Gail Carpenter – 1948 Présent

Biographie

Dans l’histoire des sciences cognitives computationnelles et des mathématiques appliquées du vingtième siècle, peu de trajectoires intellectuelles ont suscité une refondation aussi radicale des modèles de l’esprit que celle de Gail Alexandra Carpenter. Née en 1948, cette mathématicienne et théoricienne des systèmes neuronaux s’est imposée dès les années 1970 comme une pionnière de premier ordre en s’attaquant à l’une des énigmes les plus redoutables de l’apprentissage biologique et artificiel : la manière dont un système adaptatif parvient à acquérir de nouvelles connaissances de façon continue et autonome sans détruire ou corrompre les traces mnésiques préalablement consolidées. À travers l’élaboration mathématique rigoureuse de la théorie de la résonance adaptative (Adaptive Resonance Theory ou théorie de la résonance adaptative), Gail Carpenter a non seulement formulé une réponse élégante au dilemme classique opposant stabilité et plasticité, mais elle a également érigé un paradigme connexionniste alternatif aux architectures statiques de rétropropagation.

Son œuvre, déployée principalement au sein du département des systèmes cognitifs et neuronaux de l’Université de Boston, témoigne d’une alliance féconde entre l’analyse topologique, la théorie des bifurcations, la modélisation neurodynamique non linéaire et la psychologie expérimentale. Loin de réduire les processus mentaux à des métaphores computationnelles simplificatrices empruntées à l’informatique séquentielle de von Neumann, Gail Carpenter a conçu les réseaux de neurones comme des systèmes dynamiques auto-organisés gouvernés par des équations différentielles couplées, au sein desquels l’attention descendante, la rétroaction synaptique et la résonance oscillatoire constituent les moteurs fondamentaux de la perception consciente et de la catégorisation conceptuelle.

Le parcours intellectuel de Gail Carpenter illustre avec une clarté singulière l’émergence d’une pensée mathématique transdisciplinaire au tournant de l’après-guerre et de la révolution cybernétique. Tout au long de sa carrière, marquée notamment par une collaboration scientifique monumentale avec son confrère Stephen Grossberg, elle s’est attachée à réconcilier les données neurophysiologiques les plus minutieuses avec les comportements phénoménologiques globaux observables chez l’humain et l’animal. Cet article se propose d’analyser de manière approfondie sa biographie, ses ruptures conceptuelles, ses architectures formelles (d’ART 1 jusqu’aux réseaux Fuzzy ARTMAP et aux réalisations neuromorphiques modernes), ainsi que la portée philosophique et computationnelle d’un héritage qui continue de façonner en profondeur l’intelligence artificielle contemporaine et les neurosciences théoriques.

1. Introduction à la vie et à l’œuvre de Gail Carpenter (1948 – Présent)

1.1 Origines, trajectoire biographique et contexte historique

L’essor scientifique de Gail Alexandra Carpenter s’inscrit au cœur d’une époque marquée par de profondes mutations intellectuelles et technologiques. Née en 1948 aux États-Unis, elle grandit durant les décennies d’après-guerre où les sciences quantitatives connaissent une restructuration institutionnelle majeure sous l’effet de l’essor de l’informatique naissante, de la théorie de l’information de Claude Shannon et des premiers balbutiements de la cybernétique animés par Norbert Wiener. Dès sa jeunesse, Carpenter manifeste des dispositions exceptionnelles pour les mathématiques abstraites, une discipline alors dominée de façon quasi hégémonique par une communauté masculine au sein des institutions universitaires d’élite. Évoluer dans ce contexte académique exigeait une force intellectuelle rare et une indépendance conceptuelle à toute épreuve.

Son cursus universitaire initial la conduit à explorer les mathématiques pures dans leur dimension la plus exigeante. Très tôt, elle perçoit que l’analyse mathématique, la topologie différentielle et les systèmes dynamiques qualitatifs possèdent un potentiel herméneutique qui dépasse largement le cadre des théorèmes auto-référentiels pour s’appliquer à la compréhension des dynamiques du vivant. Cette transition des mathématiques pures vers la biomathématique et la neurodynamique s’effectue à un moment charnière où la biologie moderne commence à intégrer les formalismes biophysiques issus des célèbres travaux d’Alan Hodgkin et Andrew Huxley sur la conduction nerveuse. Gail Carpenter saisit rapidement que la modélisation des processus neuronaux ne peut faire l’économie d’une rigueur formelle absolue si elle entend dépasser les spéculations purement métaphoriques.

Sur le plan institutionnel, son ascension progressive au rang de sommité académique au département des mathématiques et des systèmes cognitifs constitue une avancée majeure pour la visibilité des chercheuses dans les disciplines exactes. À une époque où les départements d’ingénierie et de mathématiques appliquées n’accordaient que peu d’espace aux femmes, Gail Carpenter s’impose par la profondeur indiscutable de ses démonstrations théoriques et son aptitude à dialoguer d’égal à égal avec les plus grands théoriciens de la physique et des neurosciences. Elle contribue activement à l’institutionnalisation des sciences cognitives computationnelles sur la scène internationale, cofondant des revues académiques de premier ordre et siégeant au sein des cercles décisionnels des sociétés savantes consacrées aux réseaux de neurones, transformant ainsi durablement l’écosystème de la recherche mondiale.

1.2 Intersection disciplinaire : Mathématiques, psychologie et neurosciences

La trajectoire scientifique de Gail Carpenter se distingue par une synthèse novatrice entre trois domaines jusque-là isolés par des traditions méthodologiques étanches : la géométrie et la topologie des systèmes dynamiques non linéaires, la psychologie cognitive expérimentale et la neurobiologie fonctionnelle. Dès le début de ses recherches, elle constate que les théories psychologiques de l’époque pèchent fréquemment par un manque d’ancrage mécanistique, se limitant à des modèles de boîtes et de flèches descriptifs, tandis que les neurosciences expérimentales accumulent des catalogues massifs de données cellulaires sans cadre théorique unifié capable d’en expliquer l’organisation fonctionnelle globale.

Face à ces cloisonnements, Carpenter met en œuvre une démarche épistémologique où les états mentaux et les actes cognitifs (comme la reconnaissance d’une forme, la focalisation attentionnelle ou le stockage d’un concept) sont rigoureusement formulés comme des trajectoires et des attracteurs au sein d’espaces d’états différentiels de haute dimension. Cette modélisation qualitative des systèmes dynamiques permet d’étudier comment des équations différentielles couplées peuvent engendrer des transitions de phase correspondant à des moments de bascule cognitive, tels que la prise de décision ou le rappel mémoriel. Cette méthodologie confère aux théories psychologiques une assise analytique où chaque concept opérationnel trouve une contrepartie directe dans un paramètre d’équation ou une constante de temps synaptique.

Cette approche implique également une rupture majeure avec le courant connexionniste standard qui se structure durant les années 1980 autour des modèles à rétropropagation du gradient (backpropagation). Gail Carpenter critique vertement le caractère biologiquement invraisemblable de ces architectures purement feedforward (à propagation avant), qui requièrent un oracle externe omniscient pour calculer l’erreur de sortie et qui souffrent d’une incapacité structurelle à traiter des environnements non stationnaires. En lieu et place de cette machinerie statistique passive, elle défend la conception de réseaux auto-organisés où les signaux circulent de façon bidirectionnelle à travers des boucles récurrentes, instituant une symbiose inédite entre le calcul mathématique pur et la phénoménologie de la cognition animale.

1.3 Importance globale dans l’histoire des architectures cognitives

L’apport historique de Gail Carpenter à la science contemporaine s’enracine dans la conceptualisation de l’apprentissage adaptatif en continu sans supervision externe obligatoire. En jetant les bases algorithmiques et analytiques de la théorie de la résonance adaptative, elle a démontré comment un réseau de traitement distribué pouvait intégrer de nouvelles catégories perceptives de façon incrémentale sans jamais effacer rétroactivement les informations acquises dans le passé. Cette découverte a profondément transformé la compréhension mathématique des systèmes apprenants, fournissant un modèle alternatif robuste aux ordinateurs classiques soumis à la rigidité des programmes déterministes.

Sur le plan psychophysique, ses travaux ont éclairé d’un jour nouveau les mystères de la catégorisation humaine. Les architectures formalisées par Carpenter explicitent les raisons pour lesquelles notre esprit parvient simultanément à reconnaître une silhouette générique (comme l’appartenance d’un objet à la catégorie générale des oiseaux) et à discerner l’exemplaire singulier hautement spécifique (comme l’identification de son propre animal de compagnie) sous des conditions d’observation fluctuantes. Ses équations rendent compte de la dynamique par laquelle le système cognitif module son seuil de tolérance à l’erreur perceptuelle, établissant une passerelle conceptuelle rigoureuse entre les mécanismes synaptiques locaux et la flexibilité catégorielle globale.

Enfin, son rôle d’autorité académique au sein du célèbre Department of Cognitive and Neural Systems (CNS) de l’Université de Boston a contribué à asseoir la réputation internationale de ce pôle de recherche comme l’épicentre mondial de la neurodynamique cognitive. Sous son impulsion théorique, des cohortes de chercheurs, d’ingénieurs et de mathématiciens ont été formées à une vision intégrée de l’intelligence artificielle, où les algorithmes ne sont pas de simples fonctions de transfert heuristiques, mais des répliques structurelles fidèles des principes de régulation et d’auto-organisation qui animent le cerveau des mammifères. Son impact rayonne aujourd’hui jusque dans les technologies de pointe de l’ingénierie neuromorphique.

