Parallelisme et modularite des modeles connexionnistes

Le connexionnisme permet de resoudre des problemes en simulant des reseaux de neurones. La mise en uvre d'un reseau de neurones artificiels impose de lourds calculs et motive l'utilisation des machines les plus puissantes : les ordinateurs mimd a memoire distribuee. Cette these s'interesse plus particulierement a la parallelisation d'un classifieur incremental. Ce modele connexionniste discrimine un ensemble de donnees en classes, des cellules sont ajoutees en fonction des besoins. Une premiere parallelisation distribue l'espace d'entree du reseau entre les processeurs. Le classifieur parallelise suit parfaitement le comportement sequentiel. L'acceleration maximale est d'autant plus grande que la dimension de l'espace d'entree est elevee. Plusieurs parallelisations, dites modulaires, sont egalement proposees en parallelisant non plus le reseau mais l'apprentissage. Le comportement parallele du modele differe du comportement sequentiel mais les performances en classification sont maintenues. Une specialisation des modules permet d'atteindre une acceleration optimale. Le developpement d'une version asynchrone rend tout le travail realise independant de la machine cible en utilisant une machine virtuelle. Au-dela d'une utilisation en ingerieurie, le connexionnisme permet de modeliser et de comprendre le vivant dans le cadre des sciences cognitives. Le classifieur est notamment mis a contribution pour simuler un phenomene d'amorcage de repetition. Par ailleurs, l'experience accumulee sur le classifieur est mise a profit pour analyser les resultats d'experiences olfactives. Ce travail permet de valider une hypothese faite par les neuropsychologues sur le systeme perceptif olfactif. La these s'acheve sur la perspective de modeliser les processus de memorisation humains en associant des classifieurs incrementaux a une memoire associative. Ce nouveau systeme, hautement modulaire, ouvre un champ d'application tres large.