65
2010 - 2011 MEMOIRE DE RECHERCHE Sebastien Bernaud - Thomas Provoost Maître de mémoire : Alain Lioret Vie Naturelle et Artificielle Apports à la Science

Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

  • Upload
    dinhbao

  • View
    215

  • Download
    0

Embed Size (px)

Citation preview

Page 1: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

2010 - 2011

MEMOIRE DE RECHERCHE

Sebastien Bernaud - Thomas Provoost Maître de mémoire : Alain Lioret

Vie Naturelle et Artificielle

Apports à la Science

Page 2: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Merci à M. Lioret pour nous avoir accompagné tout

au long de l’écriture de ce mémoire.

Page 3: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

i

SOMMAIRE

Introduction 1

Vie Artificielle ....................................................................................................................... 1

Evolution de l’Intelligence Artificielle .................................................................................. 2

Dates clefs de l’Intelligence Artificielle ......................................................................... 2

Parallèle : Evolution de la puissance des ordinateurs ..................................................... 3

1 Biologie : source d’idées pour l’Intelligence Artificielle 5

1.1 Algorithmes génétiques – Genetic Algorithms .............................................................. 5

1.1.1 Définition d’un algorithme génétique ................................................................... 5

1.1.2 Fonctionnement ..................................................................................................... 6

1.1.3 Choix du codage.................................................................................................... 8

1.1.4 Fonction d’évaluation ........................................................................................... 8

1.1.5 Méthodes de sélection ........................................................................................... 8

1.1.6 Croisements et mutations ...................................................................................... 9

1.2 Réseaux de neurones – Neural Networks ..................................................................... 11

1.2.1 Neurone formel ................................................................................................... 11

1.2.2 Réseau de neurones artificiel .............................................................................. 13

1.2.3 Apprentissage ...................................................................................................... 14

1.2.4 Architectures ....................................................................................................... 15

1.3 Automates Cellulaires – Cellular Systems ................................................................... 18

1.3.1 Définition ............................................................................................................ 18

1.3.2 Le Jeu de la Vie de Conway – Conway’s Game of Life ...................................... 20

1.3.3 Portée des Automates Cellulaires et du Jeu de la Vie ......................................... 24

1.4 Automates cellulaires autoréplicateurs ......................................................................... 24

1.4.1 Von Neumann ..................................................................................................... 25

1.4.2 Boucle de Langton .............................................................................................. 28

2 Intelligence Artificielle : l’informatique au service de la Biologie et de la Science 30

2.1 Automates Cellulaires .................................................................................................. 30

2.2 Des L-systèmes partout dans la nature ......................................................................... 31

2.3 Boids : une nuée comme une autre ............................................................................... 33

2.4 Apparition de la Vie ..................................................................................................... 34

2.4.1 Préambule : Soupe Primitive............................................................................... 34

2.4.2 Core War : MARS............................................................................................... 34

Page 4: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

ii

2.4.3 VENUS : évolution de Core War ........................................................................ 36

2.4.4 Tierra : nouveau modèle pour la Vie Artificielle ................................................ 37

3 Le Futur de la Science : Recherche 40

3.1 Génome ......................................................................................................................... 40

3.2 Vision du monde naturel par les organismes artificiels ................................................ 41

3.3 Nouvelle Conception de l’Intelligence Artificielle ...................................................... 42

3.3.1 Intelligence Globale Artificielle.......................................................................... 42

3.3.2 Mind Machine Project ......................................................................................... 43

3.3.3 Un Futur Incertain ............................................................................................... 45

Conclusion 46

4 Annexes - 1 -

4.1 Rappels de Biologie ................................................................................................... - 1 -

4.1.1 ADN ................................................................................................................. - 1 -

4.1.2 Génétique et Evolution..................................................................................... - 2 -

4.1.3 Neurones et Réseaux de Neurones ................................................................... - 5 -

4.2 Informatique .............................................................................................................. - 7 -

4.2.1 Machine de Turing ........................................................................................... - 7 -

4.2.2 Isaac Asimov .................................................................................................... - 8 -

4.3 Applets Web .............................................................................................................. - 9 -

Lexique - 10 -

Bibliographie - 12 -

Page 5: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

1

INTRODUCTION

VIE ARTIFICIELLE

« La vie : état de ce qui n'est pas inerte. La vie artificielle : domaine de recherche qui

cherche à expliquer la définition précédente.1 »

Définir le concept de la vie artificielle est un processus complexe. On peut du moins partir

sur le principe suivant : quel que soit le système artificiel étudié, il doit être créé par l’homme.

Si l’on s’attarde sur les êtres vivants, on peut voir émerger certaines caractéristiques com-

munes à tous, telle leur autonomie, leur capacité à apprendre, mais aussi à interagir avec leur

environnement en s’y adaptant. On peut également y ajouter la présence de comportements en

tant qu’individus et groupes, et donc la possibilité de se reproduire. A partir de cela, on peut

considérer qu’un système artificiel possédant une ou plusieurs des caractéristiques citées

précédemment est une forme de vie artificielle.

Depuis l’invention de la machine de TURING, l’être humain ne cesse d’améliorer ses

compétences dans le domaine de l’Intelligence Artificielle. D’abord avec des systèmes

permettant des calculs simples, puis l’évolution des techniques a été fulgurante, notamment

grâce à une technologie de plus en plus puissante. Cependant, cela est également dû à des

idées toujours plus novatrices. On trouve aujourd’hui certains algorithmes qui permettent de

simuler des comportements et des caractéristiques d’êtres vivants comme la faculté de

reproduction, d’adaptation ou encore même la capacité d’apprentissage. Le but ultime de

toutes ces évolutions serait, dans le domaine de la vie artificielle, de parvenir à recréer de la

main de l’homme la vie et non pas une simulation de celle-ci.

De nos jours, l’utilisation d’ « intelligences » est courante pour remédier à des problèmes

dans de nombreux domaines de l’informatique, mais pas seulement. En effet, nous observons

une véritable synergie entre vie naturelle et artificielle. Chacun puise dans les ressources de

l’autre afin de faire évoluer les pensées et faire avancer le monde scientifique. Une question

ressort de ce paradoxe :

« En quoi la coopération entre Biologie et Intelligence Artificielle nous permet-elle de

progresser plus vite dans ces deux domaines, et dans la science en général ? »

Le but de ce document est de répondre à cette question, en étudiant plus en détail tant le

côté biologique qu’informatique, comment et surtout pourquoi chacun puise ses ressources

dans l’autre. Nous verrons ensuite le futur de cette synergie.

____________________

1RENARD (8)

Page 6: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

2

EVOLUTION DE L’INTELLIGENCE ARTIFICIELLE

DATES CLEFS DE L’INTELLIGENCE ARTIFICIELLE

Page 7: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

3

PARALLELE : EVOLUTION DE LA PUISSANCE DES ORDINATEURS

Depuis la création des premiers ordinateurs, les capacités (vitesses de calcul, capacités de

stockage, etc.) de ceux-ci n’ont cessé d’augmenter de manière exponentielle et semble

continuer dans cette voie.

Ces évolutions ont été une aubaine pour les domaines touchant à l’Intelligence Artificielle,

permettant ainsi d’appliquer des algorithmes de plus en plus complexes, traitant un nombre

de données toujours plus important.

Un exemple flagrant des bénéfices de cette évolution est le jeu de la vie de CONWAY qu’il a

à l’origine mis au point sur un jeu de Go, puisqu’il n’avait pas les moyens informatiques en

1970 pour le simuler. C’est aussi le cas d’autres théories qui n’ont pu être vérifiées que tard

après leur apparition, suite à la progression des systèmes informatiques.

Le graphique à la page suivante est une illustration de cette évolution depuis les années

1900 comparant la puissance des ordinateurs avec les capacités cérébrales de créatures

biologiques. On y remarquera la croissance impressionnante, et surtout la courbe se

rapprochant de plus en plus du cerveau de l’être humain. Notons la forme de la courbe qui,

comme nous l’avons dit, se rapproche de la fonction exponentielle.

Page 8: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

4

Page 9: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

5

1 BIOLOGIE : SOURCE D’IDEES POUR L’INTELLIGENCE

ARTIFICIELLE

1.1 ALGORITHMES GENETIQUES – GENETIC ALGORITHMS

1.1.1 DEFINITION D’UN ALGORITHME GENETIQUE

« L'algorithme génétique ne fait que transposer ce que fait la nature à des systèmes

artificiels. Il simule les processus évolutifs Darwiniens et génétiques s'appliquant aux

chromosomes. Il transforme un ensemble d'objets mathématiques, une population

d'individus souvent représentés par des chaînes de caractères pour imiter les chaînes

d'ADN, chacun ayant une valeur d'adaptation, en une nouvelle population. » 1

Les algorithmes génétiques ont pour but d’apporter une solution en un temps

raisonnable à un problème lié à l’optimisation : c’est-à-dire qu’il est soit impossible de

trouver une méthode exacte, soit que la solution n’est pas connue. En effet, il peut

parfois être très lourd de faire de l’approximation, et il n’est pas envisageable de

trouver une solution en ne se basant qu’uniquement sur de l’aléatoire.

L’idée est d’utiliser les méthodes observées en biologie pour s’approcher lentement

mais surement de la solution. Le problème étant qu’avec ce type d’algorithmes, il peut

ne pas y avoir de solution, si bien qu’il faudra soit relancer un test, soit modifier les

facteurs d’évolutions liés aux facteurs de sélections, d’enjambements et de mutations2.

Il s’agit véritablement d’une technologie où il faut avancer « à tâtons », ce qui peut se

révéler pour le moins pénible.

Ce type d’algorithme fait l’analogie avec l’évolution naturelle de DARWIN3 : en

biologie, l’espèce la plus adaptée survie et se répand. Dans notre système, la solution

la plus adaptée, comme le plus court chemin d’un point à un autre, se répand parmi les

individus, et permettra l’évolution vers la solution finale.

____________________

1 TISSERANT, A. (2)

2 Voir Annexe

3 DARWIN, C., (1)

Page 10: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

6

1.1.2 FONCTIONNEMENT

Afin de représenter au mieux les conditions biologiques, les algorithmes génétiques

se basent sur quatre opérateurs de base 1:

- Evaluation

- Sélection

- Croisement

- Mutation

Ces opérateurs sont utilisés pour différentes étapes :

1. Evaluation : cette étape consiste à détecter le niveau d’adaptation de l’individu.

Pour faire simple, on va attribuer une note d’adaptation (« fitness ») qui permettra

d’ordonner les individus répondant au mieux à la solution ;

2. Sélection : cette étape est cruciale et à ne pas prendre à la légère, c’est à ce mo-

ment que l’on choisit quels individus seront choisis selon leur fitness. Ces

individus représentent les parents de la prochaine génération. Pour ce faire, diffé-

rentes méthodes existent :

a. Sélection par roue biaisée : les individus sont choisis au hasard, mais ils

ont plus de chance d’être sélectionnés s’ils ont une bonne fitness ;

b. Sélection par tournoi : on choisit aléatoirement un nombre défini d’indivi-

dus. On les compare ensuite selon leur fitness, et on prend le meilleur ;

3. Croisements et mutations : cette étape consiste à générer la nouvelle popula-

tion et à appliquer les différents brassages génétiques semblables à ceux de la

biologie :

a. Croisement : l’enfant créé dispose d’une partie de chaque parent ;

b. Mutation : une modification abrupte apparaît chez l’enfant.

Ces étapes seront répétées tant que l’on n’a pas trouvé de solution, ou que notre

nombre maximum de générations a été atteint.

Lorsque celui-ci a été atteint, et qu’aucune solution parfaite n’a été trouvée, il faut

soit relancer l’algorithme, soit changer le taux d’enjambements, le taux de mutations,

ou encore même les deux à la fois. Il est également parfois nécessaire de choisir une

méthode de sélection plus adaptée.

____________________

1HOLLAND, J. H. (30)

Page 11: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

7

Ces étapes peuvent être schématisées de la façon suivante :

Figure 1 – Schéma d’un algorithme génétique

Page 12: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

8

1.1.3 CHOIX DU CODAGE

Un des éléments fondamentaux lors de la mise en place d’un algorithme génétique

est la manière dont vont être codés les chromosomes (individus). De manière générale,

il n’existe pas de « bon » codage, chaque problème est particulier et peut être

représenté de plusieurs manières. Toutefois, certains chercheurs partent du principe

que « l’utilisateur doit choisir le plus petit alphabet qui permette une expression

naturelle du phénomène1 ».

