
estappelée
le paysageglobal
dusystème
en t.Ses
objets
s’identifient à desperspectives.
Proposition
1 Le paysageactuel Pn
dechaque CRn
en ts’identifie
à unesous-catégorie
dePGt,
etPGt
est muni d’unfoncteur
distorsion vers lesystème
recollant lesfoncteurs
distorsion b desP,,.
Deplus PGt
est solu-tion universelle du
problème
suivant : trouver unecatégorie
danslaquelle chaque CRn
a son paysageisomorphe
àPn.
Ainsi le paysage
global joue
le même rôle pour tout lesystème
derégu-
lation que son paysage pour un centre de
régulation particulier.
Le défautd’isomorphisme
du foncteur distorsionglobale b
mesure la différence entrele
système
lui-même et cequi
en est connu et contrôlé par lesystème
derégulation.
L’ensemble des flèches allant de
Pn
versPnt
dansPGt représente
les in-formations transmissibles de
Cf Rn
àCRm
en t.3 Sémantique dans
unSEM
Dans un
SEM, chaque CRn
vaprogressivement
"classifier" sesperspectives
sur les items mémorisés de la manière suivante :
Trace d’un
pattern.
Soit 8 unpattern (Bi)¡
dansI1t
OLl I est unecatégorie (cette
condition ne sertqu’à simplifier l’exposition) ;
on lui associe la sous-catégorie IIB
de lacatégorie-comma B 1 (CRn -> ht ) ayant
pourobjets
lesdifférents
aspects
desBi
observables dans le paysage actuelPi,
deCRn
en t.C’est une
catégorie
au-dessus deht
relativement au foncteur 7n :TnB -> C’R,, ,i
-Ii t (b : Bi -+ A ) ->
A .Le
pattern dans Pn
déterminé par lesperspectives
deTnB
estappelé
tracede B pour
CRn.
On dit que deux
patterns
B et B’ ont la mêmeCf Rn -forme (ou "shape"
enanglais,
cf.[2]
dontl’appendice
nous asuggéré
d’utiliser cettenotion)
siT,,B
et
TnB’
sontisomorphes
en tant quecatégories
au-dessus de1(t.
D’où uneclassification relative à
CRn
despatterns
observables dans son paysage,qui
modélise par
exelnple
la formation d’invariantsperceptuels
pour unsystème
neuronal.
CRn-Sens.
Au cours del’apprentissage
desCRn
des niveauxsupérieurs,
cette classification pourra s’internaliser par formation de nouvelles limites
comme suit :
Si B est un
pattern
réduit à un seuloljet B,
onappelle CRn-sens
deB,
noté
sn B,
une limite dufoncteur 7-,, : TnB - lBt.
Les
CRu-sens
en t sont lesobjets
d’unesous-catégorie
deMem,
notéeCRn-
sens,
isomorphe
à unesous-catégorie
de lashape-catégorie
deHolsztynski
pour
C’Rn
->ht (cf. [2],
p.30).
Parexemple,
dans lesystème
neuronal d’un animalsupérieur,
les sens relatifs à, un CR d’ordresupérieur
modélisent desconcepts ;
et lelangage
consistera àreprésenter
chacun d’eux par un mot.Proposition
2Su B,
s’ilexiste, cL
mêmeC1Rn -forme
que B . Et les perspec- tives deCRn -sens forment
unesous-cotégorie
du paysage actuelPn
deCRn
en t, dans
laquelle
B admet uneperspective
desnB
pourré .fl ex* zon.
On définit de mêlne le
CR,
-sens d’unpattern
Bquelconque
comme étantla limite
snB
du foncteuranalogue TnB -> Kt.
Si8n Bi
existe pour chacun de sesobjets Bi,
on montre que8nB
est la colimite dans Plein dupattern (snBi)iEI
dont les liens sont déduits de ceux entre lesBi .