2. Formation académique et émergence d’une pensée mathématique et cognitive

2.1 Parcours universitaire initial et études doctorales

La formation intellectuelle de Gail Carpenter s’articule autour d’une discipline de fer au sein des départements de mathématiques les plus exigeants des États-Unis. Titulaire d’un diplôme de premier cycle en mathématiques avec les plus hautes distinctions, elle s’oriente vers des études doctorales à l’Université du Wisconsin à Madison, un centre névralgique de la recherche en analyse fonctionnelle et en topologie géométrique. Durant ces années de recherche doctorale, Carpenter est fascinée par la théorie des équations différentielles ordinaires et partielles non linéaires, ainsi que par les méthodes géométriques appliquées à l’analyse qualitative des champs vectoriels.

Sa thèse de doctorat, achevée sous la direction de mathématiciens chevronnés, porte sur l’étude formelle des équations de conduction de l’influx nerveux, et plus particulièrement sur l’analyse rigoureuse des modèles simplifiés d’excitabilité membranaire, tels que les équations différentielles de FitzHugh-Nagumo. Ce système différentiel, qui réduit la complexité à quatre variables du formalisme d’Hodgkin-Huxley à un système bidimensionnel non linéaire d’une grande richesse géométrique, permet à Carpenter de déployer toute la puissance de la théorie des variétés invariantes, des surfaces singulières de raccordement et des cycles limites pour modéliser la propagation des ondes d’impulsion électrique le long de l’axone neuronal.

Cette immersion doctorale dans les mécanismes électrophysiologiques sous l’angle mathématique le plus strict constitue un jalon décisif dans son évolution. Carpenter y développe une intuition fine de la façon dont des équations continues peuvent générer des bifurcations brusques, des seuils d’activation tout-ou-rien et des états de relaxation périodique. Ce passage progressif de l’électrophysiologie mathématique vers la cybernétique cognitive l’amène à dépasser l’échelle de l’axone unique pour se concentrer sur les interactions d’ensembles de neurones couplés en réseaux complexes, amorçant ainsi sa transition vers l’étude computationnelle des fonctions cérébrales supérieures.

2.2 Passage des équations différentielles à la modélisation neuronale

Au lendemain de son doctorat, Gail Carpenter s’attelle à étendre le champ d’application des systèmes dynamiques qualitatifs à la modélisation des membranes cellulaires interconnectées. Elle constate que les théories de l’intelligence artificielle symbolique de l’époque, fondées sur la manipulation de prédicats logiques discrets et l’algèbre booléenne, se heurtent à une aporie ontologique : elles sont incapables de reproduire la plasticité, le traitement en temps réel et la robustesse au bruit inhérents aux cerveaux biologiques. Pour Carpenter, le substrat premier de la cognition n’est pas le symbole abstrait, mais la variable continue d’activation membranaire régie par des flux ioniques et des interactions synaptiques.

Elle s’investit alors dans la formalisation des potentiels d’action et des cinétiques de neurotransmission en introduisant des systèmes différentiels à inhibition croisée et à auto-excitation non linéaire, souvent désignés sous le terme de réseaux d’activation à shunt (shunting neural networks). Contrairement aux modèles additifs simplificateurs, ces systèmes intègrent un contrôle de gain multiplicatif automatique qui empêche la saturation des neurones en présence de signaux d’entrée intenses, tout en maintenant une sensibilité discriminante aiguisée pour des stimuli faibles. Cette formalisation démontre comment les réseaux biologiques résolvent le problème du bruit de fond et de la plage dynamique sans nécessiter de recalibrage externe permanent.

À travers ces investigations mathématiques, Carpenter met en lumière les défaillances criantes des modèles computationnels statiques, lesquels perçoivent l’apprentissage comme un processus séquentiel d’optimisation d’erreurs gelé dans le temps. Elle postule au contraire que le cerveau fonctionne dans un régime dynamique d’équilibre métastable, où l’apprentissage synaptique doit s’effectuer de façon concurrente au traitement des signaux sensoriels. Cette révélation théorique pave la voie à l’abandon définitif des paradigmes computationnels rigides au profit d’architectures fondées sur des flux récurrents continus et l’auto-stabilisation autonome des représentations synaptiques.

2.3 Implantation académique à l’Université de Boston

L’étape charnière de la carrière de Gail Carpenter correspond à son arrivée à l’Université de Boston, où elle rejoint le département de mathématiques avant de s’associer de manière institutionnelle et scientifique avec Stephen Grossberg. Ensemble, ils conçoivent le projet audacieux d’ériger une structure universitaire unique au monde, entièrement dédiée à l’élucidation mathématique de l’esprit : le Center for Adaptive Systems (CAS), fondé en 1981, suivi par la création en 1991 du prestigieux Department of Cognitive and Neural Systems (CNS). Gail Carpenter assume la direction et l’animation scientifique de ces entités, attirant des chercheurs du monde entier.

Le CNS de Boston s’établit rapidement comme un pôle intellectuel de référence internationale, se démarquant nettement des approches connexionnistes conventionnelles issues des départements d’informatique traditionnels. Sous l’impulsion méthodologique de Carpenter, le département adopte une posture intransigeante : aucun modèle neural ne doit être accepté s’il n’est pas capable à la fois d’élucider des données expérimentales psychophysiques, d’être validé par des substrats neurobiologiques anatomiquement plausibles et d’être étayé par des preuves mathématiques rigoureuses quant à sa stabilité asymptotique. Cette exigence confère aux travaux issus de Boston une crédibilité et une longévité inégalées.

En tant que pédagogue et directrice de recherche, Carpenter instaure un modèle de formation doctorale transversal particulièrement novateur. Les étudiants y reçoivent un enseignement intensif qui embrasse l’analyse fonctionnelle, la théorie des bifurcations, la physiologie sensorielle de la rétine et du cortex visuel, ainsi que les paradigmes classiques de la psychologie comportementale. Cette pédagogie décloisonnée donne naissance à une génération de chercheurs capables de traduire un déficit de mémoire humaine en une altération de terme différentiel synaptique, positionnant ainsi l’Université de Boston comme la matrice originelle de la modélisation cognitive mécaniste contemporaine.

3. Le dilemme de la stabilité et de la plasticité dans la cognition humaine

3.1 Formulation théorique du problème de la mémoire

Le dilemme de la stabilité et de la plasticité (stability-plasticity dilemma) représente sans doute l’obstacle épistémologique le plus profond auquel toute théorie de l’apprentissage naturel ou artificiel se trouve confrontée. Formulée avec une clarté magistrale par Carpenter et Grossberg, la question se pose en ces termes : comment un système d’apprentissage auto-organisé peut-il conserver une plasticité permanente lui permettant d’assimiler de nouveaux faits, objets ou événements signifiants, sans pour autant que ces nouvelles acquisitions ne viennent corrompre, écraser ou effacer de manière catastrophique les connaissances préalablement engrammées dans les poids synaptiques ?

Dans la majorité des réseaux de neurones conventionnels, et tout particulièrement au sein des réseaux multicouches entraînés par l’algorithme de rétropropagation du gradient, ce dilemme est tragiquement résolu par l’échec : lorsqu’un réseau qui a convergé sur une première distribution statistique de motifs est exposé à une nouvelle distribution dissemblable, la mise à jour des poids par descente de gradient réécrit aveuglément les matrices de connexion. Ce phénomène d’oubli catastrophique (ou interférence rétroactive généralisée) rend ces architectures inopérantes pour l’apprentissage autonome en boucle ouverte dans un environnement réel, imprévisible et non stationnaire.

Carpenter analyse ce dilemme à la lumière des observations fondamentales de la psychologie cognitive sur la distinction entre la mémoire de travail (working memory) et la mémoire à long terme (long-term memory). Chez les vertébrés supérieurs, le système cérébral ne réécrit pas son architecture chaque fois qu’un stimulus inédit est rencontré ; il parvient à déterminer avec une fluidité instantanée si l’information incidente correspond à une catégorie déjà connue dont il suffit de raffiner les paramètres, ou s’il s’agit d’une anomalie substantielle nécessitant l’allocation dédiée d’une nouvelle trace mnésique, tout en maintenant intact l’édifice mémoriel antérieur.

3.2 Implications psychologiques et psychopathologiques

La formalisation du dilemme stabilité-plasticité par Gail Carpenter apporte un éclairage théorique puissant sur de nombreuses énigmes de la psychologie expérimentale et des neurosciences cliniques. Elle propose une explication computationnelle unifiée à la remarquable persistance des souvenirs anciens et consolidés face au flux incessant des apprentissages récents. Le cerveau humain n’est pas une bande magnétique réinscriptible de manière linéaire : la conservation des compétences motrices et des représentations conceptuelles acquises durant l’enfance témoigne de l’existence de mécanismes d’inhibition active qui sanctuarisent les engrammes synaptiques dès lors que les entrées sensorielles n’entrent pas en résonance structurelle avec eux.

Cette approche théorique permet également de décortiquer les pathologies mnésiques, notamment les amnésies antérogrades et rétrogrades ainsi que divers troubles de l’attention sélective. Les dysfonctionnements observés chez des patients cérébrolésés (comme le cas historique H.M. ou des sujets présentant des lésions hippocampiques bilatérales) sont réinterprétés par Carpenter non pas comme une simple perte de stockage physique, mais comme l’effondrement des mécanismes dynamiques de sélection catégorielle et de modulation attentionnelle descendante, empêchant la validation résonante des nouvelles traces au sein des aires corticales d’association.

En outre, les phénomènes classiques d’interférence proactive (où l’apprentissage antérieur entrave l’acquisition de nouvelles données) et d’interférence rétroactive (où le nouvel apprentissage dégrade le précédent) sont modélisés comme des déséquilibres dynamiques dans les seuils de comparaison entre signaux ascendants et représentations descendantes. Lorsque l’architecture synaptique perd sa capacité à isoler les sous-espaces de projection par inhibition latérale réciproque, le réseau devient la proie d’un brouillage mnésique que Carpenter formalise à travers des équations d’inhibition compétitive rompues, offrant un pont mathématique robuste vers la psychopathologie cognitive.