Voici tout de même, quelques exemples courants de codage :

- Format binaire2 : il s’agît certainement de l’une des représentations les plus

utilisées à l’heure actuelle, étant donné que c’est elle qui permet le plus de

possibilités d’enjambements. Par exemple, si l’on compare le format décimal et

binaire :

Décimal : 9-7-3 ;

Binaire : 100101110011 ;

Ici, la version décimale ne peut jouer que sur deux points spécifiques (7-

9-3,3-9-7,…), alors que la version binaire a onze possibilités ;

- Caractères multiples : l’idée part sur le même principe du codage binaire, à

près que chaque caractère pourra prendre plus de valeurs que sur un format

binaire classique.

1.1.4 FONCTION D’EVALUATION

Les algorithmes génétiques se basent sur la diversité de la population afin d’évoluer

vers une solution. Il est donc nécessaire de pouvoir estimer le degré d’adaptation d’un

individu à un problème donné ; c’est le rôle de la fonction d’évaluation.

Il est évident que cette fonction va découler du problème que l’algorithme doit

résoudre. Elle devra donc être spécifique à ce dernier, mais il est très probable que

pour un même problème, plusieurs fonctions puissent être réalisées. Il est cependant

nécessaire que tous les individus soient « jugés » sur le ou les mêmes critères, sans

quoi le résultat risque d’être grandement compromis.

1.1.5 METHODES DE SELECTION

La méthode la plus évidente est celle proposée par John Henry HOLLAND3 et qui

consiste à associer la probabilité de sélection d’un individu à sa « fitness ». C’est la

méthode dite de la roue biaisé. L’un des problèmes majeurs de cette méthode est

qu’elle implique un risque de convergence prématurée entraînant ainsi un caractère

élitiste.

____________________

1 GOLDBERG, D. E. (27)

2 HOLLAND, J. H. (30)

3 HOLLAND, J. H. (30)

Page 13: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

9

Individu Fitness Probabilité de sélection

A 4 4/20 = 20%

B 6 6/20 = 30%

C 2 2/20 =10%

D 3 3/20 = 15%

E 5 5/20 = 25%

Total 20

Une seconde méthode très efficace est celle dite du « tournoi »1. On va sélectionner

aléatoirement k-individus parmi la population globale. Une fois ces individus

sélectionnés, on va tirer un chiffre au hasard que l’on va ensuite comparer à des

valeurs prédéterminées, dans l’idée de conserver un seul des individus.

Par exemple, on peut choisir de prendre aléatoirement 3 individus, tirer ensuite un

nombre entre 0 et 2 et choisir l’individu à garder en fonction des cas suivants :

- 0 : on prend la plus haute fitness

- 1 : on prend la deuxième fitness

- 2 : on prend la dernière fitness

Population de base

et fitness

Individus choisis

aléatoirement

Individus

sélectionné

A = 4

B = 6

C = 2

D = 3

E = 5

A = 4

C = 2

D = 3

D

Une fois la sélection achevée, le ou les individus sélectionnés seront conservés afin

d’engendrer la prochaine génération de la population par le biais de croisements et de

mutations.

1.1.6 CROISEMENTS ET MUTATIONS

CROISEMENTS

Grâces aux croisements, il va être possible de recombiner les gènes présents dans la

population afin de former de nouveaux chromosomes. Les croisements sont limités par

le matériel génétique présent dans la population, il n’est donc pas possible de faire

apparaitre de la nouveauté par ce moyen. On utilisera à cet effet les mutations, afin de

faire apparaitre des structures génétiques absentes.

____________________

1 GOLDBERG, D.E. ; MILLER, B.L. (28)

Page 14: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

10

Les croisements s’opèrent sur les génomes des parents sélectionnés. Afin

d’effectuer un croisement il suffit de déterminer un ou plusieurs points de croisement

au hasard et de substituer les parties qui les suivent.

Voici un exemple :

Père : AB CDEF

Mère : GH IJKL

Fils : ABIJKL Croisement simple

Père : AB C DE F

Mère : GH I JK L

Fils : ABIDEL Croisement en trois points

MUTATIONS

Comme dans la nature, les descendants ne sont pas de simples copies de leurs

parents, il arrive que certains chromosomes soient originaux. Les algorithmes

génétiques suivent le même procédé lors de la mutation qui va engendrer la

modification au hasard d’un ou plusieurs nucléotides.

L’utilisation de la mutation dans les algorithmes génétiques permet d’introduire un

élément créateur permettant ainsi d’élargir les possibilités de l’algorithme. Il faut

néanmoins faire attention à ce qu’il n’y ait pas trop de mutations, cela empêchant

généralement la convergence de l’algorithme.

Exemple :

Père : AB CDEF

Mère : GH IJKL

Fils : ABIJKL

Fils muté : ABLJKL Mutation après croisement

Page 15: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

11

1.2 RESEAUX DE NEURONES – NEURAL NETWORKS

Un réseau de neurones est un modèle de calcul basé sur le fonctionnement des

neurones du cerveau humain. De manière générale, un réseau de neurones est un

système adaptatif qui évolue en fonction des informations qu’il reçoit durant la phase

d’apprentissage.

Figure 2 - Exemple de réseau de neurones

Pour représenter cela en informatique, le réseau de neurones artificiel sera composé

de neurones formels interconnectés. Nous allons donc d’abord nous intéresser aux

neurones formels, afin de comprendre l’essence même d’un réseau de neurones artifi-

ciel.

1.2.1 NEURONE FORMEL

Le neurone formel est une modélisation mathématique et informatique du neurone.

Celui-ci a été créé par MAC CULLOCH et PITTS1, en reprenant les principes du

fonctionnement du neurone biologique (voir Annexe).

Il est composé de 3 éléments de base :

- un ensemble de synapses chacun caractérisé par un poids Wnj, avec j le neurone et

n la synapse. Généralement, la synapse 0 est fixée et se nomme « biais » ;

- un additionneur permettant de sommer les signaux en entrée ;

- une fonction d’activation.

____________________

1 MCCULLOCH, W. ; PITTS, W. (11)

Page 16: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

12

REPRESENTATION

Figure 3 - Représentation d'un neurone formel

REPRESENTATION MATHEMATIQUE

Cette représentation est mathématiquement décrite par deux équations permettant

de déterminer le signal de sortie du neurone :

et

FONCTIONS D’ACTIVATION

La fonction d’activation peut être adaptée au problème traité par le réseau de

neurones. La plupart des neurones formels actuels utilisent l’une des fonctions

suivantes 1 :

- fonction sigmoïde :

____________________

1 MATUSSI, C. ; FLOREANO, D. (4)

Page 17: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

13

- fonction linéaire par parties :

- fonction à seuil : {

1.2.2 RESEAU DE NEURONES ARTIFICIEL

Comme vu précédemment, le réseau de neurones artificiels (RNA) est un ensemble

de neurones formels fonctionnant en parallèle.

Ce réseau s’organise en plusieurs couches ou sous-groupes. Chaque couche va ainsi

effectuer un traitement indépendant et transmettra le résultat (ou sortie) à une ou

plusieurs autres couches, selon l’architecture adoptée (cf. 1.2.4 Architectures). Le

modèle le plus basique de réseau comporte un seul et unique neurone formel

permettant de représenter des fonctions logiques élémentaires (tel que le OU logique et

le ET logique)1.

Figure 4 - Exemple de réseau ET logique

____________________

1 MCCULLOCH, W. ; PITTS, W. (11)

Page 18: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

14

Le réel intérêt du réseau de neurones artificiels réside justement dans la pluralité

des architectures possibles, chacune ayant un rôle défini selon les besoins.

Cependant, il est parfois très complexe de modéliser un problème spécifique, et ce à

cause de l’approche qu’impliquent ces architectures. Il s’agît du gros inconvénient du

RNA.

1.2.3 APPRENTISSAGE

Lors de la mise en place d’un réseau de neurones, il est nécessaire d’affecter à

chaque synapse son poids w. Bien que sur un réseau possédant un seul neurone il soit

possible de déterminer ces poids à la main, ceci est irréalisable dès lors que l’on se

trouve sur un réseau plus complexe. Dans cette optique, des méthodes d’apprentissage

ont été mises au point. Trois grandes méthodes existent et toutes utilisent une forme de

descente de gradient :

APPRENTISSAGE SUPERVISE 1

Le principe de l’apprentissage supervisé est simple : on fournit au réseau un

ensemble de valeurs d’entrée et pour chacun de ces ensembles, on fournit le résultat

attendu en sortie.

A chaque passage dans le réseau d’un ensemble de valeurs de test, le résultat

obtenu en sortie est comparé au résultat attendu. Si les résultats correspondent, on peut

considérer que le réseau est prêt. Sinon, à chaque itération on va remonter le réseau à

partir de la couche de sortie et modifier les poids w de chaque synapse afin de

diminuer l’erreur entre résultat attendu et résultat obtenu. Ce procédé est appelé

« retro-propagation de l’erreur »2.

APPRENTISSAGE NON-SUPERVISE 3

A contrario, l’apprentissage non-supervisé ne va pas forcer le réseau à tendre vers

un résultat attendu et préfixé. Ici, le réseau va modifier les poids de ses synapses en

fonction de leur activation : plus une synapse va être activée lors de la présentation des

valeurs d’entrée, plus la valeur de ses poids w va être élevée. En conséquence, les

neurones de sortie seront plus actifs lorsque l’on présentera au réseau des données

familières.

APPRENTISSAGE PAR RENFORCEMENT 4

Le principal problème des réseaux entrainés avec un apprentissage supervisé ou

non, est qu’ils ne peuvent être utilisés que dans les situations pour lesquelles ils ont été

____________________

1 MATUSSI, C. ; FLOREANO, D. (4)

2 RUMELHART, D. (12)

3 HINTON G. E. ; SEJNOWSKI, T. J. (26)

4 MATUSSI, C. ;FLOREANO, D. (4)

Page 19: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

15

entrainés. Les réseaux qui vont évoluer dans des environnements partiellement

inconnus ne peuvent donc être entrainés par ces méthodes.

L’intérêt de l’apprentissage par renforcement réside dans le fait que les données

d’entrées du réseau ne sont pas fournies mais générées par les interactions entre

l’agent et son environnement1. Chaque action de l’agent va générer un coût, et

l’objectif sera alors de trouver un moyen de le réduire.

1.2.4 ARCHITECTURES

LES RESEAUX « FEED-FORWARD » OU PERCEPTRONS2

Dans cette architecture, l’information se propage de couches en couches (une

couche pouvant avoir en entrée la sortie d’une autre couche), aucun retour arrière n’est

possible. On peut donc utiliser un perceptron pour résoudre des opérations logiques,

telles que « ET », « OU » ou encore « NON ».

Exemple d’un « OU » logique :

Figure 5 - Perceptron OU logique

____________________

1 SUTTON (13)

2 MCCULLOCH, W. ; PITTS, W. (11)

Page 20: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

16

LES RESEAUX « FEED-BACK » OU RESEAUX RECURRENTS

KOHONEN

Dans l’architecture « FEED-BACK », on observe un véritable retour en arrière de

l’information, qui permet d’ajuster au fur et à mesure chaque couche. Ainsi, si l’on

prend l’exemple des cartes auto-organisatrices de KOHONEN1, un vecteur de poids est

ajusté à chaque modification, pour parvenir vers la solution, c’est-à-dire la forme que

l’on souhaite apercevoir.

Figure 6 - Carte auto-organisatrice de Kohonen

Exemple de résultats :

Figure 7 - Carte auto-organisatrice se rapprochant d'un avion et d'un cactus

____________________

1 KOHONEN, T. (32)

Page 21: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

17

HOPFIELD

De plus, on peut observer des réseaux de neurones formels non linéaires, comme

dans le cas du réseau de Hopfield1, où il n’y a plus aucune différence entre neurone

d’entrée et de sortie.

On voit sur le schéma ci-après que la sortie y1 se retrouve injectée de nouveau dans

le neurone 1, mais également dans le neurone 2 et dans le neurone 3. Fonctionnent de

la même manière les sorties y2 et y3.

Figure 8 - Réseau de Hopfield

La mémoire associative est le parfait exemple de l’utilisation d’un réseau de

Hopfield, même s’il faut être très prudent quant aux modèles (pattern) stockés dans le

réseau. En effet, si un pattern est faux, impossible d’avoir un résultat qui fonctionne.

____________________

1 HOPFIELD, J J. (29)

Page 22: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

18

1.3 AUTOMATES CELLULAIRES – CELLULAR SYSTEMS

1.3.1 DEFINITION

En biologie, dans un organisme multicellulaire, toutes les cellules contiennent le

même matériel génétique mais elles ont cependant une morphologie et une fonction

pouvant fortement varier de l’une à l’autre. Cette différence s’explique par le fait que

l’état de la cellule dépend non seulement de son matériel génétique, mais également

des différentes influences qu’elle a pu subir lors de sa création.