Parexemple
un senspour un CR moteur dans un
système
neuronalreprésentera
une commandede mouvement, d’autant
plus complexe
que le niveau du CR estplus
élevé.4 Processus d’apprentissage relatif à
unCR [6-8]
Dans un
systèle
naturelcomplexe auto-organisé (tel
unsystème biologique
ou
neuronal),
l’évolution au cours dutemps
est contrôlée et mémorisée con-jointement
par les différents centres derégulation
sur leurs paysages respec-tifs,
en tenantcompte
à chacune de leursétapes
desinputs
externes, de l’étatinterne,
et desexpériences antérieures,
le but étant d’arriver à la meilleureadaptation possible.
Pour modéliser ce processus dans unS’ENI ,
nous utili-serons les notions suivantes.
Stratégie.
Sur unecatégorie
K avec un 0 unestratégies
est la donnée d’un ensemble depatterns
C "àrecoller",
d’un ensemble depatterns
L "à ac-tiver", d’oiijets supplémentaires
"àajouter", d’objets
ou de flèches de K "àsuppr imer" .
Ceci se traduit par la donnée d’uneesquisse
mixte(au
sens de[4b],
p.449) E
sur unesupercatégorie
de1(, ayant
un cocône de base C pourtout
pattern
C àrecoller,
un cône de base L pour toutpattern
L àactiver,
un cocône à base vide et de sommet Z pour tout
objet
Z àsupprimer.
Complexification.
Lacomplexification
de hpour E
sera leprototype
decette
esquisse (au
sens de[4b],
p. 451),
c’est-à-dire la solution duproblème
universel de
plonger l’esquisse
dans unecatégorie
avecobjet
initial 0 de sorteque tous les
(co)cônes distingués
deviennent(CO) limites,
les sommets descocônes à base vide devenant 0.
Dynamique
pour un CR. Dans unSEM, chaque C’R,, agit
par l’inter- médiaire de son paysageactuel,
àchaque instant tk
de sa propre échelle detemps.
Lesystèlne
étant connujusqu’en tk
cette action est modélisée par le choix d’unestra,tégie £n
sur le paysage actuelPn
deCRn
en tk et par la construction de lacolnplexification correspondante, appelée
paysageanticipé
pour
tk+1 (fin
del’étape) .
Dans unsystème neuronal,
les patterns à recollerpourront représenter
les informations transmises par desrécepteurs
et leurrecollement sert à les
mémoriser,
ou à lesrappeler
s’il existedéjà
dansMelm ;
les
patterns
à activercorrespondent
à des commandes d’effecteurs sous forme depatterns
dansCRu-sens,
les itenls àsupprimer
seront inhibés.La
stratégie En
ne serarépercutée
ausystème
que par l’intermédiaire du foncteurdistorsion,
de sorte que lepaysage P’n
deCRn
entk+1 peut
être différent du paysageanticipé Pu *. D’après
lapropriété
universelle de lacomplexification
on a un foncteurcomparaison
dePn
versP’n (cf. [6]),
dontle défaut
d’isomorphisme
mesure l’erreur d’évaluation deCRn ,
etqui
seramémorisé comme résultat de
Zn
à,l’étape
suivante.Mémorisation d’une
stratégie.
Etant donnée unestratégie Z
surPn,
soit ,S’ le
pattern
recollant les différentspatterns distingués par E. -
1. Lasituation
sous-jacente
à E sera mémorisée par leCR,,-sens
S’ dupattern image
de S par ladistorsion b ; -
2. Lastratégie
sera mémorisée par leCRu-sens
S’ du pattern dansht
construit comme suit : on recolle à, S un cône-colimite de dC dans Mem pour toutpattern
C àrecoller,
un cône-limite de baseTnbL
et de sommetsnL (cf. §3)
pour toutpattern
L àactiver,
unisom1rphisme
de Z vers 0 pour toutobjet
Z àsupprimer.
On a une flèchede S’ vers I:’ dans Meln.
