Les réseaux neuronaux artificiels sont modélisés à partir des réseaux neuronaux biologiques qui constituent notre cerveau; ils sont utilisés pour permettre aux ordinateurs d’apprendre de la même manière que nos cerveaux. Par exemple, nous apprenons à différencier les concepts au fil du temps par la répétition, après avoir vu tant de variétés d’arbres et de fleurs, nous apprenons quel est le modèle d’un arbre et pouvons reconnaître les arbres dans le futur même s’il s’agit d’une nouvelle variété. Certaines caractéristiques des arbres-branches-feuilles-tronc-sont connues pour être connectées, et lorsqu’elles sont activées ensemble, nous reconnaissons qu’il s’agit d’un arbre. Un réseau neuronal artificiel agit de manière similaire; les connexions entre les neurones artificiels se renforcent avec le temps si elles sont fréquemment activées ensemble, dans ce que l’on appelle l’apprentissage “hébbien”.
Cependant, ce modèle n’est pas infaillible, car cette forme d’apprentissage simple peut rapidement conduire à des connexions trop dominantes qui empêchent l’apprentissage créatif. Par exemple, lorsque les connexions entre branches-feuilles-tronc-Arbre sont trop puissantes, le réseau arborescent pourrait détourner toute donnée pertinente, telle que les feuilles d’un trèfle à quatre feuilles, et négliger d’autres voies possibles. C’est ce qu’on appelle une «boucle de rétroaction restrictive», car un ensemble de connexions empêche d’autres personnes de se former et se renforce essentiellement de manière répétée au-dessus de toutes les autres.
Un article récent (Thiele, Diehl, & Cook, 2017) a proposé d’implémenter un algorithme de «veille-sommeil» sur un modèle de réseau neuronal artificiel pour corriger ce problème. La phase de veille désactivera essentiellement le mode d’apprentissage Hebbian temporairement, c’est-à-dire désactivera la force des connexions, et permettra plutôt à l’entrée aléatoire de parcourir le réseau sans préjugés. Ceci est assimilé au processus de rêve chez les humains.
Dans le même temps, dans le domaine de la recherche sur le rêve humain, des modèles similaires ont été proposés pour décrire les fonctions de «désapprentissage» de l’état de sommeil et de rêve REM. Dans deux articles théoriques récents, les auteurs Malinowski et Horton (2015) suggèrent un processus de «décontextualisation» dans le rêve – un processus de décomposition des mémoires en petits fragments qui sont ensuite associés à de nombreuses traces de mémoire. ne serait pas formé pendant le sillage. Ce processus repose en partie sur «l’hyperassociativité» de l’état de rêve.
L’hyperassociation fait référence à l’augmentation des connexions entre les mémoires qui ne seraient que faiblement associées au réveil. Alors que de nombreux chercheurs s’accordent sur le fait que le rêve et le sommeil paradoxal sont caractérisés par une hyperassociativité, Malinowski et Horton suggèrent que ces connexions lâches peuvent être à l’origine de la perspicacité et de la créativité résultant du sommeil.
Les auteurs démontrent l’hyperassociation de rêver dans plusieurs exemples de bizarreries de rêves: les rêves réunissent des éléments de mémoire inhabituels – un ami pourrait être personnifié par un chat; le récit d’un rêve peut changer brusquement – votre maison se transforme soudain en bureau de travail; Les rêves rassemblent des éléments du passé lointain avec le passé récent ou même le futur anticipé – vous donnez un discours à venir dans votre ancien lycée.
Des recherches expérimentales ont également montré que la cognition est hyperassociative après le réveil du sommeil paradoxal. Les sujets donneront des réponses peu communes à une tâche d’association de mots et privilégieront les paires de mots sémantiques faiblement liées par opposition aux paires de mots fortement liées. Les preuves concordent avec la suggestion d’un état de sommeil qui soulève temporairement les autoroutes «hébbiennes» de la pensée éveillée.
Hartmann (1996) a également suggéré que, dans l’éveil, les informations circulent de manière linéaire, tandis que dans le rêve, il n’y a pas de direction pour le flux d’informations, il est libre d’avancer ou de reculer vers des concepts plus vaguement liés. Cela peut être essentiel pour décomposer les mémoires en fragments qui peuvent être mieux intégrés dans le réseau dans son ensemble. Cette fonction est peut-être mieux démontrée par ce qui se passe quand elle échoue. Par exemple, dans le syndrome de stress post-traumatique, les cauchemars récurrents qui rejettent un traumatisme peuvent persister pendant des décennies après une expérience traumatique. Cela rappelle une «boucle de rétroaction restrictive» trop puissante et dominante, et toute entrée pertinente déclenchera le fonctionnement du circuit entier. Ainsi, le système est incapable de «désapprendre» un traumatisme, incapable de le décomposer et de créer de nouvelles connexions à sa place.
Bien que l’hyperassociativité dans le rêve puisse présenter certains avantages pour l’intégration des souvenirs émotionnels et la stimulation de la créativité, on pourrait affirmer que cette caractéristique de désapprentissage est à la base une nécessité mécaniste pour tout réseau neuronal de ce type pour éviter les «boucles de rétroaction restrictives». En fait, dans le réseau de neurones artificiels décrit plus haut, les expérimentateurs ont constaté que l’ajout d’une phase «de rêve», où l’apprentissage hébbien était désactivé, permettait une multiplication par dix des taux d’apprentissage, évitant les boucles de rétroaction restrictives. tous ont donné à leurs réseaux neuronaux artificiels le plaisir inattendu de rêver.
Les références
Carr, M. et Nielsen, T. (2015). Les siestes REM matinales facilitent l’accès aux réseaux sémantiques émotionnels. Sleep, 38 (3), 433-443.
Hartmann, E. (1996). Esquisse d’une théorie sur la nature et les fonctions du rêve. Rêver, 6 (2), 147.
Horton, CL et Malinowski, JE (2015). Mémoire autobiographique et hyperassociativité dans le cerveau rêveur: implications pour la consolidation de la mémoire dans le sommeil. Frontières en psychologie, 6.
Malinowski, JE et Horton, CL (2015). Métaphore et hyperassociativité: les mécanismes d’imagination de l’assimilation des émotions dans le sommeil et le rêve. Frontières en psychologie, 6.
Thiele, J., Diehl, P. et Cook, M. (2017). Un algorithme de veille-sommeil pour les réseaux neuronaux récurrents. arXiv preprint arXiv: 1703.06290.