Pour représenter cela en informatique, devront exister différents critères qui

permettront de disposer d’une base d'automates cellulaires facilement adaptables1 :

- Un espace cellulaire : nom de la collection de cellules dans l’automate. Il est

exprimé dans une dimension d de réseaux de cellules. On peut avoir une grille de

cellules (en 2D) tout comme une représentation en un cube formé de petits cubes

(en 3D) :

Figure 9 - Des représentations possibles pour les automates cellulaires

- Une variable de temps : les changements de la cellule s’effectuent au fur et à

mesure du temps, l’axe peut être soit discret, soit continu ;

- Un état et une liste d’états : l’état représente l’information spécifiant la condition

de la cellule à un instant t, il s’agît donc de la mémoire de ce qui est arrivé à cette

cellule dans le passé, et c’est cette mémoire qui influencera les autres cellules ;

- Un voisinage : chaque dispose d’un voisinage sur lequel elle va avoir un impact,

tout comme celui-ci aura un impact sur elle. Le voisinage concerne donc les

cellules qui ont un impact direct sur la cellule ;

- Fonction de transition : ou fonction de transition d’état est la fonction qui

spécifie comment l’état d’une cellule se déroule dans le temps. Elle dépend

____________________

1 ULAM, S. (18)

Page 23: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

19

principalement du voisinage de la cellule, et possiblement de sa position et de

l’instant t ; - Conditions des bords

1 : lorsqu’une cellule ne dispose pas du bon nombre de

voisins (cas où l’on est sur le bord de l’espace cellulaire), il faut définir une

méthode spécifique à ce traitement, les plus connues étant :

Périodicité : on prend la cellule située à l’opposée (on transforme l’espace

cellulaire en un espace toroïdal) :

Assignement : création de voisins virtuels (aléatoirement ou non) :

Copie – Adiabaticité : copie de l’état d’une cellule (cellule du bord ou une

mitoyenne) :

Réflexion : processus qui applique un procédé défini dans l’automate

cellulaire (ex : une particule qui se cogne contre un mur) :

- Conditions initiales : état initial des cellules ou graine de l’automate cellulaire ;

- Conditions de sortie : les conditions spécifiant l’arrêt de la mise à jour des

cellules. Une condition d’arrêt typique : on est arrivé au temps tmax.

Stanislas ULAM s’est intéressé à la dynamique de configurations graphiques engen-

drées par ces règles simples et a rapidement constaté l’énorme diversité de formes à la

fois complexes et esthétiques2. Ces travaux ont d’ailleurs directement contribué au jeu

de la vie de CONWAY.

____________________

1 MATUSSI, C. ; FLOREANNO, D. (4)

2 ULAM, S. (18)

Page 24: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

20

1.3.2 LE JEU DE LA VIE DE CONWAY – CONWAY’S GAME OF LIFE

La représentation par excellence de l’automate cellulaire est le très fameux « Jeu de

la Vie » créé par le mathématicien britannique John Horton CONWAY en 1970. Ce jeu

n’est pas apparu par hasard, il a fallu deux ans à son créateur avant de le faire paraître

dans une revue scientifique, rubrique jeu mathématique1. On retiendra que, faute

d’ordinateurs suffisamment puissants, CONWAY a créé son jeu à l’aide d’un jeu de Go.

Le nom est paradoxal, puisqu’il ne s’agît pas d’un jeu au sens habituel du terme. En

effet, il ne nécessite aucun joueur, l’environnement évolue par lui-même.

STRUCTURE DU JEU DE LA VIE

Ce jeu est bien structuré sur la base des automates cellulaires que nous avons vue

précédemment :

- Espace cellulaire : deux dimensions (grille toroïdale) ;

- Variable de temps : présente ;

- Liste des états :

Vivant ;

Mort ;

- Voisinage : 8 voisins ;

- Fonction de transition : définie par quatre règles

Une cellule ayant moins de deux voisins meurt (sous population) ;

Une cellule ayant plus de trois voisins meurt (surpopulation) ;

Une cellule ayant deux ou trois voisins survit (reproduction) ;

Une cellule naît si elle a exactement trois voisins (reproduction) ;

- Condition des bords : périodicité ;

- Condition initiale : définie par l’utilisateur (choix des cellules vivantes ou

mortes sur la grille) ;

- Conditions de sortie :

Homogénéité de la solution ;

Arrivée au tmax.

____________________

1 GARDNER, M. (21)

Page 25: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

21

VOISINAGE : FONCTIONNEMENT

L’image ci-dessous montre la fonction de transition du Jeu de la Vie. On peut voir

que seules les cellules vivantes (noires) ayant deux ou trois voisins ont survécu, et que

seules les cellules mortes (blanches) ayant trois voisins sont nées.

Figure 10 - Détermination des nouveaux voisins étape par étape

FIGURES SPECIALES

ETATS STABLES

Après un certain nombre de changements, certaines configurations ne changent

plus. On dit qu’elles ont atteint un « état stable ». Cet état est atteint parce qu’aucune

cellule morte ne peut s’activer autour de la structure, et qu’aucune cellule de la

structure ne peut mourir, puisqu’elles remplissent les conditions de survie.

Figure 11 - Deux exemples de figures stables

OSCILLATEURS

D’autres structures ont un comportement différent : à un moment tn+x, elles

reviennent à un état précédent tn, où x varie selon la structure. Le meilleur cas

d’oscillation visible reste cependant x=1. La structure de l’exemple ci-dessous alterne

entre la forme de gauche et de droite.

Figure 12 - Exemple d'un oscillateur

Page 26: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

22

JEU DE LA VIE : PAS A PAS

Une forme aléatoire a été

créée. Nous lançons le jeu de

la vie.

=

Résultat après 200 itérations.

Résultat après 400 itérations.

Le jeu s’est presque stabilisé,

mais il est bien loin de ce que

l’on avait au départ.

Cependant, en utilisant une plus grande échelle, on observe la chose suivante :

En réalité, l’automate qui semblait être stabilisé n’était pas fini, nous ne disposions

pas du recul nécessaire pour voir qu’à un autre endroit, se passait quelque chose.

Page 27: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

23

PLUS LOIN ENCORE

GLIDER

La forme la plus intéressante, et certainement la plus utile est le « glider »

(planeur), qui est une structure se déplaçant à l’infini. Elle permet de réaliser des

structures complexes grâce à son déplacement.

Figure 13 - Glider

HORDE DE FANATIQUES

Certains automates cellulaires, lorsque l’on est à la bonne échelle, peuvent afficher

des résultats réellement impressionnant. On a appelé leurs créateurs, la « horde de

fanatiques ». C’est le cas de la machine de TURING vue par Peter RENDELL1 :

Figure 14 - Machine de Turing ____________________

1 http://web.archive.org/web/20030210114324/http://www.rendell.uk.co/gol/tm.htm

Page 28: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

24

1.3.3 PORTEE DES AUTOMATES CELLULAIRES ET DU JEU DE LA VIE

Les automates cellulaires représentent un univers spécifique, régis par des règles

simples, qui permettent cependant d’analyser certains comportements de processus

émergents aussi nombreux que variés. CONWAY a tiré des conclusions très intéres-

santes de son jeu de la vie1 :

- il est parfaitement possible de construire des configurations du Jeu de la Vie qui

se comportent comme des animaux se reproduisent ;

- certaines structures sont parfois modifiées lors d’une collision avec une

configuration inattendue, les deux structures mutantes peuvent au final peut-être

gagner en efficacité ;

- certaines configurations se transforment en se déplaçant, on peut donc imaginer

en construire capables de survivre en détruisant des obstacles. Dans ce cas, si ces

individus sont dotés de capacité d’autoréplication (voir partie suivante), les

meilleurs organismes peupleront l’espace.

Si l’on suit cette logique, on arrive très vite à la conclusion suivante :

« Il est probable, si l’on considère un espace suffisant, initialement dans un état

aléatoire, que, après une longue durée, des animaux intelligents, se reproduisant,

émergeront et peupleront certains endroits de l’espace. C’est plus qu’une spéculation,

puisque les prémisses sont basées sur des théorèmes déjà montrés.2 »

1.4 AUTOMATES CELLULAIRES AUTOREPLICATEURS

Les automates cellulaires, comme nous l’avons vu précédemment, disposent d’une

excellente adaptabilité pour résoudre des problèmes de différents ordres, dans des

domaines très différents. Il permet également d’analyser un autre concept : le méca-

nisme d’autoréplication. On va donc changer notre perception des automates

cellulaires, pour faire en sorte qu’ils puissent s’autorépliquer.

Avant de commencer à parler d’automates cellulaires autoréplicateurs, il serait

judicieux de bien définir ce qu’est l’autoréplication, en faisant le parallèle avec

l’autoreproduction en biologie :

- la réplication : un système est considéré comme réplicateur s’il est capable de

créer des unités identiques entre elles, mais différentes de ce système ;

- la copie : il y a copie lorsqu’un système crée un objet identique à lui-même, sans

considération pour la méthode utilisée ;

____________________

1 BERBLEKAMP, E. ; CONWAY J.H. ; GUY, R. (22)

2 BERBLEKAMP, E. ; CONWAY J.H. ; GUY, R. (22)

Page 29: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

25

- l’autoreproduction : « il y a autoreproduction lorsque, par un processus couplé à

son propre processus de production, une unité en produit une autre dotée d’une

organisation semblable à la sienne.1 »

On devra donc distinguer deux type d’autoreproduction : l’autoreproduction

« triviale », où l’on parle uniquement de mécanismes physiques, de l’autoreproduction

« réelle », qui elle représente le lien entre mécanisme du système et production du

descendant. Pour la suite de ce document, nous ne ferons référence qu’à

l’autoreproduction réelle, et utiliserons le terme autoreproduction pour le mécanisme

du vivant, et autoréplication comme mécanisme artificiel.

1.4.1 VON NEUMANN

John VON NEUMANN était un mathématicien et physicien hongrois d’exception. Né

en 1903, il fera vite ses preuves comme génie en travaillant dans des domaines

scientifiques complexes, telle la mécanique quantique en 19322, ou encore la Théorie

des Jeux liée à l’économie en 19433, concepts qui sont tous deux encore largement

répandus.

Cependant, VON NEUMANN a aussi travaillé dans le domaine de l’informatique,

puisqu’il est l’homme qui a suggéré en 19444, dans le cadre du projet Manhattan

5,

de non plus de créer des programmes de manière physiques, mais de les stocker en

mémoire. C’est donc lui qui a créé l’ordinateur tel que nous le connaissons

maintenant. Il ne s’est pas arrêté là, il a décidé de s’intéresser au vivant, et notamment

au concept d’autoréplication, et a tenté d’élaborer un système pouvant s’autorépliquer.

KINEMATON

Après avoir longuement étudié le phénomène d’autoréplication, VON NEUMANN

s’est posé la question suivante : comment des organismes complexes peuvent-ils créer

quelque chose d’aussi compliqué qu’eux-mêmes ?

VON NEUMANN a supposé possible l’existence d’un robot qui serait capable, en

étant dans un espace où sont disponibles toutes les pièces possibles et imaginables, de

créer son propre jumeau. Il l’a baptisé le Kinématon.

____________________

1 VARELA, F.J. (39)

2 VON NEUMANN, J. (40)

3 WOLFF, J. (38)

4 GOLDSTINE, H. (23)

5 Egalement connu sous le nom de bombe A.

Page 30: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

26

Après de nombreuses recherches, VON NEUMANN en arrive à la conclusion

suivante : pour créer le Kinématon (ou un organisme autoréplicateur), il est

nécessaire d’avoir trois automates :

- un constructeur : automate disposant des capacités d’assemblage ;

- un copieur : automate copieur d’instructions;

- un contrôleur : automate de contrôle, disposant des instructions, faisant le lien

entre constructeur et copieur.

KINEMATON : FONCTIONNEMENT

Figure 15 - Kinématon simplifié

Contrôleur

Constructeur

Copieur

Page 31: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

27

PORTEE DU KINEMATON

VON NEUMANN a donc démontré un nouveau concept : l’autoréplication n’est en

fait qu’une question d’organisation, et n’est donc ni dépendante de son essence, ni de

son matériel.

Même si le concept est au point, il semble impossible de disposer d’une machine

d’une telle puissance à cette époque (ce n’est d’ailleurs toujours pas envisageable à la

nôtre). VON NEUMANN décide donc de pallier à ce problème en utilisant les travaux sur

les automates cellulaires après une discussion avec ULAM.