Au cours du
temps,
l’ensemble desstratégies
mémoriséesengendre
unsous-système
évolutif deMeni, qu’on appelle Strat,
etqui
lnodélise la mé- moireprocédurale
du SEM.Evaluation et choix des
stratégies.
On suppose quechaque C1Rn
est munid’un
agent
évalzcateurQn
dont lechamp
dansPn
est muni d’une fonction force vers R.Chaque stratégie
Z’ mémorisée dans Strat sera munie d’une flèche versnu.
Si le résultat est atteint à la fin del’étape (i.e.,
le foncteurcolnparaison
est unISOIllOlplllsllle),
la force de la flèche S’ -> S’ dans lechamp
deQn
estaugmentée,
sinon cette force est diminuée.(Nous
n’avonspas la
place
depréciser
ici la, manière dont les forces sontcalculées,
cecidépendant
desapplications; parfois
les forces neprennent
que deuxvaleurs,
modélisant un + et
un -. )
5 Comportement d’un système complexe
Ici nous
indiquons
de manière intuitive(cf. [6-8]
pourplus
dedétails)
com-ment la
dynamique globale
d’un SEM estrégie
par une"dialectique"
entreses différents
CR,,, qui explique l’émergence
dephénomènes complexes
etdont les
principales caractéristiques
sont les suivantes.Compétition
entre CR.Supposons
le SEM construitjusqu’à
l’instantt. En t les
stratégies Zn
choisies parchaque CRn
sur son paysage actuel àl’instant tk
de sa propre échelle detemps précédant t
peuvent être considéréescomme des
stratégies
sur le paysageglobal PG,
en t(celui-ci
"contenant" les diversP,,).
Si toutes cesstratégies
sontcompatibles,
elles sontrépercutées
par le foncteur distorsion en une
stratégie glolJale
sur!Bt,
et le nouvel état dusystème
sera obtenu parcomplexification
relativement à celle-ci. Maischacune
£n
étant choisi en tenantcompte
seulement deP"
cesstratégies peuvent
êtreincol11patibles,
parexemple
si l’uneexige qu’un
certainpattern
deht
soitsupprimé
et une autrequ’il
soit recollé. Dans ce cas, certaines desstratégies
doivent être modifiées.
Fractures. Pour
CRn,
si sastratégie En
nepeut
pas êtreréalisée, l’étape
encours est
interrompue
et on ditqu’il
y a fracture. Il faut a,lors débuter unenouvelle
étape
et choisir sur le nouvea,uprésent
a,ctuel deCRn
unestratégie qui
soit cohérente avec laCRn-trace
de lastratégie
effective dusystème.
Les fractures
jouent
un rôle essentiel dans la recherche de nouvelles stra-tégies
et donc dans la for1ation de processuscognitifs
d’ordresupérieur
pour dessystèmes complexes,
enparticulier
pour lessystèmes
neuronaux(cf. plus loin).
Interaction entre
stratégies.
Le choix desstratégies
par l’intermédiaire des paysages des différentsCfR,1
procure une certainesouplesse
ausystème,
car il l)énéficie d’un double aléatoire : -1. Plusieurs
stratégies
pourCRn peuvent
avoir la mêmerépercution
ausystème,
car despatterns
différents du paysage ont le mêmeCRn-sens
ou conduisent à un même recollement(i.e. colimite)
dans Mel11. - 2.Inversement,
unpattern
dusystème
ne seraactivé ou recollé que si ses traces pour
plusieurs CRn,
le sontconjointement.
Un
pattern
C du paysage deCR,,
y étant la trace de diverspatterns
duSystellle,
il pourra intervenir dans desstratégies globales
différentes selon les traces choisies par l’iltermédiaire des autres CR. Ainsi unestratégie
deniveau
supérieur peut s’adapter
à des situationsanalogues,
mais où certaines"variables" sont
changées,
cequi
donne un modèlemathématique
de la notionde "cadre"
proposée
parMinsky [10].