3.3 La réponse mathématique de Gail Carpenter

La solution magistrale apportée par Gail Carpenter au dilemme de la stabilité et de la plasticité réside dans l’introduction d’un mécanisme de régulation dynamique non linéaire du gain synaptique, combiné à un protocole de test d’hypothèse auto-généré. Elle démontre analytiquement qu’un système ne peut rester stable que si le traitement passif ascendant (des capteurs vers les couches d’abstraction) est subordonné à un filtrage actif descendant (des couches conceptuelles vers les couches perceptives). L’apprentissage des poids synaptiques ne doit être déverrouillé que et seulement si un consensus dynamique, baptisé « résonance », s’est établi entre ces deux flux directionnels.

Carpenter modélise ce verrouillage à travers un ensemble d’équations différentielles synaptiques de type Hebbien modifiées par un terme d’inhibition compétitive (« gating term »). Dans cette formulation, les poids synaptiques ne varient pas de façon aveugle en présence de corrélation statistique brute ; ils sont asservis à une fonction de modulation non linéaire qui bloque la dérive des poids dès qu’un écart perceptif trop important est détecté au niveau de la couche réceptrice. Les traces mnésiques sont ainsi cryogénisées contre l’oubli préjudiciable sans requérir l’arrêt artificiel du temps machine :

• Régulation de gain conditionnelle : Le signal d’activation synaptique est pondéré par un facteur de concordance globale qui empêche la réécriture des vecteurs de poids stabilisés.
• Rétroaction inhibitrice non linéaire : Les neurones catégoriels actifs exercent une pression inhibitrice latérale sur leurs voisins, restreignant la plasticité aux seules unités entrant en résonance validée avec l’entrée.
• Dynamique auto-stabilisatrice autonome : Le système converge de manière endogène vers un état asymptotique fermé, éliminant toute nécessité d’intervention humaine ou de gel algorithmique externe des paramètres du modèle.

4. La genèse de la théorie de la résonance adaptative (ART)

4.1 Principes directeurs et architecture conceptuelle fondamentale

La théorie de la résonance adaptative (ART) est le chef-d’œuvre théorique développé conjointement par Gail Carpenter et Stephen Grossberg à partir du milieu des années 1980. Publiée dans des articles fondateurs devenus des classiques absolus de la littérature scientifique, ART repose sur un principe architectural novateur : le couplage fonctionnel étroit entre deux sous-systèmes interconnectés, à savoir le sous-système attentionnel et le sous-système d’orientation. Cette bipartition fonctionnelle reflète l’organisation macroscopique du cerveau des mammifères, scindant le traitement de l’information en une voie de reconnaissance descendante et une voie d’alerte sous-corticale autonome.

Le sous-système attentionnel se compose principalement de deux couches de neurones en interaction récurrente : la couche de champ de traits perceptifs, dénommée $F_1$, et la couche de champ de catégories ou de représentations cognitives, dénommée $F_2$. Lorsqu’un vecteur d’entrée sensoriel stimule la couche $F_1$, celle-ci projette une onde d’activation ascendante (bottom-up) vers la couche $F_2$ à travers une matrice de poids adaptatifs. Au sein de $F_2$, une compétition acharnée de type « le vainqueur rafle tout » (winner-take-all), régie par inhibition latérale récurrente, sélectionne le neurone ou le groupe de neurones représentant l’hypothèse catégorielle la plus plausible.

Dès cet instant, la dynamique bascule : le neurone victorieux en $F_2$ renvoie immédiatement un signal de rétroaction descendant (top-down) vers la couche d’entrée $F_1$. Ce vecteur descendant incarne l’archétype, ou l’attente perceptive (le prototype mémorisé), que le cerveau associe à cette catégorie spécifique. En $F_1$, le système effectue une comparaison point par point entre le stimulus brut ascendant et le prototype descendant. Si les deux profils d’activation concordent suffisamment, les deux couches s’engagent dans un état d’oscillation synchrone bidirectionnelle : la résonance cognitive est atteinte. C’est précisément durant cet état résonant que s’ouvre la fenêtre de plasticité synaptique et que l’apprentissage se réalise.

4.2 Le mécanisme de vigilance et l’hypothèse de l’adéquation

L’originalité mathématique d’ART réside dans la résolution des situations où le prototype descendant ne correspond pas à l’entrée sensorielle ascendante. C’est ici qu’intervient le sous-système d’orientation, dont le comportement est régi par une variable de contrôle fondamentale conceptualisée par Carpenter : le paramètre de vigilance, universellement noté $rho$ (rho), borné sur l’intervalle $[0, 1]$. La vigilance mesure le niveau d’exigence ou de perfectionnisme catégoriel requis par le système face à son environnement.

Au niveau de la couche $F_1$, un calcul de superposition normalisé évalue le degré de similarité entre le vecteur d’entrée originel $I$ et le vecteur fusionné après filtrage descendant, noté $I cap T$. Si la fraction de conservation de l’information est inférieure au seuil de vigilance :

$frac{|I cap T|}{|I|} < rho$

le système détecte un désaccord perceptif majeur (mismatch). Cette discrépance fonctionnelle désactive immédiatement l’hypothèse erronée en $F_2$ par l’intermédiaire d’une onde d’inhibition non spécifique générée par le sous-système d’orientation. La réinitialisation cognitive (reset) force le champ de catégories $F_2$ à éteindre le nœud inadéquat et à réitérer la compétition pour sélectionner un autre candidat potentiel, sans jamais altérer les poids du premier nœud rejeté.

Si aucune catégorie existante en $F_2$ ne réussit à satisfaire le critère imposé par le paramètre de vigilance, le sous-système d’orientation recrute automatiquement un nœud non engagé (nœud vierge) pour créer instantanément une nouvelle catégorie ex nihilo. Gail Carpenter formalise ainsi une théorie prédictive de la flexibilité conceptuelle : lorsque $rho$ est faible, le système tolère d’importantes disparités et forge des abstractions grossières (catégorisation prototypique large) ; lorsque $rho$ est élevé, le moindre écart déclenche un reset et impose la mémorisation d’exemplaires hyperspécifiques.

4.3 Modèle mathématique ART 1 pour les entrées binaires

En 1987, Gail Carpenter et Stephen Grossberg publient dans la revue Computer Vision, Graphics, and Image Processing la formulation formelle définitive du modèle ART 1, spécifiquement architecturé pour le traitement autonome et auto-organisé de motifs d’entrée représentés par des vecteurs binaires (composés de 0 et de 1). L’algorithme ART 1 matérialise pour la première fois l’intégralité du corpus conceptuel de la résonance adaptative sous la forme d’un système computationnel d’une rigueur absolue, doté de garanties analytiques de stabilité.

L’un des piliers mathématiques centraux d’ART 1 est la célèbre « règle de correspondance des deux tiers » (2/3 Matching Rule). Cette règle stipule qu’un neurone de la couche $F_1$ ne peut s’activer que s’il reçoit au moins deux signaux excitateurs parmi trois sources d’entrée potentielles : l’entrée sensorielle brute ascendante, le signal de rétroaction descendant issu de $F_2$, et un signal de régulation de gain non spécifique ascendant. Ce mécanisme logique garantit que l’entrée brute peut activer $F_1$ en l’absence de rétroaction, mais qu’une fois le signal descendant activé, seuls les canaux où l’entrée sensorielle et le prototype coïncident restent actifs, filtrant impitoyablement les composantes aberrantes ou bruitées du signal.

Gail Carpenter a apporté une preuve analytique majeure qui a marqué l’histoire de la cybernétique : la démonstration que, sous des conditions d’apprentissage rapide (fast learning), le réseau ART 1 converge vers un état de stabilité totale en un temps fini, sans jamais entrer dans des oscillations infinies de réorganisation catégorielle. Quel que soit le volume ou l’ordre de présentation des vecteurs d’apprentissage binaires, chaque motif est garanti d’être affecté de façon définitive soit à une catégorie stabilisée existante, soit à une nouvelle unité, les matrices de connexions ascendantes et descendantes convergeant de manière monotone vers des limites asymptotiques invariantes.

5. L’évolution architecturale : De ART 1 à Fuzzy ART

5.1 ART 2 et l’intégration des variables analogiques continues

Bien que le formalisme d’ART 1 ait constitué une avancée conceptuelle majeure, sa stricte limitation aux espaces d’entrée binaires constituait une entrave pour les applications réelles du traitement du signal, de la vision artificielle et de la robotique, où les flux sensoriels sont par essence continus, bruités et analogiques. Pour surmonter cet obstacle théorique, Gail Carpenter développe en 1987 l’architecture ART 2, une extension dont la complexité mathématique surpasse substantiellement celle de son prédécesseur.

Dans ART 2, la couche de champ de traits $F_1$ ne peut plus se contenter d’une simple porte logique d’intersection. Elle est restructurée en un circuit multicouche interne sophistiqué comprenant plusieurs sous-niveaux de normalisation locale, d’inhibition latérale non linéaire et de rehaussement de contraste. Ce sous-système dynamique est régi par des équations différentielles continues capables de séparer le contraste relatif du signal sensoriel de son intensité absolue d’arrière-plan, émulant ainsi les remarquables propriétés de constance perceptive observées dans la rétine et le corps genouillé latéral des primates.