Le changement est radical : VON NEUMANN « de cette manière, […] a jeté la moitié

du problème par la fenêtre1 ». En effet, il n’y a plus aucun problème pour tenter

d’expliquer comment les éléments peuvent être constitués, il suffira simplement de

prendre en compte des cellules, dotées de propriétés préétablies.

Cependant, VON NEUMANN décède prématurément, et ne peut finir ses travaux.

Ceux-ci seront repris par BURKS et seront complétés en 19662. BURKS a donc créé une

machine de TURING selon les travaux de son prédécesseur mais cependant très

complexe : 200 000 cellules et 29 états, le tout basé sur un voisinage de 5 cellules.

Tellement complexe, qu’il a fallu attendre le milieu des années 1990 pour le voir en

fonctionnement.

____________________

1 VON NEUMANN, J., BURKS, A. (41)

2 VON NEUMANN, J., BURKS, A. (41)

Page 32: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

28

1.4.2 BOUCLE DE LANGTON

L’automate de VON NEUMANN n’est pas mauvais, mais extrêmement complexe,

puisque son automate constructeur est universel1, qui est selon lui la condition néces-

saire à une autoréplication non triviale.

Christopher LANGTON n’est pas d’accord avec cette approche. Si l’on considère les

premières molécules autoréplicatrices (donc précurseurs de la vie), elles n’étaient pas

disposées de capacité de construction universelle, et pourtant se reproduisaient. Cepen-

dant, si l’on retire cette caractéristique, comment différencier une autoréplication

réelle d’une triviale ?

LANGTON utilise les travaux de CODD, notamment son émetteur périodique. On ne

travaille plus avec une cellule allumée ou éteinte et le voisinage, on donne une valeur

pour l’état de chaque cellule.

Ainsi, la structure de CODD est constituée de deux parties :

- une bande de données composée de 0 (gris), de 1 (bleu foncé), et de 7 (bleu

clair) ;

- Celle-ci est entourée d’une membrane constituée de cellules à l’état 2 (rouge).

Certaines séquences spécifiques forment un signal (7-0). Lorsque le signal arrive

au croisement, il est dupliqué :

____________________

1 Le constructeur peut créer n’importe quel type d’automate

Page 33: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

29

Cette configuration peut être utilisée pour du stockage dynamique d’information : il

n’y a plus besoin de « tête de lecture » comme sur une machine de TURING. Ainsi,

LANGTON va chercher une construction admettant une instruction qui est à la fois elle-

même et description d’elle-même. Au cours du temps, la bande de données devra se

dupliquer au niveau de sa séquence, mais aussi dans l’espace.

LANGTON a basé cette construction sur un carré, pour n’avoir la description que sur

un seul côté, donnant une structure avec une bande et une boucle, à l’instar de

l’émetteur de CODD. Cependant, la différence se situe sur les signaux : un signal 7-0

permet l’allongement d’une cellule et le signal 4-0 permet de construire un angle droit.

Ainsi, tandis que CODD disposait d’une seule boucle qui créait les donner en les

répliquant, Langton va encore plus loin en créant d’autres boucles.

Figure 16 - Boucle de Langton - Formation

Page 34: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

30

2 INTELLIGENCE ARTIFICIELLE : L’INFORMATIQUE AU SERVICE

DE LA BIOLOGIE ET DE LA SCIENCE

2.1 AUTOMATES CELLULAIRES

« Notre univers est soumis aux lois de la physique. Ces lois ne sont que

partiellement connues et apparaissent hautement complexes. Dans un automate

cellulaire, les règles sont simples et complètement déterminées. Cette aptitude à

construire un univers connu, associée à la génération de processus émergents a

conféré aux automates cellulaires un large champ d’application1. »

Ces applications ne se limitent pas qu’à la science, et vont de la physique à la

dynamique urbaine, en passant par la cryptographie. Afin d’éviter tout débordement,

nous ne parlerons que de la partie qui nous intéresse.

- Supposons qu’une cellule de notre automate cellulaire représente une molécule en

physique. Grâce à cette connaissance parfaite des règles qui régissent cet

environnement, il est possible d’étudier le comportement global de molécules et

autres particules dans celui-ci pour simuler le comportement d’un gaz ;

- Toujours en physique, les automates cellulaires ont permis d’étude des matériaux

magnétiques selon le modèle d’ISING (1925)2. En effet, on utilise les cellules de

l’automate pour représenter le potentiel d’ISING3 (basé sur l’interaction propre et

l’interaction des voisins) ;

- En biologie, les automates cellulaires peuvent servir à la modélisation de la

croissance de tissus cellulaires, mais ils ont également été utilisés pour simuler les

processus de cristallisation, tels les flocons de neige4 (cf. ci-dessous) ;

- Dans le domaine de l’informatique : la modélisation d’ordinateurs parallèles, la

génération de nombre aléatoires, ou encore de la cryptographie.

Figure 17 - Simulation du processus de cristallisation à partir de bruit

____________________

1 RENNARD, J.P. (8)

2 Cité par RENNARD, J.P. (8)

3 LOUIS, P.Y. (19)

4 PACKARD, N. (20)

Page 35: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

31

2.2 DES L-SYSTEMES PARTOUT DANS LA NATURE

Grâce aux L-systèmes, nous disposons d’un modèle de la morphogénèse pour la

création d’organismes à partir d’un minuscule individu (voir partie sur les L-

Systèmes). Cependant, peut-on réellement utiliser le modèle artificiel pour

comprendre le modèle naturel ? Peut-on mieux comprendre notre monde en étudiant

ces organismes artificiels ?

Il faut justement être extrêmement prudent, les processus établis dans le modèle

artificiel ne sont pas forcément les mêmes que ceux du modèle naturel, bien qu’au

final, un L-système puisse donner un résultat ressemblant fortement à une plante. En

effet, le monde naturel évolue d’une manière bien différente de celles des L-systèmes.

Cependant, on remarque aujourd’hui une véritable répétition chez les plantes et la

recherche actuelle tend à déterminer concrètement cette autosimilarité1.

Figure 18 - Chou Romanesco

Figure 19 - L-Systems 3D: http://fr.wikipedia.org

____________________

1 FERRARO, P. ; GODIN, C. (5)

Page 36: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

32

A l’instar des L-systèmes, l’information pour le chou romanesco (cf. Figure 18 -

Chou Romanesco) semble donc être réutilisée sur plusieurs niveaux (échelles).

Pourtant, les processus morphogénétiques sont toujours très mal compris. Comment,

dans la nature, les gènes peuvent-ils coder la forme générale de l’individu ?

D’après Ian STEWART, l’explication se révèle plutôt simple : les processus

d’embranchements utilisés pour les L-systèmes sont observables dans la nature à

toutes les échelles et sont régis par des lois physiques et mathématiques universelles.

« Il serait certainement logique que les gènes exploitent tous les schémas

d’embranchements naturels que la physique et la chimie fournissent automatiquement

à travers des règles mathématiques universelles »1.

Ainsi, l’homme n’a pas inventé ce procédé mais n’a fait que créer l’outil

mathématique pour interpréter ces mécanismes. La récursivité serait donc le

phénomène expliquant comment on peut disposer d’un phénotype complexe à partir

d’un génotype simple.

____________________

1 STEWART, I. (6)

Page 37: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

33

2.3 BOIDS : UNE NUEE COMME UNE AUTRE

Les boids fonctionnent par l’intermédiaire de règles locales simples, qui permettent

cependant la reproduction de comportements pour le moins réalistes. Ce réalisme est

dû à l’apparition de nouveaux comportements non prévus par les règles.

Dans l’image ci-contre, on voit

que les boids se sont séparés en deux

groupes distincts afin d’éviter un

obstacle. Cette règle n’a pourtant

jamais été définie, elle s’est créée à

partir des trois autres 1 :

- séparation : éviter les colli-

sions avec les voisins ;

- alignement : adapter la vitesse

en fonction des voisins ;

- cohésion : rester le plus près

possible du centre local.

Si l’on montre ce comportement à une personne lambda, elle reconnaîtra

instinctivement le comportement d’une nuée d’oiseau. La nuée de boids et la nuée

d’oiseau sont en ce point extrêmement similaires. LANGTON interprète cela de la façon

suivante : les règles prédéfinies sont le génotype, et le comportement global des boids

(cela inclue les nouveaux comportements) est le phénotype2.

La nuée de boids n’est au final jamais à l’équilibre, puisqu’elle comporte des

mouvements imprévisibles. En cela, le phénomène observé dans la nature et dans le

monde réel est le même : la nuée. Grâce à cette propriété, il devient très intéressant

d’utiliser des boids pour comprendre le fonctionnement des oiseaux et autres créatures

vivant en nuée (troupeaux, bancs de poissons, etc.). L’intérêt d’un point de vue

biologique est donc conséquent.

Figure 21 - Cohésion, Séparation, Alignement

____________________

1 REYNOLDS, C. (31)

2 LANGTON, C.G. (33)

Figure 20 - Boids évitant un obstacle

Page 38: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

34

2.4 APPARITION DE LA VIE

2.4.1 PREAMBULE : SOUPE PRIMITIVE

Le concept de l’apparition de la vie sur Terre, qui fascine encore et toujours l’être

humain, est encore très loin d’être défini. Ce n’est d’ailleurs qu’en 1862, grâce à

PASTEUR et sa réfutation de la génération spontanée, que l’apparition de la vie s’est

engagée sur le domaine scientifique, faisant ainsi reculer la religion.

Cependant, un problème subsiste: les herbivores doivent se nourrir de plantes, mais

les plantes doivent se nourrir de minéraux. Ces minéraux semblent être créés par les

herbivores. Il y a donc un véritable cercle vicieux : comment aurait pu apparaître la vie

dans ces conditions ?

Bon nombre de chercheurs ont tenté d’élucider la question mais c’est en 1929

qu’OPARIN1 romps le cercle vicieux en proposant une nouvelle théorie : celle de la

« soupe primitive ». La soupe primitive est en réalité le nom que l’on a donné à

l’océan originel, c’est-à-dire l’océan qui s’est formé pendant la création de la Terre,

avant qu’il n’existe un quelconque être vivant. Cette soupe contenait diverses

molécules complexes générées grâces aux divers matériaux présents sur Terre (H20,

C02, H, N) et aux rayons du Soleil, les deux ayant permis la vie sur Terre.

Les approches plus récentes privilégient cependant un « monde à ARN » 2

. La

fonction principale de l’ARN est de transmettre le message codé de l’ADN pour

synthétiser des protéines, mais certains ARN (les ribozymes3) ont des propriétés

catalytiques, c’est-à-dire permettre la création de nouvelles molécules d’ARN dans la

soupe primitive. Ainsi, la création de la vie se base sur le principe d’autoréplication.

2.4.2 CORE WAR : MARS

En 1984, A.K. DEWDNEY propose le logiciel Core War dans la rubrique récréa-

tions informatiques du magazine Scientific American. Il s’agît sans doute du premier

jeu où l’implication du joueur se limite uniquement à la création de sa créature et

ensuite à la laisser faire ce qu’elle a à faire. En effet, le concept est simple :

- le but du jeu est d’annihiler son adversaire ;

- on dispose d’un programme avec un langage assembleur simplifié (quelques

commandes uniquement) appelé Redcode ;

- chaque créature est une suite d’instruction en Redcode de quelques lignes de

code seulement ;

____________________

1 OPARIN (44)

2 ZAUG ET CECH (7)

3 Voir Annexe : ADN

Page 39: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

35

- l’environnement où vont évoluer les créatures est représenté par une suite de 8000

adresses mémoires, et ce de manière circulaire (espace toroïdal). Il s’agît d’une

machine virtuelle répondant au nom de code MARS1 ;

- la créature doit donc s’approprier MARS.

Les créatures créées à l’origine par DEWDNEY sont très simples : Dwarf (le nain)

en quatre instructions et Imp (le lutin) en une seule. Cependant, ils ont des comporte-

ments intéressants : le premier bombarde de zéros la mémoire, tandis qu’Imp avance

lentement mais surement et peut corrompre le code de Dwarf si jamais il touche sa

ligne de code vitale.

Il est possible de créer des créatures bien plus complexes : Raidar dispose d’une

zone de protection et partage son temps entre ses attaques et la réparation/vérification

de cette zone. Mice quant à lui se duplique à un autre endroit de la mémoire, et en-

suite lance le même processus sur sa copie, pour se multiplier à l’infini et remplir

MARS.

Core War est un simple jeu, très accessible, qui permet cependant de trouver une

bonne variété de créatures, qui peuvent parfois surprendre de par leurs agissements.

C’est pourquoi il a été la base des travaux de Steen RASMUSSEN concernant l’origine

de la vie.