Intrication des échelles de
temps.
La différence des durées desétapes
pour des
CRn
de niveaux différentsjoue
un rôleimportant
dans l’évolution du SEM. Ainsipendant
une seuleétape
d’unCR,,,
de niveauélevé,
s’écoulentplusieurs étapes
d’unCRn
de niveau inférieur. Leschangements
causéspar celui-ci au
système
ne sont observables parCfR111 qu’après
coup(son
délai de
propagation
étantlong),
mais leur accumulationrisque d’y
créerultérieurement une fracture. Dans ce cas, la nouvelle
stratégie
choisie parCR1n peut rétroagir
surCRn
en luiimposant
une nouvellestratégie après
fracture.
Ainsi il s’instaure une sorte de
dialectique
entre CRhétérogènes
de par leurs échelles detemps
et leurs niveaux decomplexité :
ladyllallllque glo-
bale
dépend
surtout à court terme desCRn
des niveauxinférieurs,
maiselle est modulée à
long
terme par lesstratégies
des niveauxsupérieurs
dontles fractures se
répercutent
aux niveaux inférieurs en leurimposant
de nou-velles
stratégies.
Cettedialectique explique
aussi comment unsystème
com-plexe peut
avoir uncomportement in1prévisible
àlong
terme, même s’il estentièrement déterminé localement
(au
niveau dechaque CR) .
Dans les
applications
où le paysage d’unCRm
de niveau élevé est"pon-
déré" de sorte que son évolution soit décrite à l’aide de la variation de cer-
tains
paramètres numériques,
celui-ci aura lecolportement
d’unsystème dy- namique classique pendant
chacune de sesétapes,
mais lesétapes
sont inter-rompues
(fracture)
parl’apparition
d’unesingularité obligeant
à unchange-
ment de
paramètre.
Ceci montre que les SEMrépondent
auproblème
soulevépar Rosen
[11] d’approcher
unsystème complexe "locally
andtemporarily"
par des
systèmes sllllples ( à savoir,
les paysages desCR,,, pendant
une deleurs
étapes),
avecCllallgelllellt d’approlimation
"when thediscrepancy
be-comes intolera1)le". De
plus,
comme dansl’apJroche géométr ico-topologique
de Thom
[12],
onpeut
dire que lamor phologie
est décrite par les "catastro-phes" (fractures);
toutefois ceci nes’applique qu’à
ladescription
au niveaudu paysage d’un
CRm
et, par suite de l’intrication desniveaux,
n’entraînepas l’existence d’universaux
morphologiques globaux.
Contraintes structurales
temporelles.
On associe àCRn
à l’instant t les trois nombres suivants :- la durée moyenne
Cn (t)
desétapes
pourC1Rn précédant t ;
- le délai de
propagation dn(t)
pourl’étape
en cours ;- la moyenne
dn( t )
des empans de(?7?
-1)-stabilité
en t desobjets
dontles
perspectives
interviennent dans le paysage actuel en t(où
ni est leniveau des
agents
deCRn) .
Pour que
l’étape puisse
sedérouler,
il faut que ces Ttombresvérifient
lesinégalités
suivantes:dn(t)cn(t)dn(t),
où «
signifie
"d’un ordre degrandeur plus petit",
et ce pourtout t,
saufsur un ensemble de mesure
nulle, pendant
la durée du SEM.Le vieillissement du SEM est caractérisé par le fait que, pour certains
CRn,
lesrapports dn(t)/dn(t)
etdn( t)/cn(-)
diminuent pour presque tout t àpartir
d’un certain tn . Pour maintenir les contraintestempor elles précédentes,
les différents CR doivent alors
allonger
la duréecn( t )
de leursétapes,
d’oùune "cascade" de
désynchronisations
successives pour les CR. Cemodèle, appliqué
au SEM associé à unorganisme,
unifie les différentes théories du vieillissement connues(Ces
résultats sontexposés
dans un article"Memory
Evolutive
Systerns :
anApplication
to anAging Theory" ,
àparaître ;
cf aussi[5]
et[7]).