La validation du modèle ART 2 s’est avérée spectaculaire dans le domaine du traitement des motifs spectraux continus, des signaux acoustiques et des spectrogrammes de parole. En introduisant des fonctions de coupure non linéaires à seuil (piecewise-linear threshold functions), Carpenter parvient à stabiliser le calcul du désaccord perceptif en dépit du bruit analogique haute fréquence, assurant que les fluctuations continues d’amplitude n’induisent pas de réinitialisations accidentelles du sous-système d’orientation tout en préservant l’extrême sensibilité du réseau aux anomalies structurelles des motifs continus.

5.2 Intégration de la logique floue : Fuzzy ART

L’année 1991 marque l’une des contributions méthodologiques les plus influentes de Gail Carpenter avec la formulation, en collaboration avec Grossberg et David Rosen, de l’architecture Fuzzy ART. Cette percée conceptuelle réconcilie magistralement la théorie de la résonance adaptative avec la logique floue (fuzzy logic) initiée par Lotfi Zadeh. Carpenter observe que l’opérateur d’intersection ensembliste booléen ($cap$) utilisé dans ART 1 peut être élégamment généralisé aux nombres réels compris dans l’intervalle $[0, 1]$ par l’opérateur de conjonction floue ou opérateur d’intersection minimum :

$(p wedge q)_i = \min(p_i, q_i)$

Cette substitution formelle permet à Fuzzy ART de traiter indifféremment des données analogiques ou binaires avec une architecture algorithmique unifiée d’une grande fluidité calculatoire, contournant la lourdeur des équations différentielles multicouches d’ART 2.

Néanmoins, la manipulation directe de signaux continus par l’opérateur minimum exposait le réseau à une pathologie théorique redoutable : le problème de la prolifération incontrôlée de catégories et d’érosion des prototypes (category proliferation), où les catégories tendent à rétrécir géométriquement jusqu’à ne plus rien englober à mesure que de nouveaux motifs sont absorbés. Pour résoudre cette aporie mathématique, Carpenter conçoit une innovation fondamentale : le codage par complément (complement coding). En représentant chaque vecteur d’entrée $a in [0, 1]^M$ non seulement par ses composantes directes, mais en lui adjoignant son complément vectoriel :

$A = (a, a^c) \quad \text{où} \quad a^c_i = 1 – a_i$

la norme du vecteur augmenté est rigoureusement normalisée à une constante géométrique $|A| = M$.

Cette technique confère à Fuzzy ART une interprétation géométrique d’une puissance esthétique et fonctionnelle saisissante : les catégories créées et affinées dans la couche $F_2$ correspondent exactement à des hyper-rectangles adaptatifs dans l’espace multidimensionnel d’entrée $[0, 1]^M$. La taille de ces hyper-rectangles est inversement proportionnelle au paramètre de vigilance $rho$ : plus la vigilance est élevée, plus les boîtes géométriques sont restreintes, confinant le réseau à une mémorisation précise des frontières de décision sans aucune dégradation de ses états antérieurs.

5.3 ART 3 et la biomimétique des transmissions neurochimiques

Poussant encore plus loin la volonté d’ancrer les mathématiques d’ART au cœur de la réalité cellulaire, Gail Carpenter conçoit le modèle ART 3. Cette architecture propose une modélisation biomimétique poussée de la cinétique des neurotransmetteurs chimiques au niveau des terminaisons présynaptiques et des récepteurs postsynaptiques au cours des processus de réinitialisation cognitive et de sélection attentionnelle.

Dans ART 3, le signal d’inhibition non spécifique généré lors d’un désaccord perceptif n’est plus une simple variable algorithmique binaire ; il est modélisé par des équations différentielles traduisant l’épuisement transitoire des stocks de neuromédiateurs disponibles dans les synapses actives. Lorsqu’une hypothèse catégorielle en $F_2$ subit un mismatch avec la couche $F_1$, les synapses afférentes à ce nœud particulier s’épuisent chimiquement de manière sélective, réduisant instantanément le gain excitateur et permettant à un nœud concurrent d’émerger dans la compétition sans perturber le reste de la population synaptique.

Cette approche biomimétique rapproche de manière spectaculaire les réseaux théoriques de Carpenter des circuits micro-anatomiques réels observés au sein des boucles thalamo-corticales et des réseaux d’interneurones inhibiteurs GABAergiques. Carpenter démontre que l’épuisement et la facilitation synaptique à court terme fournissent un substrat biophysique idéal pour implémenter des processus de recherche d’hypothèses en cascade (hypothesis testing search) sans faire appel à un processeur centralisé, renforçant le statut d’ART comme théorie biologique fondamentale de l’encéphale.

6. Modélisation cognitive et réseaux ARTMAP : Apprentissage supervisé et mémoire

6.1 Architecture et principes de fonctionnement d’ARTMAP

Alors que les réseaux ART initiaux ont été conçus comme des systèmes d’apprentissage auto-organisé non supervisé, Gail Carpenter franchit un cap décisif au début des années 1990 en abordant le problème de l’apprentissage supervisé, de l’association multi-modale et de la prédiction statistique. Cette réflexion aboutit à la création de l’architecture ARTMAP, une composition modulaire d’une rare ingéniosité qui associe deux modules de résonance adaptative par le truchement d’un champ d’association intermédiaire.

Dans la topologie d’ARTMAP, deux réseaux ART autonomes, désignés par $ART_a$ et $ART_b$, fonctionnent de concert. Le premier module, $ART_a$, est chargé de la catégorisation non supervisée de l’espace des motifs d’entrée (par exemple, des données sensorielles ou des signatures spectrales), tandis que le second module, $ART_b$, catégorise l’espace des sorties cibles ou des étiquettes sémantiques. Ces deux blocs sont couplés par une structure neuronale de liaison appelée champ de correspondances ou map field ($F_{ab}$), qui établit des matrices d’association prédictive bidirectionnelle entre les classes formées en $ART_a$ et celles formées en $ART_b$ :

• Réseau $ART_a$ : Agrège les données d’entrée complexes en sous-catégories géométriques stables régies par son propre paramètre de vigilance.
• Réseau $ART_b$ : Structure les vecteurs d’étiquettes ou de classes cibles selon les contraintes de supervision.
• Champ $F_{ab}$ (Map Field) : Enregistre par des poids adaptatifs les convergences résonantes prédictives reliant les catégories de $ART_a$ à celles de $ART_b$.

L’innovation architecturale maîtresse introduite par Carpenter dans ce couplage est le protocole de suivi de concordance (match tracking). Lorsqu’une entrée est présentée à $ART_a$, elle active une catégorie qui émet une prédiction vers $ART_b$ via le champ $F_{ab}$. Si cette prédiction contredit la cible réelle supervisée présente en $ART_b$, une erreur de prédiction est instantanément enregistrée. Au lieu de recalculer tous les poids du système, le mécanisme de match tracking déclenche une augmentation dynamique infinitésimale de la vigilance de $ART_a$, la portant juste au-dessus du degré de similarité actuel de l’entrée :

$\rho_a = \frac{|I_a \cap T_a|}{|I_a|} + \epsilon$

Cette élévation ciblée force $ART_a$ à rejeter immédiatement sa catégorie active et à rechercher une nouvelle catégorie plus fine ou à en recruter une vierge capable de satisfaire l’association prédictive correcte.

6.2 Fuzzy ARTMAP et apprentissage autonome incrémental

L’intégration de la logique floue et du codage par complément au sein du paradigme supervisé donne naissance à Fuzzy ARTMAP, présenté par Gail Carpenter et ses collaborateurs en 1992 dans les IEEE Transactions on Neural Networks. Cet algorithme s’impose très vite comme l’une des architectures d’apprentissage machine les plus puissantes de son époque, affichant des vitesses de convergence supérieures de plusieurs ordres de grandeur à celles des réseaux à rétropropagation, tout en restant intégralement immunisé contre l’oubli catastrophique.

Une caractéristique exceptionnelle de Fuzzy ARTMAP, rigoureusement mise en relief par Carpenter, réside dans son explicabilité intrinsèque. Contrairement aux réseaux de neurones profonds contemporains assimilables à des « boîtes noires » statistiques opaques, chaque catégorie formée par Fuzzy ARTMAP est directement traduisible en une règle symbolique de production logique explicite de type « SI / ALORS ». Chaque hyper-rectangle formé dans l’espace des traits définit des conditions d’appartenance géométriques explicites sur les variables, offrant ainsi une transparence totale pour l’auditabilité des décisions du réseau.

Fuzzy ARTMAP excelle tout particulièrement dans le compromis entre la généralisation abstraite et la mémorisation rigoureuse des exceptions rares. Grâce à la dynamique auto-régulatrice du match tracking, le réseau maintient par défaut une vigilance de base très basse ($\rho_a \approx 0$), ce qui lui permet d’agréger les données en de vastes hyper-rectangles assurant une généralisation optimale. Dès qu’une exception singulière se présente dans la distribution des données, la vigilance s’élève ponctuellement pour sculpter une minuscule boîte spécifique autour de cette anomalie, sans altérer les hyper-rectangles voisins, résolvant avec brio le casse-tête de l’apprentissage sur des flux de données non stationnaires et fortement déséquilibrés.

6.3 Variantes avancées : Default ARTMAP et architectures distribuées

Consciente de la sensibilité opérationnelle de Fuzzy ARTMAP à l’ordre d’introduction des stimuli d’entraînement et du nombre d’hyper-paramètres requis pour calibrer finement le match tracking, Gail Carpenter consacre une part importante de ses recherches des années 2000 à la rationalisation de ses modèles. Elle publie une série d’articles développant Default ARTMAP, une version optimisée conçue pour fonctionner avec un jeu minimal de paramètres standardisés fixes, garantissant une reproductibilité algorithmique totale sans phase fastidieuse de recherche sur grille (grid search).

