Modélisation mathématique de la dépression synaptique et des périodes réfractaires pour le Quantron

La reconnaissance de formes est un mécanisme omniprésent dans le cerveau humain. Dans le cas des ordinateurs, ce mécanisme est plus complexe et plus lourd à effectuer. Des modèles de réseaux de neurones artificiels (RNA) ont été développés afin de pallier aux limites des machines. Le Quantron, dont le potentiel à générer des formes hautement non-linéaires a été démontré, est cependant incapable de produire des formes entièrement convexes. L'idée de raffiner le modèle du Quantron en y ajoutant des considérations biologiques est explorée. La dépression synaptique et les périodes réfractaires servent de tremplin pour ce raffinement, dans le but d'augmenter le potentiel de reconnaissance du Quantron. L'influence de la dépression synaptique est testée en développant trois modèles différents. Le premier modèle correspond à une dépression très brusque. Le deuxième modèle représente une dépression plus lisse. Le troisième modèle se rapproche encore plus de la réalité. Ces modèles ont amené une variabilité inhibitrice importante pour les frontières de séparation. Ils ont également permis d'obtenir des formes convexes presque circulaires (îlots). L'ajout de périodes réfractaires a également été étudié en développant trois modèles supplémentaires. Ceux-ci ont montré que la contribution aux frontières de séparation des périodes réfractaires, sous formes de processus stochastique, est significative, mais peu ciblée. En combinant ces deux notions biologiques on a pu montrer, notamment grâce aux propriétés excitatrices et inhibitrices des périodes réfractaires, ainsi qu'à travers la capacité de filtre fréquentiel de la dépression, que le nouveau Quantron ainsi créé peut générer, pour la première fois, des îlots convexes en utilisant très peu de paramètres.