Figure 22 - Core War : Mice VS Ferret

Source: http://www.youtube.com

____________________

1 MemoryArray Redcode Simulator

Page 40: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

36

2.4.3 VENUS : EVOLUTION DE CORE WAR

En 1990, Steen RASMUSSEN s’approprie Core War pour avancer dans le domaine

de l’apparition de la vie : il reprend le concept de MARS mais avec seulement 3584

adresses mémoires. Il désigne son système VENUS1. Cependant, pour chaque adresse,

il existe un facteur environnement qui définit les ressources disponibles pour cette

adresse. Ces ressources sont le facteur vital pour la survie des créatures évoluant dans

VENUS.

Le deuxième critère très important qu’a ajouté RASMUSSEN à son système est le

« bruit », représenté de la manière suivante :

- soit par une mutation (cf. Algorithmes Génétiques) : lors d’une instruction de

copie, il est possible qu’une autre valeur soit copiée, entraînant une évolution de

l’individu (viable ou non) ;

- soit par la création de nouveaux éléments aléatoirement.

Bien qu’au final relativement complexe à prendre en main, VENUS a permis la

découverte d’enseignements très intéressants d’un point de vue biologique2 3 :

- l’émergence de structures intéressantes nécessite l’existence de fluctuations

locales dans le milieu ;

- même dans un environnement idéal, l’émergence de structures coopératives

n’est pas acquise, le système est très sensible à la contingence ;

- la vie n’est pas apparue dans le désert ;

- les structures efficaces impliquent certaines restrictions quant à leurs propres

fonctions primaires et sur leur mode d’utilisation du bruit

- l’émergence de structures coopératives semble être de grande importance dans

l’évolution de structures viables ;

- même des créatures fragiles sont aptes à trouver la stabilité.

« L’évolution qui a produit notre organisme […] est aussi correcte que l’évolution

biologique "réelle". Cependant, les propriétés primaires de ces structures

informatiques sont bien loin des fonctions des cellules biologiques vivantes4 ».

____________________

1 Virtual Evolution in a Nonstochastic Universe Simulator

2 RASMUSSEN S. ET AL. 1990 (10)

3 RENNARD J.-P. (8)

4 EMMECHE C. (9)

Page 41: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

37

2.4.4 TIERRA : NOUVEAU MODELE POUR LA VIE ARTIFICIELLE

CREATION DE TIERRA

Biologiste spécialiste des systèmes tropicaux, Thomas S. RAY ne s’imaginait pas

qu’en créant son système Tierra, basé sur Core War, il ferait l’une des décou-

vertes les plus importantes tant d’un point de vue de la vie artificielle que naturelle.

RAY s’intéressait tout particulièrement à l’explosion cambrienne1, il a donc créé

Tierra dans le but de démontrer le potentiel de diversification évolutive du

Cambrien. Il voulait créer un monde proche du cambrien, et même si Tierra

s’apparentait plus à un monde d’ARN, les résultats ont été probants : dès les premières

heures, Tierra a engendré des processus que l’on aurait pu penser être réservés au

monde réel. Le concept de RAY était simple :

« I imagined: start with self-replication, then add mutation, and get evolution2. »

Cependant, avec ses connaissances limitées en informatique, ce n’est que dix ans

plus tard qu’il décide de se lancer sur ce projet au concept simple, mais extrêmement

complexe à réaliser. Après en avoir discuté avec les chercheurs du domaine de la vie

artificielle, la plupart de ceux-ci (dont LANGTON) se sont montrés très réticents quant à

ce que proposait RAY. Seul Steen RASMUSSEN s’est montré enthousiaste. Quelque

mois plus tard, RAY démarra Tierra.

FONCTIONNEMENT

Le principal problème soulevé par les autres chercheurs était la quasi impossibilité

d’avoir un système stable avec les instructions présentes dans VENUS. En effet, même

avec 10 instructions, si l’on ajoute les opérandes (ou arguments des fonctions en

assembleur)3, on se retrouve dans un espace de codage de l’ordre de 10

11, multiplié par

les soixante-quatre codons de l’ADN (ou vingt acides aminés).

RAY a donc décidé de simplifier le code radicalement : il s’est débarrassé des

opérandes et a créé un langage universel4. Ainsi, à l’instar du fonctionnement des cel-

lules biologiques, RAY propose un « mode d’adressage par gabarit ». Un gabarit est

une suite d’instructions particulières de type NOP (no operation, donc pas une

instruction à proprement parler). Lors de la rencontre d’une instruction (telle que

JMP), le programme va chercher (avant ou après) dans la mémoire la première

____________________

1L'Explosion Cambrienne désigne l'apparition soudaine à l'échelle des temps géologiques d'anatomies

entièrement nouvelles qui préfigurent déjà les grands groupes d'animaux actuels. (14) 2Traduction : « J’imaginais : commencer avec l’autoréplication, ajouter la mutation et on obtient l’Evolution. »

(15) 3 Dans l’instruction « MOV A B », A et B sont les opérandes (arguments)

4 Au sens de Turing (45)

Page 42: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

38

occurrence de la séquence complémentaire au gabarit, à l’instar d’une protéine agis-

sant avec une protéine complémentaire dans le monde réel.

De plus, pour une meilleure analogie biologique, chaque créature de Tierra pos-

sède un espace mémoire protégé où aucune autre créature ne peut écrire. Cependant,

celles-ci peuvent lire et exécuter les instructions de cet espace.

Tierra dispose de parallélisme : un certain nombre d’instructions peuvent être

exécutées à chaque cycle en fonction de la taille de l’individu. Ray a ajouté un algo-

rithme (ou plutôt un virus de type ver) chargé de détruire les créatures les plus

anciennes, combiné à un processus accélérant le vieillissement des créatures

engendrant des erreurs d’exécutions (non adaptées au milieu).

Grâce à ces algorithmes, on dispose d’un système évolutionnaire. Qui dit système

évolutionnaire dit mutations, RAY y a donc ajouté différents types de mutations, telles

que des erreurs de réplication ou des passages de bits d’une valeur à une autre.

ANCETRE ET PARASITES

La première créature de RAY a été baptisée « ancêtre » : il s’agît d’une créature

autoréplicatrice de taille 80 (quatre-vingt instructions), permettant de faire les tests. Il

pensait sincèrement devoir mettre des années afin d’arriver à des résultats, mais il

observa très rapidement des créatures de taille 79. Plus petites, donc plus perfor-

mantes, elles ont commencé à dominer l’espace mémoire. Ce que RAY voulait faire

s’était donc produit, ses créatures évoluaient pour devenir plus performantes.

Ce à quoi il ne s’attendait pas, ce fut l’apparition d’individus de taille 45. Pour lui,

la taille 60 était assurément le minimum possible pour qu’une créature puisse toujours

se reproduire, alors comment un individu de cette taille avait-il pu apparu ?

En réalité, ces créatures étaient incapables de se reproduire, mais utilisaient la

séquence de réplication qui se trouvait chez un ancêtre proche. Il s’agissait d’un

parasite. RAY a donc créé à une vitesse hallucinante les parasites, créatures que l’on

pensait réduite au monde réel. Plus tard, des créatures immunisées à ce parasite

apparurent, utilisant un système assimilable à celui de la bactérie E. Coli pour se

protéger des virus bactériophages.1

« Basiquement, l’évolution est un processus égoïste […] et le succès se limite à

laisser un maximum de vos gènes aux générations futures. Cependant, l’évolution est

très inventive lorsqu’il s’agît d’atteindre le but ultime. L’évolution prend bêtement

avantage de tout ce qui est disponible dans l’environnement de l’organisme. »2

____________________

1 ADAMI, C. (17)

2 RAY, T. (15)

Page 43: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

39

SOCIALITE

Tierra ne s’est pourtant pas arrêté là, puisque des nouvelles créatures quasiment

indestructibles sont apparues : les hyperparasites. Une fois que ceux-ci ont « dominé

le monde », de nouveaux organismes sont apparus, démontrant un nouveau type de

comportement : des individus de taille 61 ont appris à partager leurs instructions, et

ont pu ainsi se reproduire en groupe.

Plus le monde évoluait, et plus les mécanismes découverts étaient intéressants. Le

plus intéressant a certainement été l’apparition de sexualité chez les créatures de

Tierra.

AVANCEES

Tierra a donc été l’une des avancées majeures tant en terme de Vie Artificielle

que Biologie évolutionnaire théorique, étant donné la simplicité avec laquelle RAY a

été capable de créer des mécanismes complexes, dont on n’avait aucune idée de la

provenance jusqu’alors.

D’après Steen RASMUSSEN, il est possible de mieux comprendre notre monde réel

en étudiant les détails des différentes réalités artificielles, en se basant sur ses

définitions de la vie1. Cependant, cela ne fait pas l’unanimité parmi les scientifiques.

Figure 23 – Tierra.

Dans la légende, les tailles des créatures

____________________

1 Cité dans LEVY S. (16)

Page 44: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

40

3 LE FUTUR DE LA SCIENCE : RECHERCHE

Comme nous l'avons vu, biologie et informatique sont en étroite collaboration pour

fournir leur meilleur à la Science. Grâce aux techniques utilisées en Intelligence

Artificielle, l'étude de phénomènes physiques, biologiques et autres est possible.

Cependant, avons-nous encore de l'inspiration pour trouver de nouvelles

techniques, ou sommes-nous en train de nous essouffler ? La recherche actuelle dans

le domaine de l'intelligence artificielle répond à cette question : partout dans le monde,

la compréhension des phénomènes naturels par la vie artificielle est toujours d'actua-

lité, et ne semble pas vouloir s’arrêter de sitôt.

3.1 GENOME

La recherche actuelle semble beaucoup s'intéresser au génome humain. Véritable

mystère par moments, la clé de la compréhension biologique semble aujourd'hui à

notre portée plus que jamais.

Les travaux réalisés à Stanford sur le génome humain sont très intéressants pour le

futur de la Science. Le groupe du professeur BATZOGLOU1 s’intéresse notamment aux

algorithmes et aux systèmes de calcul appliqués à la génomique. En utilisant le

système Multi-Lagan (MLAGAN)2, les scientifiques peuvent aligner et comparer

des séquences ADN entières d’humains, de souris, de rats et autre organismes vivants.

Cela permettrait, entre autres, de découvrir des éléments qui sont inévitablement liés

au processus d’évolution, comme certains sites de gènes.

D'un autre côté, toujours à Stanford, le laboratoire de BEJERANO se concentre sur

l'exploitation de la génomique comparative de l'homme3 et de ses espèces apparentées,

dans le but d’améliorer notre compréhension du développement embryonnaire humain.

En effet, des recherches récentes ont récemment mis en évidence plusieurs milliers

de régions du génome humain n’ayant encore jamais été étudiées. Ces régions

semblent adopter le contrôle des allocations des ressources nécessaires pendant le

développement embryonnaire humain. Parmi celles-ci, il y a celles découvertes par le

professeur BEJERANO : les régions des « éléments ultraconservés »4. Il s’agît sans

doute, selon lui, des régions les plus mystérieuses du génome humain. L’approche

informatique compte beaucoup sur le « machine learning ».

____________________

1 BATZOGLOU, S. (48)

2 AGAN Alignment Toolkit Website (49)

3 La génomique comparative est l'étude comparative de la structure et fonction des génomes de différentes

espèces. 4 MCLEAN C.Y., BRISTOR D., HILLER M., CLARKE S.L., SCHAAR B.T., LOWE C.B., WENGER A.M., BEJERANO G. (24)

Page 45: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

41

3.2 VISION DU MONDE NATUREL PAR LES ORGANISMES ARTIFICIELS

Tandis que les films regorgent de séquences en images de synthèses toujours plus

réalistes, trompant parfois l’œil du spectateur1, il est beaucoup plus complexe pour un

ordinateur de bien comprendre le monde qui l’entoure. C’est le stade de la

visualisation. Le laboratoire des Systèmes Intelligents de l’EPFL (Ecole Polytechnique

Fédérale de Lausanne) a dirigé ses recherches sur ce qu’ils ont appelé : la « vision

active »2.

Les robots d’aujourd’hui sont presque tous équipés de censeurs de vision, et

certains se déplacent sur des terrains difficiles par l’intermédiaire de roues ou de

pattes. Cependant, les méthodes d’Intelligence Artificielle, sont loin d’être prêtes à

traiter toutes les informations récupérées à travers ces censeurs, alors qu’il y a besoin

de prendre des décisions (des actions) rapides dans des environnements parfois

inconnus et/ou dynamiques.