Parallèlement, Carpenter s’attaque à la limitation inhérente au mécanisme de sélection compétitive dure (winner-take-all), dans lequel un seul neurone catégoriel est autorisé à s’activer en $F_2$. Elle formule des extensions majeures regroupées sous la bannière des architectures ART distribuées (dART et dARTMAP). Ces réseaux permettent l’activation concurrente d’une population continue de neurones de catégories (codage distribué ou population coding), combinant les avantages de la compacité de représentation propre aux représentations distribuées du connexionnisme avec les garanties inaltérables de stabilité d’apprentissage offertes par la théorie de la résonance adaptative.

Ces topologies distribuées ouvrent la voie à des applications remarquables dans le domaine du raisonnement inductif, de l’extraction de connaissances à partir de bases de données distribuées et de la construction automatique d’ontologies cognitives. En permettant la superposition cohérente de multiples hypothèses en résonance partielle, Gail Carpenter dote les sciences computationnelles d’un outil algorithmique capable d’émuler l’incertitude graduée et la flexibilité sémantique de l’intuition humaine, consolidant encore davantage la robustesse de son paradigme.

7. Fondements neurophysiologiques et psychologiques des modèles de Carpenter

7.1 Correspondances cérébrales : Cortex visuel, thalamus et hippocampe

La force théorique des architectures formulées par Gail Carpenter provient de leur substrat biologique rigoureux. Contrairement aux concepteurs d’algorithmes purement statistiques d’apprentissage profond, Carpenter a conçu chaque équation de la théorie ART comme l’expression fonctionnelle d’un circuit neuro-anatomique identifié au sein du néocortex et des structures sous-corticales des mammifères. Au cœur de cette biomimétique se trouve la boucle récurrente bidirectionnelle reliant les aires corticales primaires et secondaires aux noyaux spécifiques du thalamus.

Dans les modèles de Carpenter, le traitement perceptif ascendant $F_1 \rightarrow F_2$ correspond fidèlement aux projections glutamatergiques allant des couches granulaires du cortex visuel primaire (V1) ou secondaire (V2) vers les couches superficielles des aires associatives de rang supérieur, comme le cortex inférotemporal (IT). Réciproquement, le faisceau descendant de transmission du prototype $F_2 \rightarrow F_1$ matérialise les volumineuses projections corticocorticales et corticothalamiques descendantes issues des couches infragranulaires (couche VI néocorticale), dont le volume axonal dépasse souvent celui des fibres ascendantes dans le cerveau réel, un fait anatomique longtemps ignoré par l’informatique conventionnelle :

• Projections thalamo-corticales : Assurent l’acheminement des signaux sensoriels bruts vers les couches réceptrices de traitement.
• Rétroactions descendantes intracorticales : Injectent les prototypes attentionnels sous forme de pré-activations synaptiques sous-seuil.
• Système non spécifique d’orientation : Ancré fonctionnellement dans l’hippocampe et le complexe amygdalien pour le déclenchement des ondes de désaccord (novelty detection).

L’équivalent physiologique du sous-système d’orientation et de réinitialisation cognitive a été identifié par Carpenter et Grossberg au sein du complexe hippocampique. Les enregistrements électrophysiologiques confirment que les cellules hippocampiques émettent des signaux d’onde thêta massifs en cas de non-concordance aiguë entre les attentes spatiales ou sensorielles et la réalité incidente. Ces données empiriques, corroyées par les techniques modernes d’imagerie par résonance magnétique fonctionnelle (IRMf), ont apporté une validation expérimentale éclatante aux prédictions mathématiques formulées des décennies plus tôt par Carpenter.

7.2 Théorie de la conscience et résonance synchronisée

L’un des apports philosophiques et neurobiologiques les plus vertigineux de l’œuvre de Gail Carpenter réside dans sa contribution à la formalisation physique du substrat de l’expérience consciente. Selon la thèse fondamentale d’ART, formulée synthétiquement par l’aphorisme « Synchronized Resonance Generates Conscious States » (la résonance synchronisée engendre les états conscients), l’esprit n’accède jamais à la conscience par un simple traitement passif ou une propagation unidirectionnelle de potentiels d’action.

Carpenter démontre que le flux sensoriel incident demeure strictement subliminal (ou pré-attentionnel) tant qu’il se contente de traverser les couches d’entrée de façon feedforward. Ce n’est qu’au moment précis où la boucle de rétroaction descendante vient verrouiller un consensus cohérent avec le signal ascendant au niveau de la couche $F_1$ que le système s’embrase dans un état oscillatoire stable de résonance. Cette synchronisation de phase induit l’amplification dynamique et la prolongation temporelle nécessaires pour que le motif perceptif s’impose au champ de la perception consciente.

Cette prédiction théorique s’est trouvée magistralement corroborée par les découvertes de Wolf Singer et de son équipe sur le rôle des oscillations synchronisées à haute fréquence, notamment dans la bande gamma (autour de 40 Hz), lors des épisodes de liaison perceptive (feature binding) et d’éveil attentionnel chez les primates. Gail Carpenter a formalisé les équations différentielles démontrant que cette cohérence temporelle à 40 Hz émerge naturellement des propriétés mathématiques des réseaux à résonance adaptative lorsque les constantes de temps d’inhibition et d’excitation se synchronisent, traçant ainsi une frontière computationnelle nette entre le traitement automatique inconscient et la cognition réflexive résonante.

7.3 L’attention descendante comme mécanisme de modulation prédictive

Dans l’architecture théorique érigée par Gail Carpenter, l’attention n’est pas un projecteur externe arbitraire qui vient s’ajouter a posteriori au traitement des données, mais un mécanisme intrinsèque de régulation prédictive sans lequel aucun apprentissage stable ne peut advenir. Ce principe est codifié au niveau biologique par ce que Carpenter nomme la modulation attentionnelle pré-synaptique descendante.

Conformément à la règle d’attention des deux tiers, les connexions descendantes issues des couches supérieures ne déclenchent pas en elles-mêmes des potentiels d’action destructeurs dans les neurones sensoriels cibles en l’absence de stimulus réel ; elles appliquent une dépolarisation sous-seuil (ou facilitation synaptique). Ce mécanisme prépare la membrane postsynaptique à répondre plus promptement et plus vigoureusement dès lors que le stimulus attendu se manifestera dans l’environnement. C’est l’essence même de ce que les sciences cognitives modernes théorisent aujourd’hui sous le terme d’attentes bayésiennes ou d’états antérieurs (priors).

Les investigations psychophysiques sur les temps de réaction menées par de multiples laboratoires internationaux ont validé sans équivoque la précision de ce modèle : lorsqu’un sujet humain attend l’apparition d’un stimulus particulier, l’activation préalable du prototype descendant génère une facilitation qui réduit drastiquement la latence du traitement neuronal. Gail Carpenter a en outre étendu cette théorie en formalisant la distinction opératoire entre l’attention sélective spatiale (qui module le gain sur une coordonnée topographique rétinotopique spécifique) et l’attention sélective basée sur l’objet (qui renforce l’intégralité d’un faisceau de traits corrélés indépendamment de leur localisation spatiale), fournissant une grammaire computationnelle universelle pour la psychologie de l’attention.

8. Perception visuelle, attention descendante et catégorisation perceptive

8.1 Perception de la forme, de la couleur et des frontières visuelles

L’exploration des systèmes perceptifs par Gail Carpenter s’étend bien au-delà de la catégorisation abstraite pour aborder les fondements mêmes de la vision spatiale et de la formation des images mentales. En symbiose avec les théories visuelles développées à Boston, Carpenter a participé à la formalisation des interactions modulaires entre deux grands sous-systèmes néocorticaux de la vision précoce : le système de complétion des frontières (Boundary Contour System ou BCS) et le système de remplissage des surfaces (Feature Contour System ou FCS).

Le système BCS modélise les mécanismes par lesquels le cortex strié extrait les discontinuités d’orientation et synthétise des frontières perceptives fermées, même en présence de signaux lacunaires. Gail Carpenter applique des équations de champ bipolaire pour formaliser la manière dont le système visuel trace des contours illusoires invisibles sur le plan photométrique brut, résolvant mathématiquement des énigmes visuelles classiques telles que le triangle de Kanizsa ou la grille d’Ehrenstein. Les frontières ainsi générées agissent comme des barrières imperméables au sein desquelles le système FCS peut diffuser les signaux de luminance et de chromaticité :

Ces interactions dynamiques permettent de comprendre computationnellement la ségrégation figure-fond dans les scènes visuelles encombrées. En couplant le système de complétion des frontières à la résonance attentionnelle descendante, les modèles de Carpenter démontrent comment une hypothèse catégorielle d’objet peut rétroagir sur les premiers relais corticaux pour fermer sélectivement des contours fragmentés, faisant émerger une figure nette d’un arrière-plan texturé et camouflé.

8.2 Apprentissage invariant des objets visuels

L’un des défis les plus redoutables de la vision computationnelle réside dans la reconnaissance des objets indépendamment de leurs variations perpétuelles de taille, de position spatiale, d’orientation angulaire et de conditions d’illumination. Un système rigide échoue invariablement face à la dilatation géométrique d’un motif connu. Gail Carpenter s’est attaquée à cette énigme en intégrant les architectures ART au sein de modèles de vision active couplés à l’exploration oculaire motrice.

Elle a participé à la modélisation des voies ventrales du système visuel des primates, conceptualisant comment l’information transite séquentiellement de V1 vers V2, puis vers V4 et enfin vers le cortex inférotemporal (IT). Dans ces architectures (telles que le modèle dARTVISION), les flux d’entrées subissent des transformations de coordonnées successives à travers des filtres spatiaux multi-échelles (ondelettes et transformées de Fourier conformes) pour convertir les translations et les dilatations spatiales en invariants logarithmiques polaires. Cette opération garantit que la représentation neuronale projetée à la couche $F_1$ demeure constante même lorsque l’œil effectue des mouvements saccadiques à travers la scène visuelle.

