École Nationale Supérieure de
Techniques Avancées

Résumé

L’objectif principal de ce projet était d’explorer l’implémentation de SRNNs intégrant des mécanismes de contrôle par rétroaction. Plus précisément, j’ai étudié comment un contrôle par rétroaction biologiquement réaliste, par la modulation du gain et du décalage, peut améliorer les performances des SRNNs pour générer des sorties cibles telles que des ondes sinusoïdales. En utilisant le modèle de neurone Leaky Integrate-and-Fire (LIF), j’ai implémenté un réseau neuronal à spiking, intégrant à la fois des architectures feedforward et récurrentes. J’ai étudié l’application du contrôle par rétroaction pour moduler les gains et les décalages des neurones, tandis que l’apprentissage hebbien a été utilisé pour mettre à jour les poids synaptiques. Les résultats ont montré que le réseau, une fois entraîné, pouvait maintenir des sorties cibles, indiquant un transfert réussi de l’apprentissage des gains aux poids synaptiques. L’étude a également abordé les défis posés par la non-différentiabilité des spikes, en utilisant des approches de gradient de substitution pour assurer une rétropropagation efficace. Ce travail contribue à la compréhension de la manière dont les réseaux neuronaux peuvent imiter les processus d’apprentissage biologiques, faisant avancer le domaine des neurosciences computationnelles.