Que sont les réseaux de neurones flous?
Les réseaux de neurones flous sont des systèmes logiciels qui tentent de donner une idée approximative du fonctionnement du cerveau humain. Pour ce faire, ils utilisent deux domaines de recherche clés en informatique: le développement de logiciels de logique floue et l’architecture de traitement de réseau neuronal. Le logiciel de logique floue tente de prendre en compte les zones d'ombre du monde réel dans la structure de prise de décision des programmes informatiques, qui vont au-delà des simples choix du type oui ou non. La conception de réseaux de neurones artificiels crée des nœuds logiciels qui imitent la fonctionnalité et la complexité de la façon dont les neurones interagissent dans le cerveau humain. Ensemble, la logique floue et la conception de réseaux neuronaux créent un système neuro-flou que les chercheurs utilisent pour expérimenter des problèmes complexes comme le changement climatique ou pour développer une robotique à intelligence artificielle.
Le micro-ordinateur moyen à partir de 2011 effectue des calculs à un taux incroyable de milliards d'instructions par seconde. Cela représente une augmentation exponentielle de la vitesse de traitement dès les premiers jours du développement informatique, bien que cette croissance n'ait montré aucune capacité à raisonner de la manière complexe que même de simples organismes biologiques font. Cela est dû en partie aux limitations de base auxquelles le traitement informatique est toujours confronté, et les réseaux neuronaux flous tentent de contourner ces limitations.
On estime que le cerveau humain moyen effectue 100 000 000 000 000 d'instructions toutes les secondes à l'aide de sa structure neuronale, analogue au fonctionnement des microprocesseurs. En revanche, un système informatique moyen en 1999 était 24 000 fois plus lent et un modèle précédent, en 1981, 3 500 000 fois plus lent que le cerveau humain pour effectuer des calculs. Il faudrait 8 000 ordinateurs personnels étroitement interconnectés ainsi que des processeurs de 2,1 gigahertz disponibles sur le marché de 2011 pour se rapprocher de la vitesse d'un cerveau humain moyen. Un supercalculateur capable d'effectuer des calculs aussi rapides que le cerveau humain ne serait toutefois pas synonyme du même pouvoir de raisonnement que celui utilisé pour analyser des données contradictoires dans le monde réel, où interviennent les réseaux de neurones flous.
Les éléments clés qui rendent les réseaux de neurones flous uniques par rapport aux autres types de traitement informatique sont leur capacité à reconnaître les formes, compte tenu du manque de données permettant de tirer des conclusions définitives, et leur capacité à s'adapter à l'environnement. Les réseaux neuronaux flous utilisent des algorithmes neuronaux conçus pour changer et se développer lorsqu'ils rencontrent de nouveaux ensembles de données à traiter. Pour ce faire, ils abordent les problèmes de deux points de vue distincts et combinent les résultats en solutions significatives aux problèmes.
Le logiciel Fuzzy est basé sur des règles de programmation permettant d'estimer les niveaux de vérité lorsque des contradictions apparaissent dans les données, ce qui est évident du point de vue humain. Déterminer qui est «grand» ou qui est «petit» dans un groupe de personnes, par exemple, en utilisant un traitement informatique traditionnel, créerait une ligne définitive dans laquelle les deux groupes seraient séparés et il n'y aurait pas de fourchette intermédiaire. Une personne de 1,83 mètre de haut serait classée dans la catégorie courte si elle était en dessous de la moyenne, alors qu'une personne de 1,85 mètre (6 pieds et 1 pouce) serait classée dans la hauteur. Avec un traitement flou, la fourchette de ce qui est considéré haut / court changera continuellement à mesure que le groupe change et que les décisions sont prises selon un gradient plus raisonnable.
Les réseaux de neurones, en revanche, ne disposent pas de règles prédéfinies et tirent toutes leurs conclusions sur la base de l'observation. Le fonctionnement sans règles prédéfinies peut créer des informations uniques sur des données qui ne sont autrement pas apparentes lorsque des hypothèses antérieures ont été établies dans la programmation floue ou dans les ensembles de règles de programmation classiques. Les résultats du logiciel flou et du traitement de données sur réseau neuronal sont combinés dans des systèmes neuronaux flous de manière à ce que les organismes biologiques apprennent et s’adaptent au sein de leur environnement. Au fur et à mesure que le système s'adapte aux données qu'il rassemble, il modifie la façon dont il traite ces données pour devenir plus efficace dans la résolution de problèmes futurs.
Le traitement neuronal, qu’il s’agisse de la programmation neuronale dans un ordinateur ou d’un cerveau biologique, est une méthode qui donne un poids supplémentaire à certains points de données en fonction de résultats d’observation. L'élément flou des réseaux neuronaux flous permet de modéliser avec plus de précision les conditions réelles que par le passé avec les processeurs informatiques classiques, bien que ce niveau de modélisation fin ne conduise souvent pas à une amélioration significative des performances lorsque la logique floue est utilisée comme contrôle par rapport à un ordinateur conventionnel. contrôles. L’avantage ultime des réseaux neuronaux flous est qu’ils ont le potentiel de développer un niveau de réflexion et de décision indépendant et rudimentaire qui s'adapte aux changements de leur environnement.