Ce traitement invariant alimente ensuite les réseaux ART supervisés, où l’apprentissage des catégories d’objets s’effectue sans nécessiter l’ingestion de millions d’exemples artificiellement synthétisés par augmentation de données (une tare constitutive des architectures d’apprentissage profond actuelles). Grâce au filtrage invariant auto-organisé, les modèles de Carpenter parviennent à mémoriser l’identité géométrique d’un objet tridimensionnel à partir d’un nombre infime de points de vue exploratoires, conservant la trace prototypique sous une forme compacte et stable dans le temps.

8.3 Catégorisation hiérarchique et flexibilité conceptuelle

La taxinomie conceptuelle humaine ne se déploie pas sur un plan unique : notre intelligence navigue avec une flexibilité stupéfiante entre différents niveaux d’abstraction sémantique. Face à un être vivant, nous pouvons simultanément et sans contradiction cognitive le catégoriser au niveau de base (« chien »), au niveau superordonné (« animal ») ou au niveau subordonné (« berger allemand spécifique »). Gail Carpenter a formellement démontré que cette architecture cognitive hiérarchique émerge naturellement des propriétés fondamentales de la vigilance au sein des réseaux ARTMAP en cascade.

En juxtaposant des modules de résonance opérant sous différents régimes de seuil de concordance $rho$, Carpenter prouve que le système construit spontanément un arbre taxonomique dynamique au sein des connexions synaptiques. Le niveau superordonné émerge sous un régime de basse vigilance, extrayant les invariants minimaux communs à de vastes sous-ensembles de traits (comme la présence de quatre pattes et d’un mouvement autonome). Réciproquement, la descente vers le niveau subordonné est orchestrée par une élévation de la vigilance guidée par la rétroaction linguistique ou les impératifs de la tâche contextuelle.

Cette approche théorique met en lumière l’influence catalytique du langage et de l’étiquetage symbolique sur la consolidation de la perception visuelle. Lorsque le système reçoit une étiquette verbale spécifique par l’intermédiaire du réseau de supervision $ART_b$, le match tracking affine instantanément la granularité des hyper-rectangles formés dans le cortex visuel d’association $ART_a$. Gail Carpenter réconcilie ainsi la théorie de la perception directe avec les postulats du relativisme sémantique, démontrant que l’apprentissage du langage agit comme un opérateur direct de contrainte topologique sur la géométrie des représentations sensorielles.

9. Applications computationnelles et impact sur les sciences cognitives

9.1 Reconnaissance de motifs complexes et vision par ordinateur

Si Gail Carpenter a développé ses théories avec une ambition épistémologique et neurobiologique affirmée, ses modèles mathématiques ont rapidement trouvé des champs d’application concrets d’une portée technologique considérable. Dès le début des années 1990, les architectures ART et Fuzzy ARTMAP ont été déployées avec un succès retentissant dans la résolution de problèmes industriels, militaires et médicaux particulièrement ardus, caractérisés par la rareté des échantillons étiquetés et la criticité absolue des marges d’erreur.

Dans le domaine de l’imagerie médicale et de l’aide au diagnostic assisté par ordinateur, les algorithmes de Carpenter ont été appliqués à la détection précoce des microcalcifications mammaires sur les mammographies, à la segmentation automatique des tumeurs cérébrales sur les coupes d’IRM et à l’analyse fine des électrocardiogrammes (ECG). La capacité de Fuzzy ARTMAP à opérer un one-shot learning (apprentissage en un seul passage) et à préserver les règles de détection sans risque d’effacer les cas cliniques rares a conféré à ces modèles une supériorité opérationnelle manifeste sur les méthodes statistiques classiques fondées sur les chaînes de Markov cachées ou les perceptrons multicouches.

Un autre jalon technique historique a été la mise en œuvre de ces architectures pour le traitement des données issues des signaux radar à ouverture synthétique (SAR) et de la télédétection par satellites d’observation terrestre (tels que Landsat). Les armées et les agences spatiales, notamment la NASA, ont mobilisé Fuzzy ARTMAP pour classifier en temps réel les types de couverture végétale, la morphologie des sols et l’identification de cibles stratégiques. La rapidité fulgurante d’entraînement d’ARTMAP, ne requérant que quelques fractions de secondes là où la rétropropagation imposait des jours entiers de calculs matriciels itératifs, a démontré de façon éclatante la pertinence de l’approche de Carpenter pour l’ingénierie computationnelle de pointe.

9.2 Traitement du signal, bio-informatique et analyse de données

L’expansion exponentielle des bases de données biologiques au cours des années 1990 et 2000 a offert à Gail Carpenter un terrain d’expérimentation privilégié pour valider l’extensibilité de ses modèles d’analyse séquentielle et structurelle. Face à l’explosion de la génomique et de la protéomique, ses algorithmes ont été pionniers dans la classification automatisée des séquences nucléotidiques d’ADN, la prédiction des motifs de repliement des structures secondaires et tertiaires des protéines, ainsi que l’identification des sites d’épissage génique.

La robustesse native de Fuzzy ARTMAP face aux données manquantes, bruitées ou incomplètes s’est avérée être un atout décisif dans le traitement de signaux biophysiques instables. Dans l’analyse des micropuces à ADN (DNA microarrays) pour le profilage d’expression génique des cancers, le codage par complément développé par Carpenter a permis d’isoler avec une précision mathématique rigoureuse les biomarqueurs fonctionnels pertinents, éliminant automatiquement le bruit de fond lié aux fluctuations thermiques et chimiques de l’expérimentation biologique sans introduire d’artéfacts de lissage dommageables.

Sur le plan des flux financiers et des processus industriels continus, les réseaux ART ont été massivement adoptés pour la détection en temps réel des fraudes bancaires sur les cartes de crédit, la surveillance des réseaux de télécommunication et la maintenance prédictive des infrastructures industrielles lourdes (telles que les centrales de production d’énergie et les réacteurs chimiques). Capables d’évaluer continuellement le niveau de concordance d’un flux sans jamais devoir figer la phase d’apprentissage, les systèmes basés sur les équations de Carpenter signalent instantanément l’émergence d’un régime anormal en déclenchant un reset d’orientation, offrant une sécurité opérationnelle que les modèles supervisés statiques sont structurellement incapables de fournir.

9.3 Inspiration pour la robotique autonome et cognitive

Le contrôle des agents robotiques opérant dans des environnements réels, non structurés et perpétuellement changeants incarne le banc d’essai ultime des théories cognitives. Gail Carpenter a exercé une influence majeure sur la robotique bio-inspirée et le développement d’architectures de contrôle en boucle fermée perception-action, où un automate doit naviguer, cartographier et interagir avec son milieu sans supervision humaine constante.

Ses travaux ont irrigué les algorithmes de localisation et de cartographie simultanées (Simultaneous Localization and Mapping ou SLAM). Contrairement aux approches géométriques dures dépendantes de modèles probabilistes hautement coûteux en puissance de calcul (tels que les filtres de Kalman étendus ou les filtres à particules massifs), les robots dotés d’architectures neuronales de type ART apprennent les repères topologiques de façon incrémentale. Le robot assimile de nouveaux points de repère visuels ou télémétriques dès que la vigilance signale un paysage inédit, tout en réactivant instantanément ses catégories de trajectoire consolidées lorsqu’il revisite une zone préalablement cartographiée :

• Exploration autonome : Intégration continue de nouvelles coordonnées spatiales sans écrasement des cartes antérieures.
• Adaptation sensorimotrice réactive : Compensation en temps réel des dérives mécaniques et des défaillances de capteurs par résonance adaptative.
• Prise de décision en contexte dynamique : Sélection contextuelle d’actions motrices fondée sur la concordance entre états internes et stimuli environnementaux.

Cette approche a culminé dans la réalisation de robots mobiles autonomes capables de survivre et d’accomplir des missions complexes dans des environnements dangereux (comme des sites d’accidents industriels ou des terrains planétaires extraterrestres). En éliminant la barrière artificielle qui sépare traditionnellement la mémoire de la prise de décision, Carpenter a concrétisé la vision d’une robotique intrinsèquement cognitive, où la perception du monde est inséparable de la résonance continue entre l’action de l’agent et la réponse du milieu.

10. Collaboration académique : La synergie Carpenter-Grossberg à l’Université de Boston

10.1 Complémentarité conceptuelle entre deux esprits scientifiques

Dans les annales des sciences cognitives, la collaboration intellectuelle et personnelle entre Gail Carpenter et Stephen Grossberg demeure l’un des partenariats scientifiques les plus prolifiques, les plus harmonieux et les plus déterminants de l’histoire moderne. S’étalant sur plus de quatre décennies au sein de l’Université de Boston, cette synergie a réuni deux personnalités aux talents intellectuels exceptionnels et idéalement complémentaires.

Stephen Grossberg, reconnu comme un visionnaire conceptuel hors pair doté d’une imagination théorique globale impressionnante, formulait de vastes hypothèses phénoménologiques sur l’organisation de l’esprit et la psychologie du comportement. De son côté, Gail Carpenter apportait une rigueur mathématique transcendante, une maîtrise impeccable de l’analyse différentielle et de la topologie géométrique, ainsi qu’une capacité unique à formaliser des architectures logiques d’une pureté algorithmique absolue. Là où une intuition pouvait demeurer à l’état de métaphore spéculative, Carpenter s’emparait du problème pour en forger les théorèmes de stabilité asymptotique, en éliminer les redondances dynamiques et en rédiger les preuves formelles complètes.