L’utilisation de voitures conduites par une intelligence artificielle est un exemple

typique de la nécessité d’avoir une réactivité parfaite de la part du « conducteur ». La

vision active omnidirectionnelle se révèle particulièrement performante pour la

détection des fonctionnalités en rapport à la situation actuelle.

Au début, pendant que la « rétine » cherche la meilleure fonctionnalité (ce qui peut

mettre un peu de temps), la voiture avance et recule doucement pour rester en position.

Une fois la fonctionnalité trouvée, la voiture part à vitesse maximum, et peut éviter

toute piste difficile.

« Des recherches précédentes ont montré que des tâches visuelles complexes,

comme la reconnaissance de formes insensible aux variations de taille et de position

ainsi que la navigation, peuvent être approchées par des architectures neurales

remarquablement simples générées par un processus d’évolution conjoint de vision

active et de sélection de caractéristiques. Des machines comportementales équipées

de systèmes de visions primitifs et de connexions directes entre les neurones moteurs

et visuels ont été évoluées en interagissant librement avec leurs environnements. »3

____________________

1 Notamment le film « L’étrange histoire de Benjamin Button » sorti en 2008, où la première partie du film, le

visage de Brad Pitt âgé est en réalité fait d’images de synthèse. Le résultat est impressionnant, puisque plus

réaliste qu’un masque en latex. 2 Suzuki, M. , Floreano, D. (25)

3 Suzuki, M. , Floreano, D. (25)

Page 46: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

42

3.3 NOUVELLE CONCEPTION DE L’INTELLIGENCE ARTIFICIELLE

On ne peut minimiser les progrès fantastiques réalisés par le domaine de l’intelli-

gence artificielle, sous ses différentes formes et origines. Rappelons qu’en 1937, Alan

TURING propose une machine abstraite et universelle qu’il baptisa « Machine de

TURING »1, capable de résoudre des problèmes que ni hommes ni machines ne

pouvaient résoudre jusque-là. Dès lors, les scientifiques se sont acharnés à poursuivre

sur cette voie pour trouver des automates informatiques plus poussées, faisant peu à

peu apparaître les techniques que l’on peut voir aujourd’hui, et qui ont été décrites

précédemment.

3.3.1 INTELLIGENCE GLOBALE ARTIFICIELLE

Alors que la recherche en intelligence artificielle française rencontre des difficultés

pour financer ses travaux, les Etats-Unis (comme nous l’avons vu) et la Chine

progressent à une vitesse fulgurante. En effet, grâce à Hugo DE GARIS, chercheur

australien dirigeant l’Artificial Brain Lab de l’université Xiemen depuis sept ans, la

Chine serait disposée à fournir les moyens à la recherche en intelligence artificielle

pour la création d’une intelligence générale artificielle (AGI) :

« Le Professeur Hugo DE GARIS a récemment reçu 3 millions de Yuan, soit 4 ans de

subvention, pour construire le premier cerveau artificiel chinois, à partir de 2008. »2

Etant donnée la tendance économique actuelle3, il ne serait pas improbable de voir

la première AGI naître sur le sol chinois, au grand dam des Etats-Unis. Rappelons que

les Etats-Unis est l’endroit où l’intelligence artificielle a fait ses premiers pas et où elle

est actuellement la plus au point. Alors pourquoi la Chine ? La réponse est simple : la

Chine n’est plus enfermée dans ses traditions et s’ouvre très rapidement à la science et

aux nouvelles technologies, à l’inverse de l’Occident qui reste très enfermé dans

certains concepts religieux, méfiant à l’égard des intelligences artificielles. La Chine

au contraire, semble embrasser celles-ci.

Restons toutefois prudents quant aux allégations du professeur DE GARIS, puisque

même si la bonne foi du scientifique et les moyens sont là, l’homme reste une

personnalité très controversée dans le domaine de l’intelligence artificielle. En effet,

parfois DE GARIS se retrouve plus en position d’auteur de romans de science-fiction

que de chercheur scientifique objectif, ce qui lui a valu la notoriété (qu’il n’hésite pas

à revendiquer) de prophète de l’intelligence artificielle du futur. Il a également une

réputation d’homme ne tenant pas ses promesses : alors qu’il annonçait fièrement en

1993, qu’en l’an 2000 il serait sans aucun doute capable de produire un cerveau

____________________

1 Voir Annexe

2 de Garis, H. et Al. (34)

3 En février 2011, la Chine devient la 2

ème puissance économique mondiale, après les Etats-Unis, devançant le

Japon

Page 47: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

43

artificiel à un milliard de cellules, il se retrouva en 2001 avec un cerveau artificiel à

« seulement » quarante millions de cellules. En plus, ledit cerveau effectuait des

traitements qu’un réseau de dix neurones formels pouvait égaler.

Soyons cependant optimistes quant à l’AGI, qui reste une idée très intéressante, et

surtout à suivre de près dans les années à venir.

3.3.2 MIND MACHINE PROJECT

A l’Institut de Technologie du Massachussetts (MIT), on prend le problème à

l’envers : alors que les scientifiques de l’intelligence artificielle de par le monde vont

de plus en plus loin pour faire avancer ce domaine, des scientifiques de l’institut tech-

nologique le plus connu au monde veulent tout reprendre à zéro. C’est du moins ce

que veut faire le docteur Newton HOWARD, chercheur principal au MIT, et directeur

du projet qu’il a intitulé le Mind Machine Project (Projet de la Machine Esprit).

Pourquoi tout reprendre à zéro ? Selon les chercheurs du projet, l’évolution de

l’intelligence artificielle dans le même sens depuis la « Machine de TURING » doit

cesser, puisque l’avancée en devient minime1:

« L’architecture des ordinateurs n’a pas changé considérablement depuis 19452,

mais la façon dont les ordinateurs sont fabriqués et utilisés a complètement changé.

En conséquence, les fréquences des ordinateurs n’ont pas augmenté depuis 2004.3 »

Ils veulent réinterpréter l’intelligence artificielle avec de nouveaux concepts, et

surtout, avec les machines d’aujourd’hui. En effet, les machines actuelles sont bien

loin de ce que l’on trouvait à l’époque (cf. Parallèle : Evolution de la puissance des

ordinateurs) dont TURING ou VON NEUMANN ne pouvaient que rêver.

C’est ainsi qu’avec un budget de cinq millions de dollars pour un projet programmé

pour cinq ans, les scientifiques du MIT se lance dans la folle aventure de tout

réinventer, en basant cette intelligence artificielle sur quatre concepts qui nous sont

très familiers4 :

L’ESPRIT

« Développer un modèle logiciel capable de comprendre les contextes sociaux

humains et ses indicateurs ainsi que les comportements et conventions associés à

ceux-ci. »

Le cerveau humain s’est formé au cours de millions d’années d’évolution pour

devenir un ensemble complexe de systèmes et fonctions très différents les uns des

____________________

1 Rala Website (50)

2 Von Neumann, J. (23)

3 IT World Website (51)

4 MMP Website (52)

Page 48: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

44

autres. Dans la recherche en intelligence artificielle, on cherche à reproduire ce

concept en créant des solutions dispersées qui donnent de bons résultats dans des cas

précis. L’idée serait de les regrouper et ainsi avoir une base pour une intelligence

artificielle générale.

LA MEMOIRE

En informatique, on évite toujours un maximum l’ambiguïté dans les données, à

l’inverse de notre cerveau qui a stocké une quantité phénoménales de données au long

de sa vie. De plus, celui-ci est capable de s’y retrouver sans algorithme précis. Il est

tout à fait contre-productif, si l’on cherche à créer un cerveau artificiel, d’utiliser des

processus rigoureux et trop pertinents.

« Les ordinateurs doivent trouver le moyen de travailler avec l’ambiguïté et

l’inconsistance.1 »

LE CORPS

Les ordinateurs ont toujours été programmés pour exécuter des séquences de lignes

de code les unes après les autres. Cependant, l’esprit ne fonctionne pas du tout de cette

manière : dans celui-ci, tout peut arriver n’importe quand.

« La science des ordinateurs et la science de la physique ont divergé il y a quelques

dizaines d’années.2 »

Une nouvelle approche de la programmation, appelée RALA3 4 tente de pallier au

problème en représentant les calculs sous forme d’unités physiques de temps et

d’espace. Grâce à cela, on aurait un système qui coïncide avec sa propre description, à

l’instar du cerveau.

LE CERVEAU ET INTENTIONS

Les scientifiques du Mind Machine Project veulent étudier le mode de

réalisation des intentions dans le système neuronal. Cela inclue les composants des

« wet laboratories5

», les composants des cliniques, ainsi que la modélisation

mathématique. L’idée est de développer les capacités fonctionnelles du cerveau et

l’interface avec les neurones en utilisant des modèles basés sur les intentions pour

faciliter la représentation et l’échange d’informations.

Certes, mais dans quel but ? L’une des applications évoquées serait de fournir une

assistance aux personnes souffrant de maladies mentales dégénératives telle la maladie

____________________

1 Gershenfeld, N., rapporté par MIT news (36)

2 Gershenfeld, N., rapporté par MIT news (36)

3 Reconfigurable Asynchronous Logic Automata – Automate logique asynchrone reconfigurable

4 Gershenfeld, N. et Al. (35)

5 « wet » représente l’approche biologique de l’informatique. Traduction littérale: laboratoire humide.

Page 49: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

45

d’Alzheimer. Le concept est le suivant : le système surveille les fonctions du cerveau

et détermine quand le patient a besoin d’aide. Imaginons qu’une personne entre dans la

chambre du patient, le système affichera des informations sur cette personne.

Si une telle chose voit le jour, on pourrait même imaginer avoir une augmentation

des capacités cognitives d’individus sains, où le système pourrait afficher des

informations qu’il irait chercher sur Internet, à l’instar d’une application sur un

Smartphone, mais qui se lancerait d’elle-même. Les applications sont nombreuses,

même si elles restent à l’état d’idées.

3.3.3 UN FUTUR INCERTAIN

Les deux projets que nous venons de voir, AIG et MMP sont certainement les deux

projets du futur les plus importants en Intelligence Artificielle. Bien que les deux

soient relativement antagonistes dans leur démarche, on ne peut que souligner l’effort

des scientifiques à toujours vouloir faire évoluer notre vision de la vie artificielle.

La question est donc : doit-on continuer de chercher dans la même direction, ou

doit-on changer radicalement notre façon de penser pour continuer d’avancer ?

Page 50: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

46

CONCLUSION

Avec les algorithmes actuels que nous avons détaillés, tels les réseaux de neurones et les

algorithmes génétiques pour ne citer qu’eux, les chercheurs disposent à présent une base

solide pour représenter les aspects élémentaires des êtres vivants. Cela va de l’évolution à la

reproduction en passant par l’apprentissage.

Les systèmes qui ont été créés par les scientifiques au fur et à mesure des années étaient

d’abord flous, puis se sont précisés pour devenir finalement plus simples, et par conséquent,

plus compréhensibles. L’approche est maintenant principalement orientée de manière à créer,

en assemblant les algorithmes, des créatures virtuelles plus abouties et ainsi simuler des

comportements de plus en plus semblables au vivant.

Il sera certainement un jour possible, grâce à ces créatures artificielles, de permettre à la

biologie théorique qui est basée sur les connaissances empiriques acquises à partir des créa-

tures vivant sur terre, de ne plus simplement comprendre la vie de la manière dont nous la

connaissons mais de la manière dont elle pourrait être1. Il sera en effet tout à fait possible de

créer un environnement semblable à Mars, y placer des créatures, et observer la manière dont

elles vont évoluer sur cet environnement totalement différent.

Le domaine de la science n’est pas le seul concerné par l’évolution de l’intelligence artifi-

cielle. En effet, les gouvernements commencent à s’interroger sur les changements pouvant

être apportés par ce domaine, et surtout jusqu’à quel point ces changements se feront. La

grande peur des machines, qui s’inscrivait jusqu’alors uniquement dans les romans et films de

science-fiction, commence à apparaître un peu partout dans le monde réel.

Cette peur a un nom : la singularité technologique. Il s’agît du moment où les intelligences

artificielles seront aussi intelligentes que l’être humain. On se rend compte que la singularité

préoccupe d’une part les gouvernements et d’autre part les scientifiques. En 2009, en Califor-

nie, l’Association pour l’Avancement de l’Intelligence Artificielle émet des doutes quant à la

progression de la recherche qui pourrait mener un jour à la perte de l’emprise humaine sur les

systèmes informatique2. C’est également le cas de la Corée du Sud, où le ministre de l’infor-

mation et de la communication a annoncé en 2007 qu’il allait créer une « Charte éthique pour

les robots », reprenant en grosse partie les trois lois d’ASIMOV3.