Rétro-spection
etpro-spective.
Le paysage actuel deC1Rn
a été formé àpartir
des paysages instantanés durant sonprésent actuel,
en n’en retenantque les
aspects
observablespendant
tout ceprésent.
On dit queCRn
a laproprzété
derétro-spection si,
au moment d’unefracture,
le paysage actuelPn
del’étape
en courspeut
être rétroactivement étendu en unecatégorie Pn
danslaquelle
sont rendues observables desperspectives qui
nefiguraiènt
lJas dans
Pn
bienqu’appartenant
aux paysages instantanésayant
servi à le construire. Ce processuspermet
de rechercher la cause de la fracture en re-montant du résultat obtenu E’ aux situations S’
qui
ont pu leproduire
à l’aidedes flèches S’ -> S’
(cf. §4)
observables dansPn.
Ledéveloppement
d’un telprocessus
pour r ait
caractériser lephénomène
de conscience dans unsystème neuronal,
selon des idées deChangeux [1]
et de Edelman[3] ; biologique- ment,
il résulter ait de l’activation de cer taines boucles par un renforcement del’attention,
donnant accès à des items de niveaux infér ieur s initialement"cachés"
(cf. [8]).
Un tel
CRn
de niveausupér ieur peut avoir,
deplus,
lapropriété
depro-spective qui
luipermet
deplanifier
dans sonpr ésent
actuel le choix destr atégie
pourplusieur s étapes successives,
avecpr évision
desr isques
de frac-tures,
en utilisant encore lesstratégies
mémor isées avec leurs résultats. Ce pr ocessus nécessitequ’il
y ait for mation deconcepts
et destr atégies
deplus
enplus complexes représentables
par unesimple
unité dansCRn-Sens (COI11111e
dans le cas du
langage).
Références
[1]
J.-P.Changeux,
L’hommeneuronal, Fayard,
Paris 1983.[2]
Cordier &Porter, Shape Theory, Wiley
1989.[3]
G. M.Edelman,
The rememberedPresent,
BasicBooks,
1989.[4]
C.Ehresmann,
Oeuvrescomplètes
et commentées:a)
III;b)
IV. Amiens1983.
[5]
Ehresmaim &Vanbremeersch,
Hierarchical evolutivesystems : a
mathe- matical modelfor complex systems,
Bull. Math.Biology,
49 N°1(1987),
13-50.
[6]
Ehresmann &Vanbremeersch,
Modèle d’interactiondynamique
entre unsystème complexe
et desagents,
Revue Intern.Systémique
3(1989),
315-341.
[7]
Ehresmann &Vanbremeersch,
Un modèle pour dessystèmes évolutifs
avec
mémoire,
basé sur la Théorie desCatégories,
Revue Intern.Systémique
5 N°1(1991),
5-25.[8]
Ehresmalin &Vanbremeersch,
How doheterogeneous
levels with hierar- chical modulation interact on asystem’s learning
process?,
Proc. Intern.Symposium
onSystems Research,
Baden-Baden 1991(and
Baden-Baden1992,
toappear) .
[9]
D. O.Hebb,
Theorganization of behavior, Wiley
1949.[10]
M.Minshy,
TheSociety of Mind,
Simon &Schuster,
1986.[11]
R.Rosen, Orgarzisms
as causalsystems
which are not mechanisms ...;In : Theoretical
Biology
andComptexity,
AcademicPress,
New York1985.
[12]
R,.Thom,
Modèlesmathématiques
de lamorphogénèse,
Union Gén.d’Edition,
Collection10/18,
Paris 1974.Faculté de
mathématiques
etd’informatique
33 rue Saint-Leu 80039 Amiens