Cette méthodologie commune, caractérisée par des séances de travail conjointes d’une intensité rare et une exigence formelle impitoyable, s’est traduite par la publication d’un corpus monumental d’articles de référence dans les revues les plus prestigieuses de mathématiques appliquées, de neurosciences et d’intelligence artificielle. Ensemble, ils ont érigé une véritable école de pensée théorique qui a tenu tête pendant des décennies aux modes académiques passagères, forgeant une tradition épistémologique où la beauté analytique des équations demeure constamment arrimée à la matérialité empirique du système nerveux central.

10.2 Le modèle de formation doctorale au CNS de Boston

Le rayonnement de la collaboration entre Gail Carpenter et Stephen Grossberg s’est matérialisé de façon éclatante dans la structuration institutionnelle et pédagogique du Department of Cognitive and Neural Systems (CNS) de l’Université de Boston. Durant son âge d’or, le CNS a incarné un creuset d’excellence intellectuelle sans équivalent, attirant les esprits les plus brillants et les plus originaux de la planète, désireux d’échapper à la fragmentation stérile des départements universitaires traditionnels.

Gail Carpenter a exercé un rôle central dans le mentorat académique, encadrant et dirigeant les recherches doctorales et postdoctorales de dizaines de scientifiques qui occupent aujourd’hui des chaires professorales éminentes et des postes de direction de recherche à travers le monde. Son style de mentorat se distinguait par une bienveillance profonde alliée à une intransigeance absolue sur le plan de la logique mathématique. Elle exigeait de ses étudiants non seulement qu’ils maîtrisent les outils de calcul les plus sophistiqués, mais qu’ils soient capables de défendre la plausibilité neurophysiologique et psychologique de chaque terme figurant dans leurs équations différentielles.

L’atmosphère intellectuelle qui régnait au CNS sous son égide était marquée par un décloisonnement total : les étudiants y assistaient au cours d’une même journée à des séminaires de dissection neuro-anatomique, des conférences de psychophysique visuelle humaine et des ateliers de programmation numérique intensive de systèmes d’équations couplées non linéaires. Cette culture d’émulation collective a forgé un vivier de chercheurs transversaux d’une polyvalence inégalée, cimentant la place de Boston comme la capitale historique de la neuro-informatique computationnelle intégrée.

10.3 Reconnaissance institutionnelle et honneurs conjoints

L’immensité de l’œuvre conjointe et des contributions individuelles de Gail Carpenter a été consacrée par les distinctions et les hommages les plus prestigieux décernés par la communauté scientifique internationale. Figure de proue reconnue mondialement, elle a été élue Fellow de l’Institute of Electrical and Electronics Engineers (IEEE) ainsi que de l’International Neural Network Society (INNS), témoignant de la vénération de ses pairs tant dans le domaine des sciences de l’ingénieur que dans celui de la modélisation cognitive pure.

Gail Carpenter a été l’une des figures majeures de la gouvernance de l’INNS, dont elle a présidé la destinée et orienté les programmes scientifiques en tant que présidente, conférencière d’honneur plénière incontournable et membre émérite des comités éditoriaux de revues de référence telles que Neural Networks, IEEE Transactions on Neural Networks ou Cognitive Networks. Ses allocutions magistrales lors des conférences internationales réunissaient régulièrement des milliers de chercheurs attentifs à ses avancées théoriques sur la mémoire dynamique et l’auto-stabilisation des représentations.

Parmi les distinctions suprêmes qui ont jalonné son parcours figurent le prestigieux IEEE Neural Networks Pioneer Award, attribué pour récompenser ses contributions fondamentales et pérennes au développement des réseaux neuronaux artificiels, ainsi que l’INNS Gabor Award, l’un des prix les plus respectés récompensant les avancées pionnières en ingénierie cognitive. Ces lauriers institutionnels n’ont jamais altéré sa modestie intellectuelle ni sa dévotion exclusive à la quête fondamentale de la vérité mathématique, demeurant jusqu’à ce jour une référence de probité et d’élégance scientifique pour l’ensemble du monde académique.

11. Réception critique, comparaisons algorithmiques et validation expérimentale

11.1 Confrontation avec le connexionnisme standard et le Deep Learning

La trajectoire scientifique de Gail Carpenter s’est déroulée dans une tension dialectique permanente avec les courants dominants du connexionnisme orthodoxe. Dès le renouveau des réseaux neuronaux impulsé dans les années 1980 par le groupe PDP (Parallel Distributed Processing) de David Rumelhart et James McClelland, une fracture méthodologique majeure est apparue. Alors que l’écrasante majorité de la communauté informatique embrassait l’algorithme de rétropropagation du gradient pour sa relative facilité d’implémentation sur calculateurs numériques, Carpenter et Grossberg ont adopté une posture critique radicale.

Carpenter a démontré avec une rigueur implacable que l’apprentissage par descente de gradient, bien qu’efficace pour ajuster des fonctions de régression sur des jeux de données fermés et préalablement statiques, constituait une impasse structurelle pour l’émulation d’une intelligence véritablement autonome. Ces réseaux profonds classiques souffrent d’une opacité sémantique absolue — le célèbre problème de la boîte noire — et sont incapables d’expliquer pourquoi un stimulus particulier engendre une sortie donnée. À l’opposé, les modèles ART et ARTMAP de Carpenter brillent par leur transparence représentationnelle : chaque nœud correspond à une hypothèse vérifiable, et chaque décision est adossée à une frontière géométrique limpide.

De surcroît, le renouveau contemporain de l’apprentissage profond (Deep Learning) fondé sur les réseaux convolutifs et les architectures massives d’optimisation stochastique n’a fait que réactualiser les mises en garde précoces de Gail Carpenter. Ces systèmes gigantesques requièrent des millions de passes d’entraînement itératives pour converger (apprentissage hyper-lent) et demeurent impuissants face à l’oubli catastrophique dès lors que la distribution d’entrée subit une dérive temporelle. La théorie de Carpenter offre nativement ce que le Deep Learning tente laborieusement de réinventer par des palliatifs coûteux : la capacité de one-shot learning, l’incorporation incrémentale instantanée de nouvelles connaissances et une immunité démontrée contre la destruction des compétences historiques.

11.2 Critiques méthodologiques et limites perçues des modèles ART

En dépit de sa supériorité architecturale sur de nombreux plans théoriques, l’œuvre de Gail Carpenter n’a pas été exempte de débats scientifiques soutenus, de réserves méthodologiques et de critiques techniques formulées par une partie de la communauté de l’apprentissage automatique et des sciences de l’ingénieur. L’un des griefs les plus fréquents adressés aux premières implémentations des modèles ART concerne leur sensibilité à l’ordre de présentation des stimuli.

Dans sa forme standard en régime d’apprentissage rapide, l’ordre séquentiel dans lequel les données sont introduites peut influencer la position et la taille finale des hyper-rectangles formés dans l’espace des catégories par Fuzzy ART. Si une séquence d’exemples atypiques est présentée prématurément, le réseau peut générer des boîtes catégorielles sous-optimales, conduisant à une partition de l’espace moins parcimonieuse que si les données avaient été préalablement ordonnées selon leur densité statistique globale. Gail Carpenter a pleinement reconnu cette propriété dynamique, y répondant par l’introduction d’architectures d’agrégation d’ensembles de réseaux (voting strategies) et par le développement de variantes distribuées minimisant cet effet d’ordre.

Une autre réserve récurrente concerne la calibration des hyper-paramètres, en particulier le paramètre de vigilance $rho$ et le paramètre de choix d’apprentissage $\alpha$. Dans des espaces de traits de très haute dimension (comportant des milliers de descripteurs hétérogènes), le calibrage d’une vigilance unique peut s’avérer délicat pour capturer simultanément des signaux d’intensités relatives divergentes, pouvant entraîner une prolifération excessive de catégories si le bruit ambiant mime la signature de données signifiantes. Enfin, les réticences de certains informaticiens découlaient de la complexité mathématique intrinsèque des formulations de Carpenter, dont la lecture exigeait un bagage en théorie des systèmes dynamiques non linéaires bien plus lourd que l’arithmétique matricielle simple sous-tendant la rétropropagation standard.

11.3 Validations neurobiologiques indépendantes

Si la communauté de l’ingénierie logicielle s’est parfois montrée rétive à la complexité des modèles de Carpenter, le monde des neurosciences expérimentales a apporté, tout au long des dernières décennies, une série impressionnante de confirmations empiriques à ses postulats théoriques fondamentaux. L’hypothèse de l’adéquation descendante, formulée par Carpenter dans les années 1980 comme une nécessité mathématique pour la stabilité de l’apprentissage, a trouvé sa justification neurophysiologique la plus éclatante dans les enregistrements intracellulaires modernes.

Des équipes de neurophysiologistes de premier plan mondial, travaillant sur le cortex visuel et auditif de primates éveillés, ont démontré de manière indiscutable que les projections anatomiques descendantes (top-down) n’ont pas pour mission de relayer passivement des signaux moteurs, mais de guider activement la sensibilité perceptive des neurones sensoriels primaires en fonction des états attentionnels et des attentes prédictives. Des études de magnétoencéphalographie (MEG) et d’électroencéphalographie intracrânienne chez des patients humains ont mis en évidence la cinétique temporelle exacte des états de résonance synchronisée prévus par Carpenter, confirmant l’apparition brutale de motifs cohérents en bande gamma dès qu’un percept visuel ambigu bascule vers une reconnaissance consciente stable.

En outre, les théoriciens contemporains des neurosciences cognitives, au premier rang desquels figurent les promoteurs du codage prédictif (predictive coding) et du principe de l’énergie libre de Karl Friston, reconnaissent aujourd’hui dans les travaux fondateurs de Gail Carpenter une anticipation magistrale de leurs propres paradigmes. L’interaction compétitive entre la prédiction descendante et l’erreur ascendante régulée par un contrôle de gain (vigilance chez Carpenter, précision chez Friston) constitue l’épine dorsale de la théorie neurobiologique contemporaine, consacrant la lucidité visionnaire de la mathématicienne de Boston.