Selon KURZWEIL, le principe de singularité technologique a été introduit par de VON NEU-

MANN en 1950, et est devenue célèbre un peu plus tard. Aujourd’hui, nombreux sont les

personnes qui tentent de prédire le jour où les machines seront aussi intelligentes que les hu-

mains, et KURZWEIL en fait partie. D’après l’évolution des ordinateurs et supercalculateurs

depuis quelques années, les futurologues misent sur la troisième décennie du XXIème

siècle.

En effet, en ne misant que sur la puissance de calcul brute du cerveau humain, la vitesse des

____________________

1LANGTON C.G. (33)

2 Ethical & Social Implications of AI for Society (53) (en anglais)

3 Robotic age poses ethical dilemna (54) (en anglais)

Page 51: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

47

superordinateurs actuels devrait atteindre celle de notre cerveau en 20211 (cf. Parallèle :

Evolution de la puissance des ordinateurs).

Qu’en serait-il de l’homme après la singularité ? C’est là toute la question à laquelle les

romanciers de science-fiction sont les premiers à répondre. Pour certains, l’être humain

disparaîtra entièrement ou en partie, détruit par les machines qu’il aura créées (comme DE

GARIS2), pour d’autres, les pensées des humains seront transférés dans des intelligences

artificielles, étant donné que l’on peut déjà transférer la mémoire de l’homme, du moment que

la capacité de stockage soit suffisante.

Le futur tel que nous l’imaginions il y a de cela quelques dizaines d’années est proche,

mais va-t-il être exactement comme nous le pensons ?

____________________

1 YUDKOWSKY, E. (46)

2 DE GARIS, H. (37)

Page 52: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

- 1 -

4 ANNEXES

4.1 RAPPELS DE BIOLOGIE

4.1.1 ADN

L’acide désoxyribonucléique, ou ADN, est une molécule présente dans toutes les

cellules vivantes et renferme l'ensemble des informations nécessaires au dévelop-

pement et au fonctionnement d'un organisme. C'est aussi le support de l'hérédité car il

est transmis lors de la reproduction, de ma-

nière intégrale ou non. Il porte donc

l'information génétique et constitue le gé-

nome des êtres vivants.

La molécule d’ADN est une structure en

hélice, composée de molécules appelées

nucléotides. Chaque nucléotide est com-

posé de trois éléments : un groupe phos-

phate, un sucre, et une base azotée. Il existe

quatre bases azotées différentes : adénine,

thymine, guanine, cytosine. Chaque nucléo-

tide va par pair sur la chaîne d’ADN, et

donne la structure ci-contre.

L'ADN détermine la synthèse des pro-

téines, par l'intermédiaire de l'ARN, et remplit les fonctions suivantes :

1. stocker l'information génétique, qui représente l’information déterminant le

développement et le fonctionnement d'un organisme. Cette information est

contenue dans l'enchaînement non-aléatoire de nucléotides.

2. la transmission de cette information de génération en génération. Cela permet

l'hérédité.

3. l'information portée par l'ADN peut se modifier au cours du temps. Cela aboutit

à une diversité des individus et à une évolution possible des espèces. Cela est dû

à des mutations dues principalement à des erreurs lors de la réplication des

séquences de l'ADN (ajout, délétion ou substitution de nucléotides), ou bien à

des recombinaisons génétiques (enjambements / crossovers).

L'ADN est donc le support de l'information génétique mais aussi le support de ses

variations. En subissant les effets de la sélection naturelle, l'ADN permet l'évolution

biologique des espèces.

Figure 24 - Structure de la molécule d'ADN

Page 53: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

- 2 -

4.1.2 GENETIQUE ET EVOLUTION

ORIGINE

La génétique est la science qui étudie l'hérédité et les gènes. Nous nous intéressons

en particulier à la génétique formelle, qui étudie les caractères héréditaires entre gé-

niteurs et descendance pour mieux comprendre l’évolution. L'évolution désigne la

transformation des espèces vivantes qui se manifeste par des changements de leurs

caractères phénotypiques au cours des générations. Les changements successifs peu-

vent aboutir à la formation de nouvelles espèces.

Il s’agît d’un concept très ancien, mais ce n’est qu’à partir de 1859 et la publication

de l’origine des espèces de Charles Darwin1 que la théorie de l’évolution s’est impo-

sée dans la communauté scientifique.

Pour expliquer les changements des espèces au fil des années, il arrive à la

conclusion suivante : les espèces ne sont pas des catégories fixes mais se diversifient

avec le temps, voire disparaissent. Pour expliquer ces changements, il propose le

principe de la sélection naturelle ou le concept de la survie du plus apte.

MEIOSE

La division cellulaire est certainement le processus le plus fondamental des êtres

vivants. Il en existe deux types : mitose et méiose. La deuxième concerne notamment

la production des gamètes (cellules sexuelles) et est en relation directe avec

l’évolution. En effet, ce sont les gamètes qui fournissent la base de l’embryon, donc la

base de la génération suivante. Chez les végétaux, la méiose produit des spores tandis

qu’elle se déroule pendant l’élaboration des gamètes chez les animaux.

La méiose est très importante puisqu’elle est

responsable du brassage génétique (mélange

des gènes) qui opère à deux niveaux : brassage

interchromosomique et intrachromosomique.

C’est cela qui produit la diversité des êtres

vivants, notamment chez l’être humain où

chaque individu est différent.

La méiose agît directement sur les

chromosomes, qui sont des éléments

microscopiques constitués d’ADN. Ils sont

formés de deux chromatides, reliées par un

centromère. Chaque chromatide est formé de

deux bras. L’être humain est constitué de 2n chromosomes (avec n = 23).

____________________

1 DARWIN, C. (1)

Figure 25 - Schéma de chromosome

Page 54: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

- 3 -

Figure 26 - Méiose étape par étape

Le fonctionnement de la méiose se déroule en deux parties, chacune composée de

quatre sous parties :

PROPHASE I

Phase la plus importante d’un point de vue de l’évolution. En effet il s’agît du

moment où il y a des enjambements (crossover). L’enjambement correspond au

moment où deux chromatides homologues (donc de la même pair) échangent une

partie de leurs gènes. L’endroit où les chromatides se touchent est appelé « chiasme »,

et les tous les gènes du chromatide avant ou après ce chiasme seront échangés avec

l’autre chromatide de la paire.

On parle d’enjambement simple lorsqu’il y a un seul chiasme, et d’enjambements

multiples lorsqu’il y en a plusieurs. A la fin, l’enveloppe nucléaire enveloppant les

chromosomes dans la cellule disparaît. C’est un brassage intrachromosomique.

Figure 27 – Schéma d’un enjambement simple

Page 55: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

- 4 -

METAPHASE I

Les chromosomes se placent aléatoirement de part et d’autre du plan équatorial de

la cellule. Le plan équatorial représente une ligne qui coupe la cellule en deux. On

parle de brassage interchromosomique.

ANAPHASE I

Phase durant laquelle les deux chromosomes s’éloignent du centre pour se déplacer

aux extrémités de la cellule.

TELOPHASE I

Réapparition des enveloppes nucléaires. On a désormais deux cellules à 2n

chromosomes.

PROPHASE II

Phase identique à la prophase I. Il y a également des enjambements.

METAPHASE II

Phase identique à la métaphase I, à ceci près qu’il n’y a qu’un seul chromosome

dans la cellule. Il positionne son centromère sur le plan équatorial, et les deux chroma-

tides se séparent, et se placent (là encore aléatoirement) de part et d’autre de la cellule.

ANAPHASE II

Phase identique à l’Anaphase I.

TELOPHASE II

Phase identique à la Télophase I.

Avant la méiose, la cellule disposait des informations des deux parents : deux paires

de chromosomes, une paire de la mère, une paire venant du père. Nous avions donc

deux paires de 23 chromosomes à deux chromatides, donc 96 chromatides en tout.

Une fois le processus terminé, nous disposons de quatre cellules à 23 chromosomes

à une chromatide, ce qui fait également 96 chromatides. Nous n’avons rien perdu,

mais le hasard et les enjambements ont fourni de quoi créer de nouveaux individus,

qui disposent des caractéristiques des deux parents, sans pour autant être des copies.

Page 56: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

- 5 -

4.1.3 NEURONES ET RESEAUX DE NEURONES

CERVEAU HUMAIN

Le cerveau humain est organisé de la façon suivante :

Figure 28 - Organisation du cerveau humain

De plus, il fonctionne à trois étages : récepteurs, réseaux neuronaux et effecteurs.

Le cerveau reçoit des informations, les enregistre, et prend les décisions appropriées. Il

y a donc une action à double sens sur l’environnement du cerveau.

NEURONES

Le neurone est une cellule du système

nerveux spécialisée dans la communi-

cation et le traitement d'informations.

Chaque neurone est composé d'un

corps cellulaire comportant un noyau,

ainsi que deux types de ramifications :

les dendrites pour les entrées et un axone

pour la sortie.

Molécules

Synapses

Micro-circuits neuronaux

Arbres dentritiques

Neurones

Circuits locaux

Macro-circuits neuronaux

Système nerveux central

Stimulus Récepteurs Réseaux

neuronaux Effecteurs Réponses

feedback information

Figure 29 - Schéma d'un neurone

Page 57: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

- 6 -

SYNAPSES

Les axones et dendrites des neurones différents entrent en contact via des structures

spécialisées appelées synapses. Les synapses du cerveau sont en général chimiques, et

utilisent des neurotransmetteurs pour

transmettre l’information.

L’influx nerveux ou potentiel action

est transmis le long d’un neurone sous la

forme d’une séquence dépolarisations

transitoires. Au niveau d’une synapse

chimique, l’information change de

nature, elle est transmise par une

libération de neurotransmetteurs dans

l’espace synaptique.

En réalité, il faut que la somme des

dépolarisations d’action soit suffisam-

ment importante pour que le signal se

transmette à l’autre neurone. En effet, si

la somme des dépolarisations ne dépasse pas un certain seuil, rien ne se passera1.

APPRENTISSAGE

Chaque structure est dotée d'une fonction particulière et ces structures adaptent leur

comportement par des mécanismes d’apprentissage. L’apprentissage implique des mo-

difications physiques des connexions entre neurones.

____________________

1 Touzet, C. (47)

Figure 30 - Schéma d'une synapse

Page 58: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

- 7 -

4.2 INFORMATIQUE

4.2.1 MACHINE DE TURING

Une machine de TURING est une abstraction d’un ordinateur. Elle se compose de

trois parties1 :

- d'une bande infinie sur laquelle se trouvent écrits des symboles ;

- d’une partie de contrôle constituée d'un nombre fini d'états possibles et de transi-

tions qui régissent les calculs de la machine ;

- d’une tête de lecture qui lit et écrit les symboles de la bande.

Fig. 1 : machine de Turing

ANALOGIE AVEC L’ORDINATEUR ACTUEL

La partie de contrôle représente le microprocesseur. Un élément essentiel de la

machine de TURING est que le nombre d'états est fini, de la même façon que les

microprocesseurs possèdent un nombre déterminé de registres d'une taille fixe. Ainsi,

le nombre de configurations possibles est lui aussi fini.

La bande représente la mémoire de l'ordinateur. Ceci comprend la mémoire

centrale ainsi que les mémoires externes telles les disques durs.

La tête de lecture représente le bus qui relie le microprocesseur à la mémoire.

Contrairement à un ordinateur, la mémoire d'une machine de Turing est infinie.

Une autre différence entre une machine de Turing et un ordinateur est qu’une

machine de Turing ne se déplace que d'une position à chaque opération et ne peut

accéder à une adresse mémoire spécifique comme l'ordinateur.

PRINCIPE

Le contrôle de la machine est constitué d'un nombre fini d'états {q0, …, qn}. À

chaque instant, la machine se trouve dans un de ces états. Au départ, la machine se

trouve dans l'état q0 qu'on appelle état initial. Le calcul d'une machine de Turing est

formé d'une suite d'étapes de calcul qui sont effectuées par la machine. Chaque étape

consiste à changer l'état de contrôle, écrire un symbole sous la tête de lecture et

____________________

1 CARTON, O. (43)

Page 59: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

- 8 -

déplacer la tête de lecture. Les étapes de calcul possibles sont décrites par les transi-

tions de la machine.

MACHINE DE TURING UNIVERSELLE

Il est possible de créer une machine de Turing qui puisse simuler le comportement

de n'importe quelle autre machine de Turing, on l'appelle « machine de TURING

universelle ».

4.2.2 ISAAC ASIMOV

Isaac Asimov était un écrivain américain, né en Russie en 1920. Il est surtout connu

pour ses œuvres de science-fiction, mais également pour avoir inventé le terme

« robotique ».

