Les voitures capables de conduire de manière autonome ont récemment fait la une des journaux. Dans le futur proche, des machines capables d'apprendre de manière autonome deviendront de plus en plus présentes dans nos vies. Le secret d'un apprentissage efficace pour ces machines est de définir un processus itératif pour cartographier l'évolution de la façon dont les aspects clés de ces systèmes changent au fil du temps.

Dans une étude publiée dans EPJ B , Agustín Bilen et Pablo Kaluza de l'Universidad Nacional de Cuyo, Mendoza, L'Argentine montre que ces systèmes intelligents peuvent évoluer de manière autonome pour effectuer une tâche spécifique et bien définie au fil du temps. Les applications vont de la nanotechnologie aux systèmes biologiques, tels que les réseaux de transduction de signaux biologiques, des réseaux de régulation génétique avec des réponses adaptatives, ou des réseaux génétiques dans lesquels le niveau d'expression de certains gènes dans un réseau oscille d'un état à un autre.

Ces systèmes autonomes n'ont pas besoin d'un tuteur externe. Ils ne relèvent pas non plus d'une unité centrale conçue pour modifier ce que le système doit apprendre en fonction de leurs performances. Pour augmenter leur autonomie, les auteurs ont intégré une dynamique retardée et une boucle de rétroaction avec les performances du système. La dynamique retardée renseigne sur l'historique du système, présentant ainsi les relations passées entre sa structure et ses performances. À son tour, la boucle de rétroaction offre des informations sur les performances réelles du système en termes de proximité avec la tâche souhaitée.

Les chercheurs ont d'abord appliqué avec succès leur approche à un réseau de neurones chargé de classer plusieurs modèles, qui a donné 66% de robustesse. Ces informations peuvent être appliquées, par ex. en électronique analogique, où un matériel peut apprendre une tâche de manière autonome sans unité centrale de traitement ni contrôle externe. L'équipe a également testé leur solution sur un système d'oscillateurs de phase, qui sont intéressants car les populations de tels oscillateurs présentent des traits de synchronisation remarquables. Dans ces cas, l'apprentissage autonome aide à éviter les fluctuations inhérentes d'erreur normalement trouvées dans de tels systèmes.