12. Héritage intellectuel et perspectives contemporaines en neurosciences computationnelles

12.1 Influence sur l’intelligence artificielle neuromorphique

À l’heure où les technologies informatiques traditionnelles basées sur l’architecture de von Neumann se heurtent au mur physique de la consommation énergétique et à la dissipation thermique exponentielle induite par l’entraînement des modèles de langage géants, l’héritage de Gail Carpenter connaît une renaissance spectaculaire au sein de l’ingénierie neuromorphique. Les puces électroniques bio-inspirées, conçues pour émuler directement la physique des membranes neuronales en silicium à l’échelle sub-micronique, trouvent dans la théorie ART un paradigme d’implémentation matériel idéal.

Contrairement aux modèles de Deep Learning qui nécessitent d’incessants allers-retours de données entre la mémoire RAM et les processeurs de calcul graphique (le goulet d’étranglement de von Neumann), les architectures ART sont par nature hautement locales, asynchrones et distribuées. Des consortiums de recherche internationaux et des géants de l’industrie des semi-conducteurs ont réussi l’implémentation sur silicium de circuits Fuzzy ART et dARTMAP sur des architectures matérielles ultra-basse consommation. L’utilisation émergente de composants de mémoire non volatile de nouvelle génération, tels que les memristors et les jonctions tunnel magnétiques (spintronique), permet désormais de coder les équations de plasticité synaptique différentielle de Carpenter directement au niveau du point de croisement des résistances physiques :

• Apprentissage matériel sur puce (On-Chip Learning) : Adaptation synaptique continue et autonome sans recourir à un ordinateur hôte ou au cloud.
• Efficience énergétique extrême : Réduction de plusieurs ordres de grandeur de la consommation électrique grâce à l’événementialité (traitement activé uniquement par les impulsions résonantes).
• Déploiement pour l’Edge Computing et l’IoT : Intégration de capacités de reconnaissance autonome en temps réel au sein de capteurs intelligents et de prothèses médicales miniaturisées.

Ces réalisations transforment les théories mathématiques formulées sur papier par Gail Carpenter en microprocesseurs autonomes capables d’apprendre et de s’adapter en temps réel au cœur même des objets connectés de demain.

12.2 L’héritage vivant de Gail Carpenter pour les sciences de l’esprit

Au-delà de ses victoires algorithmiques et matérielles, la trajectoire de Gail Carpenter laisse une empreinte épistémologique indélébile sur les sciences de l’esprit. Elle a démontré de façon magistrale que la conscience, la mémoire et l’apprentissage ne sont pas des entités métaphysiques inaccessibles, ni de simples programmes informatiques abstraits déconnectés de la chair, mais des manifestations macroscopiques élégantes de systèmes dynamiques non linéaires incarnés au sein d’une architecture biologique optimisée par l’évolution.

Son parcours constitue également un modèle de persévérance et d’inspiration pour la visibilité et l’inclusion des femmes au sein des disciplines STEM (sciences, technologies, ingénierie et mathématiques). Évoluant au sommet de la recherche internationale à une époque où la misogynie institutionnelle dressait de formidables barrières invisibles, Gail Carpenter s’est imposée par la force intrinsèque de son génie formel, son éthique de travail irréprochable et sa générosité de mentor, ouvrant la voie à des générations entières de chercheuses dans le domaine des mathématiques appliquées et des neurosciences théoriques.

Enfin, à une époque contemporaine hantée par les dérives de l’intelligence artificielle opaque, où des algorithmes prédictifs incontrôlables prennent des décisions critiques sans justification explicable, les travaux de Gail Carpenter rappellent avec une urgence éthique renouvelée qu’une autre voie computationnelle est possible. Ses modèles démontrent qu’il n’existe aucune fatalité technologique à sacrifier la transparence conceptuelle sur l’autel de la performance statistique brute, et que l’auto-stabilisation vérifiable demeure le garant indispensable d’une intelligence artificielle digne de confiance.

12.3 Directions futures de recherche inspirées de son œuvre

Loin d’appartenir au passé, le corpus théorique initié par Gail Carpenter constitue aujourd’hui une matrice féconde pour les recherches d’avant-garde aux frontières de l’intelligence artificielle générale (AGI) et des neurosciences computationnelles de nouvelle génération. L’une des directions de recherche les plus prometteuses concerne l’hybridation structurelle entre les architectures de résonance adaptative et les grands modèles de fondation modernes, tels que les réseaux de type Transformeur (Transformers) et les mécanismes d’attention multi-têtes.

Des chercheurs contemporains s’attachent à intégrer le mécanisme de match tracking et la régulation de vigilance de Carpenter au sein des couches d’attention des transformeurs afin de résoudre l’un de leurs défauts majeurs : leur vulnérabilité à l’hallucination sémantique et leur incapacité à mettre à jour leur mémoire contextuelle de manière continue sans réentraînement prohibitif. En dotant les modèles de langage d’un sous-système d’orientation ART, ces systèmes hybrides pourraient vérifier en temps réel la concordance logique entre leurs prédictions génératrices et des bases de connaissances consolidées, ouvrant la voie à des agents conversationnels stables, auditables et immunisés contre la dégradation mémorielle.

Une autre piste d’investigation majeure réside dans la modélisation mathématique avancée des fonctions exécutives du cortex préfrontal et de la mémoire épisodique temporelle. En étendant les équations différentielles de Fuzzy ARTMAP au traitement des flux temporels hiérarchiques à échelles temporelles multiples, des équipes de recherche s’emploient à unifier au sein d’un formalisme unique la perception des objets, la planification motrice à long terme et la méta-cognition réflexive. En poursuivant cette quête d’une théorie unifiée de l’esprit computationnel, la communauté scientifique internationale continue d’écrire l’histoire dont Gail Alexandra Carpenter a tracé, avec une rigueur mathématique inégalée, les fondations inébranlables.

Références

• Carpenter, G. A. (1989). Neural network models for pattern recognition and associative memory. Neural Networks, 2(4), 243-257. https://doi.org/10.1016/0893-6080(89)90035-X
• Carpenter, G. A., & Grossberg, S. (1987). A massively parallel architecture for a self-organizing neural pattern recognition machine. Computer Vision, Graphics, and Image Processing, 37(1), 54-115. https://doi.org/10.1016/S0734-189X(87)80014-2
• Carpenter, G. A., & Grossberg, S. (1987). ART 2: Self-organization of stable category recognition codes for analog input patterns. Applied Optics, 26(23), 4919-4930. https://doi.org/10.1364/AO.26.004919
• Carpenter, G. A., & Grossberg, S. (1990). ART 3: Hierarchical search using chemical transmitters in self-organizing pattern recognition architectures. Neural Networks, 3(2), 129-152. https://doi.org/10.1016/0893-6080(90)90085-8
• Carpenter, G. A., Grossberg, S., & Reynolds, J. H. (1991). ARTMAP: Supervised real-time learning and classification of nonstationary data by a self-organizing neural network. Neural Networks, 4(5), 565-588. https://doi.org/10.1016/0893-6080(91)90012-T
• Carpenter, G. A., Grossberg, S., & Rosen, D. B. (1991). Fuzzy ART: Fast stable learning and categorization of analog patterns by an arbitrary number of input components. Neural Networks, 4(6), 759-771. https://doi.org/10.1016/0893-6080(91)90056-B
• Carpenter, G. A., Grossberg, S., Markuzon, N., Reynolds, J. H., & Rosen, D. B. (1992). Fuzzy ARTMAP: A neural network architecture for incremental supervised learning of analog multidimensional maps. IEEE Transactions on Neural Networks, 3(5), 698-713. https://doi.org/10.1109/72.159059
• Carpenter, G. A. (1997). Distributed ART and ARTMAP: Neural networks for fast distributed learning and prediction. Neural Networks, 10(4), 723-740. https://doi.org/10.1016/S0893-6080(96)00114-1
• Carpenter, G. A. (2003). Default ARTMAP. International Joint Conference on Neural Networks (IJCNN), 2, 1396-1401. https://doi.org/10.1109/IJCNN.2003.1223908
• Grossberg, S. (1980). How does a brain build a cognitive code? Psychological Review, 87(1), 1-51. https://doi.org/10.1037/0033-295X.87.1.1
• Grossberg, S. (2013). Adaptive Resonance Theory: How a brain learns to consciously attend, learn, and recognize a changing world. Neural Networks, 37, 1-47. https://doi.org/10.1016/j.neunet.2012.09.017
• Grossberg, S. (2021). Conscious Mind, Resonant Brain: How Each Brain Makes a Mind. Oxford University Press. https://doi.org/10.1093/oso/9780190070557.001.0001
• Hodgkin, A. L., & Huxley, A. F. (1952). A quantitative description of membrane current and its application to conduction and excitation in nerve. The Journal of Physiology, 117(4), 500-544. https://doi.org/10.1113/jphysiol.1952.sp004764
• FitzHugh, R. (1961). Impulses and physiological states in theoretical models of nerve membrane. Biophysical Journal, 1(6), 445-466. https://doi.org/10.1016/S0006-3495(61)86902-6
• Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8(3), 338-353. https://doi.org/10.1016/S0019-9958(65)90241-X
• Singer, W. (1999). Neuronal synchrony: A versatile code for the definition of relations? Neuron, 24(1), 49-65. https://doi.org/10.1016/S0896-6273(00)80821-1
• Friston, K. (2010). The free-energy principle: A unified brain theory? Nature Reviews Neuroscience, 11(2), 127-138. https://doi.org/10.1038/nrn2787