Pour lui, comme pour la plupart des auteurs anglo-saxons, les styles tourmentés ne

font que rebuter le lecteur. C'est donc l'histoire, et elle seule, qui est mise en avant. Il

fonde ses livres sur des dialogues entre protagonistes.

En 1950, il publie un livre intitulé Les Robots (I, Robot), où les robots sont régis par

trois lois, qui vont être connues après comme les lois d’Asimov1 :

- Première Loi : « Un robot ne peut porter atteinte à un être humain ni, restant passif,

laisser cet être humain exposé au danger. » ;

- Deuxième Loi : « Un robot doit obéir aux ordres donnés par les êtres humains, sauf si

de tels ordres sont en contradiction avec la Première Loi. » ;

- Troisième Loi : « Un robot doit protéger son existence dans la mesure où cette

protection n'entre pas en contradiction avec la Première ou la Deuxième Loi. »

____________________

1 Asimov, I. (55)

Page 60: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

- 9 -

4.3 APPLETS WEB

ALGORITHMES GENETIQUES :

- Genetic Algorithm Viewr (GAV) : http://www.rennard.org/alife/french/gav.html

- Le voyageur de commerce : http://www.rennard.org/iva/agapll.html

RESEAUX DE NEURONES

- Kohonen (voyageur de commerce, en anglais) :

http://www.patol.com/java/TSP/index.html

- Kohonen (voyageur de commerce en 3D, en anglais) : http://fbim.fh-

regensburg.de/~saj39122/jfroehl/diplom/e-sample.html

BOIDS

- Fourmis (anglais) : http://www.mcrit.com/complexity/applets/boid.html

- Reynolds (anglais) : http://www.red3d.com/cwr/boids/applet/

- Rennard : http://www.rennard.org/iva/boidapll.html

L-SYSTEMES

- Jessica Shepherd (en anglais) :

http://www.cs.utah.edu/~jshepher/java/Lsystems/Lsystems.html

AUTOMATES CELLULAIRES

Jeu de la Vie : http://www.math.com/students/wonders/life/life.html (cliquer sur

« Play Life » dans le panneau à droite de l’écran, en anglais)

CORE WAR

Site official (en anglais) : http://corewar.co.uk/

Page 61: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

- 10 -

LEXIQUE

ADN (acide désoxyribonucléique) : molécule présente dans toutes les cellules vivantes,

renfermant les informations nécessaires au développement et au fonctionnement d’un

organisme

adresse mémoire : voir mémoire

algorithme : processus systématique de résolution d’un problème

ARN (acide ribonucléique) : une molécule très proche chimiquement de l’ADN, que les

cellules vivantes utilisent pour fabriquer les protéines dont elles ont besoin.

automate : dispositif se comportant de manière automatique, c'est-à-dire sans

intervention d'un humain

binaire : ne pouvant être égal qu’à 0 ou 1

cellule : est l'unité structurale, fonctionnelle et reproductrice constituant tout ou partie

d'un être vivant

cellules voisines : cellules étant en contact direct avec la cellule observée

chromosome : élément microscopique constitué de molécules d'ADN

cognitif : adjectif se rapportant aux grandes fonctions de l'esprit : perception, langage,

mémoire, etc.

contingence : données imprévisibles

convergence : s’approcher de la solution

croisement : voir enjambement

dépolarisation : passage transitoire du potentiel de membrane d'une valeur négative,

dites de repos, vers une valeur positive

dynamique : qui se fait au fur et à mesure de l’exécution du programme (inverse de

statique)

empirique : qui s’appuie exclusivement sur l’expérience et l’observation, sans suivre les

méthodes, les principes scientifiques

enjambement : phénomène génétique qui contribue au brassage génétique lors de la

reproduction (pour plus d’informations, voir Annexe)

entrée : valeur fournie au système (voir également sortie)

espace toroïdal : la première case de l’espace correspond à la case juste après la toute

dernière

exponentiel : qui augmente de plus en plus rapidement avec le temps

fonctionnement parallèle : deux systèmes ou plus peuvent fonctionner en même temps

gène : séquence ADN qui spécifie la synthèse d'un ARN fonctionnel.

génération spontanée : l’être humain et les animaux sont apparus sur Terre grâce à une

intervention divine

génome : ensemble du matériel génétique d'un individu ou d'une espèce codé dans son

ADN

génotype : ensemble ou partie donnée de la composition génétique d’un individu

instruction : opération élémentaire qu’un programme demande au processeur d’effectuer

itération : répétition d’un processus

Page 62: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

- 11 -

jeu de Go : jeu d’origine chinoise où deux adversaires utilisent des pierres noires ou

blanches sur un tablier

linéaire : structure où les données sont agencées les unes après les autres

matériel génétique : voir ADN

mémoire (informatique) : dispositif électrotechnique qui sert à stocker des informations.

Celles-ci est composée d’adresses numériques, partant de zéro, jusqu’à la capacité

maximum de la mémoire.

mémoire associative : reconnaissance d’un motif mémorisé au préalable

morphogénèse : ensemble des lois qui déterminent la forme, la structure des tissus,

des organes et des organismes

mutation : modification irréversible de l’information génétique

optimisation : améliorer un outil pour trouver la solution à un problème plus rapidement

périodicité : aptitude qu'ont certains phénomènes à se reproduire à des époques

déterminées

phénotype : ensemble des caractères observables d'un individu. C’est l’expression

physique du génotype

récursivité : un algorithme qui contient un appel à lui-même est dit récursif

simulation : créer un système artificiel modélisant un problème pour mieux l’étudier

sortie : valeur fournie par le système (voir également entrée)

statique : doit être déclaré avant l’exécution du programme (inverse de dynamique)

synapse : désigne une zone de contact fonctionnelle qui s'établit entre deux neurones

synergie : valeur ajoutée suite à la coopération de deux entreprises, individus, concepts,

etc.

trivial : évident

ver : logiciel malveillant qui se reproduit sans programme hôte

Page 63: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

- 12 -

BIBLIOGRAPHIE

1. Darwin, Charles. The Origin of species. 1859.

2. Tisserant, Alain. http://www.mines.inpl-nancy.fr/~tisseran/cours/algo-

genetique/genetique.html. Ecole des Mines de Nancy. [Online] Mai 1998.

3. Ladjadj, Rachid. http://www-igm.univ-mlv.fr. [Online] 2002.

4. Matussi, Claudio and Floreano, Dario. Bio-Inspired Artificial Intelligence.

Massachusetts : The MIT Press, 2008.

5. Pascal Ferraro, Christophe Godin. A distance measure between plant architectures.

Annals of Forest Science. 2000, p. 445.

6. Stewart, Ian. Life's Other Secret. The New Mathematics of Living World. 1998.

7. Cech, T.R. RNA as an enzyme. Scientific American. 255, 1986.

8. Rennard, Jean-Philippe. Vie Artificielle : Où la biologie rencontre l'informatique. Paris :

Vuibert, 2002.

9. Emmeche, C. The Garden in the Machine. s.l. : Princeton University Press, 1994.

10. Rasmussen, Steen. The Coreworld: Emergence and Evolution of Cooperative Structures

in Computational Chemistry. Physica D. 42, 1990.

11. Pitts, Warren S. McCulloch & Walter H. A logical calculus if the ideas immanent in

nervous activity. 1943.

12. Rumelhart, Hinton, Williams. Learning Internal Representations by Error Propagation.

1986.

13. Sutton, Richard S. Temporal credit assignement in reinforcement learning. 1984.

14. Vannier, Jean. L'Explosion Cambrienne. CNRS. [Online]

http://www.cnrs.fr/cw/dossiers/dosevol/decouv/articles/chap2/vannier.html.

15. Ray, Thomas S. How I created life in a virtual universe. [Online]

http://life.ou.edu/pubs/nathist/.

16. Levy, S. Artificial Life. The Quest for a New Creation. s.l. : Penguin Books, 1992.

17. Elena, S.F. Punctuated Evolution Caused by Selection of Rare Beneficial Mutations.

Science 272. 1802, Vol. 1996.

18. ULAM, Stanislas. Sets, Numbers and Universe. Cambridge : MIT Press, 1974.

19. Louis, Pierre-Yves. Thèse : Automates Cellulaires Probabilistes : mesures stationnaires,

mesures de Gibbs associées et ergodicité. 2002.

Page 64: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

- 13 -

20. Packard, N. Deterministic Lattice Models for Solidification and Aggregation. 1985.

21. Gardner, M. The fantastic Combinations of John Conway's New Solitaire Game: "Life".

Scientific American. 1970, 223.

22. Berlekamp, E., Conway, J. H. and Guy, R. Winning Ways for your Mathematical Plays.

New York : Academic Press, 1982.

23. Goldstine, H. The Computer: from Pascal to von Neumann. New Jersey : Princeton

University Press, 1972.

24. MacLean, C. Y., et al., et al. GREAT improves functional interpretation of cis-regulatory

regions. Nature Biotechnology. 28.

25. Suzuki, M. and Floreano, D. Enactive Robot Vision. 2008.

26. Geoffrey Hinton, Terrence J. Sejnowski. Unsupervised Learning: Foundations of

Neural Computation.

27. Goldeberg, D.E. Alleles, loci, and the traveling salesman problem. 1985.

28. Goldeberg D.E., Miller B.L. Genetic Algorithms, Tournament Selection, and the Effects

of Noise. 1995.

29. Hopfield, J.J. Neural networks and physical systems with emergent collective

computational abilities.

30. J.-H, Holland. Adaptation in Natural and Artificial Systems. 1975.

31. Reynolds, Craig. Flocks, Herds and Schools : A Distributed Behavioral Model. 1987.

32. Kohonen, T. Self-Organized Formation of Topologically Correct Feature Maps.

33. Langton, C.G. Artificial Life. 1989.

34. The China-Brain Project : Building China's Artificial Brain using an Evolved Neural Net

Module Approach. de Garis, H. and et Al. s.l. : Artificial General Intelligence Research

Institute, 2008.

35. Reconfigurable Asynchronous Logic Automata. Gershenfeld, N. et Al. s.l. : Symposium

on Principles of Programming Languages, 2010.

36. David L. Chandler, MIT News Office. Rethinking artificial intelligence. MIT news.

[Online] 2010. http://web.mit.edu/newsoffice/2009/ai-overview-1207.html.

37. de Garis, H. The artilect war : cosmists vs. terrans : a bitter controversy concerning

whether humanity should build godlike massively intelligent machines. Palm Springs : ETC

Publications, 2005. 0882801546.

38. J., Wolff. Les grandes oeuvres économiques. 1983.

Page 65: Vie Naturelle et Artificielle Apports à la Science · Les algorithmes génétiques ont pour but d’apporter une solution en un temps raisonnable à un problème lié à l’optimisation

Vie Naturelle et Artificielle : Apports à la Science 2011

- 14 -

39. F.J., Varela. Autonomie et connaissance. Essai sur le vivant. 1989.

40. J., Von Neumann. Les fondements mathématiques de la mécanique quantique. 1932.

41. J. Von Neumann, A. Burks. Theory of Self-Reproducing Automata. 1966.

42. Wikipedia. Wikipedia. [Online]

43. Carton, O. Machines de Turing. Liafa Jussieu. [Online]

http://www.liafa.jussieu.fr/~carton/Enseignement/Complexite/MasterInfo/Cours/turing.html.

44. Oparin. The Origin of Life. 1929.

45. C.C., Maley. The Computationel Completness of Ray's Tierran Assembly Language.

1994.

46. Yudkosky, E. Staring into the Singularity. 1996.

47. Touzet, C. Les réseaux de neurones artificiels : introduction au connexionnisme. 1992.

48. S., Batzoglou. Serafim Batzoglou's Website. Stanford Computer Science. [Online]

http://ai.stanford.edu/~serafim/research.html.

49. Stanford. AGAN Alignment Toolkit Website. [Online]

http://lagan.stanford.edu/lagan_web/index.shtml.

50. MIT. RALA Home. RALA. [Online] MIT. http://rala.cba.mit.edu/ .

51. abennett. Intel reaches Pentium 4 speed limit at 3.8 Ghz. IT World. [Online]

http://www.itworld.com/041116intelp4.

52. MIT. MMP Home Page. MMP. [Online] http://mmp.mit.edu/.

53. AAAI. Ethical & Social Implications of AI for Society. AAAI. [Online]

http://www.aaai.org/AITopics/pmwiki/pmwiki.php/AITopics/Ethics.

54. BBC. Robotic age poses ethical dilemma. BBC news. [Online] 3 7, 2007.

http://news.bbc.co.uk/2/hi/technology/6425927.stm.

55. Asimov, I. Les Robots. 1950.